---
title: "Cahier guidé des missions du jour 1"
subtitle: "Régression linéaire multiple et diagnostics"
lang: fr
format:
  html:
    embed-resources: true
    toc: true
    toc-depth: 3
    code-copy: true
    code-overflow: wrap
editor: source
execute:
  echo: true
  warning: false
  message: false
---

<style>
.response-area {
  min-height: 7rem;
  margin: 1.25rem 0 1.75rem;
  padding: 1rem 1.15rem;
  border: 2px solid #8fb8bc;
  border-radius: 0.55rem;
  background: #f7fbfb;
}
.response-area h3 {
  margin-top: 0;
  color: #0f5f63;
}
</style>

## Identification

Noms: _Écrivez ici._

Équipe: _Écrivez ici._

Date: _Écrivez ici._

## Mode d'emploi

Ce cahier rassemble les trois missions de la journée dans le même ordre et avec les mêmes questions que les énoncés en ligne.

1. Enregistrez le QMD dans un dossier consacré à la journée.
2. Ouvrez-le dans RStudio, Positron ou un autre éditeur compatible avec Quarto.
3. Exécutez seulement les blocs de la mission annoncée par la personne animatrice.
4. Remplacez les espaces de réponse par vos résultats, vos graphiques et vos interprétations.
5. Enregistrez souvent le fichier.

Les blocs portent volontairement l'option `#| eval: false`. Cette option évite que toute la journée soit exécutée automatiquement lors d'un rendu. Vous pouvez quand même exécuter un bloc au moment prévu avec le bouton d'exécution de votre éditeur. Pour inclure ensuite ses résultats dans un document HTML, remplacez son option par `#| eval: true`.

::: {.callout-important}
Ne consultez pas une mission avant son ouverture dans la présentation. Cette règle est essentielle au jour 3, où le test futur doit rester fermé jusqu'à la mission finale.
:::

## Préparer les paquets R

Le bloc suivant installe uniquement les paquets manquants. Exécutez-le une fois avant l'atelier si nécessaire.

```{r}
#| eval: false
paquets_requis <- c("tidyverse", "AmesHousing", "scales", "patchwork", "broom")
paquets_manquants <- setdiff(
  paquets_requis,
  rownames(installed.packages())
)

if (length(paquets_manquants) > 0) {
  install.packages(paquets_manquants, dependencies = TRUE)
}
```

---

# Mission 1: choisir avant d'ajuster

_Question, graphiques et formule de modèle_

[Ouvrir l'énoncé en ligne](https://aureliennicosiaulaval.github.io/eiom-2026-modelisation/jour1/missions/mission1.html)

## Votre mandat

Vous devez construire un premier modèle explicatif du prix de vente des propriétés d'Ames. Votre équipe ne peut retenir que quatre à six prédicteurs. Le but est de faire des choix lisibles, pas d'utiliser toutes les colonnes.

Durée: 25 minutes.

Production: une formule de modèle, un graphique probant et un verdict de trois phrases.

## Ce que vous devez apprendre

À la fin de cette mission, vous devez pouvoir:

1. nommer précisément l'unité statistique et les unités de mesure;
2. distinguer la forme de la réponse de la forme d'une relation;
3. justifier un prédicteur autrement que par sa disponibilité dans le fichier;
4. écrire une formule de modèle qui correspond à une question explicite.

Le but n'est pas de trouver immédiatement le meilleur modèle. Il est de construire un premier modèle assez simple pour que chaque choix puisse être expliqué et discuté.

## Organisation suggérée de l'équipe

Répartissez trois rôles:

1. une personne exécute le code;
2. une personne surveille les unités, les titres et la question statistique;
3. une personne rédige le verdict et demande la preuve de chaque affirmation.

Changez de rôle après le premier graphique si le temps le permet.

