WOW !! MUCH LOVE ! SO WORLD PEACE !
Fond bitcoin pour l'amélioration du site: 1memzGeKS7CB3ECNkzSn2qHwxU6NZoJ8o
  Dogecoin (tips/pourboires): DCLoo9Dd4qECqpMLurdgGnaoqbftj16Nvp


Home | Publier un mémoire | Une page au hasard

 > 

Estimation du temps de parcours aux soins de santé dans le district d'Ifanadiana.


par Randriamihaja Mauricianot
Ecole de management et d'innovation technologique - Master recherche en Informatique 2019
  

précédent sommaire suivant

Extinction Rebellion

6.2.2. Mise en place du modèle statistique

Après les explorations, on élabore un modèle statistique linéaireunivarié pour toutes les variables explicatives par rapport à la variable réponse sur l'interprétation des données. L'extrait du code suivant permet d'avoir les informations sur les modèles linéaires.

#créationtablenulle pour le résultat des modèles

model.resultat <- data.frame(NULL)

var.name = names(model.test)

for (i in 3:length(var.name)){

variables <- var.name[i]

var.temp <- model.test[, var.name[i]]

rst.model <- lm(model.test$speed ~ var.temp)

modelSummary <- summary(rst.model) # capturer les informations surles modèles

modelCoeffs <- modelSummary$coefficients # coefficients des modèles

resultat.categ <- data.frame(NULL)

var.coeffs = names(modelCoeffs[,1])

speed.estimate = modelCoeffs[,1][1]

for (i in 2:length(var.coeffs)){

variable.coeffs <- paste(var.coeffs[i], variables, sep = " | ", collapse = NULL)

beta.estimate <- modelCoeffs[var.coeffs[i], "Estimate"] # recup. beta estimate pour var.temp

std.error <- modelCoeffs[var.coeffs[i], "Std. Error"] # recup. std.error pour var.temp

t_value <- beta.estimate/std.error # calcul t statistique

p_value <- 2*pt(-abs(t_value), df=nrow(cars)-ncol(cars)) # calcul p Value

#enlever le préfixe nommé (var.temps)

variable.coeffs <- substring(variable.coeffs, 9)

var.test <- substr(variable.coeffs, 1, 2)

if(var.test == " |"){

variable.coeffs <- substring(variable.coeffs, 3)

}

temp.categ <- data.frame(variable.coeffs, speed.estimate, beta.estimate, std.error, t_value, p_value, AIC(rst.model))

if(is.data.frame(resultat.categ) && nrow(resultat.categ)==0){

resultat.categ <- temp.categ

}else{

resultat.categ <- rbind(resultat.categ, temp.categ)

}

}

#ajouter à la ligne model.resultat

if(is.data.frame(model.resultat) && nrow(model.resultat)==0){

model.resultat <- resultat.categ

}else{

model.resultat <- rbind(model.resultat, resultat.categ)

}

# effacer les variables temporaires

rm("var.temp","rst.model","modelSummary","modelCoeffs","var.coeffs",

"beta.estimate","speed.estimate","std.error","t_value","p_value","var.coeffs","variables","temp.categ")

}

Ci-après le modèle multivarié utilisé pour l'estimation du temps de parcours à pied avec les variables explicatives telles que : la pente, la pluie, la distance, l'occupation du sol et l'individu. Au contraire que pour les modèles précédents, on utilise un modèle additif (gam) pour prendre en compte le lien non-linéaire entre la pente et la vitesse.

model_pied<-gam(speed~s(slope)+rain+categorydistance+occupation+individual, data = model.test)

Et ci-dessous le modèle multivarié pour l'estimation du temps de parcours en véhicule motorisé avec les variables explicatives tels que : la pente, la pluie, la distance, le pont, la zone résidentielle, les réseaux routières, l'individu et l'identification des parcours.

model_vehicule<- lmer(speed~slope+rain+categorydistance+bridge+landuse+highway+individual+(1|track), data = model.vehicule)

précédent sommaire suivant






Extinction Rebellion





Changeons ce systeme injuste, Soyez votre propre syndic





"Nous voulons explorer la bonté contrée énorme où tout se tait"   Appolinaire