biostatistique

Les dix sujets supplémentaires de la fiche 74 sont à nouveau utilisés.
CervSup <- read.table("CerveauSup.txt", header=TRUE)
Predictions = 2.148348e+02
- 1.130265e-01 * CervSup$Amygdale1 - 4.693482e-01 * CervSup$Amyg
dale2
+ 6.235621e-02 * CervSup$CxAuditif - 6.295800e-02 * CervSup$CxCin
gulaire
- 2.048857e-02  *  CervSup$CxMoteur  +  2.711242e-02  *  CervSup$Cx
Temporal
- 1.696044e-02  *  CervSup$CxVisuel  +  9.033123e-01  *  CervSup$Hip
pocampe1
+ 1.344044e-02  *  CervSup$Hippocampe2  -  4.335977e-02  *  Cerv
Sup$Hippocampe3
- 1.137500e+00 * CervSup$Striatum + 8.503307e-05 * CervSup$Thal
amus
Enfin, ces prédictions sont comparées aux valeurs observées :
cor.test(CervSup$Score, Predictions, alternative=”greater”)
t.test(CervSup$Score, Predictions, paired=TRUE)
Le coefficient de corrélation de Pearson entre valeurs prédites et observées est r=0,608, coef-
ficient de corrélation significatif (p=0,031 ; t=2,17 ; ddl=8 ; test unilatéral). De plus, le test t de
Student pour échantillons appariés ne montre pas de biais systématique significatif (p=0,72 ;
t=0,37 ; ddl=9). Nous pouvons donc considérer que le modèle possède une valeur explicative.
Comme pour les autres régressions, la question de savoir si sa valeur prédictive est satisfaisante
dépendra des exigences du chercheur au regard du coefficient de corrélation entre les valeurs
prédites et les valeurs observées, et évidemment des résultats au test t de Student.