## Repères sur les variables

| Variable | Signification | Type et unité |
|---|---|---|
| `sale_price` | prix de vente | quantitative, dollars américains |
| `gr_liv_area` | surface habitable au-dessus du sol | quantitative, pieds carrés |
| `overall_qual` | qualité globale | ordinale, score de 1 à 10 |
| `year_built` | année de construction | quantitative, année |
| `garage_cars` | capacité du garage | dénombrement, nombre de places |
| `neighborhood` | quartier | nominale, catégorie |

## 1. Charger et préparer les données

```{r}
#| eval: false
library(tidyverse)
library(AmesHousing)
library(scales)
library(patchwork)

ames_complet <- make_ames()

niveaux_qualite_attendus <- c(
  "Very_Poor", "Poor", "Fair", "Below_Average", "Average",
  "Above_Average", "Good", "Very_Good", "Excellent",
  "Very_Excellent"
)

stopifnot(identical(
  levels(ames_complet$Overall_Qual),
  niveaux_qualite_attendus
))

ames <- ames_complet |>
  transmute(
    sale_price = Sale_Price,
    gr_liv_area = Gr_Liv_Area,
    overall_qual = as.integer(Overall_Qual),
    year_built = Year_Built,
    garage_cars = Garage_Cars,
    full_bath = Full_Bath,
    neighborhood = Neighborhood
  )
```

Une ligne représente une vente résidentielle. `sale_price` est en dollars américains et `gr_liv_area` est la surface habitable au-dessus du sol, en pieds carrés.

Avant de continuer, vérifiez que vous obtenez 2 930 lignes. Si ce n'est pas le cas, ne poursuivez pas: vérifiez l'appel à `make_ames()` et les noms de variables.


::: {.response-area}
### Réponse de l'équipe

_Écrivez ici votre réponse, vos résultats et l'interprétation demandée._

:::

## 2. Comprendre la réponse

Complétez puis exécutez:

```{r}
#| eval: false
ames |>
  summarise(
    ventes = n(),
    prix_median = median(___),
    prix_min = min(___),
    prix_max = max(___)
  )
```

```{r}
#| eval: false
ames |>
  ggplot(aes(x = ___)) +
  geom_histogram(bins = 40, fill = "#0f7c80", color = "white") +
  scale_x_continuous(labels = label_dollar()) +
  labs(x = "Prix de vente", y = "Nombre de ventes")
```

Décrivez la forme de la distribution. Le prix brut semble-t-il symétrique? Une transformation logarithmique pourrait-elle être utile plus tard?

Cette étape décrit uniquement la réponse. Elle ne permet pas encore de dire pourquoi les prix diffèrent. Notez séparément une caractéristique générale, par exemple l'asymétrie, et une observation particulière, par exemple un prix très élevé.


::: {.response-area}
### Réponse de l'équipe

_Écrivez ici votre réponse, vos résultats et l'interprétation demandée._

:::

## 3. Examiner quatre pistes

```{r}
#| eval: false
p_surface <- ames |>
  ggplot(aes(gr_liv_area, sale_price)) +
  geom_point(alpha = 0.25, color = "#277da1") +
  geom_smooth(method = "lm", se = FALSE, color = "#b5222e") +
  labs(x = "Surface habitable", y = "Prix")

p_qualite <- ames |>
  ggplot(aes(overall_qual, sale_price)) +
  geom_jitter(width = 0.15, alpha = 0.2, color = "#0f7c80") +
  geom_smooth(method = "lm", se = FALSE, color = "#b5222e") +
  labs(x = "Qualité globale, de 1 à 10", y = "Prix")

p_surface + p_qualite
```

Créez ensuite un graphique semblable pour l'année de construction ou le nombre de places de garage.

Pour chaque graphique, utilisez la même grille de lecture:

1. direction générale de l'association;
2. forme approximativement linéaire ou courbée;
3. dispersion verticale autour de la tendance;
4. présence d'observations inhabituelles;
5. variable absente qui pourrait modifier l'interprétation.

Un nuage de points montre une association marginale. Le coefficient du futur modèle sera conditionnel aux autres variables incluses. Les deux résultats peuvent donc différer.


