Fiche de révision : Principes fondamentaux de la statistique descriptive

📋 Plan du Cours

1. Statistiques descriptives
2. Paramètres de position
3. Paramètres de dispersion
4. Tests d'hypothèses
5. Analyse de variance (ANOVA)
6. Régression linéaire simple
7. Régression linéaire multiple
8. Modèles linéaires généralisés (GLMs)
9. Homogénéité des variances
10. Normalité des résidus
11. Transformation des données
12. Indépendance des données

📖 1. Statistiques descriptives

🔑 Notions clés & Définitions

• Paramètres de position : mesures qui résument la localisation centrale d’un ensemble de données, notamment la moyenne arithmétique (AUTEUR (date) : mesure de la tendance centrale calculée en additionnant toutes les valeurs et en divisant par leur nombre), la médiane (valeur du milieu après tri des données), et le mode (valeur la plus fréquente dans l’échantillon).

• Moyenne arithmétique : somme des valeurs divisée par le nombre d’observations, utilisée pour faire des déductions sur la population (voir PERROUX (date) pour la relation avec la population).

• Médiane : valeur centrale d’un échantillon ordonné, robuste face aux valeurs extrêmes.

• Mode : valeur la plus fréquente dans un ensemble de données.

• Paramètres de dispersion : mesures qui quantifient la variabilité ou la dispersion des données, notamment la variance (moyenne des carrés des écarts à la moyenne), l’écart-type (racine carrée de la variance), et le coefficient de variation (rapport de l’écart-type à la moyenne, exprimé en %).

• Variance : mesure de la dispersion calculée par la moyenne des carrés des écarts à la moyenne, elle indique la dispersion globale.

• Écart-type : racine carrée de la variance, exprimant la dispersion dans la même unité que les données.

• Visualisation de données : outils graphiques pour représenter la distribution, notamment le boxplot (boîte à moustache) et l’histogramme, permettant d’observer la symétrie, la dispersion et la présence de valeurs extrêmes.

📝 Points essentiels

• Les paramètres de position (moyenne, médiane, mode) permettent de caractériser la localisation centrale d’un échantillon, mais leur utilisation dépend de la forme de la distribution (par exemple, la médiane est plus robuste en présence d’outliers).

• La moyenne et la médiane sont égales dans une distribution symétrique, mais la médiane est moins sensible aux valeurs extrêmes.

• La variance et l’écart-type mesurent la dispersion, avec l’écart-type étant plus intuitif car dans la même unité que les données.

• Le coefficient de variation permet de comparer la dispersion relative entre différentes séries de données.

• La visualisation via boxplot ou histogramme facilite la compréhension de la distribution, notamment la détection de skewness ou de valeurs aberrantes.

• La relation entre paramètres de position et dispersion est essentielle pour décrire une distribution (voir Pantel (date) pour la visualisation et l’interprétation).

• La valeur attendue d’un paramètre dans une population est souvent estimée par le paramètre calculé sur un échantillon.

💡 À retenir

Les statistiques descriptives permettent de résumer efficacement un ensemble de données en caractérisant sa tendance centrale et sa dispersion, tout en visualisant sa distribution pour mieux comprendre ses caractéristiques fondamentales.

📖 2. Paramètres de position

🔑 Notions clés & Définitions

• Moyenne arithmétique : Somme de toutes les valeurs divisée par le nombre total d'observations. (AUTEUR non spécifié).
• Mode : La valeur la plus fréquente dans un ensemble de données. (AUTEUR non spécifié).
• Médiane : La valeur qui partage un ensemble de données classé en deux parties égales. (AUTEUR non spécifié).
• Paramètre de position : Mesure centrale permettant de situer la tendance centrale d’un ensemble de données. (AUTEUR non spécifié).
• Distribution asymétrique (skewness) : Indicateur de la symétrie ou de l’asymétrie d’une distribution. (AUTEUR non spécifié).
• Auteurs : La notion de paramètres de position est fondamentale dans la statistique descriptive, sans référence spécifique à un auteur dans le contenu source.

