Projet Lionel
2020-juillet-02
Introduction
The purpose of this analysis is to assess fixed effects in a small data set
Prelminary data analysis
Loading dataset with scores
| Groupe.A | Groupe.B | Groupe.C | Groupe.D | Groupe.E | Ambiance.Jour.1 | Plasisir.montage | Plaisir.rencontre.nvle.personnes | Proche.sophie | RÃ.pond.attente | plaisir.ravitaillement | Plaisir.rencontre | Proche.Julien | Reconnu | Participer.global | X80..Inscrit_prochain | Groupe |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 0 | 0 | 1 | 1 | 7 | 7 | 7 | 5 | 1 | 7 | 8 | 7 | 8 | 8 | 2 | 11 |
| 0 | 0 | 0 | 1 | 1 | 10 | 9 | 10 | 7 | 2 | 10 | 10 | 8 | 10 | 10 | 3 | 11 |
| 1 | 0 | 1 | 0 | 0 | 5 | 5 | 6 | 4 | 0 | 5 | 7 | 4 | 7 | 6 | 0 | 10100 |
| 1 | 1 | 1 | 0 | 0 | 8 | 8 | 8 | 8 | 1 | 8 | 9 | 8 | 9 | 9 | 3 | 11100 |
| 1 | 1 | 0 | 1 | 1 | 9 | 10 | 9 | 7 | 2 | 10 | 9 | 7 | 10 | 10 | 3 | 11011 |
| 0 | 0 | 0 | 1 | 1 | 7 | 7 | 7 | 7 | 0 | 6 | 6 | 5 | 7 | 7 | 2 | 11 |
| 1 | 1 | 1 | 0 | 0 | 9 | 9 | 9 | 8 | 1 | 10 | 10 | 9 | 10 | 9 | 3 | 11100 |
| 1 | 1 | 1 | 0 | 0 | 9 | 9 | 9 | 5 | 2 | 10 | 10 | 4 | 10 | 10 | 3 | 11100 |
| 0 | 1 | 0 | 1 | 0 | 8 | 7 | 9 | 3 | 0 | 7 | 8 | 3 | 7 | 8 | 1 | 1010 |
| 0 | 0 | 0 | 0 | 0 | 10 | 10 | 10 | 7 | 1 | 8 | 8 | 3 | 8 | 8 | 2 | 0 |
Descriptive statistics
## Groupe.A Groupe.B Groupe.C Groupe.D Groupe.E
## Min. :0.0 Min. :0.0 Min. :0.0 Min. :0.0 Min. :0.0
## 1st Qu.:0.0 1st Qu.:0.0 1st Qu.:0.0 1st Qu.:0.0 1st Qu.:0.0
## Median :0.5 Median :0.5 Median :0.0 Median :0.5 Median :0.0
## Mean :0.5 Mean :0.5 Mean :0.4 Mean :0.5 Mean :0.4
## 3rd Qu.:1.0 3rd Qu.:1.0 3rd Qu.:1.0 3rd Qu.:1.0 3rd Qu.:1.0
## Max. :1.0 Max. :1.0 Max. :1.0 Max. :1.0 Max. :1.0
## Ambiance.Jour.1 Plasisir.montage Plaisir.rencontre.nvle.personnes
## Min. : 5.00 Min. : 5.0 Min. : 6.00
## 1st Qu.: 7.25 1st Qu.: 7.0 1st Qu.: 7.25
## Median : 8.50 Median : 8.5 Median : 9.00
## Mean : 8.20 Mean : 8.1 Mean : 8.40
## 3rd Qu.: 9.00 3rd Qu.: 9.0 3rd Qu.: 9.00
## Max. :10.00 Max. :10.0 Max. :10.00
## Proche.sophie RÃ.pond.attente plaisir.ravitaillement Plaisir.rencontre
## Min. :3.0 Min. :0.00 Min. : 5.0 Min. : 6.00
## 1st Qu.:5.0 1st Qu.:0.25 1st Qu.: 7.0 1st Qu.: 8.00
## Median :7.0 Median :1.00 Median : 8.0 Median : 8.50
## Mean :6.1 Mean :1.00 Mean : 8.1 Mean : 8.50
## 3rd Qu.:7.0 3rd Qu.:1.75 3rd Qu.:10.0 3rd Qu.: 9.75
## Max. :8.0 Max. :2.00 Max. :10.0 Max. :10.00
## Proche.Julien Reconnu Participer.global X80..Inscrit_prochain
## Min. :3.00 Min. : 7.00 Min. : 6.00 Min. :0.0
## 1st Qu.:4.00 1st Qu.: 7.25 1st Qu.: 8.00 1st Qu.:2.0
## Median :6.00 Median : 8.50 Median : 8.50 Median :2.5
## Mean :5.80 Mean : 8.60 Mean : 8.50 Mean :2.2
## 3rd Qu.:7.75 3rd Qu.:10.00 3rd Qu.: 9.75 3rd Qu.:3.0
## Max. :9.00 Max. :10.00 Max. :10.00 Max. :3.0
## Groupe
## Min. : 0
## 1st Qu.: 11
## Median : 5555
## Mean : 5545
## 3rd Qu.:11078
## Max. :11100
The overall boxplot shows that different groups lead to different intentions to attend the event the following year.
