Différences

Ci-dessous, les différences entre deux révisions de la page.

--- framabookrespace [2014/09/29 18:53] – créée framatophe
+++ framabookrespace [2015/05/07 11:49] (Version actuelle) – modification externe 127.0.0.1
@@ Ligne 1: / Ligne 1: @@
 ====== Corrections pour R et Espace ======
+  * manque une parenthèse à la définition du I de Moran page 226
+  * page97 : « — la corrélation entre les valeurs de la variable explicative et le carré des résidus standardisés (en bas à gauche de l’image) » à remplacer par « — la corrélation entre les valeurs de la variable explicative et la racine carré des résidus standardisés (en bas à gauche de l’image) »
+  * page 91 : « Le paramètre b0 informe sur la valeur théorique de la densité de population lorsque la distance au centre de Paris est égale à 0. » --> Le paramètre b0 informe sur la valeur théorique du logarithme de la densité de population lorsque la distance au centre de Paris est égale à 0.
+  * page 92 : sur les plot de diagnostic d'un modèle linéaire c'est pas tout à fait exact.
+> La fonction plot() appliquée aux résultats d’un modèle de régression
+> linéaire obtenus par la fonction lm() permet de représenter les quatre
+> principales hypothèses au cœur de ce modèle :
+> — la normalité des résidus par rapport aux valeurs prédites (en haut à
+> gauche de l’image)
+> — la normalité globale des résidus (en haut à droite de l’image)
+> — la corrélation entre les valeurs de la variable explicative et le carré
+> des résidus standardisés (en bas à gauche de l’image)
+> — l’existence de valeurs extrêmes altérant l’estimation des paramètres
+> (en bas à droite de l’image)
+Je préférerai :
+> La fonction plot() appliquée aux résultats d’un modèle de régression
+> linéaire obtenus par la fonction lm() permet de représenter les quatre
+> principales hypothèses au cœur de ce modèle :
+> — l'absence de relation entre les résidus et les valeurs prédites (en
+> haut à
+> gauche de l’image)
+> — la normalité globale des résidus (en haut à droite de l’image)
+> — l'absence de corrélation entre les valeurs de la variable
+> explicative et la racine carré
+> des résidus standardisés, ce qui correspond à l'htypothèse
+> d'homoscédasticité (en bas à gauche de l’image)
+> — l’absence de valeurs extrêmes altérant l’estimation des paramètres
+> (en bas à droite de l’image)
+car le 1er plot du lm est plutot utilisé pour l'hypothèse que E(sigma |
+X) = 0 (qui est d'ailleurs un hypothèse plus importante que celle
+d'homoscédasticité : l'hétéroscédasticité ne concerne que l'estimation
+des variances des estimateurs alors que l’existence d'un biais, biaise
+estimations et variances des paramètres d'un modèle linéaire).
+L'homoscédasticité peut se voir sur le premier plot (forme de cône par
+exemple en cas d'hétéroscdaticté), mais il faut mieux préféré le 3e, car
+les résidus standardisés sont faits pour être comparés à des
+écarts-types. Cet article est pas mal sur les graphiques de diagnostic
+d'un modèle linéaire :
+www.r-bloggers.com/model-validation-interpreting-residual-plots/
+Note : en cas d'hétéroscédasticté, on peut utiliser la correction de
+White : coeftest(monObjetLM, vcov. = vcovHC) . Je crois que ça dépend du
+paquet sandwich et/ou lmtest