📝 Points essentiels

• Les paramètres de position (moyenne, mode, médiane) permettent de résumer la localisation centrale d’un ensemble de données. La moyenne est sensible aux valeurs extrêmes, contrairement à la médiane qui est robuste.
• La moyenne est souvent utilisée pour faire des inférences sur la population, mais peut être biaisée par des valeurs aberrantes. La médiane est préférée en présence de distributions asymétriques.
• La mode indique la valeur la plus fréquente, utile pour des données qualitatives ou discrètes.
• La distribution peut être symétrique ou asymétrique, influençant le choix du paramètre de position à utiliser.
• La visualisation par boîte à moustache (boxplot) ou histogramme aide à repérer la position centrale et la symétrie de la distribution.
• La valeur à retenir : La médiane est une mesure robuste pour la position centrale en présence de distributions asymétriques ou de valeurs extrêmes.

💡 À retenir

Les paramètres de position (moyenne, médiane, mode) sont essentiels pour décrire la tendance centrale d’un ensemble de données, chaque mesure ayant ses avantages selon la nature de la distribution.

📖 3. Paramètres de dispersion

🔑 Notions clés & Définitions

• Variance : Mesure de la dispersion des valeurs autour de la moyenne, calculée par $s^2 = \frac{\sum (x_i - \bar{x})^2}{n-1}$ (notion fondamentale en statistique descriptive).
• Écart-type : Racine carrée de la variance, $s = \sqrt{s^2}$, permettant d'exprimer la dispersion dans la même unité que les données.
• Coefficient de variation (CV) : Indicateur de dispersion relatif, défini par $CV = 100 \times \frac{s}{\bar{x}}$, utile pour comparer la variabilité entre différentes séries de données (source : CM7).
• Notion de dispersion dans les modèles statistiques : Elle évalue la variabilité des données autour d’un paramètre central, essentielle pour la modélisation et l’inférence (voir aussi la section sur la variance).
• Visualisation de la dispersion : La boîte à moustache (boxplot) et l’histogramme sont des outils graphiques pour représenter la dispersion et détecter les outliers (source : CM7).
• Point à retenir : La dispersion quantifie la variabilité des données, et ses paramètres (variance, écart-type, CV) sont fondamentaux pour comprendre la distribution et la fiabilité des estimations.

📝 Points essentiels

• La variance et l’écart-type mesurent la dispersion absolue, la variance étant leur carré, ce qui accentue l’impact des valeurs extrêmes.
• Le coefficient de variation permet de comparer la dispersion entre séries de données avec des unités ou des moyennes différentes, facilitant la standardisation de la variabilité.
• La visualisation par boxplot ou histogramme permet d’identifier rapidement la dispersion, la présence d’outliers, et la forme de la distribution.
• La variance est utilisée dans la majorité des modèles statistiques, notamment pour calculer la somme des carrés, la déviation standard, et dans les tests d’hypothèses (voir aussi la section sur la normalité et l’homogénéité).
• La relation entre dispersion et précision : une faible dispersion indique une estimation plus précise de la moyenne ou du paramètre de la population.
• La formule de la variance : $s^2 = \frac{\sum (x_i - \bar{x})^2}{n-1}$, où $n$ est la taille de l’échantillon, et $x_i$ chaque donnée.

💡 À retenir

Les paramètres de dispersion, notamment la variance et l’écart-type, sont essentiels pour évaluer la variabilité des données, influençant la fiabilité des estimations et la validité des modèles statistiques.

