Fiche de révision : Analyse statistique en psychologie et tests associés

📋 Plan du Cours

1. Analyse statistique en psychologie
2. Tests paramétriques et non-paramétriques
3. Analyse de la variance (ANOVA)
4. Régression linéaire simple
5. Tests de normalité et homogénéité
6. Correction pour comparaisons multiples
7. Corrélation et causalité
8. Transformations de données
9. Effets principaux et interactions
10. Utilisation des logiciels JAMOVI et R

📖 1. Analyse statistique en psychologie

🔑 Notions clés & Définitions

• Rôle des statistiques en psychologie : Selon Royce Anders (date non précisée), les statistiques permettent de tirer des conclusions fiables à partir des données, en testant des hypothèses précises pour avancer la compréhension du comportement humain et des processus psychologiques. Elles facilitent la quantification, la généralisation et la validation des résultats expérimentaux.

• Hypothèses statistiques en psychologie : Anders (date non précisée) définit ces hypothèses comme des propositions concrètes et précises portant sur une tendance centrale (moyenne, proportion, etc.), qui sont testées à l’aide de statistiques pour déterminer leur validité dans la population. La formulation de ces hypothèses doit être claire et opérationnalisée.

• Interprétation des résultats statistiques en psychologie : D’après Anders (date non précisée), cela consiste à analyser la valeur p, la taille de l’effet, et la signification pratique des résultats pour déterminer si l’hypothèse nulle peut être rejetée, tout en tenant compte du contexte expérimental et des limites méthodologiques.

• Importance de la reproductibilité et transparence : Anders (date non précisée) insiste sur la nécessité que les résultats soient reproductibles et que la transparence dans la méthodologie, les données et le code soit assurée pour garantir la fiabilité et la crédibilité des recherches en psychologie.

• Processus d’une expérience scientifique en psychologie : Selon Anders (date non précisée), il comprend la formulation d’une hypothèse, la conception de l’étude, la collecte des données, l’analyse statistique, l’interprétation des résultats, la reproduction, puis la publication transparente pour contribuer à la connaissance scientifique.

📝 Points essentiels

• Les statistiques en psychologie servent à tester des hypothèses concrètes concernant les comportements ou processus mentaux, en utilisant des modèles probabilistes (voir Rôle des statistiques).
• La formulation d’hypothèses doit être précise, opérationnalisée, et testée à l’aide de tests statistiques appropriés (voir Hypothèses statistiques).
• La valeur p indique la probabilité d’observer un résultat aussi extrême que celui obtenu si l’hypothèse nulle est vraie ; une valeur p inférieure à α (souvent 0,05) permet de rejeter H0 (voir Interprétation des résultats).
• La reproductibilité et la transparence sont essentielles pour la crédibilité des résultats, notamment par la mise à disposition des données et du code (voir Importance de la reproductibilité).
• Le processus expérimental comprend la formulation d’une hypothèse, la conception, la collecte, l’analyse, l’interprétation, la reproduction, et la publication des résultats (voir Processus d’une expérience).

💡 À retenir

Les statistiques en psychologie sont indispensables pour tester des hypothèses précises, garantir la fiabilité des résultats, et faire progresser la connaissance scientifique dans un cadre transparent et reproductible.

📖 2. Tests paramétriques et non-paramétriques

🔑 Notions clés & Définitions

• Tests paramétriques : Tests statistiques qui supposent que les données suivent une loi de probabilité spécifique (souvent la loi normale). Ils nécessitent des conditions d’application strictes, notamment la normalité des distributions et l’homogénéité des variances. AUTEUR (voir section) : "Les tests paramétriques reposent sur des hypothèses concernant la distribution des données, notamment la normalité."
• Conditions d’application des tests paramétriques : La normalité des données, l’homogénéité des variances, et l’indépendance des observations. Ces conditions garantissent la validité des résultats. AUTEUR (voir section) : "Les tests paramétriques exigent la normalité et l’homogénéité pour assurer leur fiabilité."
• Tests non-paramétriques : Tests statistiques qui ne supposent pas de loi de probabilité précise pour les données. Ils sont adaptés lorsque les conditions des tests paramétriques ne sont pas remplies ou lorsque les données sont ordinales ou non continues. Exemples : test de Wilcoxon, test de 𝛘2. AUTEUR (voir section) : "Les tests non-paramétriques sont utilisés lorsque les hypothèses paramétriques ne sont pas vérifiées, notamment en cas de distributions non normales."
• Exemple de test paramétrique : Test t de Student : Compare la moyenne d’un échantillon à une valeur hypothétique ou deux moyennes entre deux groupes, sous condition de normalité et homogénéité. AUTEUR (voir section) : "Le test t de Student permet de comparer deux moyennes lorsque les conditions paramétriques sont respectées."
• Exemple de test non-paramétrique : Test de Wilcoxon : Compare deux échantillons appariés ou indépendants sans supposer la normalité, en utilisant les rangs des données. AUTEUR (voir section) : "Le test de Wilcoxon est une alternative non-paramétrique au test t pour des données appariées ou indépendantes."

