Discussion :

[habasque]

Bonjour,

Je cherche à représenter les prédictions de la présence absence d'une espèce de poisson en utilisant un modèle GLM à 2 facteurs + 1 interaction.

Soit le code suivant pour le modèle:

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

model_glm <- glm(presence_absence ~ CHLA + SST + CHLA*SST, family=binomial(link="logit"),data=dataset)

Le summary du modèle :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
Call:
glm(formula = presence_absence ~ CHLA + SST + CHLA * SST, family = binomial(link = "logit"), 
    data = dataset_cjm_model_sans_na)
 
Deviance Residuals: 
    Min       1Q   Median       3Q      Max  
-1.4050  -0.3547  -0.2998  -0.2232   2.9903  
 
Coefficients:
             Estimate Std. Error z value Pr(>|z|)    
(Intercept)  5.285498   0.256119   20.64   <2e-16 ***
CHLA        -2.956511   0.175692  -16.83   <2e-16 ***
SST         -0.392089   0.013405  -29.25   <2e-16 ***
CHLA:SST     0.139649   0.008077   17.29   <2e-16 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 
 
(Dispersion parameter for binomial family taken to be 1)
 
    Null deviance: 7512.7  on 15125  degrees of freedom
Residual deviance: 6576.9  on 15122  degrees of freedom
AIC: 6584.9
 
Number of Fisher Scoring iterations: 6

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
newCHLA <- seq(min(dataset$CHLA),max(dataset$CHLA),le=200)
newSST  <- seq(min(dataset$SST),max(dataset$SST),le=200)
newData <- expand.grid(CHLA=newCHLA, SST=newSST)
head(newData)
newresult <- predict.glm(model_glm,newData,type="response")
newresult <- matrix(newresult,nrow=200,ncol=200,byrow=T)
newresult[1:5,1:5]

Voici le résultats des prédictions :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
 
          [,1]      [,2]      [,3]      [,4]      [,5]
[1,] 0.8305226 0.8211523 0.8113817 0.8012064 0.7906239
[2,] 0.8251473 0.8156261 0.8057085 0.7953913 0.7846727
[3,] 0.8196385 0.8099686 0.7999068 0.7894508 0.7785996
[4,] 0.8139952 0.8041791 0.7939762 0.7833848 0.7724050
[5,] 0.8082167 0.7982573 0.7879164 0.7771934 0.7660891

Je ne comprends pas que le résultat de la prédiction soit monotone, cf PJ
Si vous avez des idées...

Merci d'avance,