📖 4. Tests d'hypothèses

🔑 Notions clés & Définitions

• Hypothèse nulle (H0) : Affirmation de départ que l’on cherche à tester, généralement une absence d’effet ou de différence (ex : pas de différence entre deux groupes).
• Hypothèse alternative (H1) : Affirmation que l’on cherche à prouver, généralement une présence d’effet ou de différence.
• Valeur p : Probabilité d’observer un résultat aussi extrême que celui obtenu, sous l’hypothèse nulle. Selon Neyman et Pearson (1933), elle permet de mesurer la compatibilité des données avec H0.
• Seuil de signification (α) : Niveau fixé (souvent 0,05) pour décider de rejeter H0 si p < α.
• Erreur de type I (α) : Rejeter H0 alors qu’elle est vraie (faux positif).
• Erreur de type II (β) : Ne pas rejeter H0 alors qu’H1 est vraie (faux négatif).
• Test statistique : Fonction qui calcule une statistique à partir des données, permettant de comparer cette valeur à une distribution théorique pour décider du rejet ou non de H0.
• Critère de décision : Rejeter H0 si la valeur p est inférieure au seuil α, sinon ne pas rejeter H0.
• Loi de probabilité : Fonction mathématique décrivant la distribution d’une statistique sous H0, utilisée pour calculer la p-value (ex : loi 𝜒2, loi t).

📝 Points essentiels

• Les tests d’hypothèses permettent de faire une inférence à partir d’un échantillon pour évaluer une hypothèse sur une population.
• La valeur p indique la probabilité d’observer un résultat aussi extrême que celui obtenu si H0 est vraie. Une p-value faible (généralement < 0,05) conduit au rejet de H0, ce qui suggère une différence ou un effet significatif.
• La distribution de référence (ex : loi 𝜒2, loi t) est utilisée pour déterminer la valeur critique ou la p-value associée à la statistique calculée.
• La comparaison avec le seuil α permet de prendre une décision : si p < α, on rejette H0, sinon on ne peut pas conclure à une différence significative.
• La probabilité conditionnelle P(𝜒2 | H0) ou P(t | H0) représente la probabilité d’observer une valeur donnée sous H0.
• La valeur critique est la valeur seuil dans la distribution de référence, au-delà de laquelle H0 est rejetée (ex : loi 𝜒2 à 3 ddl).
• La densité de probabilité d’une loi continue indique la probabilité relative d’un résultat, mais pas la probabilité exacte d’un événement précis. La zone sous la courbe entre deux valeurs donne la probabilité que la statistique se trouve dans cet intervalle.
• La valeur t ou 𝜒2 observée doit être comparée à la valeur critique pour décider du rejet ou non de H0.

💡 À retenir

Les tests d’hypothèses utilisent des statistiques et des lois de probabilité pour évaluer la compatibilité des données avec une hypothèse nulle, permettant ainsi de déterminer si une différence ou un effet est statistiquement significatif ou non.

📖 5. Analyse de variance (ANOVA)

🔑 Notions clés & Définitions

• ANOVA (Analyse de Variance) : Méthode statistique permettant de comparer les moyennes de plusieurs groupes pour déterminer si au moins un groupe diffère significativement des autres (source : Eve Afonso, date non précisée).
• Hypothèse nulle (H0) : Tous les groupes ont la même moyenne, il n’y a pas de différence significative entre eux.
• Hypothèse alternative (H1) : Au moins un groupe a une moyenne différente, indiquant une différence significative.
• F-statistique : Ratio entre la variance expliquée par le modèle et la variance résiduelle, utilisé pour tester la significativité globale du modèle (source : Eve Afonso).
• Degrés de liberté (ddl) : Nombre de valeurs indépendantes pouvant varier dans le calcul de la statistique, pour ANOVA, généralement (k-1) pour le nombre de groupes et (N-k) pour les résidus.
• Variance expliquée (MS entre) : Variance moyenne entre les groupes, liée à la différence entre leurs moyennes (source : Eve Afonso).
• Variance résiduelle (MS résiduelle) : Variance moyenne à l’intérieur des groupes, liée à la variabilité non expliquée par le modèle.

📝 Points essentiels

• L’ANOVA compare la variance entre groupes à la variance à l’intérieur des groupes pour tester l’hypothèse d’égalité des moyennes (source : Eve Afonso).
• La statistique F est calculée par le rapport MS entre / MS résiduelle. Si cette valeur est significativement élevée, on rejette H0.
• La p-value associée à la F indique la probabilité d’observer une telle différence si H0 est vraie. Si p < 0,05, on rejette H0, concluant à une différence significative (source : Eve Afonso).
• La table de l’ANOVA fournit la valeur critique de F pour un niveau de signification donné et les degrés de liberté correspondants.
• Lorsqu’une différence est détectée, des tests post-hoc (ex : Tukey) permettent d’identifier quels groupes diffèrent (non mentionné explicitement dans le contenu source).
• La présence d’interactions dans un modèle à plusieurs facteurs (ex : ANOVA à deux facteurs) indique que l’effet d’un facteur dépend du niveau de l’autre (source : Eve Afonso).