📝 Points essentiels

• Les tests paramétriques (ex : test t, ANOVA) sont puissants mais nécessitent la normalité des distributions et l’homogénéité des variances. Leur validité dépend du respect de ces conditions, sinon ils peuvent produire des résultats biaisés (voir section 4, 5).
• Les tests non-paramétriques (ex : test de Wilcoxon, 𝛘2) sont plus flexibles, utilisables avec des données ordinales ou lorsque les conditions paramétriques ne sont pas remplies. Ils sont généralement moins puissants mais plus robustes face aux violations des hypothèses.
• La comparaison entre tests paramétriques et non-paramétriques : les premiers sont préférés quand leurs conditions sont respectées, car ils offrent une meilleure puissance statistique. Les seconds sont recommandés en cas de distributions non normales, de petites tailles d’échantillons ou de données ordinales.
• Le test t de Student est le test paramétrique le plus courant pour comparer deux moyennes. Son équivalent non-paramétrique est le test de Wilcoxon pour des données appariées ou indépendantes.
• Le test de Wilcoxon compare des médianes ou des rangs, sans faire d’hypothèses sur la distribution, ce qui le rend adapté aux données non normales ou ordinales.

💡 À retenir

Les tests paramétriques sont puissants mais nécessitent des conditions strictes, tandis que les tests non-paramétriques offrent une alternative robuste lorsque ces conditions ne sont pas remplies. Leur choix dépend de la nature des données et du respect des hypothèses.

📖 3. Analyse de la variance (ANOVA)

🔑 Notions clés & Définitions

• ANOVA (Analysis Of Variance) : méthode statistique permettant de comparer plusieurs moyennes en analysant la variabilité totale d’un ensemble de données, en distinguant la variabilité expliquée par les facteurs (VI) et la variabilité résiduelle (Rappel : Fisher (1925)).
• F statistique : rapport entre la variance expliquée par les facteurs (variance inter-groupes) et la variance non expliquée (variance intra-groupes ou erreur), utilisé pour tester l’hypothèse nulle que toutes les moyennes sont égales (Fisher (1925)).
• Hypothèses sous-jacentes à l’ANOVA : normalité des données, homogénéité des variances (homoscédasticité), indépendance des observations (Rappel : Homogénéité de Variances).
• Différents types d’ANOVA : à un facteur (comparaison de plusieurs moyennes selon une seule VI), à plusieurs facteurs (interaction entre VI), mesures répétées (plan emboîté ou mesures sur les mêmes sujets).
• Points essentiels : l’ANOVA permet de tester si au moins une moyenne diffère significativement des autres, en utilisant la statistique F, et d’interpréter les effets principaux et d’interaction entre facteurs (Rappel : Fisher (1925)).

📝 Points essentiels

• L’ANOVA compare la variabilité entre les groupes (variance expliquée par la VI) à la variabilité à l’intérieur des groupes (variance résiduelle ou erreur). La formule de la statistique F est :
  $F = \frac{\text{SSinter} / \text{dfinter}}{\text{SSintra} / \text{dfintra}}$
  où SSinter est la somme des carrés entre les groupes, SSintra la somme des carrés intra-groupe, et dfinter/dfintra les degrés de liberté correspondants.
• La valeur de F suit une loi de Fisher, et si elle est significative (p < α, généralement 0,05), on rejette l’hypothèse nulle que toutes les moyennes sont égales.
• Les hypothèses fondamentales pour l’ANOVA sont la normalité des données, l’homogénéité des variances (homoscédasticité), et l’indépendance des observations. La violation de ces hypothèses peut compromettre la validité des résultats (Rappel : Homogénéité de Variances).
• L’ANOVA à un facteur permet de comparer plusieurs modalités d’une seule VI, tandis que l’ANOVA à plusieurs facteurs permet d’étudier aussi les interactions entre ces facteurs, offrant une analyse plus complète des influences sur la variable dépendante.
• La distinction entre variance expliquée (inter-groupes) et non expliquée (intra-groupes) est essentielle pour comprendre la sensibilité de l’ANOVA à détecter des différences significatives.

