Upload
adeline-lasserre
View
104
Download
1
Embed Size (px)
Citation preview
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:39
1
Les modèles linéairesLes modèles linéaires(Generalized Linear Models, GLM)(Generalized Linear Models, GLM)
Ce qu’ils sont
Quand les utiliser?
Modèle complet
Le modèle d’ANCOVA
Le modèle de la régression commune
Le principe de la somme des carrés additionnelles
Hypothèses implicites
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:39
2
Définition des GLMDéfinition des GLM
• Les GLM sont des modèles de la forme suivante:
• Y est un vecteur des variables dépendantes, b est un vecteur des estimés des coefficients, X est un vecteur des variables indépendantes et e représente les termes d’erreur.
Y bX e
Modèles multivariésModèles multivariés
Régression linéairesimple
Régression linéairesimple
Régression multipleRégression multiple
Analyse de variance (ANOVA)
Analyse de variance (ANOVA)
Analyse de covariance(ANCOVA)
Analyse de covariance(ANCOVA)
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:39
3
Quelques procédures GLMQuelques procédures GLM
ProcédureVariabledépendante
Variable(s)independante(s)
Régressionsimple
1 continue 1 continue
ANOVA à uncritère
1 continue 1 discontinue*
ANOVA àcritèresmultiples
1 continue 2 ou plus discontinues *
ANCOVA 1 continueAu moins 1 discontinue*et au moins une 1continue
Régressionmultiple
1 continue 2 ou plus continues
*peuvent être discontinues ou traitées comme discontinues
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:39
4
Utilisation de Utilisation de l’ANCOVAl’ANCOVA
• Afin de comparer une relation entre une variable dépendante (Y) et une variable indépendante (X1) pour différents niveaux d’une variable discontinue (X2)
• ex: la relation entre le poids (Y) et la taille (X1) pour différents groupes taxonomiques (oiseaux et mammifères, X2)
Taille
Ma
ss
eTaille
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
5
Utilisation de Utilisation de l’ANCOVAl’ANCOVA
• Lorsque l’on fait ces comparaison, on assume que les modèles sont qualitativement similaires pour tous les niveaux de la variable discontinue...
• …autrement ce serait comme comparer des pommes et des oranges!
Niveau 1 de X2
Niveau 2 de X2 X1
Y
Modèles qualitativement différents
Y
Modèles qualitativement similaires
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
6
Utilisation de Utilisation de l’ANCOVA l’ANCOVA
• ANCOVA est utilisée afin de comparer des modèles linéaires.
• …certains modèles non-linéaires peuvent être comparés avec des ANCOVA modifiées
Niveau 1 de X2
Niveau 2 de X2 X1
Y
Modèlesnon-linéaires
X1
Y
Modèleslinéaires
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
7
Le modèle de la régression simpleLe modèle de la régression simple
• Le modèle de la régression:
• alors, toutes les régressions simples sont décrites par 2 paramètres: l’ordonnée à l’origine (a) et la pente (b)
X X
Y
b =YX(pente)
a(ordonnée à l’origine)
Y a bX ei i i ei
Xi
Yi
ObservéesPrédites
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
8
GLM simplesGLM simples
• Deux modèles linéaires peuvent varier de plusieurs façons:
• Les ordonnées à l’origine (a) et les pentes (b) sont différentes
• Les ordonnées à l’origine sont différents mais les pentes sont les mêmes (modèle d’ANCOVA) X1
Y
a diffèrentmêmeb
X1
Y
a & b diffèrent
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
9
GLM simplesGLM simples
• Deux modèles linéaires peuvent aussi être différents:
• mêmes ordonnée à l’origine (a) mais les pentes (b) sont différentes
• mêmes pentes et mêmes ordonnées à l’origine (modéle de la régression commune)
X1
Y
Mêmes a,mêmesb
X1
Y
Mêmes adifférents b
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
10
Ajustement des GLMAjustement des GLM
• L’analyse se fait par étape en commençant avec le modéle le plus complexe
• Déterminer la signification de chaque terme en ajustant deux modèles: un contenant le terme et l’autre qui l’exclut
• Tester les changements dans l’ajustement ( G ou F) associés à l’exclusion du terme en question.