💡 À retenir

L’ANOVA est une méthode robuste pour tester la différence entre plusieurs moyennes en comparant la variance expliquée par les groupes à la variabilité interne, avec une interprétation basée sur la statistique F et la p-value associée.

📖 6. Régression linéaire simple

🔑 Notions clés & Définitions

• Régression linéaire simple : Modèle statistique qui établit une relation linéaire entre une variable dépendante (Y) et une variable indépendante (X). AUTEUR (date) : permet de prédire la valeur de Y à partir de X en ajustant une droite aux données.

• Coefficient de régression (b₁) : Paramètre estimé qui indique la pente de la droite de régression, c’est-à-dire la variation moyenne de Y pour une unité d’augmentation de X. AUTEUR (date) : mesure l’effet de X sur Y.

• Intercept (b₀) : Point où la droite de régression croise l’axe Y, représentant la valeur prédite de Y lorsque X = 0. AUTEUR (date) : valeur de Y quand X est nul.

• Erreur résiduelle (ε) : Différence entre la valeur observée de Y et la valeur prédite par le modèle. AUTEUR (date) : mesure de l’ajustement du modèle.

• Coefficient de détermination (R²) : Indicateur de la proportion de la variance de Y expliquée par X. AUTEUR (date) : évalue la qualité de l’ajustement du modèle.

• Test t pour le coefficient (b₁) : Test statistique permettant de vérifier si la pente est significativement différente de zéro, donc si X influence Y. AUTEUR (date) : test d’hypothèse sur le paramètre de régression.

📝 Points essentiels

• La régression linéaire simple repose sur l’hypothèse que la relation entre X et Y est linéaire. La formule du modèle est :
  $Y = b_0 + b_1 X + ε$
• La méthode d’estimation des paramètres (b₀, b₁) est la méthode des moindres carrés, minimisant la somme des carrés des erreurs résiduelles (voir section 4 sur les tests d’hypothèses).
• La significativité de la relation est testée via le test t sur b₁, avec une hypothèse nulle que b₁ = 0 (aucune relation).
• La qualité de l’ajustement est évaluée par le R², qui indique la proportion de variance expliquée par le modèle.
• La validité du modèle suppose que les résidus suivent une distribution normale, ont une variance constante (homoscédasticité), et sont indépendants (voir sections 9 et 8).

💡 À retenir

La régression linéaire simple permet de modéliser et de prédire une variable dépendante à partir d’une variable indépendante, en estimant la relation par une droite ajustée aux données, sous réserve que les hypothèses fondamentales soient respectées.

📖 7. Régression linéaire multiple

🔑 Notions clés & Définitions

• Variables explicatives (ou indépendantes) : variables utilisées pour prédire ou expliquer la variable réponse. Elles peuvent être quantitatives ou qualitatives. (Source : Eve Afonso, 2023)
• Variables dépendantes (ou réponse) : variable que l’on cherche à modéliser ou prédire en fonction des variables explicatives. (Source : Eve Afonso, 2023)
• Modèle additif : modèle où chaque variable explicative agit indépendamment, sans interaction, sur la variable réponse. La relation s’écrit comme une somme des effets. (Source : Eve Afonso, 2023)
• Interaction (dans le contexte de la régression multiple) : effet combiné de deux variables explicatives, où l’impact de l’une dépend de la valeur de l’autre. Se traduit par un terme d’interaction dans le modèle (ex : X * Z). (Source : Eve Afonso, 2023)
• Coefficient de régression (β) : paramètre estimé indiquant la variation moyenne de la variable réponse pour une unité de variation de la variable explicative, en tenant compte des autres variables. (Source : Eve Afonso, 2023)
• Analyse de variance (ANOVA) : méthode permettant de tester la significativité globale du modèle ou de ses termes, en comparant la variance expliquée à la variance résiduelle. (Source : Eve Afonso, 2023)

