Évaluation finale des modèles

R pour les utilisateurs de SAS

Melinda Higgins, PhD

Research Professor/Senior Biostatistician Emory University

Exercices finaux

Bilan du cours

Exécuter des modèles de régression
- pour différents prédicteurs
- pour différents groupes
Choisir les meilleurs modèles
- enregistrer les résultats
- extraire et afficher les statistiques d'ajustement

Mettez vos compétences en avant

Évaluer et comparer les modèles
- avec des visualisations graphiques
Présenter les meilleures associations
- entre variables
- au global et par groupe

Comparer des modèles

# Exécuter lm() pour diffht par bmi, enregistrer le modèle
lmdiffhtbmi <- lm(diffht ~ bmi,
                  data = daviskeep)

# Exécuter lm() pour diffht par weight, enregistrer le modèle
lmdiffhtwt <- lm(diffht ~ weight,
                 data = daviskeep)

# Exécuter summary() pour chaque modèle, enregistrer les résultats
smrylmdiffhtbmi <- summary(lmdiffhtbmi)
smrylmdiffhtwt <- summary(lmdiffhtwt)

Comparer des modèles

# Afficher r.squared pour le modèle weight
smrylmdiffhtwt$r.squared

# Afficher r.squared pour le modèle bmi
smrylmdiffhtbmi$r.squared

# Comparer les AIC des deux modèles
AIC(lmdiffhtbmi, lmdiffhtwt)


[1] 0.003281645


[1] 0.00121824

            df      AIC
lmdiffhtbmi  3 788.0816
lmdiffhtwt   3 787.7052

Modèles par groupe : hommes vs femmes

# Tracer diffht selon weight, par sexe
ggplot(daviskeep,
       aes(diffht, weight)) +
  geom_point() +
  geom_smooth(method = "lm") +
  facet_wrap(vars(sex)) +
  ggtitle("Écarts de taille
          prédits par le poids,
          ajustement par sexe")

graphique de diffht selon weight par sexe

Régression sur un sous-ensemble

option where de sas proc reg similaire à l'option subset pour la fonction R lm

Ajuster des modèles par sous-ensemble

# lm() de diffht selon weight pour les femmes
lmdiffhtwtF <- lm(diffht ~ weight,
                  subset = (sex == "F"),
                  data = daviskeep)

# lm() de diffht selon weight pour les hommes
lmdiffhtwtM <- lm(diffht ~ weight,
                  subset = (sex == "M"),
                  data = daviskeep)

# Exécuter summary() pour chaque modèle, enregistrer les résultats
smrylmdiffhtwtF <- summary(lmdiffhtwtF)
smrylmdiffhtwtM <- summary(lmdiffhtwtM)

Ajuster des modèles par sous-ensemble

# r.squared pour le modèle femmes uniquement
smrylmdiffhtwtF$r.squared

# r.squared pour le modèle hommes uniquement
smrylmdiffhtwtM$r.squared


[1] 4.00807e-05


[1] 0.00804139

Terminons en développant quelques modèles pour prédire l'âge des ormeaux !

R pour les utilisateurs de SAS