Table des matières

Régression linéaire.................................................................................................................................2
Les séries chronologique........................................................................................................................2
Analyse discriminante............................................................................................................................3
ANOVA...................................................................................................................................................3
Analyse de la variance 1 facteur.........................................................................................................3
Analyse de la variance à plusieurs facteurs........................................................................................4
Manova..............................................................................................................................................4
Ancova................................................................................................................................................4
Mancova.............................................................................................................................................4
Analyse factorielle..................................................................................................................................4
Analyse en composante principale (ACP)...........................................................................................5
Analyse factorielle exploratoire (AFE)................................................................................................5
Régression linéaire

On test l’impact de plusieurs variables indépendante sur une variable dépendante.

Taille de l’échantillon : 20 cas par variable
On n’obtiendra jamais une relation parfaite, mais il s’agit de trouver la meilleure relation
linéaire.
Les corrélations ne doivent pas être supérieures à 0.7
VIF : Le VIF est un test de la multi-colinéarité des concepts, C-A-D s’assurer qu’il n’existe
pas de problèmes potentiels liés à la multi-colinéarité des concepts. Ce dernier sert à détecter
une forte corrélation entre les variables indépendantes. Le seuil est de 10 selon Belsley,kuh &
Welsh.
R Coefficient de la corrélation : c’est un indice qui renseigne sur la force de la relation entre
la variable indépendante et la variable dépendante. Plus R est élevé plus la relations est forte.
Le coefficient de corrélation  il est compris entre 1 et -1, plus il est proche de 1 plus la relation
linéaire positive entre les variables est forte. Plus le coefficient est proche de -1, plus la
relation linéaire négative entre les variables est forte.
 Relation linéaire positive : les deux variables augmentent ou diminuent simultanément
à un taux constant
 Relation linéaire négative : une variable augmente alors que l’autre diminue.
R aux carrée : c’est indice qui renseigne sur la part de la variance de la variable dépendante
par la variable indépendante.
R aux carrée Ajustée : par rapport aux nombres de variables indépendante, elle sert à
comparer deux modèle qui ont des variables indépendante différente. (Le nombre des
variables explicatif n’est pas le même).
Béta (Coefficient non standardisée) : c’est la coefficient de la régression (échelle différent)
Béta (Coefficient Standardisée) : coefficient de régression standardisé, puisqu’il considère
le coefficient de régression sur une échelle standard.
La différence entre les deux est par rapport aux échelles.

Les séries chronologique

Elle décrit l’évolution d’un phénomène dans le temps, mesurer des données consiste à une
comparaison qui porte sur la même variable statistique saisie à des dates différentes. Elle est
fondée sur l’existence d’un lien entre la variable étudié et le temps.
Modèle additif  Les fluctuations sont d’amplitudes constantes autour de la
tendance.
 Le nuage des points est limité par deux parallèles.
modèle multiplicatif  Les fluctuations sont d’amplitudes liées à la valeur de la
 tendance.
 Le nuage des points est situé entre deux droites
concourantes.
Modèle mixte  La composante saisonnière agit de façon multiplicative.
 Les variations accidentelles sont additives.

Analyse discriminante

Cette analyse permet d’explique, à partir de variables quantitatives la répartition des individus
dans les modalités de la variable qualitative.
Son objectif est de prédire la variable qualitative Y en utilisant une des variables quantitative.
(Dans le cadre de deux groupes, C-A-D une variable quantitative X et une variable Qualitative
Y)
Son objectif est de déterminer l’importance des variables quantitatives dans l’affectation des
individus aux modalités de la variable qualitative. (Lorsqu’on a plusieurs variables
quantitatives X).
Les conditions de l’analyse discriminante : Observation indépendante, échantillon aléatoire,
variables explicatives ne doivent pas être corrélées entre elles, Absence de multi-colinéarité
entre les variables explicatives, Les combinaisons des variables indépendantes doivent être
linéaires et Multi-normalité des variables.

