Graphiques de validation post-modèle + variance
Dans le dernier exercice, nous avons constaté que int_rate diffère selon la grade. Validons maintenant ce modèle, ce qui, pour la régression linéaire, signifie examiner les graphiques Résidus vs valeurs ajustées (Residuals vs. Fitted) et Q-Q normal (Normal Q-Q).
Si vous appelez plot() sur un objet modèle dans R, il tracera automatiquement ces deux graphiques, plus deux autres. Vous interpréterez ces graphiques pour évaluer l'ajustement du modèle. Nous avons vu comment le faire dans la vidéo.
Une autre hypothèse de l'ANOVA et de la modélisation linéaire est l'homogénéité des variances. Homogénéité signifie « même », et ici cela voudrait dire que la variance de int_rate est la même pour chaque niveau de grade. Nous pouvons vérifier l'homogénéité des variances avec bartlett.test(), qui prend une formule et un jeu de données en entrée.
Cette activité fait partie du cours
Plan d'expériences avec R
Instructions de l’exercice
- Exécutez la première ligne de code avec
par()pour que les graphiques s'affichent dans une grille 2 par 2. - Appelez
plot()surgrade_aov(déjà créé pour vous) pour produire les graphiques de diagnostic du modèle. - Vérifiez l'homogénéité des variances avec
bartlett.test().
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# For a 2x2 grid of plots:
par(mfrow=c(___, ___))
# Plot grade_aov
___
# Bartlett's test for homogeneity of variance
___