QCM : Régression multiple et ANOVA (11 questions)

Questions et réponses du QCM

1. Une psychologue veut vérifier si une courte pause améliore la concentration. Quelle démarche respecte l’ordre d’une recherche statistique ?

Formuler une question et une hypothèse, analyser les données, définir des variables, puis conclure
Recueillir les données, formuler une hypothèse, analyser les variables, puis poser une question
Formuler une question et une hypothèse, définir des variables, recueillir et analyser les données, puis conclure
Formuler une question, recueillir les données, conclure, puis définir et analyser les variables

Formuler une question et une hypothèse, définir des variables, recueillir et analyser les données, puis conclure

Explication

La démarche va de la question et de l’hypothèse à leur opérationnalisation, puis au recueil, à l’analyse et à la conclusion. Analyser avant le recueil, conclure avant l’opérationnalisation ou recueillir avant de formuler la question inverse cet enchaînement.

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 ?

Les deux opérations sont descriptives puisqu’elles partent des mêmes scores
La synthèse des scores est inférentielle et la conclusion sur la population est descriptive
Les deux opérations sont inférentielles puisqu’elles portent sur une population
La synthèse des scores est descriptive et la conclusion sur la population est inférentielle

La synthèse des scores est descriptive et la conclusion sur la population est inférentielle

Explication

Les statistiques descriptives résument les données observées, tandis que les statistiques inférentielles évaluent ce qu’elles permettent de conclure sur une population. Assimiler le résumé à l’inférence confond les fonctions; attribuer la généralisation au descriptif les inverse; qualifier les deux opérations de même type efface cette distinction.

3. Une chercheuse veut examiner si l’association entre le temps d’étude et le résultat à un examen est linéaire, forte ou faible, et positive ou négative. Quel outil graphique convient ?

Un nuage de points représentant les deux variables numériques
Un diagramme en barres comparant des catégories de participants
Un histogramme représentant séparément la distribution d’une variable
Un coefficient numérique calculé sans représentation graphique

Un nuage de points représentant les deux variables numériques

Explication

Un nuage de points permet d’examiner la linéarité, la force et le sens d’une relation entre deux variables numériques. L’histogramme décrit une variable, le diagramme en barres compare des catégories, et un coefficient numérique n’est pas l’outil graphique demandé.

4. Dans une étude, le coefficient de corrélation de Bravais-Pearson entre le temps de pratique et le nombre d’erreurs est r=−0.62r=-0.62. Quelle interprétation respecte les propriétés de rr ?

La relation est négative, et la valeur de rr se situe hors de l’intervalle permis
La relation est positive, et la valeur de rr se situe hors de l’intervalle permis
La relation est négative, et la valeur de rr se situe dans l’intervalle de −1-1 à +1+1
La relation est positive, et la valeur de rr se situe dans l’intervalle de −1-1 à +1+1

La relation est négative, et la valeur de $$r$$ se situe dans l’intervalle de $$-1$$ à $$+1$$

Explication

Le coefficient rr varie de −1-1 à +1+1 et son signe indique le sens de la relation; une valeur négative indique donc une relation négative. Le signe ne rend pas l’intensité négative, et −0.62-0.62 respecte les bornes du coefficient.

5. Que désigne la régression linéaire simple ?

Une mesure de la proportion de variabilité totale de Y attribuable à l’ensemble des prédicteurs
Une méthode qui explique une variable numérique Y à partir d’une variable numérique X
Une méthode qui explique une variable numérique Y à partir de plusieurs variables explicatives
Une mesure symétrique du sens et de l’intensité du lien entre deux variables numériques

Une méthode qui explique une variable numérique Y à partir d’une variable numérique X

Explication

La régression linéaire simple vise à expliquer une variable numérique Y à partir d’une seule variable numérique X. La mesure symétrique du sens et de l’intensité décrit la corrélation, qui ne traite pas une variable comme résultat à expliquer.

6. Dans l’équation d’une régression multiple, combien de coefficients de régression sont associés à un modèle comportant pp prédicteurs ?

Un coefficient pour chaque variable, prédicteurs compris
Un coefficient unique pour l’ensemble des prédicteurs
Un coefficient pour chaque paire de prédicteurs
Un coefficient pour chacun des pp prédicteurs

Un coefficient pour chacun des $$p$$ prédicteurs

Explication

Le modèle comprend une ordonnée à l’origine et un coefficient de régression pour chaque prédicteur. Un coefficient unique pour l’ensemble des prédicteurs ne permettrait pas de représenter leur contribution individuelle.