Test M de box : il s’agit de test l’Egalite des matrices variance-covariances, si il est

significatif le modèle est validé.
Lamba de wilks : permet de Distinguer les variables les plus discriminantes pour
l’affectation des individus dans l’un des deux groupes. (Si à valeur de lamba de wilks est
Inférieure ou égale à 0.9 elle est discriminante, si la valeur est strictement supérieure à 0.9 elle
est non discriminante).
La corrélation canonique : permet d’évaluer l’association entre la fonction discriminante et
les niveaux et les classes d’affectation C’est-à-dire la mesure de la liaison entre la fonction
discriminante et la variable qualitative codant l’appartenance aux groupes. Plus la valeur de la
corrélation canonique est proche de 1 plus la liaison est forte.

ANOVA
Analyse de la variance 1 facteur
Son objectif est d’explique Y (quantitative) à partir de X (qualitative).
Les conditions : normalité des données, si ils suivent une loi normale en utilisant le test de
kolmogorov smirnov, l’échantillon aléatoire, l’homogénéité de la variance intra-groupe à
travers le test de levine (il est significatif lorsqu’il est supérieure à 0.5).
Test post hoc : Duncan, permet de tester d’une manière exploratoire toutes les possibilités de
différences entre les groupes de données. Il aide à comparer les moyennes par pair afin de
trouver celles qui sont différentes.
Test de scheffe : permet de déterminer les différences significatif entre les moyennes de
groupe, il est applicable lorsque la taille des échantillons est différente.
Test de Turkey : permet de déterminer les différences significatif entre les moyennes de
groupe, il est applicable lorsque la taille des échantillons est la même.
Analyse de la variance à plusieurs facteurs
Tester ou expérimenter l’impact (l’effet) de deux ou plusieurs variables qualitatives X sur une
variable dépendante Y.
Exemple d’anova a 2 facteurs
Les parts factorielles + la part de l’interaction doivent être supérieure à la part résiduelle
Les conditions : normalité des données, si ils suivent une loi normale en utilisant le test de
kolmogorov smirnov, l’échantillon aléatoire, l’homogénéité de la variance intra-groupe à
travers le test de levine (il est significatif lorsqu’il est supérieure à 0.5) et Erreur.
Manova
Tester l’impact d’une ou plusieurs variables qualitatives X sur deux ou plusieurs variables
quantitatives Y.
Il s’agit d’expliquer la variance et la covariance
Les conditions : échantillon aléatoires (indépendance des observations), égalité des matrices
variance-covariances, normalité de la distribution des variables dépendantes et Erreur
(variables aléatoires indépendantes qui suivent une loi normale).
Ancova
Tester l’impact de deux ou plusieurs variables qualitatives & quantitatives X sur une variable
quantitative Y.
L’ancova combine les techniques de l’analyse de la régression et la variance.
Déterminer l’effet d’une variable quantitative X sur la variable quantitative, de plus tester la
relation initiale en supprimant l’effet indirecte de la Co-variable.
Contrôler la Co-variable afin de tester le degré de l’impact des variables qualitatives sur la
variable dépendante.
(La Co-variable est la variable quantitative X).
Mancova
Tester l’impact de deux ou plusieurs variables qualitatives & quantitatives X sur sur deux ou
plusieurs variables quantitatives Y.

