Next: L'organisation du travail
Up: Les modèles dans
Previous: Modèles linéaires: lm()
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.
Marcel Baumgartner