Nonetheless, the individual charts show that no variable has a significant effect per se.
Linear regressions
Diagnostics on the baseline
##
## Call:
## lm(formula = X80..Inscrit_prochain ~ Groupe.A + Groupe.B + Groupe.C +
## Groupe.D + Groupe.E, data = scores)
##
## Residuals:
## 1 2 3 4 5 6 7
## -3.333e-01 6.667e-01 2.914e-16 -3.747e-16 -2.637e-16 -3.333e-01 1.249e-16
## 8 9 10
## 1.249e-16 3.331e-16 -2.498e-16
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 2.0000 0.4082 4.899 0.00805 **
## Groupe.A -2.3333 0.6667 -3.500 0.02490 *
## Groupe.B 3.0000 0.4714 6.364 0.00313 **
## Groupe.C 0.3333 0.6667 0.500 0.64333
## Groupe.D -4.0000 0.7454 -5.367 0.00582 **
## Groupe.E 4.3333 0.6667 6.500 0.00289 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.4082 on 4 degrees of freedom
## Multiple R-squared: 0.9306, Adjusted R-squared: 0.8438
## F-statistic: 10.72 on 5 and 4 DF, p-value: 0.01965
## Error in xy.coords(x, y, xlabel, ylabel, log) :
## 'x' and 'y' lengths differ
## Error in summary(m1)$coef[2, 3] : indice hors limites
## Groupe.A Groupe.B Groupe.C Groupe.D Groupe.E
## 6.666667 3.333333 6.400000 8.333333 6.400000
## named integer(0)Checking Groupe as a factor
##
## Call:
## lm(formula = scale(X80..Inscrit_prochain) ~ as.factor(Groupe),
## data = scores)
##
## Residuals:
## 1 2 3 4 5 6 7
## -3.227e-01 6.455e-01 8.327e-17 2.498e-16 0.000e+00 -3.227e-01 -1.110e-16
## 8 9 10
## -1.110e-16 -1.665e-16 1.388e-16
## attr(,"scaled:center")
## [1] 2.2
## attr(,"scaled:scale")
## [1] 1.033
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -0.1936 0.3953 -0.490 0.6499
## as.factor(Groupe)11 0.3227 0.4564 0.707 0.5185
## as.factor(Groupe)1010 -0.9682 0.5590 -1.732 0.1583
## as.factor(Groupe)10100 -1.9365 0.5590 -3.464 0.0257 *
## as.factor(Groupe)11011 0.9682 0.5590 1.732 0.1583
## as.factor(Groupe)11100 0.9682 0.4564 2.121 0.1012
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.3953 on 4 degrees of freedom
## Multiple R-squared: 0.9306, Adjusted R-squared: 0.8438
## F-statistic: 10.72 on 5 and 4 DF, p-value: 0.01965Using normalized coefficients
##
## Call:
## lm(formula = scale(X80..Inscrit_prochain) ~ scale(Groupe.A) +
## scale(Groupe.B) + scale(Groupe.C) + scale(Groupe.D) + scale(Groupe.E),
## data = scores)
##
## Residuals:
## 1 2 3 4 5 6 7
## -3.227e-01 6.455e-01 -5.274e-16 8.327e-17 -1.388e-16 -3.227e-01 3.053e-16
## 8 9 10
## 3.053e-16 -3.331e-16 5.551e-17
## attr(,"scaled:center")
## [1] 2.2
## attr(,"scaled:scale")
## [1] 1.033
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -2.633e-16 1.250e-01 0.000 1.00000
