Indications pour TP 04

Auteur·rice

Andreas Eich

Mis à jour

16.02.2026

Je vous donne ici de l’aide au cas où vous auriez du mal à résoudre les tâches. Veuillez d’abord essayer de résoudre les tâches sans ces indications. Toutes les informations dont vous avez besoin se trouvent dans le document .qmd que je vous ai partagé.

Tâche 1

Créez un modèle linéaire pour tester l’impact de coast sur percent_cover. Remplacez les ____ en conséquence :

m_poci <- lm(____ ~ ____, data = dat_coral_cover_poci)

Quelle est votre variable réponse ? Quelle est votre variable explicative ? Rappelez-vous que dans lm(), la variable réponse vient avant le ~. Vous voulez comprendre comment percent_cover est affecté par coast.

Tâche 2

Utilisez la fonction estimate_contrasts() du package modelbased pour exécuter des tests par paires sur votre modèle (m_poci) entre toutes les orientations côtières :

estimate_contrasts(model = ____, p_adjust = "tukey")

Vous devez insérer le nom du modèle m_poci que vous avez créé dans la Tâche 1 dans l’argument model =.

Tâche 3

Utilisez la fonction estimate_means() avec votre modèle pour d’abord calculer les estimations du modèle pour chaque groupe, puis utilisez plot() :

estimate_means(model = ____) %>%
  plot()

Encore une fois, vous devez insérer le nom du modèle m_poci dans l’argument model =. L’opérateur pipe %>% prend la sortie de estimate_means() et la passe à plot().

Tâche 4

Créez un modèle pour évaluer l’interaction de coast et genus sur percent_cover :

# Interaction model
m_cover <- lm(____ ~ ____ * ____, data = dat_coral_cover_genus)

Quelle est votre variable réponse ? Elle vient avant le ~. Quelles sont vos deux variables explicatives ? Elles doivent être séparées par un * pour tester l’interaction. Vous voulez tester comment percent_cover est affecté par l’interaction de coast et genus.

Tâche 5

Exécutez une ANOVA sur le modèle et interprétez ce qu’elle vous dit :

anova(____)

Insérez le nom du modèle m_cover que vous avez créé dans la Tâche 4.

Lorsque vous regardez la sortie, vérifiez : - Le terme d’interaction (coast:genus) est-il significatif (p < 0.05) ? - Si oui, cela signifie que l’effet de la côte sur la couverture corallienne dépend du genre (ou vice versa) - Les effets principaux de coast et genus seuls peuvent être moins intéressants lorsqu’il y a une interaction significative

Tâche 6

Tracez les résultats du modèle avec différentes couleurs pour les différentes orientations côtières et ajoutez les données brutes :

estimate_means(model = ____) %>%
  plot() +
  geom_point(
    data = dat_coral_cover_genus,
    aes(x = genus, y = percent_cover, col = coast),
    position = position_jitterdodge(jitter.width = .1, dodge.width = .21)
  ) +
  labs(x = "Genus", y = "Coral Cover (%)", col = "Coast") +
  scale_colour_colourblind() +
  theme_light()

Insérez le nom du modèle m_cover dans l’argument model = de estimate_means().

Le graphique montrera :

  • Des points avec des barres d’erreur représentant les estimations du modèle
  • Des points de données brutes superposés, légèrement décalés (jittered et dodged) pour qu’ils s’alignent avec les estimations du modèle
  • Différentes couleurs pour différentes orientations côtières