💡 À retenir

L’ANOVA est une méthode robuste pour comparer plusieurs moyennes en analysant la variabilité totale, en distinguant la variance expliquée par les facteurs et la variance résiduelle, et en utilisant la statistique F pour tester l’hypothèse d’égalité des moyennes.

📖 4. Régression linéaire simple

🔑 Notions clés & Définitions

• Modèle de régression linéaire simple : Modèle statistique qui établit une relation linéaire entre une variable dépendante Y et une variable indépendante X, en estimant une équation de la forme Y = β0 + β1X + ε, où β0 est l’ordonnée à l’origine, β1 la pente, et ε l’erreur aléatoire (voir aussi "Estimation des coefficients de régression").
• Estimation des coefficients de régression : Processus par lequel on calcule les valeurs de β0 et β1 à partir des données observées, généralement par la méthode des moindres carrés, qui minimise la somme des carrés des écarts entre valeurs observées et valeurs prédites (voir aussi "Hypothèses associées à la régression linéaire simple").
• Interprétation de la pente et de l’ordonnée à l’origine : La pente β1 indique la variation moyenne de Y pour une unité d’augmentation de X, tandis que l’ordonnée à l’origine β0 représente la valeur prédite de Y lorsque X = 0 (voir aussi "Prédiction à partir du modèle de régression").
• Prédiction à partir du modèle de régression : Utilisation de l’équation estimée pour prévoir la valeur de Y pour une valeur donnée de X, en remplaçant X dans l’équation par cette valeur (voir aussi "Hypothèses associées à la régression linéaire simple").
• Hypothèses associées à la régression linéaire simple : Conditions nécessaires pour que l’estimation soit valide, notamment la linéarité, l’indépendance des erreurs, la normalité des erreurs, et l’homoscédasticité (variance constante des erreurs) (voir aussi "Modèle de régression linéaire simple").

📝 Points essentiels

• Le modèle de régression linéaire simple permet de modéliser la relation entre deux variables quantitatives en supposant une relation linéaire.
• La méthode des moindres carrés est utilisée pour estimer β0 et β1, en minimisant la somme des carrés des écarts entre valeurs observées et valeurs prédites.
• La pente β1 indique la force et la direction de la relation : une valeur positive indique une relation directe, une négative une relation inverse.
• L’interprétation de β0 (l’ordonnée à l’origine) doit être faite avec prudence, surtout si la valeur X=0 n’a pas de sens pratique.
• La validité du modèle repose sur plusieurs hypothèses : linéarité, indépendance, normalité, homoscédasticité, qui doivent être vérifiées pour garantir la fiabilité des estimations et des tests.

💡 À retenir

La régression linéaire simple permet d’estimer et d’interpréter la relation linéaire entre deux variables, en utilisant la méthode des moindres carrés, sous réserve du respect de ses hypothèses fondamentales.

📖 5. Tests de normalité et homogénéité

🔑 Notions clés & Définitions

• Test de Shapiro-Wilk (1965) : test statistique permettant d’évaluer si un ensemble de données suit une distribution normale. Il compare la distribution empirique à une distribution normale théorique en utilisant une statistique basée sur la corrélation entre les données et leurs valeurs attendues sous la normalité.

• Test de Levene (1960) : test qui vérifie l’homogénéité des variances entre plusieurs groupes. Il examine si la dispersion des données autour de leur moyenne est similaire dans chaque groupe, ce qui est une condition essentielle pour la validité des tests paramétriques.

• Importance de la vérification des conditions d’application (voir section 2) : étape cruciale pour assurer la validité des tests paramétriques. Si les données ne respectent pas la normalité ou l’homogénéité, les résultats peuvent être biaisés ou invalides, conduisant à des erreurs de type I ou II.

• Conséquences du non-respect des hypothèses (voir section 2) : l’utilisation de tests paramétriques sur des données non normales ou hétéroscédastiques peut entraîner des conclusions erronées, telles que des faux positifs ou des faux négatifs, compromettant la fiabilité de l’analyse statistique.

📝 Points essentiels

• La vérification de la normalité des données est indispensable avant d’appliquer un test paramétrique, notamment avec le test de Shapiro-Wilk, qui est considéré comme très sensible pour détecter les déviations à la normalité (SHAPIRO & WILK, 1965).

