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 data frame alcohol a été préchargé 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 boit (Male ou Female)

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

un modèle avec uniquement 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 avait un meilleur R-squared que le modèle additif, ce qui suggère que l’ajout d’interactions donne un meilleur ajustement. Dans cet exercice, vous comparerez le R-squared de l’un des modèles avec interaction à celui du modèle avec effets principaux uniquement.

Rappelez-vous que 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

Cet exercice fait partie du cours

<cours>Apprentissage supervisé en R : Régression</cours>

Voir le cours

Instructions de l’exercice

Écrivez une formule qui exprime Metabol en fonction de Gastric et Sex sans interactions.
- 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 uniquement des effets principaux : model_add sur les données.
Ajustez un modèle linéaire avec l’interaction : model_interaction sur les données.
Appelez summary() sur les deux modèles. Lequel a le meilleur R-squared ?

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