Les Modèles à Effets Aléatoires - Christophe Genolini

Recommendations

Info

Application II Sommaire Préliminaires Essais multicentriques Aspects calculatoires Mesures répétées Estimation du modèle Inférence La p-value est cette fois bien au dessus du seuil de 5 %. Nous pouvons opter pour une approche de bootstrap paramétrique. Nous cherchons à estimer la probabilité, si le modèle nul est correct, d’observer un rapport de vraisemblance d’au moins 2.57. Nous estimons donc des valeurs tirées du modèle nul : > y B lrstat for (i in 1:B) { + y
Application III Sommaire Préliminaires Essais multicentriques Aspects calculatoires Mesures répétées Estimation du modèle Inférence On peut s’intéresser à la distribution des statistiques de test : > hist(lrstat,probability=TRUE,main="") > lines(seq(0,6,by=0.01),dchisq(seq(0,6,by=0.01),1)) > abline(v=s,col="red") > text(s,0.8,paste("LRT =",round(s,digits=4)),col="red",pos=4) Lionel RIOU FRANÇA Les Modèles à Effets Aléatoires
Page 1 and 2: Sommaire Préliminaires Essais mult
Page 21 and 22: Approche alternative Sommaire Prél
Page 41 and 42: Test des effets fixes II Sommaire P
Page 43: Application I Sommaire Préliminair
Page 47 and 48: Application V Sommaire Préliminair
Page 51 and 52: Le modèle Sommaire Préliminaires
Page 67: Sommaire Préliminaires Essais mult

Les Modèles à Effets Aléatoires - Christophe Genolini

Create successful ePaper yourself

Delete template?

Save as template?