glm - interprétation résultats

Postez ici vos questions, réponses, commentaires ou suggestions - Les sujets seront ultérieurement répartis dans les archives par les modérateurs

Modérateur : Groupe des modérateurs

Oriane Moyne
Messages : 17
Enregistré le : 20 Oct 2015, 15:50

glm - interprétation résultats

Messagepar Oriane Moyne » 30 Jan 2018, 16:56

Bonjour à tous,

J'ai un jeu de données contenant des mesures de concentrations en différentes molécules, ainsi qu'un statut Cas ou Témoin pour mes échantillons.
Afin de trouver le(s) meilleur(s) prédicteurs du statut Cas/Témoin, j'ai construit un modèle logistique comme suit :

Code : Tout sélectionner

#Aperçu des données
quantif[36:40,2:ncol(quantif)]
   case Gluc       Asc         Gsh       Lac         GPC       Gly      Succ       bHB        Val    Leu.Iso
36       0  4.063753 2.2016668 0.458457233  2.398714 1.236988112 11.445137 0.2232978 0.4887412 0.04124332 0.19572592
37       0  4.252199 2.2591980 0.563522342  2.330555 4.127798786 12.219406 0.3387899 0.5608153 0.15179670 0.03442021
38       0  4.696948 1.8506493 0.500991625  2.186188 4.383154903 11.681825 0.2496662 0.5350908 0.14228403 0.30912699
39       1  6.226774 0.8334419 0.009612858 22.858587 0.001401988  8.529733 7.2276462 1.8062908 0.83424979 1.18558873
40       1 10.223897 1.2005618 0.054661308  4.327522 0.023142013  8.550414 2.9679294 4.5692782 1.34797602 2.32337683


# Etape 1 : modèle vide
glm0 <- glm(case~1, data=quantif, family=binomial(link=logit))

# Etape 2 : Procédure "stepAIC" pour l'ajout des variables une à une en respectant le principe de Parcimonie
stepAIC(glm0, .~Gluc+Asc+Gsh+Lac+GPC+Gly+Succ+bHB+Val+Leu.Iso, data=quantif, family=binomial())


## Start:  AIC=70.59
## case~ 1
##
##           Df Deviance    AIC
## + Succ     1   23.136 27.136
## + Gly      1   39.416 43.416
## + bHB      1   48.049 52.049
## + GPC      1   51.068 55.068
## + Val      1   53.598 57.598
## + Leu.Iso  1   55.970 59.970
## + Lac      1   56.849 60.849
## + Asc      1   62.614 66.614
## + Gsh      1   65.989 69.989
## <none>         68.593 70.593
## + Gluc     1   67.261 71.261
##
## Step:  AIC=27.14
## case ~ Succ
##
##           Df Deviance    AIC
## + Gly      1    0.000  6.000
## + Lac      1   10.095 16.095
## + Gluc     1   15.700 21.700
## + Asc      1   18.379 24.379
## + GPC      1   20.189 26.189
## <none>         23.136 27.136
## + bHB      1   21.693 27.693
## + Leu.Iso  1   22.505 28.505
## + Val      1   22.855 28.855
## + Gsh      1   23.131 29.131
## - Succ     1   68.593 70.593
##
## Step:  AIC=6
## case ~ Succ + Gly
##
##           Df Deviance    AIC
## <none>          0.000  6.000
## + GPC      1    0.000  8.000
## + Gsh      1    0.000  8.000
## + Lac      1    0.000  8.000
## + Asc      1    0.000  8.000
## + Val      1    0.000  8.000
## + Gluc     1    0.000  8.000
## + Leu.Iso  1    0.000  8.000
## + bHB      1    0.000  8.000
## - Gly      1   23.136 27.136
## - Succ     1   39.416 43.416



J'ai donc décidé à ce stade d'évaluer les deux modèles.

