Régression sur données réelles



Compétences utilisées

Statistique descriptive, R Studio, Régression linéaire

Données utilisées et contexte

Contexte: on dispose d'un groupe de poissons à partir du quel on veut mettre en place des systèmes de régression linéaire permettant d'estimer le poids des viscères à partir du diamètre ou de la longueur transversale.
Données : on dispose d'un fichier répertoriant pour 85 poissons le poids des viscères, le diamètre , la longueur transversale et le sexe. Sur l'extrait du csv on voit les titres séparées par des ; en première ligne puis les données avec une ligne qui correspond à un poisson.

Premier problème : mauvaise échelle

On commence par tracer un graphique ce qui permet de directement voir si les variables n'ont aucune corrélation cependant, l'inverse n'est pas vrai, le graphique seul ne permet pas de voir la causalité. On voit ici que les variables ont l'air d'être corrélées , cependant la droite ne suit pas les points, ils forment plutôt une courbe, il peut être plus intéressant de passer les données à la fonction logarithme afin d'obtenir une courbe.

Transformation logarithmique

Les variables semblent maintenant corrélées , les points sont autour de la courbe de tendance, on repasse aux donées d'origines et on les mets à l'échelle logarithmique(graphique du dessous). Pour obtenir cette forme en courbe on utilise la fonction Function Model et on applique les coefficients des deux résultats du calcul de modèle linéaire qui a été appliqué aux fonctions logarithmiques.

Détermination du modèle de régression

Enfin, après avoir pu montré graphiquement que les variables pouvaient être corrélées, on affiche le résumé du calcul du modèle linéaire. On choisit Estimate d'Intercept pour trouver l'ordonné à l'origine et Estimate de DiameterLog pour trouver le coefficient directeur.
Ainsi, on a Viscera.weightLog = 2.844*DiameterLog -3.943
Par conséquent, à chaque fois que DiameterLog monte de 1 , Viscera.weightLog monte de 2.844. On a R², le coefficient de détermination qui vaut 0.90 ce qui veut dire que 90% de la variance de Viscera.weightLog est expliquée par DiameterLog.

Deuxième problème : les outliers

On passe à la seconde variables explicative : dim3 qui corespond à un angle de mesure qui n'est pas précisé. On peut voir sur le graphique que la plupart des points suivent une tendance , mais la droite ne les suit pas , à cause des deux outliers,des valeurs abberantes beaucoup plus élevées que les autres qui faussent les résultats.

Retraçage du graphique avec les données mise à jour

On utilise la fonction subset afin d'enlever les valeurs aberrantes et on re trace le graphique avec les nouvelles données et on obtient finalement une droite directrice avec tous les points qui en sont proches.

Modèle de régression linéaire

On calcule le modèle linéaire en mettant les nouvelles données puis on affiche le résumé du calcul , on peut voir que le R² vaut 92,21% , ce qui veut dire que plus de 92% de la variance du poids des viscèreses est expliqué par Dim3. On peut mettre en place à l'aide des résultats obtenues comme avec le diamètre le modèle suivant: Viscera.weight = 0,326*Dim3 - 5,52
On peut en conclure qu'à chaque fois que Dim3 augmente de 1 Viscera.weight augmente de 0,326.