Discussion :

[habasque]

Bonjour à tous,

Je souhaite réaliser une ANOVA sur un modèle initial du type :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

model1 = lm(as.formula("nombre ~ biotope * prof_min * statut_protection")

En sortie de summary(model1), j'ai :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
 
Residual standard error: 182.2 on 201 degrees of freedom
  (1 observation deleted due to missingness)
Multiple R-squared: 0.1523,     Adjusted R-squared: 0.07639 
F-statistic: 2.006 on 18 and 201 DF,  p-value: 0.01091

Comment interpréter ces valeurs à savoir si mon modèle est correct ?

Merci d'avance;

[balap]

J'ai juste quelques notions en statistique (car je pense que c'est plus une question de stat que de R...) mais je vais essayer de te répondre sur ce que je connais.
J'utilise pour ma part les fonctions aov ou anova.
La p-value permet de dire si je rejette ou non mon hypothèse nulle en un seuil fixé à priori, c'est à dire si les groupes on même moyenne.
Toutefois, il y a certaines conditions à vérifier sur les groupes (distribution normale notamment) pour que les résultats soient statistiquement significatif.

Dans ton cas, on peut dire qu'il y a au moins une moyenne différente dans les groupes que tu compares, avec un risque de 5%. Pour savoir les groupes différents, il y a des tests posthoc que l'on peut faire (peut être test de Tukey, de Scheffé mais je suis pas sûr).

Il y a de très bon tuto sur le net concernant les analyse de la variance avec R, autant au point de vue stat que R.

Je ne pas plus t'aider...

[balap]

En fait je suis pas sûr que tu veuilles faire une Anova, mais plus trouver le modèle que suis tes données.
Dans ce cas, c'est les petites étoiles du summary(lm(*)) qu'il faut regarder.

[Caspi]

Le Adjusted R-square est le coefficient de détermination ajusté (=ajusté par le nombre de variables explicatives). Il permet de comparer la qualité de la régression pour des modèles qui ont un nombre différent de variables explicatives.
Par exemple, si tu as une régression sur 4 variables et que tu cherches à savoir si une 5e variable permet d'améliorer l'ajustement (donc si tu dois la prendre en compte), plutôt que de comparer les valeurs du R^2 (qui sera de toute façon plus élevé avec la 5e variable), tu dois comparer le R^2 ajusté: s'il est supérieur avec 5 variables, c'est que la variable doit être prise en compte, s'il est inférieur tu dois la laisser de côté.