Académique Documents
Professionnel Documents
Culture Documents
Exemple1:
The number of awards earned by students at one high school. Predictors of the
number of awards earned include the type of program in which the student was
enrolled (e.g., vocational, general or academic) and the score on their final exam
in math.
La variable Y que l’on cherche à expliquer est un nombre d’espèces de fourmis présentes dans
1m2 de litière sur un site donné.
En supposant que les différentes espèces de fourmis se répartissent au hasard et de façon homogène
dans la litière, il est naturel de modéliser le nombre d’espèces de fourmis présentes par une loi de
Poisson. Le paramètre de la loi de Poisson représente le nombre moyen d’espèces de fourmis attendu
pour chaque observation.
Pour que les différents prélèvements soient comparables, il faudrait que les volumes de litière prélevés
soient identiques, lambdai désignerait alors un nombre d’espèces de fourmis moyen par unité de
volume, c’est-à-dire une densité. Puisque ce n’est pas le cas dans l’expérience, il est nécessaire de
prendre en compte la différence de volume des observations.
Loi de Poisson avec offset: biodiversité des fourmis
- Vij désignant le volume de litière prélevé pour l’observation j sur le site i. cette information
n’étant pas disponible, le poids de litière va être utilisé comme indicateur de ce volume.
-Wij désignant le poids de litière prélevée pour l’observation j sur le site i. lambdai désigne
donc le nombre d’espèces de fourmis par unité de poids.
- En utilisant la fonction de lien naturel de la loi de Poisson, le modèle final est donné par:
Loi de Poisson avec offset: biodiversité des fourmis
-En appliquant l’algorithme de Newton-Raphson, on obtient les estimations pour les paramètres du
modèle.
Pour étudier les différences de richesse entre les différents sites, on est
amené à tester l’effet Site.
La table donne les déviances du modèle nul (sous l’hypothèse H0) et du
modèle complet, ainsi que la valeur critique du test de rapport de
vraisemblance.
-la table donne pour chaque paire de sites la valeur critique du test d’égalité
des richesses spécifiques.
- Les différences de richesse spécifique sont donc significatives pour chaque
paire de sites au risque de 5%.
Régression de Poisson: Modèle de comptage
Régression de Poisson: Modèle de comptage
Régression de Poisson: Qualité d’ajustement
La Régression de poisson:
Adéquation du modèle estimé
La Régression de poisson:
Adéquation du modèle estimé
La Régression de poisson:
Adéquation du modèle estimé
Régression de Poisson: Inférence statistique
Régression de Poisson: Inférence statistique
Régression de Poisson: Interprétation des coefficients
Régression de Poisson: Interprétation des coefficients
Régression de Poisson: Sélection des variables
Régression de Poisson: Etudes des résidus
Régression de Poisson: Etudes des résidus
Régression de Poisson: Points Levier
Régression de Poisson: Surdispersion
Régression de Poisson: Surdispersion
La Régression de poisson:
La sur-dispersion
La Régression de poisson:
La sur-dispersion: Exemple
La Régression de poisson:
La sur-dispersion: Exemple
La Régression de poisson:
La sur-dispersion: Exemple
La Régression de poisson:
Modèles à inflation de zéros
La Régression de poisson:
Modèles à inflation de zéros
La Régression de poisson:
La régression Binomiale négative
La Régression de poisson:
La régression Binomiale négative
La Régression de poisson:
La régression Binomiale négative
La Régression de poisson:
La régression Binomiale négative
La Régression de poisson:
La régression Binomiale négative
La Régression de poisson:
La régression Binomiale négative
Poisson tronquée en 0: portées d’agneaux
L’examen de cette table montre qu’il semble y avoir une différence de taille
des portées selon le génotype, la question est de savoir si elle est
significative.
Poisson tronquée en 0: portées d’agneaux
la variable Y que l’on cherche à expliquer est le nombre de petits qu'il est naturel
de modéliser par une distribution de Poisson. Cependant, ici on ne retient que la
taille des portées des brebis qui ont mis bas, et la valeur 0 ne sera jamais
observée.
Un modèle usuel pour ce type de données est la loi de probabilité gamma de densité.
Cette loi pour des données positives (comme les durées de vie) permet de prendre en
compte une forte dissymétrie fréquente pour ces données. La fonction de lien
canonique est la fonction inverse 1/mu qui représente le nombre de pannes à l’heure.
Loi Gamma: roulements à billes, durées de vie
Contexte général