# Statistiques avec R

# ~~~~~~~~~~~~~~~~~~~~~~~~~~~~
d.survival <- read.table(file="beak_size.csv",header=TRUE,sep="\t",dec=",");
d.heritability <- read.table(file="beak_size_heritability.csv",header=TRUE,sep="
\t",dec=",");
#quelques test simples
mort <- d.survival$survival == 0;
#test de Fisher de comparaison de deux variances
with(d.survival,var.test(beak_size[mort],beak_size[!mort]))
#test de comparaison de deux moyennes de Student
with(d.survival,t.test(beak_size[mort],beak_size[!mort]));
#le mme sans la correction de Welsh pour l'htroscdasticit
with(d.survival,t.test(beak_size[mort],beak_size[!mort],var.equal=TRUE));
#test de normalit de Shapiro-Wilk
shapiro.test(d.survival$beak_size[mort])
shapiro.test(d.survival$beak_size[!mort])
#l'analogue en non-paramtique : le test de Wilcoxon
with(d.survival,wilcox.test(beak_size[mort],beak_size[!mort]));
attach(d.heritability)
#test de corrlation de Pearson (paramtrique)
cor.test(mother_size,father_size,method="pearson")
#test de corrlation de Kendall (non-paramtrique)
cor.test(mother_size,father_size,method="kendall")
#le modle linaire
#ajustement du modle linaire
m <- lm(beak_size ~ mother_size*father_size,data=d.heritability);
#diagnostic
plot(m) #outils graphiques de diagnostic
shapiro.test(residuals(m)) #test de la normalit des rsidus
library(lmtest)
bptest(m) #test de l'homoscdasticit (test de Bresch-Pagan)
dwtest(m) #test de l'indpendance (test de Durbin-Watson)
#on teste les effets
anova(m)
summary(m)
#problme de non-orthogonalit des effets
#pour les gens habitus SAS, c'est ce que les somme de carr type III sont c
enses rsoudre
anova(lm(beak_size ~ mother_size*father_size,data=d.heritability)) #ANOVA t
ype I : le test dpend de l'ordre d'introduction des facteurs
anova(lm(beak_size ~ father_size*mother_size,data=d.heritability))
library(car)
Anova(lm(beak_size ~ mother_size*father_size,data=d.heritability)) #ANOVA t
ype II : le test ne dpend plus de l'ordre d'introduction des facteurs
Anova(lm(beak_size ~ father_size*mother_size,data=d.heritability))
#le modle linaire gnralis
m <- glm(survival~beak_size,data=d.survival,family=binomial)
anova(m,test="Chisq")
summary(m)
#autre stratgie : on utilise une interface pour explorer le jeu de donnes
#plusieurs solutions existent... On s'intressera ici seulement Rcmdr
library("Rcmdr")