Groupe des utilisateurs du logiciel R

Bonjour,

vous pouvez utiliser la fonction CCorA() du package vegan. Regardez l'aide, ça devrait être très simple à mettre en place.

Maxime

Bonjour,

clmm2() est une ancienne fonction, la première qui permettait de faire du modèle mixte et seulement avec un facteur aléatoire. Préférez clmm() qui est plus intéressante, et utilise la syntaxe 'classique' (1|F). C'est la même chose avec clm() qu'il faut préférer à clm2().

Maxime

Bonjour, les p-values sont dans le tableau 'coefficients', accessible de cette façon : summary(lin)$coefficients Ce qui est retourné est une matrice, donc vous pouvez vous ballader dedans comme dans n'importe quelle matrice. La colonne des p-values est ainsi : summary(lm.D9)$coefficients[,"Pr(>...

Bonjour,

j'ai pas bien compris non plus, mais la solution la plus simple ne serait pas de virer le cadre ? Pour ça il y a bty="n".

Maxime

lsmeans vous donnera des comparaisons multiples, pas l'effet global d'un terme du modèle. Vous devez créer plusieurs modèles (1 par modalité) de C, et dans votre cas tester l'interaction A:B de chacun de ces modèles via aov_ez (que je ne connais pas).

Cordialement,

Maxime

Bonjour, je ne comprends pas bien ce que vous cherchez à obtenir : une p-value de l'effet de l'interaction A*B pour chaque modalité de C, ou des comparaisons multiples de toutes les combinaisons de A et B pour chaque modalité de C ? Dans le premier cas je dirais un modèle par modalité de C, dans le ...

Bonjour,

Maxime

Histoire de ne pas se répéter : pareillement !

Bonjour, il n'y a aucun problème à faire des comparaisons sur un terme d'interaction avec lsmeans(). Sur le même modèle qu'Eric : mod <- glm(activite~station*suivi*tranche_heure,data=molosse,family=poisson,epsilon=1e-3,maxit=1000,trace=F) J'ai le même résultat avec cld(lsmeans(mod,~suivi:station)) e...

Ou unlist si on n'a pas envie de se frotter au do.call !

Maxime

Bonjour, trois commentaires : 1. Oui vous avez bien compris le principe de la procédure. 2. Votre 3ème ligne de commande n'a pas de sens. Dans le tableau renvoyé par la fonction DA.valid, vous avez une ligne par axe de l'analyse et le % d'erreur de classification moyen en prenant en compte les axes ...

Bonjour, Les deux machines ont des version de R différentes, la première est en 2.14.1, la seconde en 3.0.2. Serait-ce là l'explication ? Pour moi oui, clairement. Avec une versions de R 2.x.x tu n'as pas accès aux version 1.x.x de lme4. Or dans la version 1.0.0 du package de grosses modifications o...

Bonjour,

je suis désolé mais vous ne flirtez pas avec les limites de ce forum, vous les avez franchies :)

Mais histoire de ne pas vous laisser sans piste, regardez donc du côté de la régression logistique (GLM pour données binaires).

Maxime

Bonjour, si c'est ce que je pense, ça n'a aucun rapport avec ce type de graphe en particulier. Il y a toujours un décalage de 4 % entre la valeur minimale dans les données et la valeur minimale d'un axe (idem avec le maximum), c'est un paramètre graphique général destiné à améliorer la visibilité de...

Bonjour, sachant que vos moyennes et barres d'erreur doivent être dans des matrices, voilà une solution simple : (moy <- matrix(runif(12,10,20),ncol=4,dimnames=list(letters[1:3],LETTERS[1:4]))) (es <- matrix(rnorm(12,1,0.3),ncol=4,dimnames=list(let...