258
Statistique appliquée aux sciences de la vie
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
0.05
0.10
0.15
−2
−1
0
1
2
hi
résidu studentisé
Figure 14.13 – Exemple de détection des points leviers.
estimation erreur type
t stat valeur p
(constante)
−17.167
15.280 −1.124
0.262
poids
−0.145
0.100 −1.443
0.150
âge
0.047
0.029
1.625
0.105
taille
−0.061
0.067 −0.907
0.365
abdomen
0.850
0.086
9.886
0.000
biceps
0.294
0.171
1.722
0.086
poignet
−1.708
0.495 −3.454
0.001
Ainsi, l’élimination d’un seul individu, si elle n’a pas changé dramatiquement
les résultats, a tout de même modifié certains d’entre eux, notamment l’estimation de la pente du biceps (qui était de 0.234 et qui est désormais de 0.294),
mais également certaines valeurs p dont celle de la taille, qui est à présent nettement la plus grande d’entre toutes (ce qui peut avoir son importance si on
utilise un algorithme du type « backward elimination » pour choisir un modèle).