# Introduction.r

# Chargement des fonctions et packages
library(vcdExtra)
source("mesofas.r")
library(ca)
library(MASS)

##############################################
# Unil: nombre d'étudiants par sexe et année #
##############################################

# Chargement du fichier de fréquence original
load("Unil.rda")

# Création d'une table et d'un fichier d'observations
Unil.table <- xtabs(Unil$effectif~Unil$Sexe+Unil$Année)
Unil.table
options(digits=3)
prop.table(Unil.table,1)
options(digits=7)

Unil.case <- expand.dft(Unil.table)

# Graphiques
# bar plot
barplot(Unil.table)
# mosaic plot
mosaic(Unil.table,gp=shading_max)

# Table de contingence et test du chi2
Unil.chi2 <- mesofas.chi2(Unil.case$Unil.Sexe,Unil.case$Unil.Année,table=TRUE)
Unil.chi2

# V de Cramer
Unil.V <- mesofas.V(Unil.case$Unil.Sexe,Unil.case$Unil.Année)
Unil.V

# d de Somers
Unil.d <- mesofas.d(Unil.case$Unil.Sexe,Unil.case$Unil.Année)
Unil.d


###################
# Syndicalisation #
###################

# Chargement du fichier de données
load("Syndicalisation.rda")
Syndic <- Syndicalisation

# Résumé des variables du fichier
summary(Syndic)

# Analyse factorielle des correspondances
Syndic.afcm <- mjca(Syndic)
summary(Syndic.afcm)

plot(Syndic.afcm,what=c("none","all"))

# Tables de contingence
options(digits=3)

xtabs(~Syndic$sexe+Syndic$syndiqué)
prop.table(xtabs(~Syndic$sexe+Syndic$syndiqué),1)

xtabs(~Syndic$travail+Syndic$syndiqué)
prop.table(xtabs(~Syndic$travail+Syndic$syndiqué),1)

xtabs(~Syndic$état_civil+Syndic$syndiqué)
prop.table(xtabs(~Syndic$état_civil+Syndic$syndiqué),1)

xtabs(~Syndic$expérience+Syndic$syndiqué)
prop.table(xtabs(~Syndic$expérience+Syndic$syndiqué),1)



# Mesures d'association
mesofas.V(Syndic$sexe,Syndic$syndiqué)
mesofas.V(Syndic$travail,Syndic$syndiqué)
mesofas.V(Syndic$état_civil,Syndic$syndiqué)
mesofas.V(Syndic$expérience,Syndic$syndiqué)

mesofas.tau(Syndic$sexe,Syndic$syndiqué)
mesofas.tau(Syndic$travail,Syndic$syndiqué)
mesofas.tau(Syndic$état_civil,Syndic$syndiqué)
mesofas.tau(Syndic$expérience,Syndic$syndiqué)

options(digits=7)


# Modèles log-linéaires
# Création d'une table de contingence à 5 dimensions
Syndic.table <- xtabs(~Syndic$syndiqué+Syndic$sexe+Syndic$travail+Syndic$état_civil+Syndic$expérience)

# Modèle saturé
Syndic.sat <- loglm(~Syndic$syndiqué*Syndic$sexe*Syndic$travail*Syndic$état_civil*Syndic$expérience
				,data=Syndic.table) 
Syndic.sat

# Procédure backward automatique à partir du modèle saturé
# en utilisant le critère BIC (d'où k=log(534))
Syndic.final <- step(Syndic.sat,direction="backward",k=log(534))
Syndic.final$anova
summary(Syndic.final)


# Régression logistique
Syndic.reglog <- glm(Syndic$syndiqué~Syndic$sexe+Syndic$travail+Syndic$état_civil+Syndic$expérience,binomial)
summary(Syndic.reglog)


###########
# Titanic #
###########

# Données
load("Titanic.rda")
summary(Titanic)


# Analyse factorielle des correspondances
Titanic.afcm <- mjca(Titanic[,2:5])
summary(Titanic.afcm)

plot(Titanic.afcm,what=c("none","all"))



# Tables de contingence
options(digits=3)

xtabs(~Titanic$classe+Titanic$living)
prop.table(xtabs(~Titanic$classe+Titanic$living),1)

xtabs(~Titanic$age+Titanic$living)
prop.table(xtabs(~Titanic$age+Titanic$living),1)

xtabs(~Titanic$sex+Titanic$living)
prop.table(xtabs(~Titanic$sex+Titanic$living),1)


# Mesures d'association
mesofas.V(Titanic$classe,Titanic$living)
mesofas.V(Titanic$age,Titanic$living)
mesofas.V(Titanic$sex,Titanic$living)

mesofas.tau(Titanic$classe,Titanic$living)
mesofas.tau(Titanic$age,Titanic$living)
mesofas.tau(Titanic$sex,Titanic$living)

options(digits=7)


# Modèles log-linéaires
# Création d'une table de contingence à 4 dimensions
Titanic.table <- xtabs(~Titanic$classe+Titanic$living+Titanic$age+Titanic$sex)

# Modèle saturé
Titanic.sat <- loglm(~Titanic$classe*Titanic$living*Titanic$age*Titanic$sex,data=Titanic.table) 
Titanic.sat

# Procédure backward automatique à partir du modèle saturé
# en utilisant le critère BIC (d'où k=log(2201))
Titanic.final <- step(Titanic.sat,direction="backward",k=log(2201))
Titanic.final$anova
summary(Titanic.final)


# Régression logistique
Titanic.reglog <- glm(relevel(Titanic$living,2)~relevel(Titanic$classe,4)+Titanic$age+Titanic$sex,binomial)
summary(Titanic.reglog)