Fiche de révision : Introduction aux analyses statistiques fondamentales

📋 Plan du Cours

1. Variables statistiques : types, échelles de mesure et modalités
2. Analyse descriptive des données : écart type, quartiles, asymétrie et kurtosis
3. Tests de normalité : test de Shapiro-Wilk et interprétation du p-value
4. Tests d’association entre variables nominales : Chi2, conditions d’application et mesures d’effet
5. Différence entre corrélation et régression en analyse statistique
6. Tests de comparaison de moyennes : t de Student, test de Welch et interprétation des effets (d de Cohen)
7. Analyse de variance (ANOVA) et mesures d’effet pour comparer plusieurs groupes
8. Interprétation des résultats statistiques dans les études sur le bac et variables associées

📖 1. Variables statistiques : types, échelles de mesure et modalités

🔑 Notions clés & Définitions

• 2 modalités : Situation où une variable nominale catégorielle possède exactement deux valeurs distinctes, ce qui la rend dichotomique.
• Variable d'intervalle : Variable continue et numérique caractérisée par un écart constant entre ses valeurs, qui ne doit pas être réduite à une échelle ordinale.
• Echelle de mesure : Système de classification des variables selon leurs caractéristiques, comprenant notamment les échelles nominale, ordinale et d'intervalle.

📝 Points essentiels

• Une variable nominale est catégorielle et peut être dichotomique (2 modalités) ou non dichotomique (plus de 2 modalités).
• Une variable ordinale possède un ordre entre ses modalités, par exemple des appréciations graduées.
• Dire si elle a 2 (dichotomique) ou + de 2 modalités (nn dichotomique).

💡 À retenir

Une variable nominale est catégorielle et peut être dichotomique (2 modalités) ou non dichotomique (plus de 2 modalités).

📖 2. Analyse descriptive des données : écart type, quartiles, asymétrie et kurtosis

🔑 Notions clés & Définitions

• Écart type : Mesure de dispersion indiquant la moyenne des écarts entre chaque valeur et la moyenne, exprimée dans la même unité que la variable étudiée, ce qui facilite la compréhension.
• Faire pareil avec : Expression utilisée pour indiquer la répétition d'une même procédure ou méthode appliquée à plusieurs éléments ou variables similaires.
• Réponse donnée a item : Valeur ou modalité choisie par un répondant pour une question spécifique dans une échelle de mesure ordinale ou nominale.

📝 Points essentiels

• L'écart type est préféré à la variance car il est exprimé dans la même unité que la variable étudiée, facilitant la compréhension.
• Les quartiles divisent la distribution en quatre parties égales, permettant d'identifier la répartition des données (ex : 25% des individus ont moins de 17 ans).
• L'asymétrie (skewness) mesure la symétrie de la distribution : négative, positive ou normale.
• La kurtosis mesure la concentration des données autour de la moyenne, indiquant une distribution plus ou moins aplatie ou pointue.

💡 À retenir

L'analyse descriptive approfondie révèle la forme et la dispersion des données, essentielle pour détecter des anomalies et orienter les analyses statistiques.

📖 3. Tests de normalité : test de Shapiro-Wilk et interprétation du p-value

🔑 Notions clés & Définitions

• Travail insuffisant : évaluation qualitative indiquant que la performance ou l'effort fourni ne répond pas aux attentes ou aux exigences minimales, selon une appréciation qualitative.

📝 Points essentiels

• Le test de Shapiro-Wilk permet de déterminer si une distribution diffère significativement d'une distribution normale. Il compare la distribution observée à une distribution normale théorique pour détecter toute déviation notable. La p-value associée indique la probabilité de se tromper en affirmant que la distribution n'est pas normale ; une p-value faible suggère une différence significative, tandis qu'une p-value élevée indique une conformité à la normale. L'interprétation de cette p-value guide le choix entre l'utilisation de tests paramétriques, qui supposent la normalité, ou non paramétriques, qui ne la requièrent pas.

💡 À retenir

Le test de Shapiro-Wilk et son p-value sont essentiels pour vérifier la normalité des données, condition préalable à l'application correcte des tests statistiques paramétriques.

📖 4. Tests d’association entre variables nominales : Chi2, conditions d’application et mesures d’effet

🔑 Notions clés & Définitions

• Effectifs théoriques : Les effectifs théoriques correspondent aux effectifs attendus dans chaque case d'un tableau de contingence, calculés sous l'hypothèse d'indépendance entre les variables.

📝 Points essentiels

• Le test du Chi2 permet de vérifier l'existence d'un lien entre deux variables nominales indépendantes.
• Le Chi2 est valide pour un tableau 2x2 si l'effectif total est supérieur à 40 et que les effectifs théoriques de chaque case sont supérieurs à 5.
• Pour plus de deux modalités, la mesure d'effet utilisée est le V de Cramer, qui quantifie la force de l'association.

💡 À retenir

Le test du Chi2 et ses conditions d'application garantissent la validité des conclusions sur les liens entre variables nominales.

