TP Régression : Analyse des données
1- > ozone<-[Link]("C:/Users/h/Downloads/ozone).txt",header=T)
2-
Les différentes variables sont :
"X.maxO3." "T9" "T12" "T15" "Ne9" "Ne12" "Ne15" "Vx9" "Vx12" "Vx15"
"maxO3v" "vent" "pluie"
La nature :
-quantitative : X.maxO3. T9 T12 T15 Ne9 Ne12 Ne15 Vx9 Vx12
Vx15 maxO3v
-catégorielle : vent pluie
Les statistiques descriptives : (voir la figure ci -dessus)
3-
les statistiques descriptives spécifiques aux variables "maxO3" et "T12".
4-
le nuage de points pour les variables "maxO3" en fonction de "T12"
5-
créer un modèle de régression linéaire simple où la variable dépendante est "maxO3"
et la variable indépendante est "T12" avec >[Link]<-lm(maxO3∼T12,data=ozone
La commande summary([Link]) permettre d'obtenir un résumé des résultats du
modèle de régression linéaire. comme coefficients de régression, les statistiques de test
associées, les valeurs p de ces tests, le coefficient de détermination (R²) .
6-
consultation la liste des déférents résultats de l’objet [Link]
7-
récupérer les coefficients estimés dans le modèle de régression linéaire.( les coefficients sont les
valeurs estimées pour l'ordonnée à l'origine et les pentes associées à chaque variable
indépendante dans le modèle.)
8-
crée un modèle de régression linéaire simple sans constante. Cela signifie que le modèle ajusté
n'aura pas d'ordonnée à l'origine. Au lieu de cela, la droite de régression doit passer par l'origine
(0,0) dans le plan xy.
9-plot(X.maxO3.∼T12,data=ozone,pch=15,cex=.5)
grilley<-[Link]$coef[1]+[Link]$coef[2]*grillex
tracer la droite de régression sur le nuage de points existant en utilisant les valeurs
calculées pour l'axe x et les valeurs y correspondantes.
10-
créer un graphique des résidus et tracer des lignes horizontales pour aider à identifier les valeurs
aberrantes dans le modèle de régression linéaire simple.
11-
Interprétation et commentaire:
Nous commençons par créer un data frame contenant les valeurs de notre prédicteur T12 sous le
nom de colonne "T12". Ensuite, nous utilisons la fonction predict() pour calculer les intervalles de
confiance pour les valeurs lissées ^y^ et les prévisions (E(Y/X)).
Les intervalles de confiance pour les valeurs lissées (ICdte) et les prévisions (ICprev) sont calculés
avec un niveau de confiance de 95%. Ces intervalles nous donnent une indication de la variabilité
attendue autour des valeurs prédites et lissées, ce qui est crucial pour évaluer la fiabilité de notre
modèle de régression.
Nous représentons graphiquement ces intervalles de confiance en utilisant la fonction matlines(),
ajoutant ainsi une visualisation claire de la variabilité autour de la droite de régression. Les lignes
continues représentent les intervalles de confiance pour les valeurs lissées, tandis que les lignes
pointillées représentent les intervalles de confiance pour les prévisions.