ggplot2 et GLM binomial

Modèles linéaires généralisés (GLM) en R

Richard Erickson

Instructor

Que révèle votre ensemble de données ?

La distance du trajet change-t-elle la probabilité de prendre l'autobus ?

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

Nuage de points seulement

geom_jitter()

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

Graphique à points avec gigue

geom_smooth()

gg_jitter + geom_smooth()

Graphique avec gigue et courbe lissée.

facteur vers numérique

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

geom_smooth()

gg_jitter + geom_smooth()

Rendre les données numériques plutôt que textuelles

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

Résumé des étapes

Tracer avec gigue pour éviter le chevauchement
Ajouter un geom lissé
Indiquer la bonne méthode et la famille
Peaufiner la figure (non couvert ici)

Passons à la pratique !

Modèles linéaires généralisés (GLM) en R