📖 5. Différence entre corrélation et régression en analyse statistique

🔑 Notions clés & Définitions

• Régression : Une méthode d'analyse statistique utilisée lorsque l'on suppose qu'une variable indépendante agit comme cause et influence une variable dépendante, établissant une relation de cause à effet.

📝 Points essentiels

• La covariance mesure la tendance conjointe des variables, ce qui est lié à la corrélation.
• La corrélation est une relation symétrique entre variables, tandis que la régression implique une relation asymétrique de cause à effet.

💡 À retenir

Différencier corrélation et régression est essentiel pour interpréter correctement les relations entre variables et éviter des conclusions erronées de causalité.

📖 6. Tests de comparaison de moyennes : t de Student, test de Welch et interprétation des effets (d de Cohen)

🔑 Notions clés & Définitions

• Test t de Student : Un test statistique utilisé pour comparer les moyennes de deux groupes lorsque les variances des groupes sont homogènes.
• Lecture du test : 26 qu’on interprète grâce a d de cohen (

📝 Points essentiels

• Le test t de Student compare les moyennes lorsque les variances sont homogènes, sinon le test de Welch est approprié.
• Le test de Welch est utilisé lorsque l'homogénéité des variances est rejetée, avec une valeur de test différente du t de Student.
• Le d de Cohen quantifie la taille de l'effet : faible, modéré ou fort, indépendamment de la significativité statistique.
• L'homogénéité des variances est testée avant de choisir entre t de Student et Welch, par exemple avec le test de Levene.

💡 À retenir

Choisir le test approprié et interpréter la taille d'effet permet une évaluation rigoureuse des différences entre groupes.

📖 7. Analyse de variance (ANOVA) et mesures d’effet pour comparer plusieurs groupes

🔑 Notions clés & Définitions

• Elles sont : Les mesures d'effet dans l'ANOVA, telles que l'eta carré (η²), quantifient la proportion de variance expliquée par le facteur étudié.

📝 Points essentiels

• L'ANOVA compare les moyennes de plusieurs groupes pour détecter des différences globales significatives.
• La F-statistique indique la variance entre groupes par rapport à la variance intra-groupe.
• Une ANOVA significative avec un η² élevé indique des différences importantes entre groupes.

💡 À retenir

L'ANOVA et ses mesures d'effet permettent d'évaluer simultanément plusieurs groupes et la pertinence pratique des différences observées.

📖 8. Interprétation des résultats statistiques dans les études sur le bac et variables associées

🔑 Notions clés & Définitions

• Comparaison avec différence : Une méthode statistique qui utilise des indices comme le d de Cohen pour évaluer l'ampleur d'une différence entre groupes, permettant de qualifier cette différence de triviale, modérée ou forte indépendamment de sa significativité statistique.

📝 Points essentiels

• Le d de Cohen permet d'évaluer si une différence observée est triviale, modérée ou forte, indépendamment de la significativité statistique.
• Une différence statistiquement significative peut correspondre à une taille d'effet négligeable, et inversement, ce qui souligne l'importance de considérer les deux aspects.
• On peut dire que la différence observe est une différence trivial, négligeable.

💡 À retenir

L'interprétation rigoureuse des résultats combine la significativité statistique, la taille d'effet mesurée par des indices comme le d de Cohen, et le contexte spécifique de l'étude pour aboutir à des conclusions valides et pertinentes.

📊 Tableaux de Synthèse

Comparaison des tests de normalité et mesures associées

⚠️ Pièges & Confusions Fréquentes

1. Confondre corrélation et causalité, croire qu une corrélation implique une relation de cause à effet.
2. Utiliser le test du Chi2 avec des effectifs insuffisants, notamment des effectifs théoriques inférieurs à 5.
3. Interpréter à tort une p-value élevée comme preuve de normalité ou d'indépendance.
4. Confondre la signification statistique et l'importance pratique des résultats.
5. Ne pas vérifier l'homogénéité des variances avant de choisir entre t de Student et Welch.
6. Utiliser l'ANOVA sans vérifier les conditions d'application, comme la normalité et l'homogénéité.
7. Interpréter un d de Cohen faible comme absence d'effet, sans considérer le contexte.

✅ Checklist Examen

1. Vérifier la normalité des données avant d'appliquer un test paramétrique.
2. Comparer les variances avant de choisir entre t de Student et Welch.
3. Utiliser le test du Chi2 uniquement avec des effectifs suffisants.
4. Interpréter la taille d'effet en complément de la significativité statistique.
5. Vérifier l'homogénéité des variances pour l'ANOVA.
6. Comparer plusieurs groupes avec l'ANOVA pour détecter des différences globales.
7. Interpréter la kurtosis pour comprendre la concentration des données.
8. Utiliser la mesure d'asymétrie pour analyser la symétrie de la distribution.
9. Analyser la dispersion avec l'écart type pour mieux comprendre la variabilité.
10. Utiliser les quartiles pour décrire la répartition des données.
11. Interpréter la p-value dans le contexte de la normalité ou de l'indépendance.
12. Considérer la taille d'effet pour évaluer la pertinence des différences observées.