7. Dans une régression multiple, à quoi sert un coefficient de régression non standardisé pour un prédicteur donné ?

Indiquer la valeur prédite de la variable dépendante lorsque tous les prédicteurs valent zéro
Comparer directement la contribution de ce prédicteur à celle de variables mesurées sur d’autres échelles
Estimer la variation attendue de la variable dépendante pour une unité supplémentaire de ce prédicteur, les autres restant constants
Mesurer la proportion de la variabilité de la variable dépendante expliquée par ce prédicteur seul

Estimer la variation attendue de la variable dépendante pour une unité supplémentaire de ce prédicteur, les autres restant constants

Explication

Ce coefficient quantifie le changement attendu de la variable dépendante associé à une hausse d’une unité du prédicteur, en maintenant les autres prédicteurs constants. Les coefficients non standardisés ne permettent pas une comparaison directe des contributions lorsque les prédicteurs utilisent des échelles différentes.

8. Dans un graphique des résidus en fonction des valeurs des prédicteurs, quel motif indique un problème de linéarité ?

Une courbe dans la répartition des résidus
Une dispersion des résidus de largeur constante
Une bande horizontale autour de zéro
Une forme approximativement symétrique de l’histogramme

Une courbe dans la répartition des résidus

Explication

Une courbe dans le graphique des résidus suggère que la relation entre les prédicteurs et la variable expliquée n’est pas linéaire. Une dispersion de largeur constante concerne plutôt l’homogénéité des variances, et non la linéarité.

9. Quelle distinction oppose la médiation à la modération dans une relation entre deux variables ?

La médiation décrit comment et pourquoi un effet se produit, tandis que la modération indique quand ou sous quelle condition il varie.
La médiation indique quand un effet varie, tandis que la modération décrit comment et pourquoi il se produit.
La médiation mesure la part de variation expliquée par un prédicteur, tandis que la modération contrôle les autres prédicteurs.
La médiation compare la qualité prédictive de modèles, tandis que la modération choisit le modèle le plus parcimonieux.

La médiation décrit comment et pourquoi un effet se produit, tandis que la modération indique quand ou sous quelle condition il varie.

Explication

La médiation situe une variable intermédiaire qui aide à expliquer comment et pourquoi l’effet de x sur y se produit, alors que la modération montre dans quelles conditions cet effet varie. La deuxième proposition inverse ces deux rôles.

10. Lors d’une ANOVA à trois groupes, le test F omnibus est significatif. Quelle conséquence peut-on en tirer ?

Les trois moyennes diffèrent toutes deux à deux.
Au moins deux moyennes diffèrent, sans identifier lesquelles.
La variable catégorielle explique entièrement les différences observées.
La moyenne du groupe le plus grand diffère de celles des autres groupes.

Au moins deux moyennes diffèrent, sans identifier lesquelles.

Explication

Un test F omnibus significatif indique qu’au moins deux moyennes de population diffèrent. Il ne permet pas à lui seul de déterminer quelles moyennes sont distinctes, contrairement à une comparaison ciblée entre groupes.

11. Une psychologue obtient une valeur de p=0,03p=0{,}03 pour un test comparant deux moyennes, avec un seuil fixé à 0,050{,}05. Quelle conclusion statistique est justifiée ?

Rejeter l’hypothèse nulle d’égalité des moyennes dans la population.
Conclure que les deux moyennes de population sont nécessairement différentes.
Établir que la différence observée est importante sur le plan pratique.
Confirmer que la probabilité que l’hypothèse nulle soit vraie vaut 0,030{,}03.

Rejeter l’hypothèse nulle d’égalité des moyennes dans la population.

Explication

Comme la valeur de pp est inférieure au seuil de 0,050{,}05, le résultat permet de rejeter l’hypothèse nulle. Cela ne mesure pas l’importance pratique de la différence et ne donne pas la probabilité que l’hypothèse nulle soit vraie.

Révisez avec les flashcards

Mémorisez les réponses avec 10 flashcards sur Régression multiple et ANOVA.

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.

Voir les flashcards →

Approfondir avec la fiche

Consultez la fiche de révision complète sur Régression multiple et ANOVA.

Voir la fiche →

Cours similaires

Crée tes propres QCM

Importe ton cours et l'IA génère des QCM avec corrections en 30 secondes.

Générateur de QCM