Modérateur : Groupe des modérateurs
David Berre a écrit :Bonjour,
Dans le cadre de mon stage à l'INRA, je suis chargé d'étudier l'effet de la complémentation sur les performances zootechniques d'ovins sénégalais.
Je dispose à cet effet de nombreuses données de suivi pondéral.
Dans un premier temps, je souhaiterais m'interesser à l'importance des effets année et saison de naissance sur les performances.
Pour cela je souhaiterais monter un modèle de type :
Perf = Moyenne + Effet année + Effet saison + E
Afin d'y parvenir, je me suis documenté sur les publications mettant en oeuvre ce genre de modèle, j'ai put ainsi constater la complexité du problème.
Voila les questions que je me pose :
1) Dois-je creer un modèle mixte pour un exemple si simple?
2) Ou puis-je trouver des explication claire pour monter ce modèle sous R ( de nombreuses explication sur SAS sont disponible sur le net ).
3) Dois-je utiliser la méthode graphique ( Lancelot, Lesnoff, Tillard, McDermott, 200) pour determiner les effet fixes ou aléatoire ou puis-je le faire subjectivement.
Tout d'abord merci pour votre aide qui m'a ammené a me poser les bonnes questions.
Suite à une discussion avec mon maitre de stage, il apparait que nous ne donnerons pas d'importance aux differents niveaux d'étude ( troupeaux, villages ), et que nous étudierons des performances judicieusement choisies ( PAT 15, PAT 90, PAT 150 ).
Dans ce cas et au vu de votre dernier mail, il apparait donc inutile de construire un modèle mixte.
Afin de monter le modèle le premier modèle :
PERF = Moyenne + Effet année + Effet saison + E
Un modèle de ce type peut-il donner des résultats interprétables en terme d'effet de complémentation?
Si oui, à quel type de modèle sous R dois-je faire appel?
David Berre a écrit :Bonjour,
j'ai effectué les premiers tests avec la fonction gls :
modele=gls(PAT15~Année+Complémentation+SEXE,data=mydata)
> summary(modele)
Generalized least squares fit by REML
Model: PAT15 ~ Année + Complémentation + SEXE
Data: mydata
AIC BIC logLik
413.0849 427.5741 -201.5424
Coefficients:
Value Std.Error t-value p-value
(Intercept) 7.350528 10.733812 0.684801 0.4947
Année -0.026620 0.119362 -0.223023 0.8239
Complémentation 0.436139 0.159418 2.735816 0.0071
SEXEM 0.605499 0.175223 3.455582 0.0007
Correlation:
(Intr) Année Cmplém
Année -1.000
Complémentation -0.012 -0.013
SEXEM 0.053 -0.063 0.034
Standardized residuals:
Min Q1 Med Q3 Max
-2.37033039 -0.63183451 0.09660695 0.66027286 2.68232349
Residual standard error: 1.023894
Degrees of freedom: 138 total; 134 residual
Warning message:
abbreviate utilisé avec des caractères non ASCII in: abbreviate(these, minlength, use.classes)
A la vue des p-value, puis-je conclure dans ce cas à une influence de la complémentation (p=0.007) et du sexe(p=0.0007)?
Suita à la lecture de " Time- Series Regression and Generalized least squares; Appendix to an R and S-plus companion to applied regression, john Fox, January 2002 "
il me vient également d'autres question :
-Dois-je bien utliser la méthode REML ( par défaut)?
-Dois-je spécifier une structure de corrélation spécifique ( corrélation=?)
Code : Tout sélectionner
library(xyplot)
xyplot(residuals(modele) ~ fitted(modele))
Code : Tout sélectionner
m1 <- gls(PAT15 ~ Année * Complémentation + SEXE,
correlation = corCompSymm(form = ~ 1 | troupeau),
weights = varPower(form = ~ fitted(.)),
method = "ML",
data = mydata)
Code : Tout sélectionner
m2 <- lme(PAT15 ~ Année * Complémentation + SEXE,
random = list(troupeau = ~ 1, village = ~ 1),
method = "REML",
data = mydata)
Code : Tout sélectionner
VarCorr(m2)
David Berre a écrit :Bonjour,
J'ai omis de vous dire que nous avions décidé de négliger les effets troupeaux et les effets villages dans notre modèle.
Les modèles ont pour but de montrer l'influence de la complémentation ( et de la trajectoire de complémentation ) sur le PAT15 pour les animaux nés en saison 2( croissance embryonnaire ) ou en saison 1 ( croissance ).
Dans un modèle plus simple de ce type, qu'advient-il de la fonction gls testé dans mon dernier mail?
Dois-je également dans ce cas tester la structure de corrélation des données?
A ce sujet, j'ai effectué des graphs représentant les "fitted" et les "residuals" grâce à xyplot et je n'observe pas de tendance particulière ( les résidus ne deviennent ni plus grand ni plus petit en fonction de la valeur de la performance zootechnique en question ) , cela est-il un argument suffisant pour utiliser la fonction "corCompSymm" correspondant à une corrélation constante.
David Berre a écrit :Bonjour,
Au début de cette discussion, nous avions émis l'hypothése que l'effet année était un effet aléatoire.
le modèle lme approprié est-il bien alors :
m2 <- lme(PAT15 ~ Complémentation + SEXE,
random = list(troupeau = ~ 1, village = ~ 1,Année = ~ 1),
method = "REML",
data = mydata)
Code : Tout sélectionner
library(lme4) ## à charger sur le CRAN
m2 <- lmer(PAT15 ~ Complémentation + SEXE + (1 | village/troupeau) + (1 | Année),
method = "REML",
data = mydata)
Losque nous mettons en évidence que l'effet troupeau n'amméliore pas le modèle ( et qu'il n'est donc pas nécessaire de paramétrer un modele lme ), est-il possible de stipuler l'effet aléatoire de l'année sur un modèle gls?
En effet, il apparait difficile d'interpréter la "value" du facteur année ( qui se décline en 3 ou en 5 années)
Concernant l'interprétation des résultats, nous nous interrogeons sur la colonne "Value".
les résultats suivants sont issus d'un modèle gls :
Value Std.Error t-value p-value
(Intercept) 6.657994 11.277092 0.590400 0.5560
Année -0.017435 0.125734 - 0.138669 0.8899
Complémentation 0.356311 0.200407 1.777932 0.0778
SEXEM 0.627651 0.181097 3.465829 0.0007
Peut-on conclure dans ce cas que la complémentation permet un gain de poids de 356 g?
Pouvez-vous m'indiquer de la documentation à ce sujet?
Par avance merci de votre aide.
David
Retourner vers « Questions en cours »
Utilisateurs parcourant ce forum : Aucun utilisateur enregistré et 1 invité