Modèle A(terme inclus)
Modèle B(terme enlevé)
G ou F(ex: RMS)
Enlever le terme (petit )
Inclure le terme (grand )
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
11
Ajustement au modèle: détermination de la Ajustement au modèle: détermination de la signification des termes du modèlesignification des termes du modèle
• Commencer par un modèle d’ordre supérieur (mos) en incluant le plus de termes possible. Noter SCrésidus et CMrésidus
• Ajuster un modèle réduit (mr) et noter SCrésidus
• Tester la signification du terme exclus en calculant:
Modèle d’ordre supérieur
Modèle réduit
F
Terme exclus(p)
Terme inclus(p)
CMSCSC
mos
résidus
mos
résidus
mr
résidusk
F1/)(
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
12
Modèle complet avec 2 Modèle complet avec 2 variables indépendantesvariables indépendantes
• Le modèle complet
• i est la pente de la régression de Y sur X1 estimée pour le niveau i de la variable catégorique X2
• i est la différence entre les moyennes de la variable catégorique X2 pour chaque niveau i et la moyenne générale.
Niveau 1 de la variable X2
Niveau 2 de la variable X2
Y X Xij i i ij i ij ( )
Y1
Y2
X1 X2
1
1 j
X j1
X Xj1 1
2
1 2
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
13
Le modèle complet: Le modèle complet: hypothèses nulleshypothèses nulles
• Pour le modèle complet contenant 2 variables indépendantes, on note 3 hypothèses nulles:
Niveau 1 de la variable X2
Niveau 2 de la variable X2
0:
constante,:
, les pour tous 0:
03
02
01
i
i
i
H
H
iH
Y1
Y2
X1 X2
1
1 j
X j1
X Xj1 1
2
1 2
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
14
H
H constante
H
i
i
i
01
02
03
0
0
: ,
:
:
,
H
H constante
H
i
i
i
01
02
03
0
0
: ,
:
:
,
H
H constante
H
i
i
i
01
02
03
0
0
: ,
:
:
, Y
Y
Y
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
15
Conditions d’applicationConditions d’application
• Les résidus sont indépendants et distribués normalement
• La variance des résidus est égale pour toutes les valeurs de X et indépendantes des valeurs de la variable discontinue (homoscedasticité)
• pas d’erreur sur les variables indépendantes
• linéarité
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
16
ProcédureProcédure
• Ajuster le modèle complet, tester pour la différence entre les pentes
• Si H02 est rejetée, faire des régressions séparées pour chaque niveau de la variable catégorique
• Si H02 est acceptée, ajuster le modèle d’ ANCOVA.
Niveau 1 de la variable X2
Niveau 2 de la variable X2
X1
Y
ANCOVARégressions
séparées
H02 acceptée H02 rejetéee
H i02: constante
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
17
• Le modèle complet:
• est la pente de la régression de Y sur X1 regroupée pour tous les niveaux de la variable catégorique X2.
• i est la différence entre la moyenne pour chaque niveau i et la moyenne générale
Le modèle d’ANCOVA Le modèle d’ANCOVA avec 2 variables avec 2 variables indépendantesindépendantes
Niveau 1 de la variable X2
Niveau 2 de la variable X2
Y X Xij i ij i ij ( )
Y1
Y2
X1 X2
1
1 j
X j1
X Xj1 1
2
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
18
Le modèle d’ANCOVA: Le modèle d’ANCOVA: hypothèses nulleshypothèses nulles
• Pour une ANCOVA avec 2 variables indépendantes, on note deux hypothèses nulles:
Niveau 1 de la variable X2
Niveau 2 de la variable X2
Y1
Y2
X1 X2
1
1 j
X j1
X Xj1 1
2
H pour tous les i
Hi
i
01
02
0
0
: ,
:
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
19
H pour tous les i
Hi
i
01
02
0
0
: ,
:
H pour tous les i
Hi
i
01
02
0
0
: ,
:
Y
Y
Y
H pour tous les i
Hi
i
01
02
0
0
: ,
:
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
20
Conditions d’application du modèle Conditions d’application du modèle d’ANCOVA d’ANCOVA
• les résidus sont indépendants et distribués normalement
• la variance des résidus est égale pour toutes les valeurs de X et indépendantes des valeurs de la variable catégorique (homoscedasticité)
• pas d’erreur sur les variables indépendantes
• linéarité
• les pentes des régressions de Y sur X sont les mêmes pour tous les niveaux de la variable catégorique (ce n’est pas une condition d’application du modèle complet!!)
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
21
ProcédureProcédure
• Ajuster le modèle d’ANCOVA, tester pour les différences entre les pentes.
