Discussion :

[mydoudouitsk]

Bonjour,

J'ai 3 variables explicatives quantitatives : lon, occ, b_index ayant respectivement comme R² : 0.42 , 0.01, et 0.03.

Quand je fais des comparaisons de modèles avec la fonction anova entre :

lm(VarQ ~ lon + occ) et lm (VarQ~ lon + occ + b_index) .

L'anova me dit qu'il n'y a pas de différence significative entre ces deux modèles.

Et je ne comprends pas pourquoi. La variable b_index (R² = 0.03) a pourtant un coefficient de détermination plus élevé que occ (R² = 0.01).

Comment ce fait-il que le modèle final ne soit pas :

lm(VarQ ~ lon + b_index) ou lm(VarQ ~ lon + b_index + occ) ?

Merci pour votre aide.

[chautho]

Bonjour,

Je pense déjà qu'il est difficile d'interpréter le R^2 d'une seule variable et de dire ainsi si cette variable sera plus importante dans un modèle plus compliqué qu'une autre variable.

Ensuite, le test utilisé pour comparer les modèles (test du rapport des vraisemblances) n'a pas grand chose à voir avec le R^2 d'où l'absence de lien entre ton R^2 et ce que le test de l'anova te dit...

Je te conseille de regarder aussi la corrélation entre tes variables, voir si elles n'apportent pas la même information.

Ensuite tu peux utiliser le R^2 ajusté pour avoir un R^2 plus "juste".

De plus, regarde du coté des fonctions stepAIC (package mass) pour avoir un modèle qui optimise le choix du nombre de variables et la "justesse" de ce dernier.


Bon courage !

[mydoudouitsk]

Bonjour,

Merci pour votre réponse.
Je viens de réaliser un test de corrélation entre mes deux variables, et la p-value est très inférieure à 0.05. J'en conclue donc qu'il n'y a pas de corrélation entre mes deux variables.
J'ai également regarder comment optimiser la fonction stepAIC, mais je n'ai pas pu trouver de réglage pour "optimiser le choix du nombre de variables et la "justesse" de ce dernier".

Mon problème reste donc entier.
Je ne sais pas quelles variables inclure dans mon modèle et du coup sous quel critère.

[chautho]

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 :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

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 :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

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 !

[chautho]

Ha et j'allais oublier !

Je te conseille cette présentation sur le modèle linéaire avec R qui est très bien faite et te permettra de comprendre à la fois l'aspect statistique et l'aspect code R :
http://rug.mnhn.fr/semin-r/PDF/semin...ros_110308.pdf