## scale(Groupe.A) -1.191e+00 3.402e-01 -3.500 0.02490 *
## scale(Groupe.B) 1.531e+00 2.406e-01 6.364 0.00313 **
## scale(Groupe.C) 1.667e-01 3.333e-01 0.500 0.64333
## scale(Groupe.D) -2.041e+00 3.804e-01 -5.367 0.00582 **
## scale(Groupe.E) 2.167e+00 3.333e-01 6.500 0.00289 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.3953 on 4 degrees of freedom
## Multiple R-squared: 0.9306, Adjusted R-squared: 0.8437
## F-statistic: 10.72 on 5 and 4 DF, p-value: 0.01965Assessing moderating effects
##
## Call:
## lm(formula = scale(X80..Inscrit_prochain) ~ scale(Groupe.A) *
## scale(Groupe.B) * scale(Groupe.C) * scale(Groupe.D) * scale(Groupe.E),
## data = scores)
##
## Residuals:
## 1 2 3 4 5 6 7
## -3.227e-01 6.455e-01 -5.274e-16 8.327e-17 -1.388e-16 -3.227e-01 3.053e-16
## 8 9 10
## 3.053e-16 -3.331e-16 5.551e-17
## attr(,"scaled:center")
## [1] 2.2
## attr(,"scaled:scale")
## [1] 1.033
##
## Coefficients: (26 not defined because of singularities)
## Estimate
## (Intercept) -2.633e-16
## scale(Groupe.A) -1.191e+00
## scale(Groupe.B) 1.531e+00
## scale(Groupe.C) 1.667e-01
## scale(Groupe.D) -2.041e+00
## scale(Groupe.E) 2.167e+00
## scale(Groupe.A):scale(Groupe.B) NA
## scale(Groupe.A):scale(Groupe.C) NA
## scale(Groupe.B):scale(Groupe.C) NA
## scale(Groupe.A):scale(Groupe.D) NA
## scale(Groupe.B):scale(Groupe.D) NA
## scale(Groupe.C):scale(Groupe.D) NA
## scale(Groupe.A):scale(Groupe.E) NA
## scale(Groupe.B):scale(Groupe.E) NA
## scale(Groupe.C):scale(Groupe.E) NA
## scale(Groupe.D):scale(Groupe.E) NA
## scale(Groupe.A):scale(Groupe.B):scale(Groupe.C) NA
## scale(Groupe.A):scale(Groupe.B):scale(Groupe.D) NA
## scale(Groupe.A):scale(Groupe.C):scale(Groupe.D) NA
## scale(Groupe.B):scale(Groupe.C):scale(Groupe.D) NA
## scale(Groupe.A):scale(Groupe.B):scale(Groupe.E) NA
## scale(Groupe.A):scale(Groupe.C):scale(Groupe.E) NA
## scale(Groupe.B):scale(Groupe.C):scale(Groupe.E) NA
## scale(Groupe.A):scale(Groupe.D):scale(Groupe.E) NA
## scale(Groupe.B):scale(Groupe.D):scale(Groupe.E) NA
## scale(Groupe.C):scale(Groupe.D):scale(Groupe.E) NA
## scale(Groupe.A):scale(Groupe.B):scale(Groupe.C):scale(Groupe.D) NA
## scale(Groupe.A):scale(Groupe.B):scale(Groupe.C):scale(Groupe.E) NA
## scale(Groupe.A):scale(Groupe.B):scale(Groupe.D):scale(Groupe.E) NA
## scale(Groupe.A):scale(Groupe.C):scale(Groupe.D):scale(Groupe.E) NA
## scale(Groupe.B):scale(Groupe.C):scale(Groupe.D):scale(Groupe.E) NA
## scale(Groupe.A):scale(Groupe.B):scale(Groupe.C):scale(Groupe.D):scale(Groupe.E) NA
## Std. Error
## (Intercept) 1.250e-01
## scale(Groupe.A) 3.402e-01
## scale(Groupe.B) 2.406e-01
## scale(Groupe.C) 3.333e-01
## scale(Groupe.D) 3.804e-01
## scale(Groupe.E) 3.333e-01
## scale(Groupe.A):scale(Groupe.B) NA
## scale(Groupe.A):scale(Groupe.C) NA
