QCM : Statistiques descriptives et modèles linéaires (14 questions)

Questions et réponses du QCM

1. Concernant l’utilité des statistiques en psychologie :

Elles contribuent à développer l’esprit critique face aux phénomènes psychologiques étudiés.
Elles participent à la recherche expérimentale et aident à comprendre le monde.
Elles remplacent l’expérimentation par l’intuition du chercheur dans l’étude des comportements.
Elles aident à lire les publications et à conduire ses propres recherches en psychologie.
Elles servent à confirmer les intuitions probabilistes, généralement fiables dans la vie courante.

Elles contribuent à développer l’esprit critique face aux phénomènes psychologiques étudiés. · Elles participent à la recherche expérimentale et aident à comprendre le monde. · Elles aident à lire les publications et à conduire ses propres recherches en psychologie.

Explication

Les statistiques sont utiles pour lire les publications, mener des recherches, participer à la recherche expérimentale, développer l’esprit critique et comprendre le monde. Elles compensent les limites de l’intuition en probabilités au lieu de la confirmer ou de remplacer l’expérimentation.

2. Une psychologue prépare une étude et souhaite renforcer sa démarche scientifique ; quelles contributions des statistiques peut-elle mobiliser ?

Elles peuvent l’aider à interpréter les résultats publiés dans des recherches psychologiques.
Elles écartent la nécessité de développer un esprit critique envers les résultats observés.
Elles soutiennent la conduite de ses propres recherches et la recherche expérimentale.
Elles lui permettent de se fier davantage à son intuition lorsqu’elle estime des probabilités.
Elles peuvent nourrir sa compréhension du monde et son esprit critique.

Elles peuvent l’aider à interpréter les résultats publiés dans des recherches psychologiques. · Elles soutiennent la conduite de ses propres recherches et la recherche expérimentale. · Elles peuvent nourrir sa compréhension du monde et son esprit critique.

Explication

Les statistiques permettent de lire les publications, de conduire ses recherches et de participer à la recherche expérimentale ; elles favorisent aussi l’esprit critique et la compréhension du monde. Elles ne rendent pas l’intuition probabiliste plus fiable et ne dispensent pas d’exercer son esprit critique.

3. Une équipe compare le score de bonheur d’hommes et de femmes ; quelle description correspond à son hypothèse opérationnelle et à un plan intersujets ?

L’hypothèse prévoit un score de bonheur différent entre les hommes et les femmes.
Un plan intersujets compare des groupes constitués de personnes différentes.
Un plan apparié compare des groupes composés de personnes différentes.
Un plan intersujets compare des mesures liées aux mêmes personnes à deux moments.
L’hypothèse opérationnelle prévoit des scores de bonheur identiques entre les deux groupes.

L’hypothèse prévoit un score de bonheur différent entre les hommes et les femmes. · Un plan intersujets compare des groupes constitués de personnes différentes.

Explication

L’hypothèse opérationnelle prévoit que le score de bonheur diffère selon le sexe. Un plan intersujets compare des groupes de personnes différentes ; les mesures liées aux mêmes personnes relèvent d’un plan intrasujets ou apparié.

4. Une analyse est réalisée au seuil de 0,05 et donne une p-value de 0,03 ; quelles conclusions sont justifiées ?

Cette p-value conduit à ne pas rejeter l’hypothèse nulle au seuil retenu.
Le rejet de l’hypothèse nulle permet d’affirmer que les deux moyennes sont égales.
Cette p-value suffit à décrire l’importance de l’effet observé entre les moyennes.
Une p-value de 0,03 indique que l’effet significatif n’a pas été mis en évidence.
Cette p-value permet de rejeter l’hypothèse nulle et de conclure à un effet significatif.

Cette p-value permet de rejeter l’hypothèse nulle et de conclure à un effet significatif.

Explication

Comme 0,03 est inférieur à 0,05, l’hypothèse nulle peut être rejetée et l’effet est statistiquement significatif. Une p-value ne suffit pas à décrire l’importance de l’effet, laquelle nécessite notamment la taille d’effet ; le non-rejet et l’affirmation d’égalité ne correspondent pas à ce résultat.

