Debuts GLM
2025-07-10
1 Mise en place
source("~/work/AnalyseDonneesOpportunisteGMB/00_Nouveau/src/functions/divers.R")
wd <- set_wd()
source(paste0(wd$src, "functions/cartographie.R"))
source(paste0(wd$src, "functions/comparaison_dans_mailles.R"))
source(paste0(wd$src, "functions/GLM.R"))Total <- transform_Total()
Total <- ajout_famille_paysage()## Reading layer `famille_paysages' from data source
## `/home/onyxia/work/AnalyseDonneesOpportunisteGMB/00_Nouveau/data/masques/famille_paysage/famille_paysages.shp'
## using driver `ESRI Shapefile'
## Simple feature collection with 39 features and 3 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: 124135.6 ymin: 6701835 xmax: 403356 ymax: 6881501
## CRS: NATotal <- creer_maille(bdd = Total, taille_en_km = 2)
Total <- creer_maille(bdd = Total, taille_en_km = 5)
Total <- creer_maille(bdd = Total, taille_en_km = 10)
Total <- creer_maille(bdd = Total, taille_en_km = 20)2 Regression proportion de lapin vs chevreuil par 10km^2.
bdd_reg <- tab_glm(espece_interet = 61714,
espece_benchmark = 61057,
taillegrid = "Grid10km")Ici on cherche la tendance du Lapin de garenne en prenant le Chevreuil comme espèce de référence. Les sites choisis ici sont des mailles de 10km, dans lequel on calcule la proportion de lapin par rapport au chevreuil au fil des années.
bdd_reg %>%
ggplot() +
geom_histogram(aes(proportion_interet)) +
labs(title = "Repartition des proportions lapins par rapport au chevreuil",
y = "Proportion") + theme_bw()## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
On remarque qu’il y a une grande partie de zero -> On pourra vouloir utiliser des modèles a inflation 0.
Regarder aussi si les 0 sont sur le même site sur toutes les années -> On pourrait penser les retirer? Ca risque de nous diminuer la tendance potentielle. Une legere inflation en 1 egalement.
Retirer tous les 0 et 1 serait mauvais.
3 Year en variable quantitative discrete:
reg <- glm(data = bdd_reg,
proportion_interet ~ year)
summary(reg)##
## Call:
## glm(formula = proportion_interet ~ year, data = bdd_reg)
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 29.825545 2.294817 13.00 <2e-16 ***
## year -0.014642 0.001137 -12.87 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for gaussian family taken to be 0.112419)
##
## Null deviance: 494.50 on 4234 degrees of freedom
## Residual deviance: 475.87 on 4233 degrees of freedom
## AIC: 2766.7
##
## Number of Fisher Scoring iterations: 2plot(reg)
autoplot(reg)
Ici, l’année est significative. Les résidus ne sont pas très aléatoire -> Encore des choses a expliquer. On a un QQ-plot pas top. Les résidus ne sont pas du bruit blanc gaussien.
Pas de données qui sont leviers.
reg <- glm(data = bdd_reg,
proportion_interet ~ year+famille_paysage_max)
