{"id":5236,"date":"2024-11-19T11:22:34","date_gmt":"2024-11-19T10:22:34","guid":{"rendered":"https:\/\/thinkr.fr\/abcdr\/interpreter_les_resultats_dun_modele_lineaire_avec_summary\/"},"modified":"2024-11-19T11:22:34","modified_gmt":"2024-11-19T10:22:34","slug":"interpreter_les_resultats_dun_modele_lineaire_avec_summary","status":"publish","type":"post","link":"https:\/\/thinkr.fr\/abcdr\/interpreter_les_resultats_dun_modele_lineaire_avec_summary\/","title":{"rendered":"Interpr\u00e9ter les r\u00e9sultats d&rsquo;un mod\u00e8le lin\u00e9aire avec summary"},"content":{"rendered":"<h1>Interpr\u00e9ter les r\u00e9sultats d&rsquo;un mod\u00e8le lin\u00e9aire avec summary en R<\/h1>\n<p>Les mod\u00e8les lin\u00e9aires sont des outils statistiques puissants utilis\u00e9s pour comprendre la relation entre une variable d\u00e9pendante et une ou plusieurs variables ind\u00e9pendantes. En R, la fonction <code>lm()<\/code> permet de cr\u00e9er un mod\u00e8le lin\u00e9aire, et la fonction <code>summary()<\/code> fournit un r\u00e9sum\u00e9 d\u00e9taill\u00e9 des r\u00e9sultats. Dans cet article, nous allons examiner comment interpr\u00e9ter ces r\u00e9sultats \u00e0 l&rsquo;aide d&rsquo;un exemple concret.<\/p>\n<h2>Exemple de donn\u00e9es<\/h2>\n<p>Imaginons que nous souhaitions \u00e9tudier l&rsquo;impact du nombre d&rsquo;heures d&rsquo;\u00e9tude sur les notes d&rsquo;examen d&rsquo;un groupe d&rsquo;\u00e9tudiants. Nous avons les donn\u00e9es suivantes :<\/p>\n<ul>\n<li><code>heures_etude<\/code>: le nombre d&rsquo;heures d&rsquo;\u00e9tude<\/li>\n<li><code>note_examen<\/code>: la note obtenue \u00e0 l&rsquo;examen<\/li>\n<\/ul>\n<p>Voici un petit jeu de donn\u00e9es que nous allons utiliser :<\/p>\n<pre><code class=\"language-r\"># Cr\u00e9ation d'un jeu de donn\u00e9es\ndata &lt;- data.frame(\n  heures_etude = c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10),\n  note_examen = c(50, 12, 60, 45, 70, 25, 80, 65, 100, 95)\n)<\/code><\/pre>\n<h2>Cr\u00e9ation du mod\u00e8le lin\u00e9aire<\/h2>\n<p>Nous allons maintenant cr\u00e9er un mod\u00e8le lin\u00e9aire pour pr\u00e9dire les notes d&rsquo;examen en fonction des heures d&rsquo;\u00e9tude :<\/p>\n<pre><code class=\"language-r\"># Cr\u00e9ation du mod\u00e8le lin\u00e9aire\nmodele &lt;- lm(note_examen ~ heures_etude, data = data)<\/code><\/pre>\n<h2>R\u00e9sum\u00e9 du mod\u00e8le<\/h2>\n<p>Pour obtenir un r\u00e9sum\u00e9 des r\u00e9sultats de notre mod\u00e8le, nous utilisons la fonction <code>summary()<\/code> :<\/p>\n<pre><code class=\"language-r\"># R\u00e9sum\u00e9 du mod\u00e8le\nsummary(modele)<\/code><\/pre>\n<h2>Interpr\u00e9tation des r\u00e9sultats<\/h2>\n<p>Lorsque vous ex\u00e9cutez <code>summary(modele)<\/code>, vous obtiendrez une sortie qui ressemble \u00e0 ceci :<\/p>\n<pre><code>Call:\nlm(formula = note_examen ~ heures_etude, data = data)\n\nResiduals:\n    Min      1Q  Median      3Q     Max \n  -38.552 -10.255   7.191  15.542  19.964 \n\nCoefficients:\n              Estimate Std. Error t value Pr(&gt;|t|)    \n(Intercept)    23.333     14.282   1.634   0.1410  \nheures_etude    6.703      2.302   2.912   0.0195 *\n\n---\n\nSignif. codes:  0 \u2018***\u2019 0.001 \u2018**\u2019 0.01 \u2018*\u2019 0.05 \u2018.\u2019 0.1 \u2018 \u2019 1\n\nResidual standard error: 20.91 on 8 degrees of freedom\nMultiple R-squared:  0.5146,    Adjusted R-squared:  0.4539 \nF-statistic:  8.48 on 1 and 8 DF,  p-value: 0.01953<\/code><\/pre>\n<h3>1. Les coefficients<\/h3>\n<ul>\n<li><strong>(Intercept)<\/strong> : L&rsquo;intercept est de 23.3. Cela signifie que si un \u00e9tudiant n&rsquo;\u00e9tudie pas du tout (0 heures), il obtiendrait une note de 23.3.