5. Dans l’exemple du lancer de pièce, que peut-on associer aux observations et au modèle linéaire général ?

Dans le modèle linéaire général, la variable dépendante s’écrit comme la variable indépendante moins l’erreur.
Avec 23 piles et 27 faces, la probabilité indiquée dans l’exemple est p = 0,57.
Avec 20 piles et 30 faces, la probabilité indiquée dans l’exemple est p = 0,57.
Avec 2 piles et 48 faces, la probabilité indiquée dans l’exemple est p = 0,16.
Avec 25 piles et 25 faces, la probabilité indiquée dans l’exemple est p = 0,57.

Avec 23 piles et 27 faces, la probabilité indiquée dans l’exemple est p = 0,57.

Explication

L’exemple associe 23 piles et 27 faces à p = 0,57 ; 20 piles et 30 faces correspondent à p = 0,16, tandis que 2 piles et 48 faces donnent p < 0,0001 et 25 piles et 25 faces donnent p = 1. Le modèle linéaire général représente les données comme la somme du modèle et de l’erreur : VD = VI + erreur.

6. Une étude cherche à expliquer une variable dépendante numérique. Quel test ou modèle convient selon le nombre et le type de variables indépendantes ?

Avec deux modalités catégorielles de la variable indépendante, un test t de Student convient.
Avec plusieurs variables indépendantes numériques, une régression multiple convient.
Avec une variable indépendante catégorielle à deux modalités, une régression simple convient.
Avec une variable indépendante numérique, une ANOVA convient.
Avec trois modalités catégorielles ou davantage, une ANOVA convient.

Avec deux modalités catégorielles de la variable indépendante, un test t de Student convient. · Avec plusieurs variables indépendantes numériques, une régression multiple convient. · Avec trois modalités catégorielles ou davantage, une ANOVA convient.

Explication

Deux modalités catégorielles orientent vers le test t de Student, et trois modalités ou plus vers l’ANOVA. Plusieurs variables indépendantes numériques relèvent d’une régression multiple ; une seule variable numérique relève d’une régression simple, tandis que l’ANOVA ne correspond pas à ce cas.

7. Concernant le coefficient de corrélation de Bravais-Pearson :

La covariance taille-poids indiquée vaut 76 avec la taille en centimètres et 0,76 avec la taille en mètres.
Sa valeur est comprise entre moins un et plus un.
Il mesure l’intensité d’une relation linéaire entre deux variables numériques.
Son signe renseigne sur le sens de la relation entre les deux variables.
Il s’agit d’une mesure standardisée, utilisable malgré des unités de mesure différentes.

La covariance taille-poids indiquée vaut 76 avec la taille en centimètres et 0,76 avec la taille en mètres. · Sa valeur est comprise entre moins un et plus un. · Il mesure l’intensité d’une relation linéaire entre deux variables numériques. · Son signe renseigne sur le sens de la relation entre les deux variables. · Il s’agit d’une mesure standardisée, utilisable malgré des unités de mesure différentes.

Explication

Le coefficient de Bravais-Pearson mesure de façon standardisée l’intensité d’une relation linéaire entre deux variables numériques. Il varie de moins un à plus un, et son signe indique le sens de la relation ; la covariance taille-poids citée change de 76 à 0,76 lorsque la taille passe des centimètres aux mètres.

8. Une équipe observe une relation en forme de courbe entre taille et poids et connaît l’exemple taille-poids : quelles interprétations du coefficient de Bravais-Pearson sont exactes ?

Une relation non linéaire constitue le cas visé par ce coefficient.
Pour calculer ce coefficient, l’équipe doit vérifier que la relation entre les variables est linéaire.
Une forme courbe satisfait l’exigence de linéarité pour ce calcul.
Dans l’exemple taille-poids, la valeur rapportée du coefficient est égale à 0,76.
Dans l’exemple taille-poids, le coefficient rapporté est égal à 0,53.

Pour calculer ce coefficient, l’équipe doit vérifier que la relation entre les variables est linéaire. · Dans l’exemple taille-poids, le coefficient rapporté est égal à 0,53.

