Cours 7 : Exemples

I- Régression linéaire simple

II- Analyse de variance à 1 facteur
III- Tests statistiques
 Le modèle de régression linéaire simple

Exemple 1 : On cherche à expliquer les variations de y par celles d’une

fonction linéaire de x, i.e., à valider le modèle de RLS

yi = axi + b + ε i , i = 1,...,30.
où εi est une suite de variables aléatoires i.i.d. de moyenne nulle et de varianceσ ²

>x=1:100; X=sample(x,30,replace=TRUE)
>Y=3+7*X+rnorm(30,0,100)
>regression=lm(Y~X); regression
Call:
lm(formula = Y ~ X)

Coefficients:
(Intercept) X
-30.26 7.42
 Le modèle de régression linéaire simple

> plot(X,Y)
>text(40,600, substitute(y==a*x+b, list(a=regression$coef[2],
b=regression$coef[1])))
> lines(X,regression$fitted.values)
> M=locator(); v=locator()
> segments(0,M$y,M$x,M$y)
> arrows(M$x,M$y,M$x,v$y,angle=30, code=3)
> segments(M$x,v$y,0,v$y,lty=2)
> text(0,350, "yi",col="red")
> text(0,200, "^yi",col="red")
> text(25,250, "ei",col="red")
> title("nuage de points et droite de regression")
Le modèle de régression linéaire simple
 Le modèle de régression linéaire simple

> names(regression)
[1] "coefficients" "residuals" "effects" "rank"
[5] "fitted.values" "assign" "qr" "df.residual"
[9] "xlevels" "call" "terms" "model«

coefficients (ou coef) : estimations des paramètres aˆ et bˆ

fitted.values (ou fitted): valeurs estimées yˆ i
Residuals (ou res) : résidus ei = yi − yˆ i
df.residual : nombre de ddl des résidus (n-2)
 Le modèle de régression linéaire simple

> anova(regression)
Analysis of Variance Table F=MSM/MSR
SSM
Response: Y
SSR
Df Sum Sq Mean Sq F value Pr(>F)
X 1 1485466 1485466 159.83 4.312e-13 ***
Residuals 28 260238 9294 MSM=SSM/dl=SSM
--- n-2 MSR=SSR/dl=SSR/n-2
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
 Le modèle de régression linéaire simple
â
>summary(regression)
Call:
lm(formula = Y ~ X)
^b
Residuals:
Min 1Q Median 3Q Max s(^b)
-206.89 -76.47 12.28 61.42 192.04
s(â)
Coefficients: tb=^b/s(^b)
Estimate Std. Error t value Pr(>|t|)
(Intercept) -30.2553 34.3536 -0.881 0.386
X 7.4199 0.5869 12.642 4.31e-13 *** ta=â/s(â)
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 S=sqrt(MSR)

Residual standard error: 96.41 on 28 degrees of freedom

Multiple R-Squared: 0.8509, Adjusted R-squared: 0.8456 R²=SSM/(SSM
F-statistic: 159.8 on 1 and 28 DF, p-value: 4.312e-13 +SSR)
 Le modèle de régression linéaire simple

¾ Pertinence du modèle sur les données :

De petites valeurs sont un gage
>summary(regression) de stabilité du modèle donc du
Call:
pouvoir prédictif: valeur de b
lm(formula = Y ~ X)
pas très stable ici
Residuals:
Min 1Q Median 3Q Max
-206.89 -76.47 12.28 61.42 192.04 % de variations expliquées
par le modèle R² doit être
Coefficients: proche de 1 pour bon
Estimate Std. Error t value Pr(>|t|) pouvoir explicatif: ok ici
(Intercept) -30.2553 34.3536 -0.881 0.386
X 7.4199 0.5869 12.642 4.31e-13 ***
--- Écart-type résiduel
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1doit être faible
pour bon pouvoir
Residual standard error: 96.41 on 28 degrees of freedom prédictif
Multiple R-Squared: 0.8509, Adjusted R-squared: 0.8456
F-statistic: 159.8 on 1 and 28 DF, p-value: 4.312e-13
 Le modèle de régression linéaire simple

• Conclusion 1 : le modèle a un bon pouvoir explicatif sur les

données, mais le pouvoir prédictif risque d’être entaché par
l’instabilité du coefficient b et une variance résiduelle importante.
 Le modèle de régression linéaire simple

¾ Analyse des résidus

Fonctions R utiles:
- influence(): étude des points contribuant à l’instabilité du modèle
(prédiction).
- residuals() e ei
rei = i =
- rstudent() : résidus réduits s (ei ) s (1 − hii )
- acf() : graphe d’autocorrelation des résidus
- plot()
- qqnorm()
 Le modèle de régression linéaire simple

