S6.2. Case study linear model with multiple candidate covariates.

src/slides/S6.2_lm.Rmd

@@ -451,7 +451,7 @@ clinicaltrial %>%
 
 ```
 
-Variation __residuelle__ $\sigma$ réduite.
+Variation __résiduelle__ $\sigma$ réduite.
 
 Une partie de la variation a été __expliquée__. 
 
@@ -618,11 +618,54 @@ Pas besoin de perfection, juste d'éviter des grosses déviations de ces hypoth
 
 ---
 
-# Conclusion
+# Cas pratique
 
-## Selon le type et caractéristiques des variables, plusieurs tests peuvent se formuler en termes de'un modèle linéaire.
+.pull-left[
+
+![](img/jamovi-parenthood-lm.png)
+
+.small[Fichier __jamovi__ `Parenthood`]
+
+]
+
+.pull-right[
+Quel est __l'effet du sommeil du bébé__ sur l'humeur du père ?
+
+.small[
+1. Descriptifs et graphiques
+
+2. Quelles variables sont pertinentes ?
+
+3. Comparer différents modèles possibles (test F, AIC, BIC)
+
+4. Discuter et interpréter les résultats
+]
+]
+
+
+???
+
+Exercice guidé.
+
+1. Évidemment, `dan.grump ~ baby.sleep` pour commencer
+
+2. Ajouter `dan.sleep` ? Noter que dans ce cas, l'effet du `baby.sleep` s'annule. Pour quoi ?
+
+3. D'ailleurs le modèle est beaucoup mieux. Quel est l'effet du sommeil du bébé alors ?
+
+
+---
+
+# Conclusions
+
+-  Selon le type et caractéristiques des variables, plusieurs tests peuvent se formuler en termes d'un __modèle linéaire__.
+
+  [Common statistical tests are linear models ](https://lindeloev.github.io/tests-as-linear/#52_welch%E2%80%99s_t-test)
+
+- Le choix des variables pertinentes dépend de l'__objectif__ de recherche (e.g. prédiction vs estimation).
+
+- L'effet (et la significativité) des variables dépend aussi des __autres__ variables présentes.
 
-[Common statistical tests are linear models ](https://lindeloev.github.io/tests-as-linear/#52_welch%E2%80%99s_t-test)
 
 
 ???
@@ -637,9 +680,9 @@ C'est ce qu'on va aborder la séquence suivante
 .pull-left[
 - Modèle Normal à __moyenne variable__
 
-- Modèle __linéaire__ : structure linéaire à covariables quantitatives ou qualitatives.
+- Modèle __linéaire__ : covariables quantitatives ou qualitatives
 
-- Variables __indicatrices__ pour codification _dummy_ des __facteurs__
+- Variables __indicatrices__ pour codification des __facteurs__
 
 - Interprétation de __coefficients de contraste__
 
@@ -657,7 +700,7 @@ C'est ce qu'on va aborder la séquence suivante
 
 - __Intervalles de confiance__ et tests d'hypothèse sur les coefficients
 
-- __signification statistique__
+- __Signification statistique__
 ]