Explication

Le calcul du coefficient de Bravais-Pearson suppose une relation linéaire, et l’exemple taille-poids rapporte r=0,53r = 0{,}53. Une relation courbe n’est pas linéaire ; la valeur de 0,76 citée concerne la covariance avec la taille exprimée en mètres, non le coefficient de corrélation.

9. Une équipe étudie deux variables numériques et dispose d’un effectif important : quelle démarche et quelles précautions sont adaptées ?

Elle caractérise la forme, la force et le sens de la relation avant de calculer un coefficient.
Le test de significativité suppose une distribution normale bivariée, mais il est robuste, surtout avec un grand effectif.
Elle représente ensuite la relation entre variables au moyen d’un nuage de points.
Un grand effectif dispense de représenter la relation et d’en décrire la forme.
Elle décrit d’abord séparément chaque variable numérique avant d’étudier leur relation.

Elle caractérise la forme, la force et le sens de la relation avant de calculer un coefficient. · Le test de significativité suppose une distribution normale bivariée, mais il est robuste, surtout avec un grand effectif. · Elle représente ensuite la relation entre variables au moyen d’un nuage de points. · Elle décrit d’abord séparément chaque variable numérique avant d’étudier leur relation.

Explication

L’analyse commence par la description séparée des variables, puis passe au nuage de points et à la caractérisation de la forme, de la force et du sens avant le calcul d’un coefficient. Le test de significativité suppose une distribution normale bivariée et reste robuste, notamment lorsque l’effectif est important ; cela ne supprime pas les étapes descriptives.

10. Une étude met en évidence une association entre deux variables, sans intervention expérimentale : cochez la (les) proposition(s) exacte(s) :

La première variable peut causer la seconde, ou la seconde peut causer la première.
L’association observée ne démontre pas à elle seule une relation causale entre les variables.
La relation observée peut aussi résulter d’une simple coïncidence.
Une troisième variable peut être à l’origine des deux variables observées.
La première variable peut contribuer à la seconde, avec d’autres causes de cette dernière.

La première variable peut causer la seconde, ou la seconde peut causer la première. · L’association observée ne démontre pas à elle seule une relation causale entre les variables. · La relation observée peut aussi résulter d’une simple coïncidence. · Une troisième variable peut être à l’origine des deux variables observées. · La première variable peut contribuer à la seconde, avec d’autres causes de cette dernière.

Explication

Une corrélation ne suffit pas à établir une causalité. Les explications possibles comprennent une causalité dans l’un ou l’autre sens, une cause commune, une contribution partielle accompagnée d’autres causes, ou une simple coïncidence.

11. Dans une analyse par groupes, une association entre deux variables change de sens après regroupement des données : quelles conclusions sont exactes ?

Établir une relation de cause à effet nécessite une démarche expérimentale.
Cette inversion après regroupement correspond au paradoxe de Simpson.
Le paradoxe de Simpson apparaît quand les groupes combinés font disparaître toute relation.
Le paradoxe de Simpson désigne une association qui conserve son sens après regroupement.
Une association observée suffit à établir une relation causale sans démarche expérimentale.

Établir une relation de cause à effet nécessite une démarche expérimentale. · Cette inversion après regroupement correspond au paradoxe de Simpson.

Explication

Le paradoxe de Simpson correspond à l’inversion, après combinaison des groupes, d’une relation observée dans ces groupes. Une association ne démontre pas la causalité : son établissement nécessite une démarche expérimentale.

12. Pour une droite ajustée d’équation Y=5+2XY = 5 + 2X et une observation de valeur Y=12Y = 12 lorsque X=3X = 3, quelles propositions sont exactes ?

L’ordonnée à l’origine de la droite vaut 5 unités de Y.
La pente indique une diminution de 2 unités de Y par unité de X.
La valeur prédite pour X=3X = 3 est 11 unités de Y.
Le résidu correspond à la valeur prédite diminuée de la valeur observée.
Le résidu de cette observation vaut 1 unité de Y.