- Repérage des points aberrants et des points contribuant fortement à

la détermination du modèle :
Est suspect un point tel que le résidu réduit est supérieur à 2
en valeur absolue : si sa distance de Cook’s est >1, le point
suspect contribue trop fortement à la détermination du modèle
- Vérifier les hypothèse sur les résidus : iid et normalité (préalable à
l’interprétation des tests)
Le graphe des résidus ne doit pas présenter de structure
(variance constante sur la verticale et symetrie par rapport
aux abscisses).
. Le graphe des résidus réduits doit être compris entre –2 et 2 et
ne doit pas présenter de structure. D’autres graphiques tels
que le qqnorm() ou acf() peuvent aider.
Le modèle de régression linéaire simple
 Le modèle de régression linéaire simple

> regression$res
1 2 3 4 5 6
-124.555774 192.039037 -206.889677 66.405930 134.778691 84.971904
7 8 9 10 11 12
62.303811 49.992064 58.754097 -59.526887 -122.429844 164.829565
13 14 15 16 17 18
-32.171872 66.230754 14.259927 -85.047904 -10.456005 -85.910834
19 20 21 22 23 24
-25.642668 -90.246235 50.526061 40.156580 -54.350556 10.292678
25 26 27 28 29 30
1.090471 94.392800 29.988159 20.679500 -162.341983 -82.121786
 Le modèle de régression linéaire simple

> rstudent(regression)
1 2 3 4 5 6
-1.33891051 2.18030419 -2.35658586 0.69563804 1.44970973 0.90378230
7 8 9 10 11 12
0.67206553 0.54684103 0.61362322 -0.63902844 -1.37190197 1.80811221
13 14 15 16 17 18
-0.33693306 0.72519680 0.14970613 -0.92811721 -0.11319206 -0.91236104
19 20 21 22 23 24
-0.27792699 -0.96174524 0.53172811 0.43253471 -0.58014349 0.10726922
25 26 27 28 29 30
0.01142126 1.03392757 0.31123595 0.21446494 -1.79851278 -0.86589500
 Le modèle de régression linéaire simple

> par(mfrow=c(2,2)); plot(regression)

 Le modèle de régression linéaire simple
>plot(regression$fitted,rstudent(regression),xlabel="fitted values",
ylabel="standardized residuals");
>abline(h=2,col="red");abline(h=-2,col="red")
 Le modèle de régression linéaire simple

> par(mfrow=c(1,2))
> plot(regression$residuals)
> acf(regression$res)
 Le modèle de régression linéaire simple

Conclusion 2 : Les résidus semblent approximativement gaussiens

(qqnorm) et i.i.d. (pas de structure, de part et d’autre de 0 sur les
plots et le corrélogramme).Deux points devraient être
éventuellement enlevés du modèle : les points 2 et 3.
 Le modèle de régression linéaire simple

• Les conséquences de la non-normalité sont :

– Les estimateurs ne sont pas optimaux
- Les tests et intervalles de confiances sont invalides. En réalité seulement
les distribution à queue très longue posent problème et une légère non-
normalité peut être ignorée, d’autant plus que l’échantillon est grand.

Dans ce cas, on essaie généralement des transformations.

• Les conséquences d’une variance non constante sont: Les estimations ne sont pas
bonnes il faut utiliser les moindres carrés pondérés.
 Le modèle de régression linéaire simple

¾ Validité du modèle sur la population

La variable X a une influence
>summary(regression) significative sur Y à 5%: le
Call: coefficient est significativement
lm(formula = Y ~ X) différent de zero

Residuals:
Le terme constant n’est
Min 1Q Median 3Q Max
pas significativement
-206.89 -76.47 12.28 61.42 192.04
different de zero: on peut
Coefficients:
decider de refaire tourner
Estimate Std. Error t value Pr(>|t|)
le modèle sans lui
(Intercept) -30.2553 34.3536 -0.881 0.386
X 7.4199 0.5869 12.642 4.31e-13 ***
--- Le modèle est
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1pertinent à 5%

Residual standard error: 96.41 on 28 degrees of freedom

Multiple R-Squared: 0.8509, Adjusted R-squared: 0.8456
F-statistic: 159.8 on 1 and 28 DF, p-value: 4.312e-13
 Le modèle de régression linéaire simple

Conclusion 3: le modèle linéaire est pertinent pour expliquer

variations de Y sur la population.

