Autres fonctions liées aux modèles

Voici une liste regroupant d'autres modèles dans le même esprit que lm(). L'utilisation de ces fonctions est semblable avec néanmoins quelques spécialisations d'un cas à l'autre. Les descriptions sont très brèves.

• aov():
  C'est la fonction pour l'analyse de variance classique, basée sur des plans d'expériences. Elle accepte aussi des plans d'expériences non équilibrés.

• glm():
  Les modèles linéaires généralisés: c'est l'application des techniques présentées dans le livre Generalized Linear Models, de P. McCullagh et J. A. Nelder et dans le logiciel GLIM. Vous définissez le type de modèle à utiliser via l'argument family=" " par un appel de glm(): family="gaussian" est le modèle usuel, family="binomial" celui pour la régression logistique où la variable réponse a la forme 0 ou 1 et family="poisson" pour les modèles log-linéaires dans l'analyse des tableaux de contingence.

• gam():
  Les modèles additifs généralisés combinent lm() et glm() pour incorporer de possibles dépendances non linéaires dans les variables. Vous pouvez modéliser des polynômes et des fonctions de lissage non paramétrique plus complexes ( s() basé sur des ``splines'', lo() basé sur loess() qui est une méthode de lissage par des régressions locales). L'analyse graphique joue un rôle primordial dans gam().

• loess():
  Modèle de régressions locales: un modèle de lissage non paramétrique. Un avantage par rapport à d'autres méthodes de lissage (comme les ``splines'', la méthode des noyaux ou bien les ondelettes) est son approche simple et la possibilité de lisser dans des espaces de dimension plus élevée.