::: {.response-area}
### Réponse de l'équipe

_Écrivez ici votre réponse, vos résultats et l'interprétation demandée._

:::

## 4. Proposer un premier modèle

Le modèle commun de la matinée sera:

```{r}
#| eval: false
modele_prix <- lm(
  sale_price ~ gr_liv_area + overall_qual + year_built + garage_cars,
  data = ames
)
```

Avant de l'exécuter, prédisez le signe de chaque coefficient. Distinguez ensuite les raisons de garder une variable:

1. connaissance du problème;
2. preuve graphique;
3. contrôle d'un facteur de confusion possible;
4. facilité d'interprétation.

Une variable ne doit pas être retenue uniquement parce que sa valeur p pourrait être petite. À cette étape, la question, la plausibilité, la représentation de facteurs importants et la lisibilité du modèle passent avant le tri automatique.

::: {.callout-tip collapse="true"}

::: {.response-area}
### Réponse de l'équipe

_Écrivez ici votre réponse, vos résultats et l'interprétation demandée._

:::

## Prolongement

Comparez votre formule à un modèle qui ajoute `full_bath` ou `neighborhood`. Une variable supplémentaire améliore-t-elle nécessairement la valeur pédagogique ou la capacité de généralisation du modèle?
:::

## Votre verdict

Rédigez exactement trois phrases:

1. « Une ligne représente... »
2. « Nous voulons surtout expliquer ou prédire... »
3. « Nous retenons... parce que notre graphique montre... »

Conservez votre graphique et ces phrases pour la mission finale.


::: {.response-area}
### Réponse de l'équipe

_Écrivez ici votre réponse, vos résultats et l'interprétation demandée._

:::

## Vérification avant de remettre

Votre équipe doit pouvoir répondre oui aux cinq questions:

1. avons-nous nommé la vente comme unité statistique?
2. avons-nous conservé les unités du prix et de la surface?
3. notre graphique possède-t-il des axes lisibles?
4. chaque prédicteur possède-t-il une justification?
5. avons-nous évité le langage causal?

Si une réponse est non, corrigez d'abord le verdict plutôt que d'ajouter un nouveau graphique.

---

# Mission 2: auditer une estimation

_Deux propriétés, une affirmation contestable et une décision_

[Ouvrir l'énoncé en ligne](https://aureliennicosiaulaval.github.io/eiom-2026-modelisation/jour1/missions/mission2.html)

## Votre mandat

Une agence immobilière vous remet une estimation produite avec le modèle commun. Elle affirme que la propriété B « vaudra 21 000 dollars de plus » que la propriété A et propose de communiquer uniquement l'intervalle le plus étroit.

Votre équipe doit vérifier le calcul, expliquer d'où vient la différence estimée et corriger ce message avant qu'il soit transmis à une cliente.

Durée: 25 minutes.

Production: un tableau de deux prédictions, une décomposition de l'écart et un message corrigé de quatre phrases.

## Ce que vous devez apprendre

À la fin de cette mission, vous devez pouvoir:

1. appliquer plusieurs coefficients simultanément à deux profils différents;
2. distinguer une différence de valeurs ajustées d'une différence certaine entre deux ventes;
3. choisir l'intervalle adapté à une vente individuelle;
4. repérer le langage causal ou trop affirmatif dans un message professionnel;
5. expliquer une prédiction sans recopier la sortie R.

La théorie a montré comment lire un coefficient isolé. Ici, aucune caractéristique n'est maintenue constante: les deux propriétés diffèrent sur quatre dimensions. Vous devez donc raisonner sur l'ensemble du profil.

