Chapitre 12. R´ egression lin´ eaire simple et multiple
521
> # On force SMOKE à être présente:
> meilleur.modele.bic <- regsubsets(matx,BWT,nbest=1,force.in=4)
> summary(meilleur.modele.bic)$bic # Valeurs du BIC des meilleurs
# modèles de chaque taille
# (nbest=1).
[1] -6.273748 -7.607040 -9.796126 -7.865648 -3.491572 1.544854
> plot(meilleur.modele.bic)
bic
(Intercept)
SMOKE
LWT
AGE
UI
HT
FVT1
PTL1
1.5
−3.5
−6.3
−7.6
−7.9
−9.8
Figure 12.9 – S´ election de variables par le crit` ere BIC.
Le meilleur mod` ele est celui ayant obtenu la valeur du crit` ere BIC la plus
petite. Le meilleur mod` ele au sens du BIC est :
BWT = β 0 + β 1 LWT + β 2 UI + β 3 SMOKE + β 4 HT + .
Remarque
Il est possible d’obtenir d’autres crit` eres de s´ election grˆ ace au param` etre scale utilis´ e dans la fonction plot() appliqu´ ee ` a un objet de classe
521
> # On force SMOKE à être présente:
> meilleur.modele.bic <- regsubsets(matx,BWT,nbest=1,force.in=4)
> summary(meilleur.modele.bic)$bic # Valeurs du BIC des meilleurs
# modèles de chaque taille
# (nbest=1).
[1] -6.273748 -7.607040 -9.796126 -7.865648 -3.491572 1.544854
> plot(meilleur.modele.bic)
bic
(Intercept)
SMOKE
LWT
AGE
UI
HT
FVT1
PTL1
1.5
−3.5
−6.3
−7.6
−7.9
−9.8
Figure 12.9 – S´ election de variables par le crit` ere BIC.
Le meilleur mod` ele est celui ayant obtenu la valeur du crit` ere BIC la plus
petite. Le meilleur mod` ele au sens du BIC est :
BWT = β 0 + β 1 LWT + β 2 UI + β 3 SMOKE + β 4 HT + .
Remarque
Il est possible d’obtenir d’autres crit` eres de s´ election grˆ ace au param` etre scale utilis´ e dans la fonction plot() appliqu´ ee ` a un objet de classe