• L’homogénéité des variances doit également être confirmée, notamment avec le test de Levene, pour garantir que la variance dans chaque groupe est comparable, condition nécessaire pour la validité du test t de Student ou de l’ANOVA.

• Si les données ne respectent pas ces hypothèses, il est recommandé d’utiliser des tests non-paramétriques (ex : test de Wilcoxon, Kruskal-Wallis) ou de recourir à des transformations de données (voir section 8).

• La violation des hypothèses peut conduire à des erreurs de type I (faux positifs) si l’on utilise des tests paramétriques sur des données non normales ou hétéroscédastiques, ou à des erreurs de type II (faux négatifs) si l’on néglige ces vérifications.

💡 À retenir

La vérification de la normalité et de l’homogénéité des variances, à l’aide respectivement du test de Shapiro-Wilk et du test de Levene, est une étape essentielle pour garantir la validité des tests paramétriques en psychologie. Leur non-respect peut compromettre la fiabilité des conclusions statistiques.

📖 6. Correction pour comparaisons multiples

🔑 Notions clés & Définitions

• Problème des comparaisons multiples : Lorsqu’on effectue plusieurs tests statistiques simultanément, le risque d’obtenir au moins un résultat significatif par hasard augmente, ce qui accroît la probabilité d’erreurs de type I (faux positifs). Selon Royce (date), cela peut conduire à des conclusions erronées si aucune correction n’est appliquée.

• Méthodes de correction : Techniques visant à ajuster le seuil de signification (p-value) pour contrôler le taux d’erreur de type I lors de multiples comparaisons. La correction de Bonferroni (date) consiste à diviser le seuil alpha par le nombre de tests effectués, réduisant ainsi la probabilité d’erreur globale.

• Tests post-hoc après ANOVA : Analyses complémentaires réalisées après une ANOVA significative pour identifier précisément quelles moyennes diffèrent. Ces tests doivent être ajustés pour la correction des comparaisons multiples afin d’éviter la survenue d’erreurs de type I. Exemples : test de Tukey, test de Scheffé.

• Interprétation ajustée des p-values : Lorsqu’on applique une correction, la p-value doit être comparée à un seuil modifié (ex : p < α/n pour Bonferroni), afin de maintenir le taux global d’erreur de type I à un niveau acceptable.

• Importance de la correction : Elle est essentielle pour garantir la validité des résultats, notamment dans le contexte de comparaisons multiples, en évitant de tirer des conclusions erronées et en conservant l’intégrité statistique de l’analyse (voir AUTEUR (date)).

📖 7. Corrélation et causalité

🔑 Notions clés & Définitions

• Corrélation : Mesure statistique de la relation entre deux variables, indiquant si elles évoluent de manière simultanée (positive ou négative). Selon PEARSON (1896), le coefficient de corrélation (r) varie entre -1 et +1, où 0 indique aucune relation linéaire.
• Causalité : Relation où une variable (cause) influence directement une autre (effet). HUME (1748) souligne que la corrélation seule ne suffit pas à établir une causalité, nécessitant des preuves supplémentaires.
• Limites de la corrélation pour inférer la causalité : La corrélation ne prouve pas la causalité, car elle peut résulter d’un facteur confondant, d’une causalité inverse ou d’une coïncidence. PEARSON (1904) met en garde contre l’interprétation erronée de coefficients corrélationnels.
• Exemples d’erreurs d’interprétation : Confondre corrélation et causalité, comme croire que la consommation de glace cause la noyade, alors qu’un facteur confondant (la chaleur) influence les deux.
• Utilisation prudente des résultats corrélationnels : La corrélation doit être considérée comme une indication d’une relation potentielle, nécessitant des analyses supplémentaires (expérimentations, modélisations) pour établir une causalité fiable.

📝 Points essentiels

• La corrélation mesure la relation statistique entre deux variables, mais ne permet pas de conclure à une relation causale (PEARSON, 1896).
• La causalité implique une relation de cause à effet, souvent établie par des expérimentations contrôlées ou des analyses longitudinales, mais pas uniquement par la corrélation.
• La présence d’une corrélation peut être due à un facteur confondant, à une causalité inverse ou à une coïncidence. La distinction est cruciale pour éviter des erreurs d’interprétation.
• HUME (1748) insiste sur que la corrélation ne suffit pas à établir la causalité, soulignant la nécessité de preuves supplémentaires, comme la temporalité ou la manipulation expérimentale.
• La corrélation peut être influencée par la présence de valeurs extrêmes ou par une relation non linéaire, ce qui limite son interprétation. La compréhension des coefficients de corrélation doit inclure leur interprétation dans le contexte de l’étude.
• La prudence est recommandée lors de l’utilisation des résultats corrélationnels pour formuler des hypothèses causales, notamment en psychologie où les facteurs confondants sont fréquents.

