Ce laboratoire doit être remis le 11 mars à 17h sur Moodle.
Le jeu de données aiv_ducks.csv contient une partie des données de l’étude de Papp et al. (2017) sur la présence de la grippe aviaire (AIV pour avian influenza virus) dans les populations de différentes espèces de canards dans l’est du Canada.
Papp, Z., Clark, R.G., Parmley, E.J., Leighton, F.A., Waldner, C., Soos, C. (2017) The ecology of avian influenza viruses in wild dabbling ducks (Anas spp.) in Canada. PLoS ONE 12: e0176297. https://doi.org/10.1371/journal.pone.0176297.
aiv <- read.csv("../donnees/aiv_ducks.csv")
str(aiv)## 'data.frame': 8967 obs. of 10 variables:
## $ Species : chr "MALL" "MALL" "MALL" "MALL" ...
## $ Age : chr "HY" "HY" "HY" "AHY" ...
## $ Sex : chr "M" "F" "F" "M" ...
## $ AIV : int 1 0 1 1 1 0 1 1 1 0 ...
## $ Site : chr "Amherst Point" "White Birch" "White Birch" "Tower Goose" ...
## $ Latitude : num 45.8 46 46 46 46 ...
## $ Longitude : num -64.2 -64.3 -64.3 -64.3 -64.3 ...
## $ Year : int 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 ...
## $ Temperature : num 18.6 17.6 17.6 17.6 17.6 ...
## $ Population_Density: num 1.2 1.16 1.16 1.16 1.16 ...Voici la description des champs de données:
Estimez les paramètres d’un modèle complet visant à prédire la
présence/absence de l’AIV, incluant: les effets fixes de l’âge et du
sexe des canards, de la température et de la densité de population du
site; ainsi que les effets aléatoires de l’espèce, du site, de l’année
et de l’interaction site x année (cette dernière est notée
(1 | Site:Year) dans le modèle). Faut-il vérifier s’il y a
surdispersion pour ce modèle?
Quelle est la raison d’inclure chacun des effets aléatoires du modèle en (a)? Vérifiez si ces effets aléatoires suivent une distribution normale.
Produisez un graphique de la probabilité de présence de l’AIV prédite par le modèle en (a) en fonction de la température pour chacune des quatre catégories d’âge et de sexe (HY/F, HY/M, AHY/F, AHY/M). La densité de population n’apparaîtra pas dans le graphique, mais vous pouvez la fixer à sa valeur moyenne pour les prédictions.
À partir du modèle complet, utilisez l’AIC pour déterminer s’il est préférable d’inclure ou non chacun des effets suivants: température, densité de population, ainsi que l’effet aléatoire pour l’interaction site x année.
Les auteurs de l’étude originale ont déterminé un effet significatif de la densité de population en ajustant un modèle avec effets aléatoires du site et de l’année, mais sans leur interaction. Pour quelle raison les conclusions de votre modèle pourraient-elles différer de ce résultat?
Ajoutez au jeu de données original des colonnes représentant la prédiction de la probabilité de présence de l’AIV (1) en fonction seulement des effets fixes du modèle; (2) en fonction des effets fixes et aléatoires. Utilisez le meilleur modèle identifié dans la partie précédente.
Pour chaque type de prédictions obtenues (effets fixes; effets fixes et aléatoires), déterminez la probabilité moyenne prédite de présence de l’AIV pour les observations avec AIV = 1, ainsi que la probabilité moyenne prédite de présence pour les observations avec AIV = 0. D’après vos résultats, les effets fixes du modèle permettent-ils de bien départager les cas de présence et d’absence? Qu’en est-il des effets aléatoires?
Groupez le jeu de données par site et année, puis calculez la moyenne de la longitude, de la latitude et de la probabilité d’AIV prédite par le modèle complet pour chaque combinaison site-année. En utilisant ces variables, produisez une carte des sites avec leur probabilité d’AIV prédite pour chaque année. (Vous pouvez utiliser les facettes dans ggplot2 pour séparer le graphique en panneaux pour chaque année.)