summary(reg)##
## Call:
## glm(formula = proportion_interet ~ year + famille_paysage_max,
## data = bdd_reg)
##
## Coefficients:
## Estimate Std. Error
## (Intercept) 31.207802 2.205844
## year -0.015287 0.001092
## famille_paysage_maxPaysage boise et de bosquets -0.180724 0.102664
## famille_paysage_maxPaysage cultive avec talus -0.004825 0.102465
## famille_paysage_maxPaysage cultive e ragosses -0.104675 0.102214
## famille_paysage_maxPaysage de bocage dense sur collines -0.192717 0.102756
## famille_paysage_maxPaysage de bocage e maille elargie -0.127529 0.102703
## famille_paysage_maxPaysage de cultures legumieres 0.168598 0.103952
## famille_paysage_maxPaysage de littoral urbanise 0.025078 0.102755
## t value Pr(>|t|)
## (Intercept) 14.148 <2e-16 ***
## year -13.994 <2e-16 ***
## famille_paysage_maxPaysage boise et de bosquets -1.760 0.0784 .
## famille_paysage_maxPaysage cultive avec talus -0.047 0.9624
## famille_paysage_maxPaysage cultive e ragosses -1.024 0.3059
## famille_paysage_maxPaysage de bocage dense sur collines -1.875 0.0608 .
## famille_paysage_maxPaysage de bocage e maille elargie -1.242 0.2144
## famille_paysage_maxPaysage de cultures legumieres 1.622 0.1049
## famille_paysage_maxPaysage de littoral urbanise 0.244 0.8072
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for gaussian family taken to be 0.1035606)
##
## Null deviance: 494.50 on 4234 degrees of freedom
## Residual deviance: 437.65 on 4226 degrees of freedom
## AIC: 2426.1
##
## Number of Fisher Scoring iterations: 2autoplot(reg)
La famille de paysage n’est pas significatif, mais AIC plus faible, donc ca reste intéressant d’ajouter la famille de paysage dans l’analyse.
Meilleur QQ-plot, et residus.
Certains individus sont atypiques, ils ont un effet levier important. Cependant, ils ont une distance de Cook assez faible/normal, donc on n’a pas a s’inquiéter. Ils concernent des sites de Paysage associe a la presence d’eau.
reg <- glm(data = bdd_reg,
proportion_interet ~ year*famille_paysage_max)
summary(reg)##
## Call:
## glm(formula = proportion_interet ~ year * famille_paysage_max,
## data = bdd_reg)
##
## Coefficients:
## Estimate
## (Intercept) 136.86134
## year -0.06767
## famille_paysage_maxPaysage boise et de bosquets -115.17443
## famille_paysage_maxPaysage cultive avec talus -112.41296
## famille_paysage_maxPaysage cultive e ragosses -92.28282
## famille_paysage_maxPaysage de bocage dense sur collines -106.05040
## famille_paysage_maxPaysage de bocage e maille elargie -102.22879
## famille_paysage_maxPaysage de cultures legumieres -130.90804
## famille_paysage_maxPaysage de littoral urbanise -110.90470
## year:famille_paysage_maxPaysage boise et de bosquets 0.05701
## year:famille_paysage_maxPaysage cultive avec talus 0.05573
## year:famille_paysage_maxPaysage cultive e ragosses 0.04570
## year:famille_paysage_maxPaysage de bocage dense sur collines 0.05248
## year:famille_paysage_maxPaysage de bocage e maille elargie 0.05062
## year:famille_paysage_maxPaysage de cultures legumieres 0.06498
## year:famille_paysage_maxPaysage de littoral urbanise 0.05499
## Std. Error t value
## (Intercept) 45.68565 2.996
## year 0.02265 -2.988
## famille_paysage_maxPaysage boise et de bosquets 46.07094 -2.500
## famille_paysage_maxPaysage cultive avec talus 46.00086 -2.444
## famille_paysage_maxPaysage cultive e ragosses 45.87905 -2.011
## famille_paysage_maxPaysage de bocage dense