📝 Points essentiels

• La régression linéaire multiple permet d’étudier l’effet simultané de plusieurs variables explicatives sur une variable réponse continue.
• Le modèle s’écrit :
  $Y = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \dots + \beta_k X_k + \varepsilon$
  où $\beta_0$ est l’intercept, $\beta_i$ les coefficients de régression, et $\varepsilon$ l’erreur aléatoire.
• La sélection des variables explicatives doit respecter le principe de parcimonie : utiliser le moins de paramètres possibles tout en conservant une bonne représentativité.
• La présence d’interactions (X * Z) indique que l’effet d’une variable explicative dépend de la valeur d’une autre. La modélisation en interaction permet d’étudier ces effets combinés.
• La significativité des coefficients est évaluée via le test de Student (p-value). Un coefficient est considéré comme significatif si p < 0,05.
• L’analyse de variance (ANOVA) du modèle permet de tester si l’ensemble des variables explicatives explique une part significative de la variance de la variable réponse.
• La représentation graphique en 3D ou en projection 2D (fixant une variable) facilite l’interprétation des interactions.
• La modélisation avec interactions est essentielle pour comprendre des effets combinés, notamment dans des expériences factoriales ou des modèles avec variables qualitatives.
• La présence d’interactions peut rendre l’interprétation plus complexe, mais elle offre une meilleure compréhension des effets conjoints.
• La validation du modèle passe par l’analyse des résidus, la vérification des hypothèses (normalité, homogénéité, indépendance), et la significativité globale.

💡 À retenir

La régression linéaire multiple permet d’étudier simultanément l’effet de plusieurs variables explicatives, y compris leurs interactions, sur une variable réponse continue, tout en respectant le principe de parcimonie pour une interprétation claire et pertinente.

📖 8. Modèles linéaires généralisés (GLMs)

🔑 Notions clés & Définitions

• Modèle linéaire généralisé (GLM) : Extension du modèle linéaire classique permettant de modéliser une variable réponse non nécessairement quantitative, en utilisant une fonction de lien entre la moyenne conditionnelle et une combinaison linéaire des variables explicatives (Nelder & Wedderburn, 1972).
• Fonction de lien : Fonction qui relie la moyenne de la variable réponse à la combinaison linéaire des variables explicatives, permettant d’adapter le modèle à différents types de distributions (binomiale, Poisson, etc.).
• Distribution exponentielle : Famille de distributions de probabilité caractérisées par une densité ou une fonction de masse pouvant s’écrire sous une forme exponentielle, utilisée dans les GLMs pour modéliser la variable réponse (ex : binomiale, Poisson).
• Degré de liberté (ddl) : Nombre de paramètres libres dans le modèle, influençant la complexité et la capacité d’ajustement du modèle. Dans les GLMs, il concerne notamment le nombre de paramètres estimés pour la fonction de lien et la distribution.
• Estimation par maximum de vraisemblance : Méthode utilisée pour ajuster les paramètres du GLM en maximisant la probabilité d’observer les données, adaptée aux distributions de la famille exponentielle. (McCullagh & Nelder, 1989).

📝 Points essentiels

• Les GLMs permettent de modéliser des variables réponse de types variés (binaires, comptages, etc.) en utilisant une fonction de lien adaptée (logit, log, probit, etc.).
• La relation entre la moyenne conditionnelle de la variable réponse et les variables explicatives est exprimée par une fonction de lien, souvent choisie selon la distribution (ex : logit pour binomiale, log pour Poisson).
• La famille de distributions associée doit appartenir à la famille exponentielle, ce qui facilite l’estimation par maximum de vraisemblance et la dérivation des propriétés statistiques.
• La sélection du modèle inclut l’analyse des coefficients, leur significativité (test de Student), et la vérification des hypothèses (normalité, homogénéité, etc. — voir autres sections).
• La formule générale d’un GLM :
  $g(\mu) = \eta = X\beta$
  où $g$ est la fonction de lien, $\mu$ la moyenne conditionnelle, $X$ la matrice des variables explicatives, et $\beta$ les paramètres estimés.
• La validation du modèle passe par l’analyse des résidus, la significativité des paramètres, et la qualité de l’ajustement (pseudo R², tests de rapport de vraisemblance).
• La complexité du modèle peut inclure des termes d’interaction ou des effets non linéaires via des transformations ou des splines.

