QCM : Statistique inférentielle en psychologie (15 questions)

Explication

Des échantillons indépendants comprennent des personnes différentes dans chacun des groupes. Lorsque les mêmes personnes ou des personnes liées contribuent aux deux groupes, les mesures sont appariées.

Explication

La variable dépendante est quantitative parce qu’elle correspond au score ou à une autre mesure comparée, tandis que la variable indépendante est qualitative et distingue les conditions. Confondre leurs rôles revient à attribuer les scores à la variable qui définit les groupes.

Explication

Une différence significative entre les moyennes s’interprète comme un effet de la variable indépendante sur la variable dépendante. Elle n’indique pas que la variable dépendante définit les conditions, rôle attribué à la variable indépendante.

Explication

Les 16 sujets sont répartis aléatoirement en deux groupes de huit, qui évaluent chacun la sympathie d’une personne présentée comme plus ou moins attractive. L’attractivité est la caractéristique présentée, tandis que la réponse évaluée est la sympathie.

Explication

La quantité $d$ est calculée à partir des deux moyennes observées dans les échantillons et vaut $-1{,}625$. La différence entre les moyennes de population est notée $\mu_1 - \mu_2$ et n’est pas ce calcul observé.

Explication

L’hypothèse nulle de comparaison des deux moyennes de population pose $\mu_1 = \mu_2$, donc une différence de population nulle. L’égalité des moyennes observées des échantillons n’est pas l’hypothèse testée.

Explication

Un test bilatéral formule l’alternative comme une inégalité entre les moyennes de population et admet une différence dans l’un ou l’autre sens. Une hypothèse directionnelle comme $\mu_1 > \mu_2$ correspond plutôt à un test unilatéral.

Explication

La valeur p mesure, en supposant H₀ vraie, la probabilité d’obtenir un résultat au moins aussi extrême que celui observé. Le seuil α, contrairement à la valeur p, est fixé avant l’analyse.

Explication

Lorsque les variances sont inconnues, le calcul de la probabilité du test de comparaison de deux moyennes utilise la loi de Student. La loi normale est associée ici au cas où les variances sont connues.

Explication

La règle de décision prescrit de rejeter H₀ lorsque p < α. Lorsque p > α, H₀ est plutôt considérée comme acceptable selon cette règle.

Explication

L’intervalle est centré sur la différence observée D et sa marge repose sur le quantile t multiplié par l’erreur-type s_D. La formule avec z remplace à tort le quantile t dans cette expression.

Explication

Lorsque zéro appartient à l’intervalle, H₀ n’est pas rejetée par cette règle. La présence de zéro ne prouve pas que les moyennes sont égales, contrairement à une conclusion d’égalité certaine.

Explication

Avec des variances inconnues, la comparaison repose sur la loi de Student et correspond au test t. Le test z utilise la loi normale et correspond au cas où les variances sont connues.

Explication

Le test t de Welch s’applique lorsque les variances inconnues sont différentes. Le test t usuel repose au contraire sur l’hypothèse de variances égales.

Explication

Pour des distributions quelconques, la condition indiquée est que n₁ et n₂ soient chacun au moins égaux à 30. Avoir des tailles égales ne suffit pas si elles ne satisfont pas ce seuil.