• Si H01 est rejetée, séparer les régressions pour chaque niveau de la variable discontinue
• Si H01 est acceptée, ajuster une régression commune.
Niveau 1 de la variable X2
Niveau 2 de la variable X2
X1
Y
Régression commune
Régressionsséparées
H01 acceptée H01 rejetéeH i01: constante
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
22
• Le modèle:
• est la pente de la régression de Y sur X1 , regroupée pour tous les niveaux de la variable catégorique X2.
• est la moyenne regroupée de X1.
Le modèle de la régression Le modèle de la régression commune avec 2 variables commune avec 2 variables indépendantesindépendantes
Niveau 1 de la variable X2
Niveau 2 de la variable X2
Y X Xij ij ij ( )
X
1 j
X j1
X Xj1
X
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
23
La régression commune: La régression commune: hypothèses nulleshypothèses nulles
• On a deux hypothèses nulles pour la régression commune:
H
H01
02
0: ,
: .
0
X
1 j
X j1
X Xj1
Niveau 1 de la variable X2
Niveau 2 de la variable X2
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
24
Conditions d’application de la Conditions d’application de la régression communerégression commune
• Les résidus sont indépendants et distribués normalement
• la variance des résidus est égale pour toutes les valeurs de X et indépendantes des valeurs de la variable catégorique (homoscedasticité)
• pas d’erreur sur les variables indépendantes
• linéarité
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
25
Effets du sexe et de l’âge sur les Effets du sexe et de l’âge sur les esturgeons de The Pasesturgeons de The Pas
1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7LAGE
1.5
1.6
1.7
1.8
LFK
L
1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8LAGE
1.5
1.6
1.7
1.8
1.9
LFK
L
Mâles Femelles
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
26
AnalyseAnalyse
• Log(forklength)(LFKL) est la variable dépendante, log(age) (LAGE) est la variable indépendante continue, et sex (SEX$) est la variable discontinue (2 niveaux)
• Q1: la pente de la régression de LFKL sur LAGE est la même pour les deux sexes?
1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7LAGE
1.5
1.6
1.7
1.8
LFK
L1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8
LAGE
1.5
1.6
1.7
1.8
1.9
LFK
L
Femelles
Mâles
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
27
Effets du sexe et de l’âge sur les Effets du sexe et de l’âge sur les esturgeons de The Pasesturgeons de The Pas
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
28
AnalyseAnalyse
• Conclusion 1: la pente est la même pour les deux sexes (accepter H03 ) p(SEX$*LAGE) > .05
• Q2: l’ordonnée à l’origine est-elle la même?
1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7LAGE
1.5
1.6
1.7
1.8
LFK
L1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8
LAGE
1.5
1.6
1.7
1.8
1.9
LFK
L
Femelles
Mâles
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
29
Effets du sexe et de l’âge sur les Effets du sexe et de l’âge sur les esturgeons de The Pas esturgeons de The Pas (modèle (modèle d’ANCOVA)d’ANCOVA)
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
30
AnalyseAnalyse
• Conclusion 2: Ordonnée à l’origine est la même pour les deux sexes. H02 est acceptée. p(SEX$ > .05),
• le meilleur modèle est la régression commune.
• Notez que la réduction du R2 est négligeable (.697 to .696). Le terme n’est donc pas utile.
1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7LAGE
1.5
1.6
1.7
1.8
LFK
L1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8
LAGE
1.5
1.6
1.7
1.8
1.9
LFK
L
Females
Males
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
31
Effets du sexe et de l’âge sur les Effets du sexe et de l’âge sur les esturgeons de The Pasesturgeons de The Pas (régression (régression commune)commune)
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
32
Effets du site et de l’âge sur la taille Effets du site et de l’âge sur la taille des esturgeonsdes esturgeons
LofW
1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8LAGE
1.5
1.6
1.7
1.8
1.9
LF
KL
Nelson
1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8LAGE
1.5
1.6
1.7
1.8
1.9
LF
KL
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
33
AnalyseAnalyse
• Log(forklength)(LFKL) est la variable dépendante, log(age) (LAGE) est la variable indépendante continue, et le site la variable indépendante discontinue (2 sites)
• Q1: la pente de la relation de LFKL sur LAGE varie-t-elle entre les sites?