<\/li>\n<li><strong>heures_etude<\/strong> : Le coefficient pour <code>heures_etude<\/code> est de 6.7. Cela indique qu&rsquo;\u00e0 chaque heure d&rsquo;\u00e9tude suppl\u00e9mentaire, la note d&rsquo;examen augmente en moyenne de 6.7 points.<\/li>\n<\/ul>\n<h3>2. Valeurs p<\/h3>\n<p>Les valeurs p associ\u00e9es aux coefficients nous indiquent si ces coefficients sont statistiquement significatifs. Dans notre exemple, la valeur p pour <code>heures_etude<\/code> est inf\u00e9rieur \u00e0 0.05 (0.0195), nous indiquant un effet significativement diff\u00e9rent de 0 du nombre d&rsquo;heures d&rsquo;\u00e9tudes sur la note finale.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Interpr\u00e9ter les r\u00e9sultats d&rsquo;un mod\u00e8le lin\u00e9aire avec summary en R Les mod\u00e8les lin\u00e9aires sont des outils statistiques puissants utilis\u00e9s pour comprendre la relation entre une variable d\u00e9pendante et une ou plusieurs variables ind\u00e9pendantes. En R, la fonction lm() permet de cr\u00e9er un mod\u00e8le lin\u00e9aire, et la fonction summary() fournit un r\u00e9sum\u00e9 d\u00e9taill\u00e9 des r\u00e9sultats. Dans cet article, nous allons examiner comment interpr\u00e9ter ces r\u00e9sultats \u00e0 l&rsquo;aide d&rsquo;un exemple concret. Exemple de donn\u00e9es Imaginons que nous souhaitions \u00e9tudier l&rsquo;impact du nombre d&rsquo;heures d&rsquo;\u00e9tude sur les notes d&rsquo;examen d&rsquo;un groupe d&rsquo;\u00e9tudiants. Nous avons les donn\u00e9es suivantes : heures_etude: le nombre d&rsquo;heures d&rsquo;\u00e9tude note_examen: la note obtenue \u00e0<a class=\"more-link\" href=\"https:\/\/thinkr.fr\/abcdr\/interpreter_les_resultats_dun_modele_lineaire_avec_summary\/\">Read More &rarr;<\/a><\/p>\n","protected":false},"author":2,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"content-type":"","rop_custom_images_group":[],"rop_custom_messages_group":[],"rop_publish_now":"initial","rop_publish_now_accounts":{"twitter_399453572_399453572":""},"rop_publish_now_history":[],"rop_publish_now_status":"pending","jetpack_post_was_ever_published":false,"_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_memberships_contains_paid_content":false,"footnotes":""},"categories":[14],"tags":[147,146],"class_list":{"0":"entry","1":"post","2":"publish","3":"author-vincent","4":"post-5236","6":"format-standard","7":"category-modelisation","8":"post_tag-modele","9":"post_tag-summary"},"acf":[],"jetpack_featured_media_url":"","jetpack_shortlink":"https:\/\/wp.me\/p9O7Sx-1ms","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/thinkr.fr\/abcdr\/wp-json\/wp\/v2\/posts\/5236","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/thinkr.fr\/abcdr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/thinkr.fr\/abcdr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/thinkr.fr\/abcdr\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/thinkr.fr\/abcdr\/wp-json\/wp\/v2\/comments?post=5236"}],"version-history":[{"count":0,"href":"https:\/\/thinkr.fr\/abcdr\/wp-json\/wp\/v2\/posts\/5236\/revisions"}],"wp:attachment":[{"href":"https:\/\/thinkr.fr\/abcdr\/wp-json\/wp\/v2\/media?parent=5236"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/thinkr.fr\/abcdr\/wp-json\/wp\/v2\/categories?post=5236"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/thinkr.fr\/abcdr\/wp-json\/wp\/v2\/tags?post=5236"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}