## scale(Groupe.B):scale(Groupe.C) NA
## scale(Groupe.A):scale(Groupe.D) NA
## scale(Groupe.B):scale(Groupe.D) NA
## scale(Groupe.C):scale(Groupe.D) NA
## scale(Groupe.A):scale(Groupe.E) NA
## scale(Groupe.B):scale(Groupe.E) NA
## scale(Groupe.C):scale(Groupe.E) NA
## scale(Groupe.D):scale(Groupe.E) NA
## scale(Groupe.A):scale(Groupe.B):scale(Groupe.C) NA
## scale(Groupe.A):scale(Groupe.B):scale(Groupe.D) NA
## scale(Groupe.A):scale(Groupe.C):scale(Groupe.D) NA
## scale(Groupe.B):scale(Groupe.C):scale(Groupe.D) NA
## scale(Groupe.A):scale(Groupe.B):scale(Groupe.E) NA
## scale(Groupe.A):scale(Groupe.C):scale(Groupe.E) NA
## scale(Groupe.B):scale(Groupe.C):scale(Groupe.E) NA
## scale(Groupe.A):scale(Groupe.D):scale(Groupe.E) NA
## scale(Groupe.B):scale(Groupe.D):scale(Groupe.E) NA
## scale(Groupe.C):scale(Groupe.D):scale(Groupe.E) NA
## scale(Groupe.A):scale(Groupe.B):scale(Groupe.C):scale(Groupe.D) NA
## scale(Groupe.A):scale(Groupe.B):scale(Groupe.C):scale(Groupe.E) NA
## scale(Groupe.A):scale(Groupe.B):scale(Groupe.D):scale(Groupe.E) NA
## scale(Groupe.A):scale(Groupe.C):scale(Groupe.D):scale(Groupe.E) NA
## scale(Groupe.B):scale(Groupe.C):scale(Groupe.D):scale(Groupe.E) NA
## scale(Groupe.A):scale(Groupe.B):scale(Groupe.C):scale(Groupe.D):scale(Groupe.E) NA
## t value
## (Intercept) 0.000
## scale(Groupe.A) -3.500
## scale(Groupe.B) 6.364
## scale(Groupe.C) 0.500
## scale(Groupe.D) -5.367
## scale(Groupe.E) 6.500
## scale(Groupe.A):scale(Groupe.B) NA
## scale(Groupe.A):scale(Groupe.C) NA
## scale(Groupe.B):scale(Groupe.C) NA
## scale(Groupe.A):scale(Groupe.D) NA
## scale(Groupe.B):scale(Groupe.D) NA
## scale(Groupe.C):scale(Groupe.D) NA
## scale(Groupe.A):scale(Groupe.E) NA
## scale(Groupe.B):scale(Groupe.E) NA
## scale(Groupe.C):scale(Groupe.E) NA
## scale(Groupe.D):scale(Groupe.E) NA
## scale(Groupe.A):scale(Groupe.B):scale(Groupe.C) NA
## scale(Groupe.A):scale(Groupe.B):scale(Groupe.D) NA
## scale(Groupe.A):scale(Groupe.C):scale(Groupe.D) NA
## scale(Groupe.B):scale(Groupe.C):scale(Groupe.D) NA
## scale(Groupe.A):scale(Groupe.B):scale(Groupe.E) NA
## scale(Groupe.A):scale(Groupe.C):scale(Groupe.E) NA
## scale(Groupe.B):scale(Groupe.C):scale(Groupe.E) NA
## scale(Groupe.A):scale(Groupe.D):scale(Groupe.E) NA
## scale(Groupe.B):scale(Groupe.D):scale(Groupe.E) NA
## scale(Groupe.C):scale(Groupe.D):scale(Groupe.E) NA
## scale(Groupe.A):scale(Groupe.B):scale(Groupe.C):scale(Groupe.D) NA
## scale(Groupe.A):scale(Groupe.B):scale(Groupe.C):scale(Groupe.E) NA
## scale(Groupe.A):scale(Groupe.B):scale(Groupe.D):scale(Groupe.E) NA
## scale(Groupe.A):scale(Groupe.C):scale(Groupe.D):scale(Groupe.E) NA