NelsonRiver
Lake ofthe Woods
LofW
1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8LAGE
1.5
1.6
1.7
1.8
1.9
LF
KL
Nelson
1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8LAGE
1.5
1.6
1.7
1.8
1.9
LF
KL
LofW
1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8LAGE
1.5
1.6
1.7
1.8
1.9
LF
KL
Nelson
1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8LAGE
1.5
1.6
1.7
1.8
1.9
LF
KL
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
34
Effets du site et de l’âge sur la taille Effets du site et de l’âge sur la taille des esturgeonsdes esturgeons
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
35
AnalyseAnalyse
• Conclusion 1: la pente varie entre les sites (rejeter H03 ) p(LOCATION$*LAGE) < .05
• On devrait ajuster des régressions séparées pour chaque site.
NelsonRiver
Lake ofthe Woods
LofW
1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8LAGE
1.5
1.6
1.7
1.8
1.9
LF
KL
Nelson
1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8LAGE
1.5
1.6
1.7
1.8
1.9
LF
KL
LofW
1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8LAGE
1.5
1.6
1.7
1.8
1.9
LF
KL
Nelson
1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8LAGE
1.5
1.6
1.7
1.8
1.9
LF
KL
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
36
Que faire si?Que faire si?
• La variable discontinue a plus de deux niveaux? • Suivre les mêmes étapes. Si
on rejette l’hypothèse d’égalité des pentes (H03 ) on compare les pentes deux à deux.
• Si on accepte H03 mais rejette H02 (égalité des intercepts), comparer les intercepts deux à deux.
• Ajuster niveau ....
Y
X
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
37
Que faire si?Que faire si?
• L ’hypothèse biologique est unilatérale? • Suivre les mêmes étapes. Si
on rejette l’hypothèse d’égalité des pentes (H03 ) on compare les pentes deux à deux (test unilatéral).
• Si on accepte H03 mais rejette H02 (égalité des intercepts), comparer les intercepts deux à deux (test unilatéral).
Y
X
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
38
Analyse de Analyse de puissancepuissance
• Pour les modèles linéaires, les épreuves d’hypothèses utilisent un test de F.
• Attention: SCerreur et dlerreur dépendent du type d ’analyse et de l ’hypothèse éprouvée.
• Si on connait F, on peut calculer R2, la proportion de la variance totale de la variable dépendante expliquée par le facteur (variable) considéré. F
FR
dl
dl
SC
SC
dlSC
dlSC
CM
CMF
facteur
erreur
erreur
facteur
erreurerreur
facteurfacteur
erreur
facteur
1
/
/
2
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
39
RR2 2 total et partieltotal et partiel
• Le R2 total (R2Y•B) est la
proportion de la variance de Y expliquée par toutes les variables indépendantes formant l ’ensemble B
• Le R2 partiel (R2Y•A,B- R2
Y•A ) est la proportion de la variance expliquée par l ’ensemble B lorsque l’effet des autres facteurs est enlevé.
Proportion de la variance expliquée par A
et B (R2Y•A,B)
Proportion de la variance
expliquée par A (R2
Y•A)(R2 total)
Proportion de la variance expliquée
par Bmais pas par A(R2
Y•A,B- R2Y•A )
(R2 partiel)
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
40
• Le R2 total (R2Y•B) pour
l’ensemble B est égal au R2 partiel (R2
Y•A,B- R2Y•A ) si
• (1) le R2 total pour l’ensemble A (R2
Y•A) est 0 ou
• (2) si A et B sont indépendants (et alors R2
Y•A,B= R2
Y•A + R2Y•B)
Proportion de la variance
expliquée parB
(R2Y•B)(R2 total)
Proportion de la variance
inexpliquée par A(R2
Y•A,B- R2Y•A )
(R2 partiel)
A
Y
B
A
Égal si
RR2 2 total et partieltotal et partiel
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
41
RR2 2 total et partieltotal et partiel
• En régression simple et ANOVA à un critère de classification, il n’y a qu’une variable indépendante X (continue ou discontinue)
X
Y
Water temperature (C)16 20 24 28
0.00
0.04
0.08
0.12
0.16
0.20
Gro
wth
ra
te
(c
m/d
ay)
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
42
RR2 2 total et partieltotal et partiel
• En ANCOVA, il y a plusieurs variables indépendantes
• Le R2 partiel peut différer du R2 total X1
Y
pH = 6.5pH = 4.5
Temperature (C)16 20 24 280.00
0.04
0.08
0.12
0.16
0.20
Ta
ux
de
cro
iss
anc
e
(c
m/jo
ur)
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
43
Exemple: Exemple: RR2 2 total et partiel entotal et partiel en ANCOVA ANCOVA
• Deux variables indépendantes X1 (continue) et X2 (discontinue)
X1
Y
X2 = L1
X2 = L2
121
2
1
21
2,
22,
2
22
22
,2
,2
21 ,
XYXXYAYBAY
XYBY
XYAY
XXYBAY
RRRR
RR
RR
RR
XBXA
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
44
Définition de la taille de l’effet en GLMDéfinition de la taille de l’effet en GLM
• La taille de l’effet, f2 est calculée par le rapport du R2
facteur sur 1 moins R2
erreur.