💡 À retenir

La corrélation indique une relation statistique entre deux variables mais ne permet pas de conclure à une relation causale sans preuves complémentaires. La prudence est essentielle pour éviter les erreurs d’interprétation.

📖 8. Transformations de données

🔑 Notions clés & Définitions

• Transformations logarithmiques : Opérations mathématiques appliquées aux données en utilisant la fonction logarithme (log), souvent en base 10 ou e, pour réduire l’asymétrie et stabiliser la variance (source : Royce Anders).
• Transformations racine carrée : Technique consistant à appliquer la racine carrée (√) aux données pour diminuer l’effet des valeurs extrêmes et homogénéiser la dispersion (source : Royce Anders).
• But des transformations : Normaliser la distribution des données et homogénéiser la variance pour respecter les hypothèses des tests statistiques paramétriques, facilitant ainsi leur validité (source : Royce Anders).
• Quand appliquer une transformation de données : Lorsqu’une distribution est fortement asymétrique ou lorsque la variance n’est pas homogène, afin d’améliorer la conformité aux conditions d’application des tests paramétriques (source : Royce Anders).
• Effets des transformations sur l’analyse statistique : Elles permettent d’obtenir des distributions plus proches de la normale et d’homogénéiser la variance, ce qui augmente la puissance et la fiabilité des tests statistiques (source : Royce Anders).

📝 Points essentiels

• Les transformations logarithmiques sont particulièrement efficaces pour réduire l’asymétrie positive, notamment avec des données à longue queue ou à grande variance (ex : données de temps, de fréquence).
• La transformation racine carrée est adaptée aux données discrètes ou comptages, notamment lorsque la variance augmente avec la moyenne (ex : nombre d’événements).
• L’objectif principal est de respecter les hypothèses de normalité et d’homogénéité des variances, indispensables pour la validité des tests paramétriques comme l’ANOVA ou le test t (source : Royce Anders).
• La décision d’appliquer une transformation doit se faire après une analyse exploratoire (histogrammes, tests de normalité), en tenant compte du contexte et des caractéristiques des données.
• Une transformation peut modifier l’interprétation des résultats, il est donc crucial de rapporter et de justifier leur utilisation dans l’analyse (source : Royce Anders).

💡 À retenir

Les transformations logarithmiques et racine carrée sont des outils essentiels pour normaliser et homogénéiser les données, améliorant la validité des analyses statistiques paramétriques. Leur utilisation doit être guidée par l’aspect de la distribution et la variance des données.

📖 9. Effets principaux et interactions

🔑 Notions clés & Définitions

• Effet principal : La différence moyenne observée sur la variable dépendante (VD) lorsque l’on fait varier une seule variable indépendante (VI), en ignorant les autres VI. Selon Fisher (1925), il s’agit de l’impact direct d’un facteur sur la VD, en moyenne, sans tenir compte des autres facteurs.

• Interaction entre facteurs : La situation où l’effet d’une VI sur la VD dépend du niveau d’une autre VI. Autrement dit, l’effet d’un facteur n’est pas uniforme mais varie selon la présence ou le niveau d’un autre facteur. AOV (analyse de la variance) permet de détecter ces interactions en comparant la variation expliquée par la combinaison des facteurs.

• Interprétation des interactions dans ANOVA : Lorsqu’une interaction est significative, cela indique que l’effet d’un facteur diffère selon les niveaux de l’autre facteur. Par exemple, l’efficacité d’un traitement peut dépendre du groupe d’âge, ce qui doit être pris en compte pour une compréhension précise des résultats.

• Exemples d’effets principaux et interactions : Si l’on étudie l’impact de la difficulté d’une tâche (facile vs difficile) et du type de support (audio vs vidéo), un effet principal pourrait être la différence de performance entre supports, tandis qu’une interaction pourrait révéler que la différence entre supports varie selon la difficulté.

• Importance pour la compréhension des résultats : La distinction entre effets principaux et interactions est cruciale pour interpréter correctement les résultats d’une analyse. Une interaction significative peut masquer ou modifier la compréhension des effets principaux, rendant nécessaire une analyse détaillée pour éviter des conclusions erronées.