💡 À retenir

Les modèles linéaires généralisés offrent une flexibilité essentielle pour analyser des données non quantitatives en adaptant la fonction de lien et la distribution, permettant de modéliser efficacement une large gamme de phénomènes statistiques.

📖 9. Homogénéité des variances

🔑 Notions clés & Définitions

• Homogénéité des variances : hypothèse selon laquelle toutes les populations comparées ont des variances identiques. (AUTEUR inconnu, source CM7)
• Test de Levene : test statistique permettant d’évaluer l’hypothèse d’homogénéité des variances entre plusieurs groupes. (Levene, 1960)
• Test de Bartlett : test paramétrique pour vérifier l’égalité des variances, sensible aux écarts à la normalité. (Bartlett, 1937)
• Variance : mesure de la dispersion des données autour de la moyenne, notée $s^2$. (source CM7)
• Point à retenir : La violation de l’hypothèse d’homogénéité des variances peut compromettre la validité des tests paramétriques comme l’ANOVA ou le t-test.

📝 Points essentiels

• L’hypothèse d’homogénéité des variances est cruciale pour la validité des tests paramétriques (ANOVA, t-test).
• Test de Levene : utilisé pour vérifier cette hypothèse, notamment en présence de distributions non normales. La statistique est basée sur la déviation des valeurs par rapport à la médiane ou la moyenne.
• Test de Bartlett : plus sensible aux distributions normales, mais moins robuste en cas de non-normalité.
• En cas de non-homogénéité, il est conseillé d’utiliser des tests non paramétriques ou de transformer les données (voir section 10).
• La visualisation par boxplots ou histogrammes peut aider à détecter visuellement une inégalité des variances.
• La valeur p du test indique si l’on peut rejeter l’hypothèse d’homogénéité : p < 0,05 suggère une inégalité significative des variances.
• La double imposition (voir section 4) : en cas d’hétérogénéité, il faut ajuster l’analyse ou utiliser des tests robustes.

💡 À retenir

L’homogénéité des variances doit être vérifiée avant de réaliser des tests paramétriques, car sa violation peut fausser les résultats. En cas de non-homogénéité, privilégier des méthodes non paramétriques ou des transformations de données.

📖 10. Normalité des résidus

🔑 Notions clés & Définitions

• Résidu : différence entre la valeur observée et la valeur prédite par le modèle (résidu = observation - prédiction). (AUTEUR inconnu, concept standard)
• Normalité des résidus : hypothèse selon laquelle les résidus suivent une distribution normale, condition essentielle pour la validité de nombreux tests paramétriques. (AUTEUR inconnu, principe fondamental en statistique inférentielle)
• Test de Shapiro-Wilk : test statistique utilisé pour vérifier la normalité d’un ensemble de données, notamment des résidus. (SHAPIRO & WILK, 1965)
• Q-Q plot (Quantile-Quantile plot) : graphique comparant la distribution empirique des résidus à une distribution normale théorique pour évaluer la normalité visuellement. (Inconnu, outil graphique standard)
• Transformation de données : procédure visant à modifier la distribution des résidus pour mieux respecter l’hypothèse de normalité, par exemple par transformation logarithmique ou racine carrée. (Inconnu, méthode courante en statistique)
• Point à retenir : La normalité des résidus est une condition clé pour assurer la validité des tests paramétriques (ex : t-test, ANOVA), et doit être vérifiée systématiquement lors de l’analyse de modèles linéaires.