L’ordonnée à l’origine de la droite vaut 5 unités de Y. · La valeur prédite pour $$X = 3$$ est 11 unités de Y. · Le résidu de cette observation vaut 1 unité de Y.

Explication

Dans l’équation, l’ordonnée à l’origine vaut 5 et la pente vaut 2; pour X=3X = 3, la prédiction est 5+2×3=115 + 2 \times 3 = 11. Le résidu est l’observé moins le prédit, soit 12−11=112 - 11 = 1; la pente est positive, et l’ordre inverse du calcul du résidu est incorrect.

13. Une équipe évalue une régression linéaire simple et souhaite tester la significativité du modèle :

Dans une régression linéaire simple, le test du modèle et celui de b1b_1 donnent des valeurs de pp différentes.
Pour l’exemple taille-poids, le résultat rapporté est F(1,1579)=627F(1,1579)=627, avec p<.001p<.001.
Dans une régression linéaire simple, tester le modèle ou b1b_1 donne la même valeur de pp.
L’hypothèse nulle du test F pose que le R2R^2 de la population parente vaut un.
Le test F examine l’hypothèse nulle selon laquelle le R2R^2 de la population parente est nul.

Pour l’exemple taille-poids, le résultat rapporté est $$F(1,1579)=627$$, avec $$p<.001$$. · Dans une régression linéaire simple, tester le modèle ou $$b_1$$ donne la même valeur de $$p$$. · Le test F examine l’hypothèse nulle selon laquelle le $$R^2$$ de la population parente est nul.

Explication

Le test F évalue bien l’hypothèse nulle R2=0R^2=0 dans la population parente, et l’exemple taille-poids est rapporté avec F(1,1579)=627F(1,1579)=627 et p<.001p<.001. En régression simple, le test du modèle et celui de b1b_1 ont la même valeur de pp ; l’hypothèse nulle ne pose pas R2=1R^2=1, et les deux tests ne produisent pas des valeurs de pp différentes.

14. Pour le modèle Poids=−76+(0,9×Taille)\text{Poids}=-76+(0,9\times\text{Taille}), une personne mesure 185 cm ; cochez la (les) proposition(s) exacte(s) :

Une régression linéaire peut servir à résumer des données observées.
Le poids prédit pour cette personne est de 90,5 kg selon le modèle indiqué.
La régression linéaire sert à prédire, mais ne permet pas de résumer des données.
La régression linéaire peut être utilisée pour tester des théories et produire des prédictions.
La prédiction s’obtient en remplaçant la taille par 185 dans l’équation du modèle.

Une régression linéaire peut servir à résumer des données observées. · Le poids prédit pour cette personne est de 90,5 kg selon le modèle indiqué. · La régression linéaire peut être utilisée pour tester des théories et produire des prédictions. · La prédiction s’obtient en remplaçant la taille par 185 dans l’équation du modèle.

Explication

En substituant 185 à la taille, on obtient −76+(0,9×185)=90,5-76+(0,9\times185)=90,5 kg. La régression linéaire sert à résumer des données, à tester des théories et à faire des prédictions ; elle ne se limite donc pas à la prédiction.

Révisez avec les flashcards

Mémorisez les réponses avec 47 flashcards sur Statistiques descriptives et modèles linéaires.

À quoi les statistiques sont-elles utiles en psychologie ?

Elles permettent de lire les publications scientifiques.

Comment les statistiques compensent-elles une limite de l’intuition en psychologie ?

Elles compensent les limites de l’intuition en probabilités.

Quel esprit les statistiques aident-elles à développer en psychologie ?

L’esprit critique.

Voir les flashcards →

Approfondir avec la fiche

Consultez la fiche de révision complète sur Statistiques descriptives et modèles linéaires.

Voir la fiche →

Cours similaires

Dosage spectrophotométrique Beer-Lambert

Chimie

Mémoire de travail et apprentissage

Individu et espèce

SVT

Technologies de fabrication

Coping et soutien social

Suites numériques et suites arithmétiques

Mathématiques

Crée tes propres QCM

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

Générateur de QCM