## scale(Groupe.B):scale(Groupe.C):scale(Groupe.D):scale(Groupe.E) NA
## scale(Groupe.A):scale(Groupe.B):scale(Groupe.C):scale(Groupe.D):scale(Groupe.E) NA
## Pr(>|t|)
## (Intercept) 1.00000
## scale(Groupe.A) 0.02490
## scale(Groupe.B) 0.00313
## scale(Groupe.C) 0.64333
## scale(Groupe.D) 0.00582
## scale(Groupe.E) 0.00289
## scale(Groupe.A):scale(Groupe.B) NA
## scale(Groupe.A):scale(Groupe.C) NA
## scale(Groupe.B):scale(Groupe.C) NA
## scale(Groupe.A):scale(Groupe.D) NA
## scale(Groupe.B):scale(Groupe.D) NA
## scale(Groupe.C):scale(Groupe.D) NA
## scale(Groupe.A):scale(Groupe.E) NA
## scale(Groupe.B):scale(Groupe.E) NA
## scale(Groupe.C):scale(Groupe.E) NA
## scale(Groupe.D):scale(Groupe.E) NA
## scale(Groupe.A):scale(Groupe.B):scale(Groupe.C) NA
## scale(Groupe.A):scale(Groupe.B):scale(Groupe.D) NA
## scale(Groupe.A):scale(Groupe.C):scale(Groupe.D) NA
## scale(Groupe.B):scale(Groupe.C):scale(Groupe.D) NA
## scale(Groupe.A):scale(Groupe.B):scale(Groupe.E) NA
## scale(Groupe.A):scale(Groupe.C):scale(Groupe.E) NA
## scale(Groupe.B):scale(Groupe.C):scale(Groupe.E) NA
## scale(Groupe.A):scale(Groupe.D):scale(Groupe.E) NA
## scale(Groupe.B):scale(Groupe.D):scale(Groupe.E) NA
## scale(Groupe.C):scale(Groupe.D):scale(Groupe.E) NA
## scale(Groupe.A):scale(Groupe.B):scale(Groupe.C):scale(Groupe.D) NA
## scale(Groupe.A):scale(Groupe.B):scale(Groupe.C):scale(Groupe.E) NA
## scale(Groupe.A):scale(Groupe.B):scale(Groupe.D):scale(Groupe.E) NA
## scale(Groupe.A):scale(Groupe.C):scale(Groupe.D):scale(Groupe.E) NA
## scale(Groupe.B):scale(Groupe.C):scale(Groupe.D):scale(Groupe.E) NA
## scale(Groupe.A):scale(Groupe.B):scale(Groupe.C):scale(Groupe.D):scale(Groupe.E) NA
##
## (Intercept)
## scale(Groupe.A) *
## scale(Groupe.B) **
## scale(Groupe.C)
## scale(Groupe.D) **
## scale(Groupe.E) **
## scale(Groupe.A):scale(Groupe.B)
## scale(Groupe.A):scale(Groupe.C)
## scale(Groupe.B):scale(Groupe.C)
## scale(Groupe.A):scale(Groupe.D)
## scale(Groupe.B):scale(Groupe.D)
## scale(Groupe.C):scale(Groupe.D)
## scale(Groupe.A):scale(Groupe.E)
## scale(Groupe.B):scale(Groupe.E)
## scale(Groupe.C):scale(Groupe.E)
## scale(Groupe.D):scale(Groupe.E)
## scale(Groupe.A):scale(Groupe.B):scale(Groupe.C)
## scale(Groupe.A):scale(Groupe.B):scale(Groupe.D)
## scale(Groupe.A):scale(Groupe.C):scale(Groupe.D)
## scale(Groupe.B):scale(Groupe.C):scale(Groupe.D)
## scale(Groupe.A):scale(Groupe.B):scale(Groupe.E)
## scale(Groupe.A):scale(Groupe.C):scale(Groupe.E)
## scale(Groupe.B):scale(Groupe.C):scale(Groupe.E)
## scale(Groupe.A):scale(Groupe.D):scale(Groupe.E)
## scale(Groupe.B):scale(Groupe.D):scale(Groupe.E)
## scale(Groupe.C):scale(Groupe.D):scale(Groupe.E)
