Les anévrismes suivants ont des données manquantes:,
[1] « 2_G » « 5_G » « 6_G » « 6_D » « 7_G » « 7_D » « 8_G » « 9_G »
Répartition des données selon l’anevrisme (1= donnee valide, 0 = donnee manquante)
2_D 2_G 3_D 3_G 4_D 4_G 5_D 5_G 6_D 6_G 7_D 7_G 8_D 8_G 9_D 9_G
Chi 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
E 1 1 1 1 1 1 1 1 0 0 0 0 1 1 1 0
TFrais 1 0 1 1 1 1 1 0 0 1 1 0 1 0 1 0
TSolide 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0
Statistiques descriptives de la rigidité (R.moy) par Région
Region mean sd se n median q25 q75 min max
1 Chi 44.902 23.728 5.932 16 44.450 27.992 57.658 9.167 104.333
2 E 0.159 0.137 0.041 11 0.150 0.017 0.283 0.000 0.333
3 TFrais 9.490 3.341 1.057 10 10.050 6.675 10.638 5.150 15.700
4 TSolide 48.124 21.333 5.508 15 45.067 37.750 52.850 16.933 101.000
RStudioGD
2
#################################################
Différence de rigidité entre les 4 régions
#########. 1er modèle brut avec Kurskal Wallis
Variable dépendante: R.moy
Valeur-p pour Kruskal-Wallis: 2.532997e-08
Tests post-hoc de Dunn avec correction de
Bonferroni pour détecter où se situe la diffèrence
Diff between Z P.unadj P.adj
1 Chi – E 5.065312 0.000000 0.000002
2 Chi – TFrais 3.088014 0.002015 0.012090
3 E – TFrais -1.691653 0.090712 0.544273
4 Chi – TSolide -0.270082 0.787098 1.000000
5 E – TSolide -5.242420 0.000000 0.000001
6 TFrais – TSolide -3.286933 0.001013 0.006077
#########. 2e modËle: modèle mixte en ajustant pour
le chien et le moment auquel le sacrifice a eu lieu.
Variable dépendante: R.moy
numDF denDF F-value p-value
(Intercept) 1 41 109.21132 <.0001
Region 3 41 29.49863 <.0001
Temps 1 6 4.89060 0.069
Tests post-hoc avec correction de Bonferroni pour détecter où se situe la différence:
Simultaneous Tests for General Linear Hypotheses
Multiple Comparisons of Means: Tukey Contrasts
Fit: lme.formula(fixed = fmla2, data = sub2, random = ~1 | Chien,
na.action = na.omit)
Linear Hypotheses:
Estimate Std. Error z value Pr(>|z|)
E – Chi == 0 -46.297 6.356 -7.284 1.95e-12
TFrais – Chi == 0 -36.736 6.488 -5.662 8.95e-08
TSolide – Chi == 0 2.836 5.772 0.491 1
TFrais – E == 0 9.561 7.054 1.355 1
TSolide – E == 0 49.133 6.431 7.639 1.31e-13
TSolide – TFrais == 0 39.571 6.566 6.027 1.00e-08
(Adjusted p values reported — bonferroni method)
#################### Modèles avec le log ###################################
Répartition des données selon l’anevrisme (1= donnee valide, 0 = donnee manquante)
2_D 2_G 3_D 3_G 4_D 4_G 5_D 5_G 6_D 6_G 7_D 7_G 8_D 8_G 9_D 9_G
Chi 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
E 0 1 1 1 1 1 1 1 0 0 0 0 0 0 1 0
TFrais 1 0 1 1 1 1 1 0 0 1 1 0 1 0 1 0
TSolide 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0
Statistiques descriptives de la rigidité (R.moy.log) par Région
Region mean sd se n median q25 q75 min max
1 Chi 3.647 0.628 0.157 16 3.794 3.327 4.054 2.216 4.648
2 E -1.719 0.796 0.281 8 -1.322 -1.998 -1.204 -3.401 -1.099
3 TFrais 2.190 0.375 0.119 10 2.307 1.881 2.364 1.639 2.754
4 TSolide 3.781 0.459 0.118 15 3.808 3.627 3.967 2.829 4.615
RStudioGD
2
#########. 3e modèle: Modèle mixte en ajustant pour le chien et le moment auquel le sacrifice a eu lieu.
