La méthode "classique" consiste à faire ton modèle complet et retirer les variables non nécessaire dans ton modèle avec un stepAIC qui trouvera le bon compromis entre complexité du modèle et bon ajustement.
Ensuite tu peux aussi suppprimer les variables donc le coefficient n'est pas significatif avec un test de student par exemple.
Ex :
1 2 3 4 5
|
mod1 <- lm (VarQ~ lon + occ + b_index)
anova(mod1)
# Tu retires la variable qui est la "moins" significative
mod2 <- lm (VarQ~ ...) |
Ou tu peux laisser le stepAIC.
Je ne sais pas si tu as un échantillon de données conséquent ni ce que tu essayes de faire, mais tu peux regarder les effets croisés avec le modèle quadratique :
mod1 <- lm (VarQ~ (lon + occ + b_index)^2)
et procéder de même qu'avec l'autre modèle.
Si tu essayes de faire de la prévision je te conseille de séparer ton échantillon en apprentissage / test pour vérifier la "justesse" (ou capacité de généralisation) de ton modèle en prédiction.
Bref y a de quoi s'amuser avec les modèles !
Partager