Si vous n’avez jamais utilisé de tutoriel “learnr”, familiarisez-vous d’abord avec son interface ici.
Ne vous trompez pas dans votre adresse mail et votre identifiant Github
N’oubliez pas de soumettre votre réponse après chaque exercice
Conformément au RGPD (Règlement Général sur la Protection des Données), nous sommes tenus de vous informer de ce que vos résultats seront collecté afin de suivre votre progression. Les données seront enregistrées au nom de l’utilisateur apparaissant en haut de cette page. Corrigez si nécessaire ! En utilisant ce tutoriel, vous marquez expressément votre accord pour que ces données puissent être collectées par vos enseignants et utilisées pour vous aider et vous évaluer. Après avoir été anonymisées, ces données pourront également servir à des études globales dans un cadre scientifique et/ou éducatif uniquement.
Vous avez à disposition le jeu de données df
qui comprend les 4 variables suivantes : x, y, z, a.
set.seed(43)
# duplicated chunk : corr1-init
min <- 5
max <- 15
df <- tibble(
x = seq(from = min, to = max, by = 0.25),
y = x*2 + rnorm(sd= 0.5, n = length(x)),
z = 2^x + rnorm(sd= 50, n = length(x)),
a = sin(x) + rnorm(sd = 0.25, n = length(x))
)
#correlation(df[1:4])
#correlation(df[1:4], method = "spearman")
# snippet mis à disposition
correlation(DF[, INDEX_EXPRESSION], use = "complete.obs", method = "pearson")
correlation(df[, INDEX_EXPRESSION], use = "complete.obs", method = "pearson")
correlation(df[, 1:4], use = "complete.obs", method = "pearson")
# TODO
Répondez à la question ci-dessous
# snippet mis à disposition
correlation(DF[, INDEX_EXPRESSION], use = "complete.obs", method = "pearson")
correlation(df[, INDEX_EXPRESSION], use = "complete.obs", method = "pearson")
correlation(df[, 1:4], use = "complete.obs", method = "spearman")
# TODO
Répondez à la question ci-dessous
plot(correlation(df[, 1:4], use = "complete.obs", method = "spearman"))
plot(correlation(df[, 1:4], use = "complete.obs", method = "spearman"), type = "upper")
# TODO
Réalisez la régression linéaire de value
en fonction de x
sur le jeu de données mais
. Vous avez à votre dispositon un nuage de points et un résumé des données pour avoir une première connaissance de données.
x y z a
Min. : 5.0 Min. : 9.713 Min. : -7.65 Min. :-1.3572
1st Qu.: 7.5 1st Qu.:15.017 1st Qu.: 201.05 1st Qu.:-0.5209
Median :10.0 Median :19.920 Median : 1025.35 Median : 0.2750
Mean :10.0 Mean :20.052 Mean : 5014.79 Mean : 0.1406
3rd Qu.:12.5 3rd Qu.:25.728 3rd Qu.: 5822.55 3rd Qu.: 0.8179
Max. :15.0 Max. :30.941 Max. :32734.84 Max. : 1.3658
set.seed(42)
x <- seq(from = 5, to = 15, by = 0.25)
a <- x*1 + 3 + rnorm(sd = 0.5, n = length(x))
b <- x*1.1 + 3 + rnorm(sd = 0.5, n = length(x))
c <- x*1.2 + 3 + rnorm(sd = 0.5, n = length(x))
area <- as.factor(rep(c("a", "b", "c"), each = length(x)))
mais <- tibble(
x = c(x,x,x),
value = c(a,b,c),
area = area
)
#snippet
summary(lm. <- lm(data = DF, FORMULA))
summary(lm. <- lm(data = mais, value ~ x))
# TODO
Suite à votre analyse répondez aux questions suivantes
Vous avez à votre disposition un jeu de données df1
qui comprend les variable suivante a
et b
.
Réalisez un régression linéaire de la variable a
en fonciton de la variable b
avec la fonction lm()
et réalisez ensuite le premier graphique de l’analyse des résidus.
set.seed(42)
x <- seq(from = 5, to = 50, by = 0.25)
a <- x + rnorm(sd = 3, n = length(x))
b <- a*1.25 + 3 + rnorm(sd = 3, n = length(x))
df1 <- tibble(
a = a,
b = b
)
#chart(df1, a ~ b) +
# geom_point()
# résumé des données
summary(df1)
#
#
# ensemble des snippets utiles
# ...models
#####
summary(lm. <- lm(data = DF, FORMULA))
#####
summary(lm. <- lm(data = DF, YNUM ~ XNUM))
lm. %>.% (function (lm, model = lm[["model"]], vars = names(model))
chart(model, aes_string(x = vars[2], y = vars[1])) +
geom_point() +
stat_smooth(method = "lm", formula = y ~ x))(.)
#####
summary(lm. <- lm(data = DF, YNUM ~ XNUM + 0))
lm. %>.% (function (lm, model = lm[["model"]], vars = names(model))
chart(model, aes_string(x = vars[2], y = vars[1])) +
geom_point() +
stat_smooth(method = "lm", formula = y ~ x + 0))(.)
