Quels sont les 3 caractéristique des plan corrélationnel?
- Aucune manipulation de la VI; ce qui est mis en relation existe en dehors de l’intervention du chercheur
- assignation aleatoire impossible
- établi le niveau de relations entre les variables, mais pas nécessairement une relation de cause a effet
5 raisons d’utiliser les plans corrélationnel?
- déontologie (ou morale)
- pratique (ou technique)
- économie
- améliorer validité externe
- explorer la validité psychométrique d’instrument de mesure
Avantage (4) et désavantage (2) des plans corrélationnel?
A:
- raisons exploratoire: permet d’établir et quantifier des relation entre variable
- très utile lorsque manip. Expérimentale impossible
- augmente validite externe
- souvent plus économique
D:
- menace a la validite interne
- difficile d’établir des relation causale
La relation entre deux variable peut s’exprimer sous forme de?
Coefficient de corrélation (r) :
- Direction : Positive + négative
- Force : -1 a 1; 0 = corrélation nulle.
Coefficient de corrélation:
Qu’est-ce que le modèle linéaire?
Une variation d’un (1) unité dans X est associée a une variation de X dans Y
Analyse corrélationnelle vs plan corrélationnelle
Un plan corr. ne donne pas forcément lieu a une analyse avec des coeff. De corr.
AC: procédure statistique qui vise à évaluer la covariation entre deux variable
PC: plan de recherche qui n’implique pas une manip. D’une VI. La nature de ce plan permet difficilement l’inference de causalité entre les variable
Quel sont les 3 critère qui permettent la causalité ?
- La covariation: cause et effet sont corrélée
(A <-> B) - La precedence temporelle: La cause précède l’effet
(A -> B) - l’élimination d’explication alternative: aucune autre variable que celle mesurée (la cause)
( [A ->B] x x x)
Causalité dans les plan corrélationnel ?
difficile d’établir si la VI est LA SEULE SOURCE D’INFLUENCE sur la VD
Donc, le chercheur doit repérer et mesurer les autres variables qui pourraient possiblement influencer la VD et contrôler statistiquement leur influence
Quel sont les trois type de relation associative?
- Relation causale
- Relation non-causale (asso. Descriptive, asso. Reflétant un construit latent, asso. Reflétant une variable confondante)
- Relation complexe (influence d’une VMED, influence d’une VMOD)
Qu’est-ce que la causalité directe?
comment la prouver pour plan exp + plan corr.?
Toute autre cause possible est éliminée
- plan exp.: assignation aleatoire
- plan corr.: on controle pour les variable confondatrices
Quelle sont les trois type de relation non-causale?
Décrit les
- Association descriptive:
- Corrélation simple entre deux variable
- Aucune causalité n’est inféré, mais souvent le début d’une théorie ou d’un plan expérimentale
- Souvent, on ne peut pas interpréter une corrélation au-delà d’une association descriptive - Association reflétant une variable confondante:
- La relation «causale» semble vraie, mais elle est en fait le résultat d’une autre variable qui n’est pas mesurée - Association reflétant un construit latent:
- les variables sont associées puisqu’elle représentent deux indicateur d’un meme construit
- On peut examiner si les réponses aux questionnaires reflètent des facteurs communs
Comment améliorer la validité ? (5)
Permet de?
Rend possible d’établir un lien de causalité
1) Controler les variables confondantes
2) utilisation d’un cadre théorique (ex. Identification de mécanisme sous-jacent)
3) création de groupes analogues a ceux utilisées dans le cadre de plan exp.
4) s’assurer de l’aspect logique de la relation
5) établir une séquence temporelle (plan prospectifs ou longitudinaux)
Objectif des analyses de données (3)
Analyse pour données quali vs quanti?
- Identification des principales caractéristiques
- Vérification de liens
- Élaboration de «sens»
Quali: Anlayse de contenu
Quanti: Analyse statistiques
Caractéristique des statistiques descriptive (ou exploratoire) (2) VS statistiques inferentielles (2) ?
