Grand aide sur la regressio logistique plytomique

Bonjour a tous

j'aurais besoin de votre avis et votre aide:
je m'explique
je travail sur des données:
méthode de collecte des données:
après chaque décès dans un village( milieu africain), on interroge les proches parents sur les circonstance du décès.
mon travail consiste a voir les éventuelles biais de mémoires lors de ces enquêtes:

ma méthode consiste à calculer le délai d'enquête (Date de visite de l'enquêteur - Date de décès ).
je prend cette variable comme ma variable réponse.et cette variable contient trois modalités ( 1 si le délai d'enquête est inférieur à 3 mois,2 si le délai est entre 3 et 5 mois et 3 si le délai est supérieur a 5 mois )

Problème:
lors des enquêtes on recueille le lien de parenté(lien) entre le répondant et le décédé, l'age du décédé(classe.age) et son sexe(Sexe).
NB:les ages ont les a classé par classes(5 classe),la variables lien a 11 modalités et tous mes variables sont des facteurs.


je voudrais faire de la modélisation sur ces variables.je prends comme variable réponse:délai_enquête et comme variables explicatives(lien,classe.age et sexe)
et la j'avais penser faire de la régression logistique plytomique.

et je fais la commande vglm mais je n'arrive pas a interpréter les résultats:

je m'excuse pour la présentation des résultats
> summary(vglm(groupe~classe.age+Sexe+lien,multinomial,donnee))
[1] "head(extra$orig.w)"
NULLCall:
vglm(formula = groupe ~ classe.age + Sexe + lien, family = multinomial, data = donnee)
Pearson Residuals:
Min 1Q Median 3Q Max
log(mu[,1]/mu[,3]) -4.9370 -0.82113 0.40165 0.65735 1.2633
log(mu[,2]/mu[,3]) -3.3254 -0.28823 -0.20312 -0.10815 4.1591
Coefficients:
Value Std. Error t value
(Intercept):1 3.248449 0.46063 7.052214
(Intercept):2 0.848426 0.52716 1.609433
classe.age[T.2]:1 -0.159402 0.22252 -0.716344
classe.age[T.2]:2 0.316821 0.26845 1.180199
classe.age[T.3]:1 -1.691080 0.23625 -7.158095
classe.age[T.3]:2 -0.196131 0.27546 -0.712005
classe.age[T.4]:1 -1.682658 0.23862 -7.051552
classe.age[T.4]:2 -0.190163 0.28036 -0.678286
classe.age[T.5]:1 -0.307753 0.32640 -0.942871
classe.age[T.5]:2 0.162368 0.39163 0.414591
Sexe[T.2]:1 -0.134674 0.20736 -0.649459
Sexe[T.2]:2 -0.143257 0.25024 -0.572483
lien[T.descendance]:1 -1.070996 0.50533 -2.119393
lien[T.descendance]:2 -0.995273 0.58964 -1.687935
lien[T.epouse]:1 -0.282906 0.58447 -0.484038
lien[T.epouse]:2 -0.328048 0.66921 -0.490206
lien[T.epoux]:1 -0.374121 0.63249 -0.591506
lien[T.epoux]:2 0.163058 0.69021 0.236244
lien[T.grand_mere]:1 -0.566490 0.53589 -1.057095
lien[T.grand_mere]:2 -1.096718 0.66391 -1.651898
lien[T.grand_pere]:1 0.234930 1.11526 0.210651
lien[T.grand_pere]:2 0.207114 1.25380 0.165189
lien[T.mere]:1 -1.268412 0.42715 -2.969454
lien[T.mere]:2 -0.493150 0.48212 -1.022887
lien[T.oncle]:1 0.319443 1.12398 0.284207
lien[T.oncle]:2 0.283905 1.25121 0.226905
lien[T.père]:1 -0.166425 0.55219 -0.301391
lien[T.père]:2 -0.693303 0.66231 -1.046792
lien[T.proxi]:1 0.261662 0.49959 0.523752
lien[T.proxi]:2 0.043104 0.56815 0.075866
lien[T.tante]:1 0.164250 0.67173 0.244520
lien[T.tante]:2 -0.412960 0.80425 -0.513475
Number of linear predictors: 2
Names of linear predictors: log(mu[,1]/mu[,3]), log(mu[,2]/mu[,3])
Dispersion Parameter for multinomial family: 1
Residual Deviance: 3121.051 on 3788 degrees of freedom
Log-likelihood: -1560.525 on 3788 degrees of freedom
Number of Iterations: 5




Merci
Cordialement a vous

Bonjour,
je ne connais pas vglm mais j'ai trouvé deux sources qui pourraient vous aider:
http://forums.cirad.fr/logiciel-R/viewtopic.php?p=2191&sid=3effe19044e86f50f68600d624c88a9a
et
http://www.stat.auckland.ac.nz/~yee/VGAM/
Bon courage