Je travaille actuellement sur le lien qui existe entre deux variables quantitatives avec R (Variable à expliquer : Temps d'accès aux services. Variable explicative : Le nombre d'agriculteurs dans l'emploi). Ma variable explicative ayant une distribution asymétrique (beaucoup de faibles valeurs, et pas beaucoup de fortes valeurs), je décide de la convertir en log10 afin de m'approcher d'une distribution normale.
Après cette transformation, j'ai du mal à interpréter le modèle de régression linéaire. Le 6.8029 signifie t-il que lorsque le taux d'agriculteurs augmente de 1, le temps d'accès aux services augmente de 6.80 ? Voici le résultat :
- Code: Tout sélectionner
##
## Call:
## lm(formula = data$temps_acces_services_minutes_2017 ~ log10(data$taux_agriculteurs_percent_2016))
##
## Residuals:
## Min 1Q Median 3Q Max
## -8.1849 -2.5809 -0.3199 1.9749 11.8926
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 13.0118 0.2534 51.34 <2e-16
## log10(data$taux_agriculteurs_percent_2016) 6.8029 0.3173 21.44 <2e-16
##
## (Intercept) ***
## log10(data$taux_agriculteurs_percent_2016) ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.707 on 225 degrees of freedom
## Multiple R-squared: 0.6713, Adjusted R-squared: 0.6699
## F-statistic: 459.6 on 1 and 225 DF, p-value: < 2.2e-16
Et même dans d'autres exemples, comment interpréter le résultat du modèle lorsque :
- Ma variable à expliquer est convertie en log10 ?
- Ma variable à expliquer ET ma variable explicative sont transformées en log10 ?
Merci.