0% ont trouvé ce document utile (0 vote)
46 vues3 pages

Analyse statistique avec R : tests et méthodes

Le document décrit comment effectuer différents tests statistiques en R comme les tests de Student, de variance, des boîtes à moustaches et les régressions logistiques pour analyser des données et comparer des groupes.

Transféré par

khadija KARIM
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats DOCX, PDF, TXT ou lisez en ligne sur Scribd
0% ont trouvé ce document utile (0 vote)
46 vues3 pages

Analyse statistique avec R : tests et méthodes

Le document décrit comment effectuer différents tests statistiques en R comme les tests de Student, de variance, des boîtes à moustaches et les régressions logistiques pour analyser des données et comparer des groupes.

Transféré par

khadija KARIM
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats DOCX, PDF, TXT ou lisez en ligne sur Scribd

- Pour lire le tableau : > X1<-[Link]("C:/Users/user/Desktop/X1.

csv",h=T,sep=";")
ou h=T,dec=”;”
- Pour lancer le tableau sur le logiciel R : > edit(X1)
- Pour calculer les quartiles, la moyenne, la médiane.. : > summary(X1)
- Pour voir s’il existe une difference significative entre les deux moyennes des deux groups
on doit tracer les deux boites à moustache : > boxplot(titre1~titre2,data=X1)
 Si les deux boites s’intércalent : pas de difference significative.
 Si les deux boites ne s’intércalent pas : il existe une difference significative.
- Pour comparer les deux variances des deux groupes : > [Link](titre1~titre2,data=X1)
 Si la p-value > 0.05 : pas de difference significative : on accepte l’hypothèse H0 =
 Si la p-value < 0.05 : il existe une difference significative : on rejette l’hypothèse H0
- Si le p-value > 0.05 : on doit utiliser le test de Student : > [Link](titre1~titre2,data=X1)
 Si le p-value du test de Student est > 0.05 : On accepte H0
 Si le p-value du test de Student est < 0.05 : On rejette H0
 On utilise ce type de test souvent dans un cas de vérification de l’efficacité d’un traitement
pour un tel phénomène.
> poids<-[Link]("C:/Users/BACHIR/Desktop/[Link]",h=T,sep=";")
> edit(poids)
> summary(poids)
> boxplot(Poids~Sexe,data=poids)
> [Link](Poids~Sexe,data=poids)
> [Link](Poids~Sexe,data=poids)
- OR > 1 : le phénomène est un facteur de risque
- OR < 1 : le phénomène est un facteur protecteur
- OR = 1 : le phénomène n’a aucune relation avec la maladie (ni risque ni protection)
-L’IC intègre la valeur de 1 : le phénomène n’est pas un facteur de risque, malgré que l’OR
est > 1
-L’IC n’intègre pas la valeur de 1 : le phénomène est un facteur de risque pour la maladie
> risque<-[Link]("C:/Users/BACHIR/Desktop/[Link]",h=T,sep=";")
> mod1<-glm(V~angine,data=risque,family="binomial")
> summary(mod1)
> exp(coef(mod1))
> exp(cbind(or=coef(mod1),confint(mod1)))
> [Link](note~grp,data=ex1)
> [Link](note)
>res<-aov(note~grp,data=ex1)
Summary(res)
> boxplot (note-grp,data=ex1)
> TukeyHSD(res)

Test de friedman
 [Link](valeurs)

>frg<[Link]("C:/Users/pc/Desktop/[Link]",h=T,sep=";")

>attach(frg)

>summary(frg)

>[Link](F1,F2,paired=F,alt="less")

> ps<[Link]("C:/Users/pc/Desktop/[Link]",h=T,sep=";")

> attach(ps)

> summary(ps)

">[Link](P1,P2,paired=F,alt="less")

Conclusion:
Si P~ value < 0:05

=> rejet de H0 au risque 5%

=> différence significative entre au moins deux médianes au risque 5%

=> effet significatif au risque 5%.

Tests Statistiques non paramétriques

>frg<-[Link]("C:/Users/pc/Desktop/[Link]",h=T,sep=";")

>attach(frg)

>summary(frg)
>[Link](F1,F2,paired=F,alt="less")

> ps<-[Link]("C:/Users/pc/Desktop/[Link]",h=T,sep=";")

> attach(ps)

> summary(ps)

">[Link](P1,P2,paired=F,alt="less")

[Link](note)

Vous aimerez peut-être aussi