Comment utiliser la fonction confit() dans R

Vous pouvez utiliser la fonction confint() dans R pour calculer un intervalle de confiance pour un ou plusieurs paramètres dans un modèle de régression ajusté.

Cette fonction utilise la syntaxe de base suivante :

confint(objet, parm, niveau=0,95)

où:

• object : Nom du modèle de régression ajusté
• parm : Paramètres pour lesquels calculer l’intervalle de confiance (la valeur par défaut est all)
• level : Niveau de confiance à utiliser (la valeur par défaut est 0,95)

L’exemple suivant montre comment utiliser cette fonction dans la pratique.

Exemple : Comment utiliser la fonction confit() dans R

Supposons que nous ayons le bloc de données suivant dans R qui montre le nombre d’heures passées à étudier, le nombre d’examens pratiques passés et la note à l’examen final de 10 étudiants dans une classe :

#create data frame
df <- data.frame(score=c(77, 79, 84, 85, 88, 99, 95, 90, 92, 94),
                 hours=c(1, 1, 2, 3, 2, 4, 4, 2, 3, 3),
                 prac_exams=c(2, 3, 3, 2, 4, 5, 4, 3, 5, 4))

#view data frame
df

   score hours prac_exams
1     77     1          2
2     79     1          3
3     84     2          3
4     85     3          2
5     88     2          4
6     99     4          5
7     95     4          4
8     90     2          3
9     92     3          5
10    94     3          4

Supposons maintenant que nous souhaitions adapter le modèle de régression linéaire multiple suivant dans R :

Score d’examen = β ₀ + β ₁ (heures) + β ₂ (examens pratiques)

Nous pouvons utiliser la fonction lm() pour adapter ce modèle :

#fit multiple linear regression model
fit <- lm(score ~ hours + prac_exams, data=df)

#view summary of model
summary(fit)

Call:
lm(formula = score ~ hours + prac_exams, data = df)

Residuals:
    Min      1Q  Median      3Q     Max 
-2.4324 -1.2632 -0.8956  0.4316  5.1412 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept)  68.4029     2.8723  23.815 5.85e-08 ***
hours         4.1912     0.9961   4.207   0.0040 ** 
prac_exams    2.6912     0.9961   2.702   0.0306 *  
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 2.535 on 7 degrees of freedom
Multiple R-squared:  0.9005,	Adjusted R-squared:  0.8721 
F-statistic: 31.68 on 2 and 7 DF,  p-value: 0.0003107

Notez que le résumé du modèle affiche les coefficients de régression ajustés :

• Interception = 68,4029
• heures = 4,1912
• prac_exams = 2,6912

Pour obtenir un intervalle de confiance à 95% pour chacun de ces coefficients, on peut utiliser la fonction confint() :

#calculate 95% confidence interval for each coefficient in model
confint(fit)

                 2.5 %    97.5 %
(Intercept) 61.6111102 75.194772
hours        1.8357237  6.546629
prac_exams   0.3357237  5.046629

L’intervalle de confiance à 95 % pour chaque paramètre est indiqué :

• IC à 95 % pour l’interception = [61,61, 75,19]
• IC à 95 % pour les heures = [1,84, 6,55]
• IC à 95 % pour prac_exams = [0,34, 5,05]

Pour calculer un intervalle de confiance à 99 %, modifiez simplement la valeur de l’argument niveau :

#calculate 99% confidence interval for each coefficient in model
confint(fit, level=0.99)

                 0.5 %    99.5 %
(Intercept) 58.3514926 78.454390
hours        0.7052664  7.677087
prac_exams  -0.7947336  6.177087

Et pour calculer uniquement un intervalle de confiance pour un paramètre spécifique, spécifiez simplement le coefficient à l’aide de l’argument parm :

#calculate 99% confidence interval for hours
confint(fit, parm='hours', level=0.99)

          0.5 %   99.5 %
hours 0.7052664 7.677087

Notez que l’intervalle de confiance à 99 % est affiché uniquement pour la variable heures.

Ressources additionnelles

Les didacticiels suivants fournissent des informations supplémentaires sur la régression linéaire dans R :

Comment interpréter la sortie de régression dans R
Comment effectuer une régression linéaire simple dans R
Comment effectuer une régression linéaire multiple dans R
Comment effectuer une régression logistique dans R