sur collines 46.11096 -2.300
## famille_paysage_maxPaysage de bocage e maille elargie 46.10077 -2.218
## famille_paysage_maxPaysage de cultures legumieres 46.69391 -2.804
## famille_paysage_maxPaysage de littoral urbanise 46.13227 -2.404
## year:famille_paysage_maxPaysage boise et de bosquets 0.02284 2.496
## year:famille_paysage_maxPaysage cultive avec talus 0.02281 2.444
## year:famille_paysage_maxPaysage cultive e ragosses 0.02274 2.009
## year:famille_paysage_maxPaysage de bocage dense sur collines 0.02286 2.296
## year:famille_paysage_maxPaysage de bocage e maille elargie 0.02285 2.215
## year:famille_paysage_maxPaysage de cultures legumieres 0.02315 2.807
## year:famille_paysage_maxPaysage de littoral urbanise 0.02287 2.405
## Pr(>|t|)
## (Intercept) 0.00275 **
## year 0.00283 **
## famille_paysage_maxPaysage boise et de bosquets 0.01246 *
## famille_paysage_maxPaysage cultive avec talus 0.01458 *
## famille_paysage_maxPaysage cultive e ragosses 0.04434 *
## famille_paysage_maxPaysage de bocage dense sur collines 0.02150 *
## famille_paysage_maxPaysage de bocage e maille elargie 0.02664 *
## famille_paysage_maxPaysage de cultures legumieres 0.00508 **
## famille_paysage_maxPaysage de littoral urbanise 0.01626 *
## year:famille_paysage_maxPaysage boise et de bosquets 0.01260 *
## year:famille_paysage_maxPaysage cultive avec talus 0.01458 *
## year:famille_paysage_maxPaysage cultive e ragosses 0.04457 *
## year:famille_paysage_maxPaysage de bocage dense sur collines 0.02174 *
## year:famille_paysage_maxPaysage de bocage e maille elargie 0.02683 *
## year:famille_paysage_maxPaysage de cultures legumieres 0.00502 **
## year:famille_paysage_maxPaysage de littoral urbanise 0.01623 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for gaussian family taken to be 0.1030582)
##
## Null deviance: 494.5 on 4234 degrees of freedom
## Residual deviance: 434.8 on 4219 degrees of freedom
## AIC: 2412.5
##
## Number of Fisher Scoring iterations: 2autoplot(reg)
Ici tout est significatif, et on a un AIC plus faible. On a bien fait d’ajouter l’interaction entre l’annee et la famille de paysage.
On ne remarque pas de structure tres tres forte des residus, mais plus que la regression precedente. L’individu 2 a un tres fort effet levier ainsi que quelques autres individus.
4 Year en variable qualitative:
bdd_reg_yearquali <- bdd_reg %>%
mutate(year = as.factor(year))
reg <- glm(data = bdd_reg_yearquali,
proportion_interet ~ year)
summary(reg)##
## Call:
## glm(formula = proportion_interet ~ year, data = bdd_reg_yearquali)
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.353410 0.024544 14.399 < 2e-16 ***
## year2011 0.075446 0.032224 2.341 0.019264 *
## year2012 0.066096 0.031873 2.074 0.038164 *
## year2013 0.003379 0.032386 0.104 0.916895
## year2014 -0.025387 0.031778 -0.799 0.424408
## year2015 -0.065243 0.032670 -1.997 0.045889 *
## year2016 -0.078880 0.032386 -2.436 0.014906 *
## year2017 -0.090902 0.032277 -2.816 0.004881 **
## year2018 -0.083086 0.031709 -2.620 0.008818 **
## year2019 -0.095431 0.031825 -2.999 0.002728 **
## year2020 -0.106402 0.031619 -3.365 0.000772 ***
## year2021 -0.141958 0.031240 -4.544 5.67e-06 ***
## year2022 -0.097881 0.031575 -3.100 0.001948 **
## year2023 -0.147562 0.031509 -4.683 2.91e-06 ***
## year2024 -0.154685 0.031531 -4.906 9.65e-07 ***
## year2025 -0.163098 0.032198 -5.065 4.25e-07 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for gaussian family taken to be 0.112049)
##
## Null deviance: 494.50 on 4234 degrees of freedom
## Residual deviance: 472.73 on 4219 degrees of freedom
## AIC: 2766.7
##
## Number of Fisher Scoring iterations: 2autoplot(reg)
reg <- glm(data = bdd_reg_yearquali,