#####
#plot(lm., which = 1)
lm. %>.%
chart(broom::augment(.), .resid ~ .fitted) +
geom_point() +
geom_hline(yintercept = 0) +
geom_smooth(se = FALSE, method = "loess", formula = y ~ x) +
labs(x = "Fitted values", y = "Residuals") +
ggtitle("Residuals vs Fitted")
#####
#plot(lm., which = 2)
lm. %>.%
chart(broom::augment(.), aes(sample = .std.resid)) +
geom_qq() +
geom_qq_line(colour = "darkgray") +
labs(x = "Theoretical quantiles", y = "Standardized residuals") +
ggtitle("Normal Q-Q")
#####
#plot(lm., which = 3)
lm. %>.%
chart(broom::augment(.), sqrt(abs(.std.resid)) ~ .fitted) +
geom_point() +
geom_smooth(se = FALSE, method = "loess", formula = y ~ x) +
labs(x = "Fitted values",
y = expression(bold(sqrt(abs("Standardized residuals"))))) +
ggtitle("Scale-Location")
# il faut d'abord réaliser le modèle
summary(lm. <- lm(data = DF, FORMULA))
# il faut ensuite réaliser le premier graphique de l'analyse des résidus
#
# CHoix des bons snippets
# il faut d'abord réaliser le modèle
summary(lm. <- lm(data = DF, FORMULA))
# il faut ensuite réaliser le premier graphique de l'analyse des résidus
#plot(lm., which = 1)
lm. %>.%
chart(broom::augment(.), .resid ~ .fitted) +
geom_point() +
geom_hline(yintercept = 0) +
geom_smooth(se = FALSE, method = "loess", formula = y ~ x) +
labs(x = "Fitted values", y = "Residuals") +
ggtitle("Residuals vs Fitted")
# il faut d'abord réaliser le modèle
summary(lm. <- lm(data = df1, a ~ b))
# il faut ensuite réaliser le premier graphique de l'analyse des résidus
#plot(lm., which = 1)
lm. %>.%
chart(broom::augment(.), .resid ~ .fitted) +
geom_point() +
geom_hline(yintercept = 0) +
geom_smooth(se = FALSE, method = "loess", formula = y ~ x) +
labs(x = "Fitted values", y = "Residuals") +
ggtitle("Residuals vs Fitted")
# TODO
Vous avez à votre disposition un jeu de données df2
qui comprend les variable suivante a
et b
.
Réalisez un régression linéaire de la variable a
en fonciton de la variable b
avec la fonction lm()
et réalisez ensuite le second graphique de l’analyse des résidus.
set.seed(42)
x <- seq(from = 5, to = 15, by = 0.25)
a1 <- x*1 + 3 + rnorm(sd = 0.5, n = length(x))
b1 <- x*1.1 + 3 + rnorm(sd = 0.5, n = length(x))
c1 <- x*0.7 + 3 + rnorm(sd = 0.5, n = length(x))
df2 <- tibble(
a = c(x,x,x),
b = c(a1,b1,c1),
)
#chart(df1, a ~ b) +
# geom_point()
# résumé des données
summary(df2)
#
#
# ensemble des snippets utiles
# ...models
#####
summary(lm. <- lm(data = DF, FORMULA))
#####
summary(lm. <- lm(data = DF, YNUM ~ XNUM))
lm. %>.% (function (lm, model = lm[["model"]], vars = names(model))
chart(model, aes_string(x = vars[2], y = vars[1])) +
geom_point() +
stat_smooth(method = "lm", formula = y ~ x))(.)
#####
summary(lm. <- lm(data = DF, YNUM ~ XNUM + 0))
lm. %>.% (function (lm, model = lm[["model"]], vars = names(model))
chart(model, aes_string(x = vars[2], y = vars[1])) +
geom_point() +
stat_smooth(method = "lm", formula = y ~ x + 0))(.)
#####
#plot(lm., which = 1)
lm. %>.%
chart(broom::augment(.), .resid ~ .fitted) +
geom_point() +
geom_hline(yintercept = 0) +
geom_smooth(se = FALSE, method = "loess", formula = y ~ x) +
labs(x = "Fitted values", y = "Residuals") +
ggtitle("Residuals vs Fitted")
#####
#plot(lm., which = 2)
lm. %>.%
chart(broom::augment(.), aes(sample = .std.resid)) +
geom_qq() +
geom_qq_line(colour = "darkgray") +
labs(x = "Theoretical quantiles", y = "Standardized residuals") +
ggtitle("Normal Q-Q")
#####
#plot(lm., which = 3)
lm. %>.%
chart(broom::augment(.), sqrt(abs(.std.resid)) ~ .fitted) +
geom_point() +
geom_smooth(se = FALSE, method = "loess", formula = y ~ x) +
labs(x = "Fitted values",
y = expression(bold(sqrt(abs("Standardized residuals"))))) +
ggtitle("Scale-Location")
# il faut d'abord réaliser le modèle
summary(lm. <- lm(data = DF, FORMULA))
# il faut ensuite réaliser le premier graphique de l'analyse des résidus
#
# CHoix des bons snippets
# il faut d'abord réaliser le modèle
summary(lm. <- lm(data = DF, FORMULA))
# il faut ensuite réaliser le premier graphique de l'analyse des résidus
#plot(lm., which = 2)
lm. %>.%
chart(broom::augment(.), aes(sample = .std.resid)) +
geom_qq() +
geom_qq_line(colour = "darkgray") +
labs(x = "Theoretical quantiles", y = "Standardized residuals") +
ggtitle("Normal Q-Q")
# il faut d'abord réaliser le modèle
summary(lm. <- lm(data = df2, a ~ b))
# il faut ensuite réaliser le premier graphique de l'analyse des résidus
#plot(lm., which = 2)
lm. %>.%
chart(broom::augment(.), aes(sample = .std.resid)) +
geom_qq() +
geom_qq_line(colour = "darkgray") +
labs(x = "Theoretical quantiles", y = "Standardized residuals") +
ggtitle("Normal Q-Q")
# TODO
Vous avez à votre disposition un jeu de données df3
qui comprend les variable suivante a
et b
.
