ggplot2 et GLM binomial

Modèles Linéaires Généralisés (GLM) en R

Richard Erickson

Instructor

Que montre mon jeu de données ?

La distance domicile-travail change‑t‑elle la probabilité de prendre le bus ?

ggplot(bus, aes(x = MilesOneWay, y = Bus)) + geom_point()

Nuage de points uniquement

geom_jitter()

gg_jitter <- ggplot(bus, aes(x = MilesOneWay, y = Bus)) +
             geom_jitter(width = 0, height = 0.05)
print(gg_jitter)

Nuage avec jitter

geom_smooth()

gg_jitter + geom_smooth()

Graphique jittéré avec lissage.

facteur vers numérique

str(bus)
bus$Bus2 <- as.numeric(bus$Bus) - 1

geom_smooth()

gg_jitter + geom_smooth()

Passer les données en numérique plutôt qu'en caractère

modèles linéaires

gg_jitter + geom_smooth(method = 'glm')

Ajouter lm à ggJitter

Régressions logistiques

ggJitter + 
geom_smooth(method = 'glm',
            method.args = list(family = "binomial"))

ggJitter avec une courbe logistique

gg_jitter + 
    geom_smooth(method = 'glm',
                method.args = list(family = binomial(link = 'logit')),
                se = FALSE, color = 'red') +
    geom_smooth(method = 'glm',
                method.args = list(family = binomial(link = 'probit')),
                se = FALSE, color = 'blue')

ggJitter avec tracés logit et probit

Étapes : résumé

Représenter en jitter pour éviter les superpositions
Ajouter un geom lissé
Indiquer la bonne méthode et la famille
Soigner la figure (hors du périmètre du cours)

Passons à la pratique !

Modèles Linéaires Généralisés (GLM) en R