• Note: R2facteur et R2
erreur
dépendent de l’hypothèse nulle
2
22
1 erreur
facteur
R
Rf
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
45
Effet du sexe et de l’âge sur la taille des Effet du sexe et de l’âge sur la taille des esturgeons à The Pas (régression commune)esturgeons à The Pas (régression commune)
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
46
Définition de la taille de l’effet en GLM: Définition de la taille de l’effet en GLM: Exemple 1Exemple 1
• Un ensemble B est relié à Y, et le R2 total (R2
Y•B) est estimé
• Le R2erreur est alors: 1-
R2Y•B
• H0: R2Y•B = 0
• Exemple: effet de l’âge
• B ={LAGE}
23.2690.1
690.
11 2
2
2
22
LAGE
LAGE
erreur
facteur
R
R
R
Rf
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
47
Effet du sexe et de l’âge sur la taille Effet du sexe et de l’âge sur la taille des esturgeons de The Pasdes esturgeons de The Pas
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
48
Effet du sexe et de l’âge sur la taille Effet du sexe et de l’âge sur la taille des esturgeons de The Pas des esturgeons de The Pas (modèle (modèle ANCOVA)ANCOVA)
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
49
Définition de la taille de l’effet en GLM: Définition de la taille de l’effet en GLM: Exemple 2Exemple 2
• Cas 2: la proportion de la variance de Y dûe à B mais pas à A est déterminée (R2
Y•A,B- R2
Y•A )
• Le R2erreur est alors 1- R2
Y•A,B
• H0: R2Y•A,B- R2
Y•A = 0
• Exemple: effet de SEX$*LAGE• B ={SEX$*LAGE}, A,B =
{SEX$, LAGE, SEX$*LAGE}
003.697.1
.696.697.
1 2}*$,$,{
2}$,{
2}*$,$,{
2
LAGESEXLAGESEX
LAGESEX
LAGESEXLAGESEX
R
R
R
f
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
50
Estimation de la Estimation de la puissancepuissance
• À partir de f2 calculé a priori (hypothèse alternative) ou a posteriori , calculer le paramètre de la distribution de F non-centrale
• À partir de , du nombre de dl pour le facteur (1) and error (2) degrees of freedom, we can determine power from appropriate tables for given .
= .05)
= .01)
2 décroissant
1-
1 = 2
= .05
2 3 4 5
= .01
1 1.5 2 2.5
)1( 212 f
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
51
Exemple: effet du pH et des éléments Exemple: effet du pH et des éléments nutritifs sur le taux de croissance de nutritifs sur le taux de croissance de l’achiganl’achigan
• Échantillon de 35 lacs• 3 niveauxde pH : acide,
neutre, basique• Taux de croissance estimé
pour chaque lac• Quelle est la probabilité de
détecter un effet partiel du pH de la taille de celui mesuré pour = .05?
Variable dl p
pH 2 0.15
N 1 <.01
pH*N 2 0.20
Erreur 29
R2{pH, N, pH*N} 0.44
R2{pH, N } 0.36
R2{N} 0.27
Université d’Ottawa - Bio 4518 - Biostatistiques appliquées© Antoine Morin et Scott Findlay23-04-11 04:40
52
• Taille de l ’effet f2 pour pH = .14
• 1 = 2
2 = 35 - 2 - 2- 1 - 1 = 29
), , , f?(1
48.4)1292(14.
)1(
14.44.1
.36.44.
1
21
212
2}*,,{
2}*,{
2}*,,{2
deonction
f
R
RRf
NpHNpH
NpHNNpHNpH
Exemple: effet du pH et des éléments Exemple: effet du pH et des éléments nutritifs sur le taux de croissance de nutritifs sur le taux de croissance de l’achiganl’achigan