Conclusion : L’ajustement linéaire est pertinent ici. Pour obtenir un

meilleur pouvoir prédictif, il faudrait éventuellement retirer les
points 2 et 3 de l’analyse et utiliser un modèle sans terme constant.
 II- Analyse de variance

Six (k) insecticides (spray) ont été testés chacun sur 12 cultures. La
réponse observée (count) est le nombre d'insectes. Les données sont
contenues dans le data.frame « InsectSprays ». On veut savoir si il
existe un effet significatif du facteur insecticide, i.e. on veut valider
le modèle d’analyse de variance :
Countij = µ + α j + ε ij , i = 1,...12; j = 1,...6.
où ε i est une suite de variables aléatoires i.i.d. de moyenne nulle et de
variance σ ²

>anov=aov(sqrt(count) ~ spray, data = InsectSprays)

 II- Analyse de variance
SSInter
> summary(anov)
P(F>Fvalue)
SSIntra
F suit F(k-1,n-k)
Df Sum Sq Mean Sq F value Pr(>F)
spray 5 88.438 17.688 44.799 < 2.2e-16 ***
Residuals 66 26.058 0.395 V Inter
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
V intra
k-1
n-k
V inter/V intra
 II- Analyse de variance

> names(anov)
[1] "coefficients" "residuals" "effects" "rank"
[5] "fitted.values" "assign" "qr" "df.residual"
[9] "contrasts" "xlevels" "call" "terms"
[13] "model"

coefficients : moyennes dans les niveaux αˆ j

residuals : résidus estimes du modèle eij = yij − yˆij
fitted.values : valeurs estimées yˆij = µˆ + αˆ j
>boxplot(sqrt(InsectSpray$count))~InsectSpray$spray
 II- Analyse de variance

Le Boxplot montre :

- les points aberrants

- l’asymetrie de la distribution
- une inégalité dans les variances. Cependant, comme souvent il y
a peu de données dans chaque niveau du facteur on peu s’attendre
à une grande variabilité même si les variances des sous-
populations sont en réalité égales.
 II- Analyse de variance

Analyse des résidus (cf régression)

>par(mfrow=c(2,2)); plot(anov)
 II- Analyse de variance

>plot(rstudent(anov))
 II- Analyse de variance

>par(mfrow=c(2,1))
> acf(anov$res)
>plot(anov$res)
 II- Analyse de variance

Les moyennes sont différentes

La distribution des résidus semble gaussienne
Les résidus sont i.i.d. si l’on ne tient pas compte de la variance
Il existe des points aberrants 39, 27, 25 dont les distances de Cook’s
montrent qu’ils influencent trop les coefficients.
 II- Analyse de variance

>summary(anov)

Df Sum Sq Mean Sq F value Pr(>F)

spray 5 88.438 17.688 44.799 < 2.2e-16 ***
Residuals 66 26.058 0.395
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Le test de Fisher montre que l’on rejette fortement l’hypothèse nulle

(avec un risque de se tromper presque nul): le modèle est significatif
:il existe un fort effet du facteur spray sur le nombre d’insectes.
>boxplot(sqrt(InsectSpray$count))~InsectSpray$spray
 II- Analyse de variance

>anov$coeff

(Intercept) sprayB sprayC sprayD sprayE sprayF

3.7606784 0.1159530 -2.5158217 -1.5963245 -1.9512174 0.2579388

Le groupe A est le groupe de référence avec une moyenne de 3.76. Le groupe B

a une moyenne de 3.76+0.11,….
Les écarts les plus significatifs sont entre les groupes A B et F et les groupes C
D et E, qui sont plus efficaces que les premiers.
 III- Test de comparaison de moyenne

Soient (X1, . . . , Xn) un echantillon issu d’une population

iid N(1, 1) et (Y1, . . . , Ym) un échantillon issu d’une
population iid E(1). On veut tester:
H 0 : E ( X ) = E (Y ) contre H1 : E ( X ) ≠ E (Y )

> x = rnorm(100,1,1)
>y = rexp(200,1)
>st=t.test(x,y); st
 III- Test de comparaison de moyenne
Welch Two Sample t-test Généralisation du test de Student au cas de
data: x and y variances inégales
t = -0.2178, df = 178.446, p-value = 0.8278
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval: P(|T|>t)
-0.2648092 0.2121608 T suit T(179)
sample estimates: mean of x : 0.9544127 mean of y : 0.9807369

> summary(st) X Y
Length Class Mode
statistic 1 -none- numeric Nombre de ddl corrigé=179
parameter 1 -none- numeric
p.value 1 -none- numeric
conf.int 2 -none- numeric
estimate 2 -none- numeric Statistique t
null.value 1 -none- numeric
alternative 1 -none- character
method 1 -none- character
data.name 1 -none- character
 III- Test de comparaison de moyenne

> names(st)
[1] "statistic" "parameter" "p.value" "conf.int" "estimate"
[6] "null.value" "alternative" "method" "data.name"

statistic : valeur de t
alternative : type d’alternative two-sided, one-sided.
estimate : moyennes empiriques des echantillons
null.value : hypothese nulle
conf.int: intervalles de confiances
parameter :ddl

Conclusion : on ne peut pas rejeter l’hypothèse nulle au seuil 5% : les moyennes

ne sont pas significativement différentes.