library(DAAG) data(litters) ###################### ## Donnes sur poids total, poids du cerveau et nombre de souris d'une portee ###################### Y=litters$br X1=litters$bo X2=litters$l n=length(Y) k=2 ####################### ## Regression lineaire ####################### modele=ml(Y~X1+X2) X=cbind(rep(1),X1,X2) beta.chapeau=solve(t(X)%*%X)%*%t(X)%*%Y Y.predits=X%*%beta.chapeau residus=Y-Y.predits sigma2.chapeau=(t(residus)%*%residus)/(n-k-1) sigma.chapeau=sqrt(sigma2.chapeau) ######################## ## Quelques graphiques ######################## par(mfrow=c(1,2)) plot(Y,Y.predits,xlab="Valeurs observees",ylab="Valeurs predites") abline(0,1,col="red") plot(Y,residus,xlab="Valeurs observees",ylab="Residus") abline(h=0,col="red") ################# ## Test b1=b2=0 ################# C=matrix(c(0,0,1,0,0,1),ncol=3) d=nrow(C) F=(t(C%*%beta.chapeau)%*%solve(C%*%solve(t(X)%*%X)%*%t(C))%*%(C%*%beta.chapeau)/d)/sigma2.chapeau pvalue=1-pf(F,df1=d,df2=n-k-1) ################# ## Test b1=b2 ################# C=t(c(0,1,-1)) d=nrow(C) F=(t(C%*%beta.chapeau)%*%solve(C%*%solve(t(X)%*%X)%*%t(C))%*%(C%*%beta.chapeau)/d)/sigma2.chapeau pvalue=1-pf(F,df1=d,df2=n-k-1)