Variable dÈpendante: R.moy.log
numDF denDF F-value p-value
(Intercept) 1 38 634.8131 <.0001
Region 3 38 213.9853 <.0001
Temps 1 6 1.4905 0.2679
Tests post-hoc avec correction de
Bonferroni pour détecter où se situe la différence:
Simultaneous Tests for General Linear Hypotheses
Multiple Comparisons of Means: Tukey Contrasts
Fit: lme.formula(fixed = fmla2, data = sub3, random = ~1 | Chien,
na.action = na.omit)
Linear Hypotheses:
Estimate Std. Error z value Pr(>|z|)
E – Chi == 0 -5.4501 0.2383 -22.866 < 2e-16
TFrais – Chi == 0 -1.4924 0.2168 -6.883 3.52e-11
TSolide – Chi == 0 0.1317 0.1928 0.683 1
TFrais – E == 0 3.9576 0.2576 15.365 < 2e-16
TSolide – E == 0 5.5817 0.2404 23.218 < 2e-16
TSolide – TFrais == 0 1.6241 0.2195 7.401 8.14e-13
(Adjusted p values reported — bonferroni method)
#########. 4e modèle: Modèle mixte en ajustant pour le chien, le moment
auquel le sacrifice a eu lieu et le type de gel reçu.
Variable dÈpendante: R.moy.log
numDF denDF F-value p-value
(Intercept) 1 37 615.4314 <.0001
Region 3 37 210.0696 <.0001
Temps 1 6 1.4455 0.2745
TypeGel 1 37 0.1377 0.7127
Tests post-hoc avec correction de
Bonferroni pour détecter où se situe la différence:
Simultaneous Tests for General Linear Hypotheses
Multiple Comparisons of Means: Tukey Contrasts
Fit: lme.formula(fixed = fmla2, data = sub3, random = ~1 | Chien,
na.action = na.omit)
Linear Hypotheses:
Estimate Std. Error z value Pr(>|z|)
E – Chi == 0 -5.4496 0.2406 -22.654 < 2e-16
TFrais – Chi == 0 -1.4804 0.2213 -6.689 1.35e-10
TSolide – Chi == 0 0.1343 0.1947 0.690 1
TFrais – E == 0 3.9692 0.2618 15.162 < 2e-16
TSolide – E == 0 5.5839 0.2427 23.010 < 2e-16
TSolide – TFrais == 0 1.6147 0.2230 7.239 2.71e-12
(Adjusted p values reported — bonferroni method)
#########. 5e modèle: Modèle mixte en ajustant pour le chien, le moment
auquel le sacrifice a eu lieu (PAR SOUS GROUPE DE CHITOSANE).
Variable dépendante: R.moy.log
Sous-groupe: Chi
numDF denDF F-value p-value
(Intercept) 1 11 442.7105 <.0001
Region 3 11 112.5837 <.0001
Temps 1 6 2.8868 0.1402
Tests post-hoc avec correction de
Bonferroni pour détecter où se situe la différence:
Simultaneous Tests for General Linear Hypotheses
Multiple Comparisons of Means: Tukey Contrasts
Fit: lme.formula(fixed = fmla2, data = subchi, random = ~1 | Chien,
na.action = na.omit)
Linear Hypotheses:
Estimate Std. Error z value Pr(>|z|)
E – Chi == 0 -6.03557 0.36330 -16.613 < 2e-16
TFrais – Chi == 0 -1.23925 0.38410 -3.226 0.00752
TSolide – Chi == 0 -0.02083 0.29459 -0.071 1.00000
TFrais – E == 0 4.79633 0.44339 10.817 < 2e-16
TSolide – E == 0 6.01475 0.36462 16.496 < 2e-16
TSolide – TFrais == 0 1.21842 0.39156 3.112 0.01116
(Adjusted p values reported — bonferroni method)
Variable dÈpendante: R.moy.log
Sous-groupe: Chi-STS
numDF denDF F-value p-value
(Intercept) 1 16 383.0686 <.0001
Region 3 16 123.3157 <.0001
Temps 1 6 0.7343 0.4244
Tests post-hoc avec correction de
Bonferroni pour détecter où se situe la différence:
Simultaneous Tests for General Linear Hypotheses
Multiple Comparisons of Means: Tukey Contrasts
Fit: lme.formula(fixed = fmla2, data = substs, random = ~1 | Chien,
na.action = na.omit)
Linear Hypotheses:
Estimate Std. Error z value Pr(>|z|)
E – Chi == 0 -4.9880 0.2935 -16.993 < 2e-16
TFrais – Chi == 0 -1.5343 0.2429 -6.316 1.61e-09
TSolide – Chi == 0 0.2461 0.2328 1.057 1
TFrais – E == 0 3.4538 0.2982 11.582 < 2e-16
TSolide – E == 0 5.2341 0.2935 17.831 < 2e-16
TSolide – TFrais == 0 1.7804 0.2429 7.329 1.40e-12
(Adjusted p values reported — bonferroni method)
#########. 6e modèle: vérifier le type de gel en regardant seulement
la région du Chi.
Variable dépendante: R.moy.log
Sous-groupe: Region ==Chi
numDF denDF F-value p-value
(Intercept) 1 7 536.0338 <.0001
TypeGel 1 7 0.6101 0.4603
Temps 1 6 1.6539 0.2458