## scale(Groupe.A):scale(Groupe.B):scale(Groupe.C):scale(Groupe.D)
## scale(Groupe.A):scale(Groupe.B):scale(Groupe.C):scale(Groupe.E)
## scale(Groupe.A):scale(Groupe.B):scale(Groupe.D):scale(Groupe.E)
## scale(Groupe.A):scale(Groupe.C):scale(Groupe.D):scale(Groupe.E)
## scale(Groupe.B):scale(Groupe.C):scale(Groupe.D):scale(Groupe.E)
## scale(Groupe.A):scale(Groupe.B):scale(Groupe.C):scale(Groupe.D):scale(Groupe.E)
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.3953 on 4 degrees of freedom
## Multiple R-squared: 0.9306, Adjusted R-squared: 0.8437
## F-statistic: 10.72 on 5 and 4 DF, p-value: 0.01965Removing C and all moderating effects
##
## Call:
## lm(formula = scale(X80..Inscrit_prochain) ~ scale(Groupe.A) +
## scale(Groupe.B) + scale(Groupe.D) + scale(Groupe.E), data = scores)
##
## Residuals:
## 1 2 3 4 5 6 7
## -2.824e-01 6.858e-01 -5.135e-16 4.034e-02 -1.210e-01 -2.824e-01 4.034e-02
## 8 9 10
## 4.034e-02 -2.498e-16 -1.210e-01
## attr(,"scaled:center")
## [1] 2.2
## attr(,"scaled:scale")
## [1] 1.033
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -2.545e-16 1.152e-01 0.000 1.000000
## scale(Groupe.A) -1.084e+00 2.448e-01 -4.429 0.006835 **
## scale(Groupe.B) 1.510e+00 2.183e-01 6.916 0.000969 ***
## scale(Groupe.D) -2.084e+00 3.418e-01 -6.096 0.001719 **
## scale(Groupe.E) 2.125e+00 2.976e-01 7.141 0.000836 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.3644 on 5 degrees of freedom
## Multiple R-squared: 0.9262, Adjusted R-squared: 0.8672
## F-statistic: 15.69 on 4 and 5 DF, p-value: 0.004903
## Error in xy.coords(x, y, xlabel, ylabel, log) :
## 'x' and 'y' lengths differ
## Test stat Pr(>|Test stat|)
## scale(Groupe.A)
## scale(Groupe.B)
## scale(Groupe.D)
## scale(Groupe.E)
## Tukey test -0.5 0.6171
## scale(Groupe.A) scale(Groupe.B) scale(Groupe.D) scale(Groupe.E)
## 4.062500 3.229167 7.916667 6.000000
## named integer(0)## named integer(0)Linear predictions
Predicting all the data sample by using the different groupes (except C)
## Confusion Matrix and Statistics
##
##
## 2 3 0 1
## 2 3 0 0 0
## 3 1 4 0 0
## 0 0 0 1 0
## 1 0 0 0 1
##
## Overall Statistics
##
## Accuracy : 0.9
## 95% CI : (0.555, 0.9975)
## No Information Rate : 0.4
## P-Value [Acc > NIR] : 0.001678
##
## Kappa : 0.8485
##
## Mcnemar's Test P-Value : NA
##
## Statistics by Class:
##
## Class: 2 Class: 3 Class: 0 Class: 1
## Sensitivity 0.7500 1.0000 1.0 1.0
## Specificity 1.0000 0.8333 1.0 1.0
## Pos Pred Value 1.0000 0.8000 1.0 1.0
## Neg Pred Value 0.8571 1.0000 1.0 1.0
## Precision 1.0000 0.8000 1.0 1.0
## Recall 0.7500 1.0000 1.0 1.0
## F1 0.8571 0.8889 1.0 1.0
## Prevalence 0.4000 0.4000 0.1 0.1
## Detection Rate 0.3000 