diff --git a/gwr_rzine.Rmd b/gwr_rzine.Rmd index 199cf7f..6719671 100644 --- a/gwr_rzine.Rmd +++ b/gwr_rzine.Rmd @@ -1430,7 +1430,7 @@ for (var in colnames(data_immo)[22:29]) { pal = c("Teal", "Peach"), neutral = "#f5f5f5") } else { # cas de la médiane du niveau de vie où la valeur min est supérieure à 0 - palette = mf_get_pal(n = c(nb_cl_sup0), pal = c("Peach")) + palette = mf_get_pal(n = c(nb_cl_sup0), pal = c("Peach"), rev = TRUE) } # la carte mf_map(x = data_immo, diff --git a/gwr_rzine.html b/gwr_rzine.html index 1c7875b..2b09a97 100644 --- a/gwr_rzine.html +++ b/gwr_rzine.html @@ -5402,8 +5402,8 @@
Ce fichier est composé des 10 variables suivantes :
Nous allons également charger une couche de régions qui nous servira d’habillage pour les cartes :
shp_path <- here("data", "REGION.shp")
@@ -5485,8 +5485,8 @@ 1.3 Jointure des données
## [1] 1242
# filtre des données de la jointure pour ne voir que les epci sans correspondance dans immo_df
datatable(data_immo[is.na(data_immo$prix_med),])
Cependant, la VD étant prix_med
les lignes vides ne nous
@@ -5689,8 +5689,8 @@
Il est important de réaliser également pour les VI cet histogramme que nous venons de faire pour la VD :
# Distribution des variables indépendantes :
@@ -5704,8 +5704,8 @@ 3.1 Exploration des
h <- add_histogram(plot_ly(data_immo, x = ~log(part_cadre_profintellec_nbemploi), name = "part_cadre_profintellec_nbemploi"))
fig = subplot(a, b, c, d, e, f, g, h, nrows = 2)
fig
gtsummary
:
-Pour obtenir les résidus :
- - + +On peut également les visualiser :
par(mfrow=c(1,3))
# diagramme quantile-quantile qui permet de vérifier l'ajustement
@@ -7552,7 +7552,7 @@ 3.4.3 Analyser les
hist(rstudent(mod.lm), breaks = 50, col="darkblue", border="white", main="Analyse visuelle des résidus")
# un graphique pour visualiser l'homoscédasticité des résidus
plot(rstudent(mod.lm))
Si la voie graphique ne vous inspire pas il existe des tests statistiques qui permettent de vérifier la normalité des résidus ou bien leur homoscédasticité.
@@ -7584,8 +7584,8 @@# Pour relancer un nouveau modèle sans l'individu le plus extrême
# Notez que l'on peut en supprimer plusieurs d'un coup avec subset=-c(36,266)
mod.lmx <- update(mod.lm, subset=-266)
@@ -7631,7 +7631,7 @@ 3.4.3 Analyser les
-
+
## [1] 36 180
# Il est possible de comparer les deux modèles et les coefficients
car::compareCoefs(mod.lm, mod.lmx, pvals = TRUE)
@@ -8479,7 +8479,7 @@ 5.4 Interprétation des
## ***********************************************************************
## * Package GWmodel *
## ***********************************************************************
-## Program starts at: 2024-03-18 17:28:37.219755
+## Program starts at: 2024-03-18 17:42:35.527736
## Call:
## gwr.basic(formula = formula, data = data, bw = bw, kernel = kernel,
## adaptive = adaptive, p = p, theta = theta, longlat = longlat,
@@ -8567,7 +8567,7 @@ 5.4 Interprétation des
## Adjusted R-square value: 0.9084372
##
## ***********************************************************************
-## Program stops at: 2024-03-18 17:29:28.440941
+## Program stops at: 2024-03-18 17:43:19.232931
Cette visualisation des résultats nous propose d’abord un rappel complet du modèle linéaire classique. Puis viennent ensuite les informations concernant la GWR. Le premier indicateur à analyser est le @@ -8632,8 +8632,8 @@
## [1] "Intercept" "perc_log_vac"
@@ -8742,7 +8742,7 @@ 5.4.2 Étude des
pal = c("Teal", "Peach"),
neutral = "#f5f5f5")
} else { # cas de la médiane du niveau de vie où la valeur min est supérieure à 0
- palette = mf_get_pal(n = c(nb_cl_sup0), pal = c("Peach"))
+ palette = mf_get_pal(n = c(nb_cl_sup0), pal = c("Peach"), rev = TRUE)
}
# la carte
mf_map(x = data_immo,
@@ -8759,7 +8759,7 @@ 5.4.2 Étude des
mf_title(var)
}