📝 Points essentiels

• La normalité des résidus garantit la validité des inférences statistiques dans les modèles linéaires, notamment pour l’estimation des intervalles de confiance et des tests d’hypothèses (voir AUTEUR).
• La vérification se fait via des tests statistiques comme le test de Shapiro-Wilk ou le test de Kolmogorov-Smirnov, ainsi que par des représentations graphiques telles que le Q-Q plot ou l’histogramme des résidus.
• En cas de non-normalité, des transformations de données (logarithmique, racine carrée, Box-Cox) peuvent être appliquées pour améliorer la normalité.
• La violation de cette hypothèse peut entraîner des résultats biaisés ou invalides, notamment des p-values incorrectes ou des intervalles de confiance biaisés.
• La normalité des résidus doit être vérifiée pour chaque modèle, surtout lorsque la taille de l’échantillon est petite, où l’effet de la non-normalité est plus marqué.
• La distribution des résidus doit également présenter une homogénéité de variance (homoscédasticité) pour garantir la validité des tests (voir section 9).

💡 À retenir

La normalité des résidus est une condition essentielle pour la validité des tests paramétriques en régression, et doit être systématiquement vérifiée à l’aide de tests ou de représentations graphiques. En cas de non-normalité, des transformations peuvent être nécessaires pour assurer la fiabilité des inférences.

📖 11. Transformation des données

🔑 Notions clés & Définitions

• Transformation de données : Opération consistant à modifier la forme ou l’échelle des données pour améliorer leur analyse ou leur interprétation, notamment en stabilisant la variance ou en rendant la distribution plus normale. (AUTEUR (date) : concept général)
• Logarithme (log) : Fonction mathématique appliquée aux données pour réduire l’asymétrie ou la variance, notamment en transformant une distribution exponentielle en distribution normale. Elle est souvent utilisée pour traiter des données positives et fortement asymétriques.
• Transformation de Box-Cox : Méthode paramétrique permettant de déterminer la meilleure transformation pour rendre une distribution plus normale, en utilisant une famille de transformations paramétrées par un paramètre λ. (AUTEUR (1964) : Box et Cox)
• Standardisation (z-score) : Transformation qui consiste à soustraire la moyenne et diviser par l’écart-type, pour centrer la distribution autour de 0 avec une variance unitaire.
• Notion de stabilité de variance : Concept selon lequel une transformation peut rendre la variance constante à travers différentes valeurs de la variable, facilitant l’application de certains modèles statistiques.

📝 Points essentiels

• La transformation des données est souvent nécessaire pour respecter les hypothèses des modèles statistiques, notamment la normalité et l’homogénéité des variances (AUTEUR (date) : principes de la modélisation paramétrique).
• La transformation logarithmique est particulièrement efficace pour traiter des données asymétriques positives, en réduisant l’effet des valeurs extrêmes et en stabilisant la variance.
• La transformation de Box-Cox permet de déterminer automatiquement la meilleure transformation parmi une famille de transformations paramétrées, en maximisant la normalité des données.
• La standardisation (z-score) est utile pour comparer des variables sur des échelles différentes ou pour préparer les données à des méthodes sensibles à l’échelle, comme la PCA ou la régression.
• La sélection de la transformation appropriée doit se faire en vérifiant l’amélioration de la normalité (tests de normalité, histogrammes, Q-Q plots) et la stabilité de la variance.

💡 À retenir

La transformation des données est une étape clé pour respecter les hypothèses des modèles statistiques, permettant d’améliorer la validité des analyses en stabilisant la variance et en rendant la distribution plus normale.