0.4000 0.1 0.1
## Detection Prevalence 0.3000 0.5000 0.1 0.1
## Balanced Accuracy 0.8750 0.9167 1.0 1.0Predictive performance of using “Groupe” as a factor
## Confusion Matrix and Statistics
##
##
## 2 3 0 1
## 2 3 0 0 0
## 3 1 4 0 0
## 0 0 0 1 0
## 1 0 0 0 1
##
## Overall Statistics
##
## Accuracy : 0.9
## 95% CI : (0.555, 0.9975)
## No Information Rate : 0.4
## P-Value [Acc > NIR] : 0.001678
##
## Kappa : 0.8485
##
## Mcnemar's Test P-Value : NA
##
## Statistics by Class:
##
## Class: 2 Class: 3 Class: 0 Class: 1
## Sensitivity 0.7500 1.0000 1.0 1.0
## Specificity 1.0000 0.8333 1.0 1.0
## Pos Pred Value 1.0000 0.8000 1.0 1.0
## Neg Pred Value 0.8571 1.0000 1.0 1.0
## Precision 1.0000 0.8000 1.0 1.0
## Recall 0.7500 1.0000 1.0 1.0
## F1 0.8571 0.8889 1.0 1.0
## Prevalence 0.4000 0.4000 0.1 0.1
## Detection Rate 0.3000 0.4000 0.1 0.1
## Detection Prevalence 0.3000 0.5000 0.1 0.1
## Balanced Accuracy 0.8750 0.9167 1.0 1.0Using 60% of the sample for training and 40% as testing sample
## Confusion Matrix and Statistics
##
##
## 0 2 3 4
## 0 0 0 0 1
## 2 0 1 1 0
## 3 0 0 1 0
## 4 0 0 0 0
##
## Overall Statistics
##
## Accuracy : 0.5
## 95% CI : (0.0676, 0.9324)
## No Information Rate : 0.5
## P-Value [Acc > NIR] : 0.6875
##
## Kappa : 0.3333
##
## Mcnemar's Test P-Value : NA
##
## Statistics by Class:
##
## Class: 0 Class: 2 Class: 3 Class: 4
## Sensitivity NA 1.0000 0.5000 0.00
## Specificity 0.75 0.6667 1.0000 1.00
## Pos Pred Value NA 0.5000 1.0000 NaN
## Neg Pred Value NA 1.0000 0.6667 0.75
## Precision 0.00 0.5000 1.0000 NA
## Recall NA 1.0000 0.5000 0.00
## F1 NA 0.6667 0.6667 NA
## Prevalence 0.00 0.2500 0.5000 0.25
## Detection Rate 0.00 0.2500 0.2500 0.00
## Detection Prevalence 0.25 0.5000 0.2500 0.00
## Balanced Accuracy NA 0.8333 0.7500 0.50Accuracy after 100 iterations
## [1] 0.5224719
The median is 0.5.
Adding C
## Confusion Matrix and Statistics
##
##
## 0 2 3 4
## 0 0 0 0 1
## 2 0 0 2 0
## 3 0 0 1 0
## 4 0 0 0 0
##
## Overall Statistics
##
## Accuracy : 0.25
## 95% CI : (0.0063, 0.8059)
## No Information Rate : 0.75
## P-Value [Acc > NIR] : 0.9961
##
## Kappa : 0.0769
##
## Mcnemar's Test P-Value : NA
##
## Statistics by Class:
##
## Class: 0 Class: 2 Class: 3 Class: 4
## Sensitivity NA NA 0.3333 0.00
## Specificity 0.75 0.5 1.0000 1.00
## Pos Pred Value NA NA 1.0000 NaN
## Neg Pred Value NA NA 0.3333 0.75
## Precision 0.00 0.0 1.0000 NA
## Recall NA NA 0.3333 0.00
## F1 NA NA 0.5000 NA
## Prevalence 0.00 0.0 0.7500 0.25
## Detection Rate 0.00 0.0 0.2500 0.00
## Detection Prevalence 0.25 0.5 0.2500 0.00
## Balanced Accuracy NA NA 0.6667 0.50Accuracy after 100 iterations
## [1] 0.5196629
The median is 0.5.