Modèle 1 : Succ + Gly

Code : Tout sélectionner

glmsuccgly <- glm(formula = case ~ Succ + Gly, family = binomial(link=logit), data = quantif)
summary(glmsuccgly)
Call:
glm(formula = case ~ Succ + Gly, family = binomial(link = logit),
    data = quantif)

Deviance Residuals:
       Min          1Q      Median          3Q         Max 
-1.194e-04  -2.100e-08   2.100e-08   2.100e-08   1.480e-04 

Coefficients:
            Estimate Std. Error z value Pr(>|z|)
(Intercept)   419.04   99295.13   0.004    0.997
Succ          321.72   72991.84   0.004    0.996
Gly           -58.72   13419.51  -0.004    0.997

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 6.8593e+01  on 49  degrees of freedom
Residual deviance: 4.1559e-08  on 47  degrees of freedom
AIC: 6

Number of Fisher Scoring iterations: 25

# Prédictions vs. Observations :
quantif$pred_succgly <- predict(glmsuccgly,type="response", newdata=quantif) 
quantif$pred_succgly01 <- ifelse(quantif$pred_succgly>=0.5, 1, 0)
 
tab2 <- table(quantif$case, quantif$pred_succgly01, dnn = c("Expérience", "Prédiction"))
rownames(tab2) <- ifelse(rownames(tab2)==0, "Témoin", "Cas")
colnames(tab2) <- ifelse(colnames(tab2)==0, "Témoin", "Cas")
tab2
          Prédiction
Expérience Témoin Cas
    Témoin     38   0
    Cas         0  12


... étrange, pourquoi les p-value sont-elles si grandes ? Alors que tous mes échantillons sont bien classés ?



Je me suis dit que j'avais loupé quelque chose, et ai continué avec le modèle plus simple :

Modèle 2 : Succ

Code : Tout sélectionner

lmsucc <- glm(formula = case ~ Succ, family = binomial(link=logit), data = quantif)
summary(glmsucc)

Call:
glm(formula = case ~ Succ, family = binomial(link = logit),
    data = quantif)

Deviance Residuals:
     Min        1Q    Median        3Q       Max 
-2.15615  -0.30840   0.00006   0.07010   2.02193 

Coefficients:
            Estimate Std. Error z value Pr(>|z|)   
(Intercept)   -5.275      1.681  -3.137  0.00171 **
Succ           8.025      2.745   2.924  0.00346 **
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

(Dispersion parameter for binomial family taken to be 1)

    Null deviance: 68.593  on 49  degrees of freedom
Residual deviance: 23.136  on 48  degrees of freedom
AIC: 27.136

Number of Fisher Scoring iterations: 8


OK ici je trouve ça bien mieux : ma variable Succ est significativement liée au modèle (mais du coup je comprends encore moins pourquoi ce n'était pas le cas dans le modèle 1...).

J'ai enfin une dernière question pour l'interprétation des coefficients :
Puis-je écrire que logit(case) = -5.275 + 8.025*Succ ?

J'espère avoir été claire dans mes questions,
Merci d'avance si quelqu'un peut m'aider !

Eric Wajnberg
Messages : 653
Enregistré le : 11 Aoû 2008, 15:37
Contact :

Re: glm - interprétation résultats

Messagepar Eric Wajnberg » 31 Jan 2018, 06:13

Vous êtes hors-sujet ici. Ce n'est pas un forum de statistique, mais un forum sur l'usage du logiciel R. Vous devez poser votre question sur un forum de statistique.

Cordialement, Eric.

Oriane Moyne
Messages : 17
Enregistré le : 20 Oct 2015, 15:50

Re: glm - interprétation résultats

Messagepar Oriane Moyne » 01 Fév 2018, 07:45

Hum, ma première question est peut-être hors thème, mais pour la deuxième il s'agit d'interpréter les sorties de R.
Enfin bon, ces problématiques se mêlent souvent, désolée.

Cordialement, Oriane

Eric Wajnberg
Messages : 653
Enregistré le : 11 Aoû 2008, 15:37
Contact :

Re: glm - interprétation résultats

Messagepar Eric Wajnberg » 01 Fév 2018, 08:26

Oriane Moyne a écrit :Hum, ma première question est peut-être hors thème, mais pour la deuxième il s'agit d'interpréter les sorties de R.
Enfin bon, ces problématiques se mêlent souvent, désolée.

Cordialement, Oriane

Votre question n'est pas d'interpréter les sorties de R. Elle est d'interpréter les sorties d'un logiciel (ou d'un calcul) de statistique. Vous auriez la même question avec un autre logiciel. Hors le présent forum ne traite que de l'usage de R, pas de statistique.

Cordialement, Eric.

Oriane Moyne
Messages : 17
Enregistré le : 20 Oct 2015, 15:50

Re: glm - interprétation résultats

Messagepar Oriane Moyne » 01 Fév 2018, 15:10

Effectivement, j'ai compris mon erreur. Mea culpa !

Merci,
Oriane


Retourner vers « Questions en cours »

Qui est en ligne

Utilisateurs parcourant ce forum : Aucun utilisateur enregistré et 1 invité