## 1. Reprendre le modèle commun

```{r}
#| eval: false
library(tidyverse)
library(AmesHousing)
library(broom)
library(scales)

ames_complet <- make_ames()

niveaux_qualite_attendus <- c(
  "Very_Poor", "Poor", "Fair", "Below_Average", "Average",
  "Above_Average", "Good", "Very_Good", "Excellent",
  "Very_Excellent"
)

stopifnot(identical(
  levels(ames_complet$Overall_Qual),
  niveaux_qualite_attendus
))

ames <- ames_complet |>
  transmute(
    sale_price = Sale_Price,
    gr_liv_area = Gr_Liv_Area,
    overall_qual = as.integer(Overall_Qual),
    year_built = Year_Built,
    garage_cars = Garage_Cars
  )

modele_prix <- lm(
  sale_price ~ gr_liv_area + overall_qual + year_built + garage_cars,
  data = ames
)

tidy(modele_prix, conf.int = TRUE)
```

Avant de poursuivre, prédisez le sens de l'écart. La propriété B est plus grande, plus récente et possède une place de garage supplémentaire, mais sa qualité globale est inférieure d'un point. Ces caractéristiques poussent-elles toutes l'estimation dans le même sens?


::: {.response-area}
### Réponse de l'équipe

_Écrivez ici votre réponse, vos résultats et l'interprétation demandée._

:::

## 2. Prédire les deux propriétés

```{r}
#| eval: false
proprietes_auditees <- tribble(
  ~propriete, ~gr_liv_area, ~overall_qual, ~year_built, ~garage_cars,
  "Maison A", 1400, 7L, 1990L, 1,
  "Maison B", 1800, 6L, 2010L, 2
)

predictions_auditees <- bind_cols(
  proprietes_auditees,
  as_tibble(predict(
    modele_prix,
    newdata = proprietes_auditees,
    interval = "prediction"
  ))
)

predictions_auditees
```

Répondez:

1. Quelle est la différence entre les deux valeurs ajustées?
2. Les intervalles décrivent-ils des moyennes ou deux nouvelles ventes individuelles?
3. Peut-on garantir que la maison B sera vendue plus cher?
4. Pourquoi l'écart entre les valeurs centrales est-il beaucoup plus précis en apparence que le prix réel d'une vente?


::: {.response-area}
### Réponse de l'équipe

_Écrivez ici votre réponse, vos résultats et l'interprétation demandée._

:::

## 3. Décomposer l'écart

Le modèle est additif. La différence entre les deux valeurs ajustées peut donc être répartie entre les quatre caractéristiques.

```{r}
#| eval: false
ecarts_profils <- proprietes_auditees |>
  select(-propriete) |>
  summarise(across(everything(), ~ .x[2] - .x[1])) |>
  pivot_longer(
    everything(),
    names_to = "variable",
    values_to = "ecart"
  )

contributions <- enframe(
  coef(modele_prix)[-1],
  name = "variable",
  value = "coefficient"
) |>
  left_join(ecarts_profils, by = "variable") |>
  mutate(contribution = coefficient * ecart)

contributions
sum(contributions$contribution)
```

Identifiez:

1. les caractéristiques qui favorisent l'estimation de la maison B;
2. la caractéristique qui réduit cet avantage;
3. la raison pour laquelle il serait faux d'attribuer tout l'écart à la surface.

La décomposition est une propriété algébrique du modèle ajusté. Elle ne transforme pas les coefficients en effets causaux et ne prouve pas qu'une rénovation produirait le montant affiché.


::: {.response-area}
### Réponse de l'équipe

_Écrivez ici votre réponse, vos résultats et l'interprétation demandée._

:::

## 4. Vérifier le domaine des données

```{r}
#| eval: false
ames |>
  select(gr_liv_area, overall_qual, year_built, garage_cars) |>
  summary()
```

Vérifiez si les valeurs des deux propriétés se trouvent dans les étendues marginales observées. Expliquez ensuite pourquoi cette vérification ne garantit pas que toutes les combinaisons de caractéristiques sont abondantes dans les données.

Une valeur située entre un minimum et un maximum n'est pas automatiquement un profil bien représenté. La proximité conjointe des propriétés observées et la population visée restent importantes.


