Merci pour ces précieuses indications.
Donc, si je te suis bien, si l'on applique la méthode lme, il sort un résultat même s'il manque une donnée dans une série (par exemple, un animal est mort avant la fin de l'étude, donc plus d'analyse...) ?
Oui, il y a une méthode predict qui permet de calculer les BLUPs: best linear unbiased predictions. Mais comme indiqué, cela suppose que la donnée manquante ne soit pas liée au phénomène étudié. Cette hypothèse est lourde, surtout avec des données de séros !
D'autre part, lme n'est pas utilisable sur des données discrètes comme des réponses en + / -.
J'ai utilisé cette formule et j'ai effectivement une sortie, mais ce n'est pas encore très clair pour moi.
D'après ce que j'ai compris :
Pour une aov, les sorties sont :
variations inter (par exemple le groupe, et interaction groupe:temps)
variation intra : le temps
signification des p :
inter : il y a évolution différente selon l'appartenance à un groupe
il peut y avoir interaction : cad baisse pour un groupe, hausse pour un autre, etc...
intra : il y a évolution dans le temps (une hausse, une baisse, etc...)
Pour la lme je n'arrive pas à voir ce que signifient les différents p
Si fm est ton modèle, summary(fm) te renvoie les informations essentielles dont un tableau avec les coeff des effets fixes, les écart-type, la stat t et la p-value associée.
La fonction anova (avec argument type = "m") te donne un tableau d'analyse de variance à peu près traditionnel (bien que les sommes de carrés ne soient pas calculées: ça ne marche pas comme ça dans la méthode programmée).
Code : Tout sélectionner
> library(nlme)
> fm <- lme(distance ~ age + Sex, data = Orthodont, random = ~ 1)
> ## astuce pour avoir le tableau des effets fixes
> summary(fm)$tTable
Value Std.Error DF t-value p-value
(Intercept) 17.7067130 0.83392247 80 21.233044 1.283974e-34
age 0.6601852 0.06160592 80 10.716263 3.952235e-17
SexFemale -2.3210227 0.76141685 25 -3.048294 5.375056e-03
> ## table d'analyse de variance
> anova(fm, type = "m")
numDF denDF F-value p-value
(Intercept) 1 80 450.8422 <.0001
age 1 80 114.8383 <.0001
Sex 1 25 9.2921 0.0054
Mais il faut faire un effort de compréhension de la théorie et des méthodes d'ajustement qui sont ardues. Pour lme, la référence incontournable est
Pinheiro, J.C., Bates, D.M., 2000. Mixed-effect models in S and S-Plus. Springer, New York (USA), 598 p.
Ce sont ces auteurs qui ont écrits le package nlme (et D Bates a écrit le package lme4).
Renaud