Plusieurs variables dans un modèle de régression logistique

L’interprétation d’un paramètre pris isolément reste valable lorsque vous incluez plusieurs variables dans un modèle. Lorsque vous demandez l’interprétation liée à la variation d’une variable donnée, on suppose que les autres variables restent constantes, c’est-à-dire inchangées. Il existe une expression latine consacrée pour cela, ceteris paribus, qui signifie littéralement « en maintenant toutes les autres constantes ».

Pour construire un modèle de régression logistique avec plusieurs variables, vous pouvez utiliser le signe + pour ajouter des variables. Votre formule ressemblera à :

y ~ x1 + ... + xk

Pour évaluer le modèle, plusieurs éléments sont à considérer. Vous avez déjà examiné les valeurs des paramètres, mais ce n’est pas le seul aspect important. L’importance statistique d’une estimation de paramètre l’est aussi. La significativité d’un paramètre est souvent exprimée par une p-value ; toutefois, dans la sortie d’un modèle vous la verrez indiquée sous Pr(>|t|). Dans glm, une significativité faible est notée par un « . » et une très forte significativité par « *** ». Lorsqu’un paramètre n’est pas significatif, cela signifie que vous ne pouvez pas affirmer qu’il est significativement différent de 0. La significativité statistique est importante : de manière générale, il n’est pertinent d’interpréter l’effet sur le défaut que pour les paramètres significatifs.