::: {.response-area}
### Réponse de l'équipe

_Écrivez ici votre réponse, vos résultats et l'interprétation demandée._

:::

## 5. Auditer le message de l'agence

Le message initial contient trois affirmations:

1. « La maison B vaudra 21 000 dollars de plus. »
2. « La surface explique à elle seule cet écart. »
3. « L'intervalle de confiance étroit suffit pour annoncer le prix de chaque vente. »

Pour chacune, choisissez `acceptable`, `à nuancer` ou `à refuser`, puis donnez une raison fondée sur vos résultats.


::: {.response-area}
### Réponse de l'équipe

_Écrivez ici votre réponse, vos résultats et l'interprétation demandée._

:::

## Votre production

Remettez:

1. le tableau des deux valeurs ajustées et de leurs intervalles de prédiction;
2. la décomposition des quatre contributions;
3. un message corrigé de quatre phrases qui nomme l'écart estimé, sa provenance, l'incertitude individuelle et une limite non causale.

Conservez le message pour la fiche finale.


::: {.response-area}
### Réponse de l'équipe

_Écrivez ici votre réponse, vos résultats et l'interprétation demandée._

:::

## Vérification avant de remettre

- Les deux profils sont nommés et leurs caractéristiques sont visibles.
- L'écart est présenté comme une différence estimée entre valeurs ajustées.
- Les quatre contributions totalisent la différence entre les deux prédictions centrales.
- L'intervalle communiqué est celui d'une nouvelle vente individuelle.
- Aucun coefficient n'est décrit comme un effet causal.
- Le message final peut être compris sans la sortie R.

---

# Mission finale: auditer et conclure

_Diagnostics, sensibilité et fiche modèle_

[Ouvrir l'énoncé en ligne](https://aureliennicosiaulaval.github.io/eiom-2026-modelisation/jour1/missions/mission3.html)

## Votre mandat

Votre premier modèle est facile à interpréter, mais il faut maintenant vérifier ce qu'il laisse de côté. Vous devez comparer le modèle en dollars à une version logarithmique, examiner l'influence et rédiger une fiche modèle de cinq phrases.

Durée: 20 minutes.

Production: un verdict diagnostique et une fiche finale.

## Ce que vous devez apprendre

À la fin de cette mission, vous devez pouvoir:

1. relier un graphique de résidus à une hypothèse précise;
2. distinguer observation atypique, fort levier et observation influente;
3. utiliser une analyse de sensibilité sans supprimer automatiquement des données;
4. expliquer ce que la transformation logarithmique améliore et ce qu'elle change;
5. convertir plusieurs sorties techniques en une décision courte et prudente.

Le diagnostic n'est pas un concours visant à trouver un défaut. Il sert à décider quelles affirmations restent défendables, lesquelles doivent être nuancées et quelle vérification devrait suivre.

## Organisation suggérée

Attribuez trois responsabilités: lecture des graphiques, vérification des résultats numériques et rédaction de la fiche. La personne qui lit les graphiques doit d'abord décrire ce qu'elle voit sans employer les mots « bon », « mauvais », « valide » ou « invalide ».

## 1. Reprendre les deux modèles

```{r}
#| eval: false
library(tidyverse)
library(AmesHousing)
library(broom)
library(patchwork)

ames_complet <- make_ames()

niveaux_qualite_attendus <- c(
  "Very_Poor", "Poor", "Fair", "Below_Average", "Average",
  "Above_Average", "Good", "Very_Good", "Excellent",
  "Very_Excellent"
)

stopifnot(identical(
  levels(ames_complet$Overall_Qual),
  niveaux_qualite_attendus
))

ames <- ames_complet |>
  transmute(
    sale_price = Sale_Price,
    gr_liv_area = Gr_Liv_Area,
    overall_qual = as.integer(Overall_Qual),
    year_built = Year_Built,
    garage_cars = Garage_Cars
  )

modele_prix <- lm(
  sale_price ~ gr_liv_area + overall_qual + year_built + garage_cars,
  data = ames
)

modele_log <- lm(
  log(sale_price) ~ log(gr_liv_area) + overall_qual +
    year_built + garage_cars,
  data = ames
)
```

Les deux modèles utilisent les mêmes ventes et les mêmes caractéristiques. La comparaison isole donc surtout l'effet du changement d'échelle. Le modèle en dollars vise des différences absolues; le modèle logarithmique représente des différences relatives.


