################## lecture des données############## don1= read.table(file.choose(), header=TRUE, sep="\t", dec=",") #### libre office read.csv2(file.choose(),dec=",")###### attach(don1) #appel des variables par leur nom#### names(don1) #affiche les noms des variabes head(don1) #affiche les premieres du fichier ##### estimation d un pourcentage### prop.test(40,100) #############indices numériques pour une variable##################### mean(variable) sd(variable) var(variable) median(variable) ######### Graphiques pour une variable: histogramme, boxplots et qqplot ################ hist(variable,probability=TRUE,col="blue",main="Histogramme de la varaible") boxplot(variable, col="blue",main="Boxplot de la variable",horizontal=T) qqnorm(variable) qqline(variable) ############### test du Khi-deux ############################# Table = matrix(c(40,10,35,15), 2, 2, byrow=TRUE) rownames(Table) = c('TN', 'Tref') colnames(Table) = c('guéri', 'non guéri') Table chisq.test(Table, correct=TRUE) ##########test de Fisher et de student############################ #transformation de la variable groupe en facteur grp = as.factor(groupe) #test de Fisher var.test(Y ~ grp, alternative='two.sided') #test de Student t.test(Y~grp, alternative='two.sided', var.equal=TRUE) ############ anaova à 2facteur (facteurs croisés) ######################### sexe= as.factor(sexe) regime <- as.factor(regime) model = lm( poids~ sexe*regime) ### table danova ############## anova(model) ############################################### interaction.plot(regime,sexe,poids) ############ verification des conditions ######################### op<-par() par(mfrow=c(2,2)) plot(model)## graphique des residus par(op) ######### plan hierarchique############# #### model hierarchique avec les facteurs A et B######## ########calcul des p-valeurs corrigées pf(/,1,16,lower.tail=FALSE) ###############" model partiellement hierarchique#####" ############analyse de covariance (Ancova) ################# ############## quelques graphiques poids en fonction de l'age############ plot(Age[Porc=="2"],Poids[Porc=="2"],col="red",xlim=c(0,100),ylim=c(0,200)) par(new=TRUE) plot(Age[Porc=="1"],Poids[Porc=="1"],col="blue",xlim=c(0,100),ylim=c(0,200)) plot(Age,Poids, col= ifelse(Sexe == "M","red","blue"),xlim=c(0,100),ylim=c(0,200)) ########################## model d'analyse de covariance##########" ##########" modele de regression lineaire simple#### model = lm( poidcoeur~poids) summary(model) anova(model) ################################################## ############ reg logistique ######################### pb_cardiaque=as.factor(pb_cardiaque) Tabac=as.factor(Tabac) model=glm(pb_cardiaque~Age+IMC+Tabac,family=binomial) summary(model) ###calcul odd ratio et intervalle de confiance exp(coef(model)) exp(cbind(OR = coef(model19), confint(model)))