Réalisez un régression linéaire de la variable a
en fonciton de la variable b
avec la fonction lm()
et réalisez ensuite le second graphique de l’analyse des résidus.
set.seed(42)
x <- seq(from = 5, to = 15, by = 0.25)
a1 <- x*1 + 4.5 + rnorm(sd = 0.5, n = length(x))
b1 <- x*1 + 2.5 + rnorm(sd = 0.5, n = length(x))
c1 <- x*0.7 + 3 + rnorm(sd = 0.5, n = length(x))
df3 <- tibble(
a = c(x,x,x),
b = c(a1,b1,c1),
)
# résumé des données
summary(df3)
#
#
# ensemble des snippets utiles
# ...models
#####
summary(lm. <- lm(data = DF, FORMULA))
#####
summary(lm. <- lm(data = DF, YNUM ~ XNUM))
lm. %>.% (function (lm, model = lm[["model"]], vars = names(model))
chart(model, aes_string(x = vars[2], y = vars[1])) +
geom_point() +
stat_smooth(method = "lm", formula = y ~ x))(.)
#####
summary(lm. <- lm(data = DF, YNUM ~ XNUM + 0))
lm. %>.% (function (lm, model = lm[["model"]], vars = names(model))
chart(model, aes_string(x = vars[2], y = vars[1])) +
geom_point() +
stat_smooth(method = "lm", formula = y ~ x + 0))(.)
#####
#plot(lm., which = 1)
lm. %>.%
chart(broom::augment(.), .resid ~ .fitted) +
geom_point() +
geom_hline(yintercept = 0) +
geom_smooth(se = FALSE, method = "loess", formula = y ~ x) +
labs(x = "Fitted values", y = "Residuals") +
ggtitle("Residuals vs Fitted")
#####
#plot(lm., which = 2)
lm. %>.%
chart(broom::augment(.), aes(sample = .std.resid)) +
geom_qq() +
geom_qq_line(colour = "darkgray") +
labs(x = "Theoretical quantiles", y = "Standardized residuals") +
ggtitle("Normal Q-Q")
#####
#plot(lm., which = 3)
lm. %>.%
chart(broom::augment(.), sqrt(abs(.std.resid)) ~ .fitted) +
geom_point() +
geom_smooth(se = FALSE, method = "loess", formula = y ~ x) +
labs(x = "Fitted values",
y = expression(bold(sqrt(abs("Standardized residuals"))))) +
ggtitle("Scale-Location")
# il faut d'abord réaliser le modèle
summary(lm. <- lm(data = DF, FORMULA))
# il faut ensuite réaliser le premier graphique de l'analyse des résidus
#
# CHoix des bons snippets
# il faut d'abord réaliser le modèle
summary(lm. <- lm(data = DF, FORMULA))
# il faut ensuite réaliser le premier graphique de l'analyse des résidus
#plot(lm., which = 3)
lm. %>.%
chart(broom::augment(.), sqrt(abs(.std.resid)) ~ .fitted) +
geom_point() +
geom_smooth(se = FALSE, method = "loess", formula = y ~ x) +
labs(x = "Fitted values",
y = expression(bold(sqrt(abs("Standardized residuals"))))) +
ggtitle("Scale-Location")
# il faut d'abord réaliser le modèle
summary(lm. <- lm(data = df3, a ~ b))
# il faut ensuite réaliser le premier graphique de l'analyse des résidus
#plot(lm., which = 3)
lm. %>.%
chart(broom::augment(.), sqrt(abs(.std.resid)) ~ .fitted) +
geom_point() +
geom_smooth(se = FALSE, method = "loess", formula = y ~ x) +
labs(x = "Fitted values",
y = expression(bold(sqrt(abs("Standardized residuals"))))) +
ggtitle("Scale-Location")
# TODO
Vous venez de terminer votre séance d’exercice.
Laissez nous vos impressions sur cet outil pédagogique ou expérimentez encore dans la zone ci-dessous. Rappelez-vous que pour placer un commentaire dans une zone de code R, vous devez utilisez un dièse (#
) devant vos phrases.
# Ajout de commentaires
# ...
# Not yet...