::: {.response-area}
### Réponse de l'équipe

_Écrivez ici votre réponse, vos résultats et l'interprétation demandée._

:::

## 2. Regarder les résidus

```{r}
#| eval: false
diagnostic_prix <- augment(modele_prix, data = ames)
diagnostic_log <- augment(modele_log, data = ames)

p_prix <- diagnostic_prix |>
  ggplot(aes(.fitted, .resid)) +
  geom_point(alpha = 0.25, color = "#277da1") +
  geom_hline(yintercept = 0, linetype = 2) +
  geom_smooth(se = FALSE, color = "#b5222e") +
  labs(title = "Prix en dollars", x = "Valeurs ajustées", y = "Résidus")

p_log <- diagnostic_log |>
  ggplot(aes(.fitted, .resid)) +
  geom_point(alpha = 0.25, color = "#0f7c80") +
  geom_hline(yintercept = 0, linetype = 2) +
  geom_smooth(se = FALSE, color = "#b5222e") +
  labs(title = "Prix logarithmique", x = "Valeurs ajustées", y = "Résidus")

p_prix + p_log
```

Pour chaque graphique, examinez la forme moyenne, l'étalement vertical et les observations extrêmes. Quel modèle produit le nuage le plus régulier?

Utilisez les critères suivants:

1. le nuage est-il centré autour de zéro?
2. une courbure systématique demeure-t-elle?
3. l'épaisseur verticale reste-t-elle comparable?
4. quelques résidus dominent-ils l'échelle?

Un graphique plus régulier ne rend pas automatiquement le modèle vrai. Il indique que la structure moyenne et la variance sont mieux représentées sur cette échelle.


::: {.response-area}
### Réponse de l'équipe

_Écrivez ici votre réponse, vos résultats et l'interprétation demandée._

:::

## 3. Examiner l'influence

```{r}
#| eval: false
diagnostic_prix |>
  mutate(numero = row_number()) |>
  arrange(desc(.cooksd)) |>
  select(
    numero, sale_price, gr_liv_area, overall_qual,
    year_built, garage_cars, .resid, .cooksd
  ) |>
  slice_head(n = 8)
```

Questions:

1. Quelle vente a la plus grande distance de Cook?
2. Est-elle manifestement impossible, ou seulement inhabituelle?
3. Quelle information faudrait-il vérifier avant de l'exclure?
4. Pourquoi ne faut-il pas supprimer automatiquement toutes les observations signalées?

Une observation influente est une observation dont la présence modifie sensiblement l'ajustement. Elle peut être parfaitement réelle. Avant de l'exclure, il faut vérifier la source, comprendre son contexte, comparer les conclusions avec et sans elle et documenter la décision.

::: {.callout-note}
Un grand résidu concerne la réponse, un fort levier concerne une combinaison inhabituelle de prédicteurs, et une grande influence concerne l'effet de l'observation sur le modèle. Ces notions sont liées, mais elles ne sont pas synonymes.
:::


::: {.response-area}
### Réponse de l'équipe

_Écrivez ici votre réponse, vos résultats et l'interprétation demandée._

:::

## 4. Faire une analyse de sensibilité

```{r}
#| eval: false
numero_max <- which.max(cooks.distance(modele_prix))

modele_sans_max <- lm(
  sale_price ~ gr_liv_area + overall_qual + year_built + garage_cars,
  data = ames[-numero_max, ]
)

bind_rows(
  tidy(modele_prix) |> mutate(analyse = "toutes les ventes"),
  tidy(modele_sans_max) |> mutate(analyse = "sans la vente la plus influente")
) |>
  filter(term != "(Intercept)") |>
  select(analyse, term, estimate)
```

Décidez si votre conclusion principale change. Une variation numérique n'est pas nécessairement un changement substantiel.

