Il faut :

• télécharger le fichier agrocampus_1.01.zip
• ou télécharger le fichier agrocampus_1.01.tar.gz
• Aller sous R et faire : package --> intaller le(s) package(s) depuis des fichiers zip ... et choisir le package que vous venez de sauvegarder (le package est alors installé une fois pour toute sur l'ordinateur, cette manipulation n'est à faire qu'une seule fois)
• Ensuite, à chaque fois que vous voulez utiliser le package vous devez le charger en faisant package --> Charger le package ou bien écrire dans la console R: library(agrocampus)

Pour avoir de l'aide sur le package, faire : Aide --> Aide HTML --> Packages --> agrocampus; vous avez alors l'ensemble des fonctions et des jeux de données disponibles dans le package.

• Importer les données
• Transformer si nécessaire les variables explicatives en variables qualitatives (si les modalités sont des nombres, par défaut, lors de l'importation, la variable est considérée comme quantitative)
• Utiliser la fonction aov.sum qui fournit le tableau d'analyse de variance (tests F) et le tableau des coefficients (tests T) (cf l'aide de la fonction)

Exemple d'analyse de variance à 2 facteurs

    data(senso)
    res = aov.sum(Note~ Produit + Jour , data=senso)
    res

$Ftest

            Sum Sq Df      CM      F  value Pr(>F)
Produit     2.0278  2  1.0139  3.4428 0.04148 *
Jour       25.4725  1 25.4725 86.4959 1.18e-11 ***
Residuals  12.0742 41  0.2945
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
$Ttest
               Estimate Std. Error    t value      Pr(>|t|)
(Intercept)  4.59073574 0.08146418 56.3528167 1.802496e-40
Produit - 1  0.23705706 0.12067527  1.9644212 5.628400e-02
Produit - 2 -0.28474474 0.11466272 -2.4833246 1.719733e-02
Produit - 3  0.04768769 0.11845633  0.4025761 6.893515e-01
Jour - 1     0.80337838 0.08638181  9.3003184 1.179987e-11
Jour - 2    -0.80337838 0.08638181 -9.3003184 1.179987e-11

Exemple d'analyse de variance à 2 facteurs avec interaction

data(senso)
res2 = aov.sum(Note~ Produit + Jour + Produit : Jour, data=senso)
res2
$Ftest
              Sum Sq Df     CM   F value    Pr(>F)
Produit       1.7773  2   0.8886  2.9876    0.06206 .
Jour         25.8418  1  25.8418 86.8787  1.804e-11 ***
Produit:Jour  0.4738  2   0.2369  0.7964    0.45813
Residuals    11.6004 39   0.2974
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

$Ttest
                      Estimate Std. Error   t value     Pr(>|t|)
(Intercept)          4.5842929 0.08712387 52.618107 7.754226e-38
Prod - 1             0.2557070 0.12258359  2.085981 4.356959e-02
Prod - 2            -0.2509595 0.12031588 -2.085839 4.358314e-02
Prod - 3            -0.0047474 0.12665212 -0.037484 9.702900e-01
Jour - 1             0.8120707 0.08712387  9.320875 1.803829e-11
Jour - 2            -0.8120707 0.08712387 -9.320875 1.803829e-11
Prod - 1 : Jour - 1  0.0279292 0.12258359  0.227838 8.209619e-01
Prod - 2 : Jour - 1 -0.1454040 0.12031588 -1.208519 2.341243e-01
Prod - 3 : Jour - 1  0.1174747 0.12665212  0.927538 3.593519e-01
Prod - 1 : Jour - 2 -0.0279292 0.12258359 -0.227838 8.209619e-01
Prod - 2 : Jour - 2  0.1454040 0.12031588  1.208519 2.341243e-01
Prod - 3 : Jour - 2 -0.1174747 0.12665212 -0.927538 3.593519e-01

• Importer les données
• utiliser la fonction reg.best qui fournit le meilleur modèle (res$best) ainsi que les meilleurs modèles (res$all) à 1 variable explicative , à 2 variables explicatives, ... à p variables explicatives

Exemple de sélection de variables en régression:

data(lait)
res = reg.best(y=lait[,6],x=lait[,-6])
res$best
Call:
lm(formula = as.formula(as.character(formul)), data = don)
Residuals:
Min 1Q Median 3Q Max
-0.60149 -0.25261 -0.01715 0.24097 1.07494
Coefficients:
            Estimate  Std. Error t value Pr(>|t|)
(Intercept)  1.84751     1.34436   1.374 0.17315
BUTYREUX     0.10449     0.03028   3.451 0.00089 ***
PROTEINE     0.11660     0.03432   3.398 0.00106 **
EXTRAITSEC   0.04036     0.01790   2.255 0.02682 *
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 0.3169 on 81 degrees of freedom
Multiple R-Squared: 0.6027, Adjusted R-squared: 0.588
F-statistic: 40.96 on 3 and 81 DF, p-value: 3.296e-16