Stats descriptive:
- Décrire les caractéristique de l’échantillon (permet de procéder a des réduction statistique facile à interpréter)
- Vérifier la validité et la fiablite des données : Alpha de conbach, fidélité test-retest, analyse factorielle)
Stats inferentielles:
- permettent de «démontrer» un résultat général a partir d’un echantillon (test khi2, test t, etc)
- Niveau explicatif: explorer et vérifier des liens
Analyse descriptive:
Pour décrire quel type de variable?
Quelle sont les deux type de mesures?
Deux mesure indispensable pour décrire une variable QUANTI
- Mesure de tendance centrale: Moy., médiane, mode
( «Comment les individus sont-ils similaires?») - Mesure de dispersion: Étendue, variance et écart-type, erreur type
( «Comment les individus diffèrent-ils?»)
Définition moy., vs médiane vs, mode?
Quel type de mesure?
Mesure de tendance centrale
- Moy: valeurs moyenne de toutes les données incluses dans l’ensemble
- Médiane: observation du milieu. 50% | 50%
- Mode: valeur la plus souvent observée dans un ensemble de données (bimodale, trimodale, multimodale)
Définition des mesures de dispersion?
Utilite?
L’indice de dispersion indique la manière dont les individus du groupe se repartissent autour de l’indice de tendance centrale
Permet de tenir compte de l’ampleur des variation au sein d’un groupe, et éventuellement de comparer cet indice avec celui d’autre groupes
Définition étendue vs variance vs écart-type ?
Quelle type de mesure?
Mesure de dispersion
- Étendue: différence entre la + grande et la + petite des valeurs observées
- Variance: distance moyenne entre les observation et la moyenne: moyenne arithmétique des carres des écarts a la moyenne
- Écart type: distance moyenne entre les observation et la moyenne: racine carrée de la variance (la + utilisée pour échelles continues)
Visualisation des données: quoi utiliser pour quoi?
- Diagramme en bâtons: Variable quanti discrète ou catégorielle (aucune valeur intermédiaire possible)
- Histogramme + Tableau de fréquence : variable quanti continue; les données sont reparties en classes
Aplatissement de la courbe:
Quel sont les 3type de courbe?
- Leptocurtique: Kurtosis positif (très haute, pointue)
- Mesocurtique: Kurtosis nul (normale)
- Platycurtique: Kurtosis négatif (aplatie)
Qu’est-ce que l’inference statistique ?
Objectif?
Le but de la statistique inferentielles est d’estimer les paramètre de la pop (inconnue) en utilisant les Stats de l’échantillon (connues)
(Si echantillon est représentatif de la pop -> conclusion a partir de l’échantillon -> généralisable a la pop)
L’objectif de l’inference statistique est de rejeter l’hypothèse nulle
Erreur alpha (Type I) VS erreur bêta (Type II)
Contrôlée par?
ALPHA (I):
- FAUX POSITIF: H0 rejetée alors qu’elle était vraie
- Contrôlée par le chercheur (choix du seuil de signification: a ≤.05)
BÊTA (II):
- FAUX NÉGATIF: H0 acceptée alors qu’elle était fausse
- Controler par la puissance statistique d’un test (risque acceptable de faire erreur type II est b = 0.20)
Qu’est-ce que la puissance statistique?
Égale a?
Comment rendre un test plus puissant? (4)
La chance de pouvoir détecter un effet (une différence) significatif a un seuil a donné; capacité du test a identifier une différence réelle
Puissance = 1 - bêta (fixée a .20)
- La variance: plus la variance est petite plus la puissance est forte
- Seuil alpha choisi: moins le seuil est sévère (.05 au lieu de .01) plus la puissance est forte
- Taille de l’effet: plus l’effet de la population (d) est grand, plus la puissance est forte
- Taille d’échantillon: plus la taille du n est grande, plus la puissance est forte
Relation entre erreur alpha et bêta?
Pourquoi bêta est plus «permitif» (.20) que alpha (.05)?
Plus alpha est petit, plus il est difficile de rejeter H0, DONC, plus de chance d’accepter H0 alors quelle est fausse et faire erreur bêta.
- L’erreur alpha doit être contrôlée plus sérieusement (.05) car des qu’un résultat est trouvé -> publié!
- L’erreur bêta est souvent moins grave car si chercheur a la conviction d’avoir raison -> peut refaire l’expérience avec échantillon différent
