★ À maîtriser
Les statistiques en psychologie servent à :
🔄 Une démarche de recherche statistique suit ces étapes :
Les statistiques descriptives résument les données observées, tandis que les statistiques inférentielles évaluent ce que ces données permettent de conclure sur une population.
Les statistiques inférentielles testent la probabilité d’obtenir les données observées si l’hypothèse nulle est vraie; ici, l’hypothèse nulle affirme que les deux moyennes sont égales dans la population parente.
Au seuil de 0,05, une p-value inférieure à 0,05 permet de rejeter l’hypothèse nulle; si elle ne l’est pas, on ne peut pas conclure que les moyennes sont égales ou qu’il n’existe aucune différence.
📐 Formule - Les données observées se décomposent en modèle et erreur : .
Compléments
Dans l’exemple du bonheur, le score moyen est de 7,4 avec un écart-type de 1,7, et l’échantillon comprend 874 hommes (49,4 %) et 897 femmes (50,6 %).
Pour comparer les scores de bonheur des hommes et des femmes dans l’exemple, le test t de Student pour échantillons indépendants donne t(1765) = 0,18 et p = 0,85, résultat non significatif au seuil de 0,05.
Les résultats statistiques doivent rapporter la p-value ainsi que la taille de l’effet, qui renseigne sur l’ampleur de l’effet.
Dans la décomposition statistique, le modèle est une représentation condensée des données et l’erreur correspond aux résidus.
Le type d’analyse dépend de la variable indépendante : une variable catégorielle à deux modalités conduit au test t de Student, une variable catégorielle à trois modalités ou plus à l’ANOVA, une variable numérique à la régression simple et plusieurs variables numériques à la régression multiple.
★ À maîtriser
Un nuage de points permet d’examiner la linéarité, la force et le sens d’une relation entre deux variables numériques.
Le coefficient de corrélation de Bravais-Pearson r varie de −1 à +1 et son signe indique le sens de la relation.
Une relation observée entre X et Y ne prouve pas une causalité : X peut causer Y, Y peut causer X, une troisième variable peut causer les deux, X peut contribuer avec d’autres variables à Y, ou la relation peut être une coïncidence.
Compléments
Pour tester la significativité d’une corrélation, l’hypothèse nulle pose que r = 0 dans la population; on la rejette si la p-value est inférieure à 0,05.
Le calcul et le test de significativité de r supposent une relation linéaire entre X et Y, et le test suppose que l’échantillon provient d’une distribution normale bivariée.
Une relation de cause à effet s’établit par une démarche expérimentale.
Les points atypiques, qui ne suivent pas la distribution caractéristique des autres données, peuvent influencer la corrélation.
Corrélation : relation symétrique ; régression : explication asymétrique de Y par X.
★ À maîtriser
📌 La corrélation mesure le sens et l’intensité d’une relation de manière symétrique, tandis que la régression cherche à expliquer Y à partir de X et traite Y comme la variable importante.
📐 Formule - Une droite de régression est définie par son ordonnée à l’origine b₀ et sa pente b₁, selon l’équation .
Compléments
📌 La corrélation porte sur deux variables, tandis que la régression peut expliquer Y à partir de plusieurs variables.
📐 Formule - Le poids observé est égal au poids prédit plus l’erreur : .
★ À maîtriser
📐 Formule - Un modèle de régression multiple s’écrit .
📌 Pour tester l’hypothèse nulle selon laquelle le R² dans la population est égal à 0, on utilise un test F de significativité globale du modèle.
Compléments
Le modèle de régression multiple comporte une seule ordonnée à l’origine b0 et un coefficient de régression pour chaque prédicteur.
Avant une régression multiple, on peut décrire les variables au moyen de statistiques univariées et examiner les corrélations par paires.
Le R² est une estimation biaisée du paramètre correspondant dans la population, et l’ampleur du biais dépend de l’effectif N et du nombre de prédicteurs p.
Dans l’exemple rapporté, le test t du coefficient des années d’études donne t(1537) = 4.385 et p < 0.001, ce qui indique que ce prédicteur est significatif dans le modèle.
★ À maîtriser
📌 Les coefficients non standardisés ne sont pas directement comparables lorsque les prédicteurs sont mesurés sur des échelles différentes, tandis que les coefficients standardisés peuvent servir à comparer leur contribution relative.