Comparez les signes, les ordres de grandeur et la conclusion qui serait communiquée. Ne cherchez pas l'égalité exacte des coefficients. Une conclusion est dite sensible si une décision raisonnable changerait selon que l'observation est incluse ou non.


::: {.response-area}
### Réponse de l'équipe

_Écrivez ici votre réponse, vos résultats et l'interprétation demandée._

:::

## 5. Recevoir un mandat différent

Votre décision doit maintenant répondre à une demande qui n'a pas été traitée mot pour mot dans la théorie. Attribuez une carte à chaque équipe.

### Carte A: synthèse de marché

Une analyste veut décrire des associations moyennes en dollars parmi des propriétés ordinaires comparables à celles d'Ames. Elle accepte une conclusion prudente et ne demande pas de garantie individuelle.

### Carte B: devis individuel haut de gamme

Une agence veut annoncer un prix presque certain pour une propriété très grande et coûteuse. Elle refuse de montrer un intervalle large à sa cliente.

### Carte C: comparaison relative

Une équipe de recherche veut comparer des écarts proportionnels sur une large gamme de prix. Elle accepte une interprétation en pourcentage si la structure des résidus devient plus régulière.

Pour votre carte, choisissez l'une des décisions suivantes:

1. utiliser le modèle avec les réserves indiquées;
2. réviser le modèle ou la formulation avant utilisation;
3. refuser l'usage demandé.

Votre décision doit s'appuyer sur un diagnostic, une conséquence pour le mandat et une prochaine vérification. Deux équipes peuvent donc défendre des décisions différentes avec les mêmes résultats sans se contredire.


::: {.response-area}
### Réponse de l'équipe

_Écrivez ici votre réponse, vos résultats et l'interprétation demandée._

:::

## 6. Choisir un verdict diagnostique

Utilisez une seule des trois catégories:

| Verdict | Signification |
|---|---|
| utilisable comme première approximation | les diagnostics ne changent pas la conclusion principale et l'usage reste limité |
| utilisable avec réserves | une structure ou une influence doit être communiquée et vérifiée |
| à revoir avant utilisation | la forme, la variance ou la sensibilité empêche l'usage prévu |

Votre justification doit citer une preuve visible et une conséquence. Par exemple: « l'éventail des résidus rend les intervalles en dollars moins crédibles pour les propriétés coûteuses » est plus informatif que « l'homoscédasticité n'est pas respectée ».


::: {.response-area}
### Réponse de l'équipe

_Écrivez ici votre réponse, vos résultats et l'interprétation demandée._

:::

## 7. Rédiger la fiche modèle

Écrivez exactement cinq phrases:

1. « Notre mandat consiste à... »
2. « Le modèle utilise... »
3. « Le résultat pertinent pour ce mandat est... »
4. « Le diagnostic décisif montre toutefois que... »
5. « Nous décidons donc de..., à condition de..., mais refusons de... »


::: {.response-area}
### Réponse de l'équipe

_Écrivez ici votre réponse, vos résultats et l'interprétation demandée._

:::

## Critères de réussite

Votre fiche doit:

1. nommer le mandat et l'unité statistique;
2. conserver les unités ou l'échelle relative choisie;
3. relier le résultat au besoin reçu;
4. citer une preuve diagnostique précise;
5. distinguer association, prédiction et causalité;
6. annoncer une action différente d'un simple résumé des sorties.

Elle doit aussi pouvoir être lue sans la sortie R. Évitez les noms de fonctions et les seuils isolés. Nommez plutôt le résultat, la preuve diagnostique et la conséquence pour l'usage.

## Vérification finale

Avant de remettre, demandez à une personne de l'équipe de lire uniquement les cinq phrases, sans voir le code. Elle doit pouvoir répondre:

1. quel mandat a été reçu?
2. quelles ventes et caractéristiques soutiennent la réponse?
3. quel résultat est pertinent pour ce mandat?
4. quel diagnostic limite la confiance?
5. quelle action est permise, révisée ou refusée?

Si l'une de ces réponses manque, révisez la fiche plutôt que d'ajouter un résultat supplémentaire.