proportion_interet ~ year+famille_paysage_max)
summary(reg)##
## Call:
## glm(formula = proportion_interet ~ year + famille_paysage_max,
## data = bdd_reg_yearquali)
##
## Coefficients:
## Estimate Std. Error
## (Intercept) 0.438317 0.103871
## year2011 0.079815 0.030908
## year2012 0.068965 0.030571
## year2013 -0.001420 0.031073
## year2014 -0.026644 0.030487
## year2015 -0.070542 0.031344
## year2016 -0.084718 0.031066
## year2017 -0.101891 0.030962
## year2018 -0.089736 0.030421
## year2019 -0.100875 0.030526
## year2020 -0.116401 0.030331
## year2021 -0.146753 0.029968
## year2022 -0.107304 0.030292
## year2023 -0.153934 0.030224
## year2024 -0.164137 0.030250
## year2025 -0.167883 0.030894
## famille_paysage_maxPaysage boise et de bosquets -0.180281 0.102489
## famille_paysage_maxPaysage cultive avec talus -0.003919 0.102295
## famille_paysage_maxPaysage cultive e ragosses -0.105356 0.102040
## famille_paysage_maxPaysage de bocage dense sur collines -0.193031 0.102587
## famille_paysage_maxPaysage de bocage e maille elargie -0.126194 0.102521
## famille_paysage_maxPaysage de cultures legumieres 0.170669 0.103772
## famille_paysage_maxPaysage de littoral urbanise 0.026531 0.102582
## t value Pr(>|t|)
## (Intercept) 4.220 2.50e-05 ***
## year2011 2.582 0.009846 **
## year2012 2.256 0.024126 *
## year2013 -0.046 0.963547
## year2014 -0.874 0.382197
## year2015 -2.251 0.024463 *
## year2016 -2.727 0.006416 **
## year2017 -3.291 0.001007 **
## year2018 -2.950 0.003197 **
## year2019 -3.305 0.000959 ***
## year2020 -3.838 0.000126 ***
## year2021 -4.897 1.01e-06 ***
## year2022 -3.542 0.000401 ***
## year2023 -5.093 3.68e-07 ***
## year2024 -5.426 6.09e-08 ***
## year2025 -5.434 5.82e-08 ***
## famille_paysage_maxPaysage boise et de bosquets -1.759 0.078646 .
## famille_paysage_maxPaysage cultive avec talus -0.038 0.969445
## famille_paysage_maxPaysage cultive e ragosses -1.032 0.301901
## famille_paysage_maxPaysage de bocage dense sur collines -1.882 0.059956 .
## famille_paysage_maxPaysage de bocage e maille elargie -1.231 0.218426
## famille_paysage_maxPaysage de cultures legumieres 1.645 0.100115
## famille_paysage_maxPaysage de littoral urbanise 0.259 0.795933
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for gaussian family taken to be 0.1030623)
##
## Null deviance: 494.5 on 4234 degrees of freedom
## Residual deviance: 434.1 on 4212 degrees of freedom
## AIC: 2419.6
##
## Number of Fisher Scoring iterations: 2autoplot(reg)
A continuer: year^2, clusters
reg1 <- glm(data = bdd_reg,
proportion_interet ~ year + famille_paysage_max:year)
reg2 <- glm(data = bdd_reg,
proportion_interet ~ I(year^2) + year + famille_paysage_max:year)
AIC(reg1); AIC(reg2)## [1] 2425.94## [1] 2420.425BIC(reg1); BIC(reg2)## [1] 2489.451## [1] 2490.288# Niveau AIC/BIC y'a pas une grosse difference. BIC prefere moins de var. et AIC l'inverse donc logique, mais pas de preference majeure.
autoplot(reg1)
autoplot(reg2)
On ne dirait pas qu’il y a qqe chose de différent entre ces deux modèles.
5 0 Inflated Model?
# #library(glmmTMB)
# glmmTMB(data = bdd_reg,
# proportion_interest ~ year,
# family = "nbinom2"
# )