Modéliser une interaction

Dans cet exercice, vous allez utiliser des interactions pour modéliser l'effet du sexe et de l'activité gastrique sur le métabolisme de l'alcool.

Le tableau de données alcohol est déjà chargé et contient les colonnes suivantes :

Metabol : le taux de métabolisme de l'alcool
Gastric : le taux d'activité de l'alcool déshydrogénase gastrique
Sex : le sexe de la personne qui consomme (Male ou Female)

Dans la vidéo, nous avons ajusté trois modèles aux données alcohol :

un modèle avec seulement des termes additifs (effets principaux) : Metabol ~ Gastric + Sex
deux modèles, chacun avec des interactions entre l'activité gastrique et le sexe

Vous avez vu que l'un des modèles avec des termes d'interaction présentait un R au carré supérieur au modèle additif, ce qui suggère que l'utilisation de termes d'interaction offre un meilleur ajustement. Dans cet exercice, vous comparerez le R au carré d'un des modèles avec interaction à celui du modèle avec seulement des effets principaux.

Rappel : l'opérateur : désigne l'interaction entre deux variables. L'opérateur * désigne l'interaction entre deux variables, plus les effets principaux.

x*y = x + y + x:y

Cette activité fait partie du cours

Apprentissage supervisé en R : régression

Voir le cours

Instructions de l’exercice

Écrivez une formule qui exprime Metabol en fonction de Gastric et Sex sans interaction.
- Assignez la formule à la variable fmla_add et affichez-la.
Écrivez une formule qui exprime Metabol en fonction de l'interaction entre Gastric et Sex.
- Ajoutez Gastric comme effet principal, mais pas Sex.
- Assignez la formule à la variable fmla_interaction et affichez-la.
Ajustez un modèle linéaire avec seulement des effets principaux : model_add aux données.
Ajustez un modèle linéaire avec l'interaction : model_interaction aux données.
Appelez summary() sur les deux modèles. Lequel a le meilleur R au carré ?

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# alcohol is available
summary(alcohol)

# Create the formula with main effects only
(fmla_add <- ___ )

# Create the formula with interactions
(fmla_interaction <- ___ )

# Fit the main effects only model
model_add <- ___

# Fit the interaction model
model_interaction <- ___

# Call summary on both models and compare
___
___

Modifier et exécuter le code