Outils pour utilisateurs

Outils du site


framabookrespace

Différences

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

Lien vers cette vue comparative

Prochaine révision
Révision précédente
framabookrespace [2014/09/29 18:53] – créée framatopheframabookrespace [2015/05/07 11:49] (Version actuelle) – modification externe 127.0.0.1
Ligne 1: Ligne 1:
 ====== Corrections pour R et Espace ====== ====== 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
framabookrespace.1412016809.txt.gz · Dernière modification : 2015/05/07 11:49 (modification externe)