📖 12. Indépendance des données

🔑 Notions clés & Définitions

• Indépendance des observations : propriété selon laquelle la valeur d'une donnée ne doit pas influencer ou être influencée par une autre, garantissant que chaque observation est isolée des autres dans l’analyse (voir AUTEUR (date)).
• Autocorrélation : corrélation entre les valeurs successives d’une série temporelle ou spatiale, indiquant une dépendance entre observations proches dans le temps ou l’espace (voir AUTEUR (date)).
• Hypothèse d’indépendance : condition fondamentale dans de nombreux tests statistiques, notamment ceux basés sur la loi 𝜒2 ou la t de Student, qui suppose que les observations sont indépendantes (voir AUTEUR (date)).
• Effet de cluster : situation où des observations regroupées (clusters) présentent une corrélation interne, compromettant l’indépendance globale des données (voir AUTEUR (date)).
• Test de Durbin-Watson : test statistique permettant de détecter la présence d’autocorrélation dans les résidus d’un modèle de régression (voir AUTEUR (date)).
• Crise de dépendance : situation où la violation de l’indépendance entraîne des biais dans l’estimation des paramètres et des erreurs standards, affectant la validité des tests (voir AUTEUR (date)).

📝 Points essentiels

• L’indépendance des données est une condition sine qua non pour la validité des tests paramétriques classiques (ex : 𝜒2, t de Student, ANOVA). La violation peut conduire à des erreurs de type I ou II, faussant les conclusions (voir AUTEUR (date)).
• La dépendance peut résulter d’effets de cluster, d’autocorrélations temporelles ou spatiales, ou de processus de collecte inadéquats. Il est crucial de vérifier cette hypothèse à l’aide de tests spécifiques comme le test de Durbin-Watson ou des analyses graphiques (voir AUTEUR (date)).
• Lorsqu’une dépendance est détectée, il faut recourir à des méthodes adaptées telles que les modèles à effets mixtes, les modèles de séries temporelles ou les techniques de rééchantillonnage (voir AUTEUR (date)).
• La non-indépendance des données peut entraîner une sous-estimation des erreurs standards, augmentant artificiellement la significativité des résultats (voir AUTEUR (date)).
• La vérification de l’indépendance doit précéder toute analyse statistique pour garantir la validité des inférences (voir AUTEUR (date)).

💡 À retenir

L’indépendance des données est essentielle pour assurer la validité des tests statistiques ; sa violation nécessite l’adoption de méthodes spécifiques pour éviter des conclusions erronées.

📊 Tableaux de Synthèse

⚠️ Pièges & Confusions Fréquentes

1. Confondre moyenne et médiane : la moyenne est sensible aux valeurs extrêmes, la médiane est robuste.
2. Utiliser la variance pour comparer la dispersion entre séries avec unités différentes : privilégier le coefficient de variation.
3. Interpréter une distribution asymétrique en utilisant uniquement la moyenne : la médiane est plus appropriée.
4. Supposer que la normalité est toujours nécessaire : certains tests (ex : Wilcoxon) ne requièrent pas cette condition.
5. Confondre homoscédasticité et normalité : ce sont deux conditions distinctes pour certains tests.
6. Omettre de vérifier l’indépendance des données : essentiel pour la validité des tests paramétriques.
7. Mal interpréter la valeur p : elle indique la probabilité d’observer les données si H0 est vraie, pas la probabilité que H0 soit vraie.

✅ Checklist Examen

1. Connaître la définition de PERROUX sur la croissance et son lien avec la moyenne arithmétique.
2. Savoir distinguer entre paramètres de position : moyenne, médiane, mode, et leur utilisation selon la distribution.
3. Maîtriser la formule et l’interprétation de la variance, de l’écart-type, et du coefficient de variation.
4. Être capable d’interpréter un boxplot et un histogramme pour analyser la distribution et la dispersion.
5. Comprendre le principe du test d’hypothèses, notamment la formulation de H0 et H1, et l’interprétation de la p-value.
6. Savoir quand utiliser l’ANOVA pour comparer plusieurs moyennes.
7. Connaître la formule de la régression linéaire simple et ses hypothèses.
8. Savoir distinguer régression linéaire multiple et modèles linéaires généralisés (GLMs).
9. Vérifier l’homogénéité des variances à l’aide du test de Levene.
10. Vérifier la normalité des résidus avec le test de Shapiro-Wilk.
11. Connaître les principales transformations de données (logarithme, racine carrée) pour normaliser ou stabiliser la variance.
12. S’assurer de l’indépendance des données avant de réaliser des analyses statistiques.