Pourquoi mon modele lineaire calculé ne correspond pas avec le model initial

Bonjour, je cherchais à tester la fonction lm de R,
mais je ne retrouve pas ce que je mets en entrée :
Je crée une variable a, issue d'une loi normale de moyenne 5 et de variance 1, que je multiplie par x allant de 0.1 à 10.
Ensuite je lance mon lm à partir des resultats et j'obtiens pour valeur de a : 1
cf le code ci-dessous :
Avez vous des idées ?

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

par(mfrow=c(2,1)) x<-rnorm(100,mean=5,sd=1)*seq(0.1,10,by=0.1) x y<-rnorm(100,mean=1,sd=1)*seq(0.1,10,by=0.1) z<-runif(1,min=4,max=5)*seq(0.1,10,by=0.1) calcul<-x plot(calcul~seq(0.1,10,by=0.1),type="l") lesdata=as.data.frame(x) a<-lm(calcul~.,data=lesdata) summary(a) b=a$Intercept b a1=a$coefficients[2] a1 sequence<-seq(0.1,10,by=0.1) nouveauCalcul=a1*sequence plot(nouveauCalcul~sequence)

---

calcul et lesdata valent tous les deux x !

P. S. : Que veux-tu tester dans lm ?

Bonjour,
Je veux tester la valeur du coefficient directeur a via la fonction lm. (fonction type y =ax +b)
Lorsque je crée ma fonction en entrée je donne une valeur proche de 5 à a (mean de la loi normale avec la fonction rnorm())
Alors qu'en sortie via la fonction lm j'obtiens en coefficient directeur a=1 via

Code:

---

a1=a$coefficients[2]

---

(initialement mon modele était plus complexe, mais je devrais obtenir en sortie au moins ce que j'ai mis en valeur de coefficient directeur en entrée).
Merci d'avance de vos idées.

Comme je te l'ai écrit, ce que tu fais c'est :

Code:

---

lm( x ~ x)

---

puisque ton code est :

Code:

---

1 2	calcul <- x lesdata <- as.data.frame( x)

---

alors ne t'étonne pas d'obtenir un coefficient égal à 1 avec un message qui te dit que l'ajustement est presque parfait.

Ensuite, je ne comprends pas ce que tu cherches exactement, lm fait un ajustement par moindres carrés ordinaires (OLS), les formules de calcul sont connues et la procédure est largement validée. Donc, je ne vois absolument pas l'intérêt de retester la procédure. De plus, supposons un modèle de régression de type y = a x1 + b x2 + c et les trois analyses suivantes :

Code:

---

1 2 3

estim.a <- lm( y ~ x1) estim.b <- lm( y ~ x2) estim <- lm( y ~ x1 + x2)

---

Alors les coefficients a et b des deux premières analyses ont peu de chances d'être égaux (ou proches) de ceux estimés dans la seconde analyse sauf si x1 et x2 ne sont pas corrélés (ou très faiblement).

Merci de m'avoir montré mon erreur. J'avais fais une erreur d'interpretation. Bonne journée.