Régression multiple et interprétation URGENT

Bonjour, j'ai effectué une régression multiple avec 7 prédicteurs. j'ai obtenu le F pour mon model global mais comment obtenir l'apport de chaque prédicteur de mon modèle ( en gros faire une corrélation partielle de ce modèle).

De plus comment rapporter les résultats s'il vous plaît? J'ai écris des phrases si dessous mais à mon avis ce sont des grosses conneries, pitié, quelqu'un pourrait-il me venir en aide?

Ce que j'ai noté: :  Afin de déterminer si la différence de score entre le souvenir en mathématiques et le souvenir en lettres est influencé par les indices stéréotypiques et les associations implicites, nous avons effectué une analyse de régression multiple du score de différence sur le contenu du souvenir et le score d’IAT en contrôlant l’effet d’ordre de rappel du souvenir. L’analyse fait ressortir que la condition, c’est-à-dire le type d’amorce (féminin ou neutre) ne prédit pas une différence de score (β = -0.72) lorsque l’on contrôle l’effet d’ordre de rappel du souvenir, t(48) =-0.71 p = .49, comme l’indique la table 1. Il en est de même pour l’IAT, l’analyse fait ressortir qu’il ne prédit pas une différence de score (β = 0.02) lorsque l’on contrôle l’effet d’ordre de rappel du souvenir, comme l’indique la table 1, t (48) =0.02 p = .99.  L’interaction entre la condition  et l’IAT n’est pas significative, (β = -3.95) mais n’est pas loin de l’être F (48) = -1.91, p = .06.

Mon outputs R:

Call:
lm(formula = diffML ~ conditionc + IATH + ordrec + InterIATHC +
   InterOIH + InterOC + InterAllH, data = DF)

Residuals:
   Min      1Q  Median      3Q     Max
-7.0594 -3.0325  0.3834  2.3937  6.6617

Coefficients:
           Estimate Std. Error t value Pr(>|t|)  
(Intercept)  -0.2430     0.6954  -0.349   0.7283  
conditionc   -2.6584     1.3908  -1.911   0.0619 .
IATH          0.0193     1.0296   0.019   0.9851  
ordrec       -1.9609     1.3908  -1.410   0.1650  
InterIATHC   -3.9522     2.0592  -1.919   0.0609 .
InterOIH     -1.2842     2.0592  -0.624   0.5358  
InterOC       3.4446     2.7816   1.238   0.2216  
InterAllH     5.4794     4.1184   1.330   0.1897  
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 3.646 on 48 degrees of freedom
Multiple R-squared:  0.1404, Adjusted R-squared:  0.01506
F-statistic:  1.12 on 7 and 48 DF,  p-value: 0.3663


UN GROS MERCI D'AVANCE À TOUT CEUX QUI M'AIDERONT!

Bonjour,

Désolé mais on ne pourra pas répondre directement à ta question si on veut rester un minimum professionnel.
As tu évalué la validité de ton modèle ? Il faut avant tout vérifier si tes données permettent de respecter les hypothèses du modèle linéaire (homoscédasticité des résidus, pas d'autocorrélation, moyenne nulle et normalité)

Ensuite, tu as beaucoup de prédicteurs pour peu d'observation. il y a peu de chance que tes tests d'hypothèses puissent tenir la route.

Il est peu probable que tu puisses obtenir une partition du R² comme tu le souhaiterais. Une information intéressante est de faire le modèle en supprimant une des variables et de regarder la chute du R² (ça ne donne pas de R² partiel qui n'est possible que si les prédicteurs sont parfaitement indépendants)

Quoiqu'il en soit, ton modèle fourni un R² ajusté de 0.01...Quel est l'intérêt de discuter d'un modèle qui permet d'exliquer à peine 1% de la variabilité des données ?

Un conseil global : avant d'interpréter il faut s'assurer que le modèle veut dire quelque chose.

HTH

nik