Compléments
Dans l’exemple, si le nombre d’années d’études augmente d’une unité et que les autres prédicteurs restent constants, le bonheur prédit augmente de 0.054 unité.
Le coefficient de régression d’un prédicteur dépend des autres prédicteurs inclus dans le modèle.
★ À maîtriser
📌 En régression multiple, une courbe dans un graphique des résidus en fonction des valeurs des prédicteurs indique un problème de linéarité.
Compléments
📌 L’homogénéité des variances en régression multiple s’évalue comme en régression simple.
Inclure deux prédicteurs fortement corrélés n’est pas utile et peut poser problème, même si le modèle peut être significatif avec des prédicteurs significatifs.
En cas de colinéarité parfaite, un prédicteur est une combinaison linéaire exacte des autres prédicteurs (constante comprise) et l’ordinateur ne peut pas estimer de manière unique tous les coefficients de régression.
La matrice de corrélation peut aider à détecter la colinéarité, mais elle n’est pas toujours suffisante.
📌 Un facteur d’inflation de la variance supérieur à 10 indique un problème de colinéarité.
★ À maîtriser
📌 Le choix d’un modèle de régression équilibre la qualité prédictive, associée à un R² élevé, et la parcimonie, qui favorise un petit nombre de prédicteurs.
Compléments
Dans l’exemple, la corrélation partielle entre bonheur et satisfaction de vie vaut 0.521, et son carré indique que 27 % de la variation du bonheur non expliquée par les symptômes dépressifs peut être expliquée par la satisfaction de vie.
Dans l’exemple, 19 % de la variation totale du bonheur est expliquée uniquement par la satisfaction de vie, et non par les symptômes dépressifs.
📌 Si deux modèles ont le même R², on choisit le modèle le plus simple.
La méthode descendante commence avec tous les prédicteurs, retire celui qui contribue le moins, puis répète le retrait jusqu’à ce que tous les prédicteurs soient significatifs.
La méthode ascendante ajoute d’abord le prédicteur le plus fortement corrélé avec y, puis celui qui a la plus forte corrélation semi-partielle avec y.
La méthode pas à pas suit le principe de la méthode ascendante et vérifie, après chaque ajout, s’il faut retirer le prédicteur le moins utile.
📌 Pour tester une modération, le modèle doit inclure x, z et leur interaction.
★ À maîtriser
L’ANOVA est un cas particulier de régression et, avec le test t de Student, relève du modèle linéaire général.
Le test F omnibus vérifie si la variable indépendante a globalement un effet sur la variable dépendante.
Pour une ANOVA à trois modalités, l’hypothèse nulle affirme que les trois moyennes de la population sont égales, tandis que l’hypothèse alternative affirme qu’elles ne sont pas toutes égales.
Un test F omnibus significatif indique qu’au moins deux moyennes diffèrent significativement, mais ne précise pas quelles moyennes sont différentes.
Compléments
📌 Un test F non significatif ne permet pas de montrer un effet significatif de la variable indépendante sur la variable dépendante.
Corrélation et régression
| Dimension | Corrélation | Régression |
|---|---|---|
| Objectif | Mesurer le sens et l’intensité | Expliquer Y à partir de X |
| Rôle des variables | Relation symétrique | Y est la variable à expliquer |
| Nombre de variables | Deux variables | Plusieurs variables explicatives possibles |
Teste tes connaissances sur Régression multiple et ANOVA avec 11 questions à choix multiples et corrections détaillées.
1. Une psychologue veut vérifier si une courte pause améliore la concentration. Quelle démarche respecte l’ordre d’une recherche statistique ?
2. Une équipe résume les scores de stress de ses participants, puis cherche à savoir si ces résultats permettent de tirer une conclusion sur l’ensemble des étudiants de la population concernée. Quelle distinction s’applique ?
Mémorisez les concepts clés de Régression multiple et ANOVA avec 10 flashcards interactives.
À quoi servent les statistiques en psychologie ?
Elles soutiennent la recherche, la lecture critique et la compréhension du monde.
Quelles étapes composent une démarche de recherche statistique ?
Formuler une question et une hypothèse, les opérationnaliser, recueillir et analyser les données, puis conclure.
Que mesure la corrélation entre deux variables numériques ?
Le sens et l’intensité de leur relation.
Importe ton cours et l'IA génère fiches, QCM et flashcards en 30 secondes.
Générateur de fiches