small fixes

Author: katherinehebert

book-fr/02-introduction-fr.Rmd

@@ -8,7 +8,7 @@ library(mgcv, quietly = TRUE)
 Que veut-on dire par "modèle linéaire"? La régression est la base des
 statistiques. La régression linéaire est ce que la plupart des gens apprennent avant tout en statistiques et est parmi les méthodes les plus performantes. Elle nous permet de modéliser une variable réponse en fonction de facteurs prédictifs et d'une erreur résiduelle.
 
-Comme on a vu dans l'[Atelier 4: Modèles linéaires](https://r.qcbs.ca/workshops/r-workshop-04/), le modèle linéaire fait quatre suppositions importantes :
+Comme on a vu dans l'[Atelier 4: Modèles linéaires](https://r.qcbs.ca/workshops/r-workshop-04/), le modèle linéaire fait quatre suppositions importantes:
 
 1. Relation linéaire entre les variables de réponse et les variables prédicteurs:  $$y_i = \beta_0 + \beta_1 \times x_i + \epsilon_i$$
 2. L'erreur est distribuée normalement: $$\epsilon_i \sim \mathcal{N}(0,\,\sigma^2)$$

book-fr/04-plusieurs-termes-non-lineaires.Rmd

@@ -111,7 +111,7 @@ par(mfrow = c(2,2))
 plot(two_term_model, all.terms = TRUE)
 ```
 
-## GAM à plusieurs variables
+## GAM à plusieurs variables non linéaires
 
 Si nous voulons vérifier que la relation entre `Sources` et `RelativeDepth` est non-linéaire, on peut modéliser `RelativeDepth` avec une fonction non-linéaire. Dans ce modèle, nous aurions deux termes lisses:
 

book-fr/05-interactions.Rmd

@@ -87,4 +87,4 @@ Ainsi, il semble y avoir un effet d'interaction entre ces termes non linéaires.
 AIC(two_smooth_model, smooth_interact)
 ```
 
-Le modèle avec l'interaction entre `s(SampleDepth)` et `s(RelativeDepth)` a un AIC inférieur, ce qui signifie que l'inclusion de cette interaction améliore la performance de notre modèle, et notre capacité à comprendre les déterminants de la bioluminescence. 
+Le modèle avec l'interaction entre `s(SampleDepth)` et `s(RelativeDepth)` a un AIC inférieur, ce qui signifie que l'inclusion de cette interaction améliore la performance de notre modèle, et notre capacité à comprendre les déterminants de la bioluminescence. 

book-fr/06-generalisation.Rmd

@@ -1,5 +1,7 @@
 # (PART\*) Généralisation du modèle additif {-}
 
+# Validation d'un GAM {#validation-gam}
+
 Le modèle additif de base peut être étendu de plusieurs façons :
 
 1. Utiliser d'autres distributions pour la variable de réponse avec l'argument `family` (comme dans un GLM),
@@ -8,16 +10,8 @@ Le modèle additif de base peut être étendu de plusieurs façons :
 
 Nous allons maintenant examiner ces aspects.
 
-# Validation d'un GAM {#validation-gam}
-
 Jusqu'à présent, nous avons utilisé des modèles additifs Gaussiens (distribution Normale), l'équivalent non linéaire d'un modèle linéaire.
 
-Mais que pouvons-nous faire si :
-- les observations de la variable de réponse ne **suivent pas une distribution Normale** ?
-- la **variance n'est pas constante** ? (hétéroscédasticité)
-
-Tout comme les modèles linéaires généralisés (GLM), nous pouvons formuler des modèles additifs **généralisés** pour répondre à ces problèmes.
-
 Cependant, les jeux de données en écologie ne respectent souvent pas les conditions des modèles Gaussiens. Donc, que pouvons-nous faire si les observations de la variable de réponse **ne suivent pas une distribution normale** ? Ou si la **variance n'est pas constante** (hétéroscédasticité) ?
 
 Tout comme les modèles linéaires généralisés (GLM), nous pouvons formuler des modèles additifs **généralisés** pour répondre à ces problèmes.
@@ -113,7 +107,7 @@ Les EDF sont beaucoup plus petits que `k`, donc notre modèle s'adjuste mieux au
 smooth_interact <- smooth_interact_k60
 ```
 
-### Est-ce que notre modèle est réellement Normal?
+## Choisir une distribution
 
 Comme pour tout modèle Normal, nous devons vérifier certaines conditions avant de continuer. Nous pouvons évaluer la distribution des résidus du modèle pour vérifier ces conditions, tout comme nous le ferions pour un GLM (voir [Atelier 6](https://r.qcbs.ca/fr/workshops/r-workshop-06/)).
 

book-fr/09-references-fr.Rmd

@@ -1,5 +1,6 @@
 # (PART\*) Ressources & Références {-}
 
+# Ressources 
 
 Cet atelier présente une brève introduction aux concepts de base et aux packages populaires pour vous aider à estimer, évaluer et visualiser les GAMs dans R, mais les GAMs offrent bien d'autres possibilités!