📖 10. Utilisation des logiciels JAMOVI et R

🔑 Notions clés & Définitions

• JAMOVI (version récente) : logiciel open-source d’analyse statistique basé sur une interface graphique intuitive, permettant de réaliser des analyses sans programmation avancée, tout en offrant la possibilité d’exporter des scripts pour automatiser les processus.
• R (version récente) : langage de programmation et environnement logiciel open-source dédié aux statistiques et à la visualisation de données, permettant d’automatiser et de reproduire des analyses complexes via des scripts.
• Automatisation des calculs : utilisation de scripts ou de commandes pour réaliser des analyses répétitives ou complexes, réduisant les erreurs et gagnant en efficacité, comme souligné par Royce Anders (date).
• Initiation à la programmation statistique avec R : apprentissage des bases de codage en R pour réaliser, automatiser et personnaliser des analyses statistiques, en passant par la manipulation de données, le calcul de tests et la création de graphiques.
• Exemples d’analyses avec JAMOVI et R : réalisation de tests paramétriques, d’ANOVA, de corrélations, ou de régressions, illustrant la puissance des deux logiciels dans la recherche en psychologie, comme mentionné dans le contenu source.

📝 Points essentiels

• JAMOVI offre une interface graphique conviviale, adaptée aux débutants, tout en permettant d’exporter des scripts R pour automatiser les analyses et favoriser la reproductibilité, conformément aux recommandations de Degraeve (2022).
• R est un environnement puissant pour automatiser des analyses complexes, notamment par l’écriture de scripts, ce qui facilite la reproductibilité et la gestion de grands jeux de données, comme le souligne Howell (2008).
• L’automatisation via R permet de réaliser rapidement des analyses répétitives, d’éviter les erreurs humaines, et de générer des rapports ou graphiques conformes aux normes scientifiques, en lien avec la critique de Royce Anders (date).
• La maîtrise de R commence par l’apprentissage des bases du codage, la manipulation de données, puis la réalisation de tests statistiques (t, ANOVA, etc.), avec des exemples concrets d’utilisation dans la recherche en psychologie.
• La compatibilité entre JAMOVI et R permet d’utiliser la simplicité de l’interface graphique pour des analyses courantes, tout en exploitant la puissance de R pour des analyses avancées ou automatisées, illustrant l’intérêt de leur complémentarité.

💡 À retenir

L’utilisation combinée de JAMOVI et R optimise la réalisation d’analyses statistiques en psychologie : JAMOVI facilite l’accès aux analyses par une interface graphique, tandis que R offre une flexibilité et une automatisation avancées, renforçant la reproductibilité et la rigueur scientifique.

📊 Tableaux de Synthèse

⚠️ Pièges & Confusions Fréquentes

1. Confondre normalité et homogénéité : un test paramétrique nécessite la normalité des données ET l’homogénéité des variances, pas l’un ou l’autre seul.
2. Utiliser un test paramétrique avec des données ordinales ou non normales sans vérification préalable.
3. Supposer que la non-normalité empêche toute analyse paramétrique, alors qu’un test robuste peut être utilisé.
4. Confondre la signification de la valeur p : une p < 0,05 ne prouve pas la causalité, uniquement une différence statistiquement significative.
5. Ignorer la nécessité de vérifier l’indépendance des observations avant d’appliquer un test.
6. Mal interpréter l’effet d’une violation des hypothèses sur la validité des résultats.
7. Confondre la puissance d’un test avec sa sensibilité à détecter une différence réelle.

✅ Checklist Examen

1. Connaître la définition de Royce Anders sur le rôle des statistiques en psychologie.
2. Savoir formuler une hypothèse statistique précise et opérationnalisée.
3. Comprendre l’interprétation de la valeur p et son seuil habituel (0,05).
4. Expliquer l’importance de la reproductibilité et de la transparence dans la recherche.
5. Identifier les conditions d’application des tests paramétriques (normalité, homogénéité).
6. Différencier un test paramétrique (ex : test t, ANOVA) d’un test non-paramétrique (ex : Wilcoxon, 𝛘2).
7. Savoir quand utiliser un test non-paramétrique en fonction des données.
8. Définir l’ANOVA, ses hypothèses et ses objectifs principaux.
9. Connaître la différence entre effets principaux et interactions dans une ANOVA.
10. Maîtriser l’utilisation du logiciel JAMOVI pour réaliser une ANOVA.
11. Maîtriser l’utilisation du logiciel R pour effectuer un test de corrélation.
12. Vérifier la maîtrise du vocabulaire : normalité, homogénéité, effets principaux, interaction, p-value, F-statistique.