Analyse factorielle
L’objectif de l’analyse factorielle est de simplifier l’information en repérant des
rapprochements entre les variables – leurs modalité de réponses.
L’analyse factorielle dépend de la nature des variables, pour les variables quantitatives en
utilise l’ACP (analyse en composante principales) qui réduis le nombre des variables, pour les
variables qualitatives en utilise l’ACM ou AFCM (analyse des correspondances multiples ou
analyse factorielle des correspondances multiples) lorsque nous avons plusieurs variables,
toutefois si on a que deux variables on utilise l’AC ou AFC (l’analyse des correspondances ou
l’analyse factorielle des correspondances) réduis le nombre de modalité des réponses.
Analyse en composante principale (ACP)
Les étapes : 1. Test préalable (test des matrices de corrélation de Pearson, KMO et sphéricité
de Bartlett), 2. Méthode d’extraction des facteurs-composantes (variance totale expliqué),
3.qualité de représentation, 4.identifié les variables associé aux composantes (grâce à la
matrice de composante), 5.positionner les individus sur les composantes principale.
Test préalable : test de matrice de corrélation de Pearson, la corrélation ne doit pas être ni
trop forte ni trop faible entre 0.8 et 0.3.
Test de sphéricité de Bartlett : il répond à la question suivante, est ce qu’on peut rejeter
l’hypothèse nulle qui indique l’absence de corrélation significatif pour pouvoir effectuer une
analyse factorielle.
Test de la mesure de précision de l’échantillonnage KMO : donne proportion des variables
qui forment un ensemble cohérent.
ACP factorisation en composante principales : maximise la variance totale expliquée par
les composantes.
ACP factorisations en AXES principaux (utiliser dans le cadre exploratoire AFE) :
maximise la variance commune partagée par des variables pour extraire des composantes.
Tableau de qualité de représentation (tableau des communautés) : c’est relative à
l’extraction entre 0 et 1, l’extraction proche de 1 est bien représentée par la composante
retenue. Selon (hair et al 1998) la communauté doit être supérieure ou égale à 0.5.
Communautés = c’est la part de variance d’une variable initiale restituée par une composante
retenue.
VARIMAX (rotation orthogonale) : minimise le nombre de variable ayant de forte
corrélation entre elles sur chaque composante, ils nous apportent une solution unique, on
cherche des composantes qui ne sont pas corrélées.
OBLIMIN (rotation oblique) : utilisé dans le cas où les composantes sont corréler, on se
basant sur des fondements théoriques.
Analyse factorielle exploratoire (AFE)
L’objectif de cette analyse, identifier un petit nombre de facteurs latents et d’interpréter ces
construits.
L’une des objectifs d’AFE est le développement d’un instrument de mesure, tester la validité
et la fiabilité
Réduction des items qui représente un concept
L’AFE permet de vérifier la structure latente derrière le concept et si ses items représentent
bien un instrument de mesure valide.
I’AFE est une méthode qui permet d’identifier les groupes des items qui Co-varient, ainsi que
signaler le nombre le nombre de dimension d’un concept.
Une étape plus avancée dans la démarche de la recherche AFE, on passe à l’analyse
factorielle confirmatoire, vérifié que le modèle théorique n’est pas différent de modèle
observé. Pour cela on utilise un indicateur qui mesure la qualité d’ajustement entre les deux
modèles CFI (Comparative Fit Index)
Instrument de mesure : prend en considération plusieurs questions afin de comprendre un
concept.
Items : des questions qui permettent de bien saisir les différentes facettes du concept.
Pour purifier l’instrument de mesure en testant sa validité et sa fiabilité, on projette les items
sous forme de questions à échelle sémantique différentiel de LIKERT.
La validité : désigne la capacité de l’instrument de l’instrument de mesure à appréhender un
phénomène. Ainsi que vérifier si les différents items d’un instrument de mesure sont une
bonne représentation de phénomène étudier.
La fiabilité : désigne la capacité de l’instrument de mesure à mesurer de façon constante le
concept. En fait il permet de retrouver plusieurs fois les mêmes résultats sur le même sujet.
On utilise le coefficient d’alpha de crombach, plus le coefficient est proche de 1 plus la
consistance interne est forte (fiable).

Les équations structurelles

L’objectif des équations structurelles est d’étudier et estimer les liens de causalités entre les
variables latentes
Variable latente : c’est une variable qui n’est pas directement observable (appréhender
indirectement par des variables manifestes)
Modèle formatif : les flèches pointent vers la variable latente, (les items « variables
manifestes » ne sont pas substituables) c a d on ne peut pas supprimer un item.
Modèle réflectif : les flèches pointent vers les items (les items mesurent la même chose « ils
sont substituables »
Les méthodes utilisées en équations structurelles : parmi les méthodes ; l’approche PLS
(moindres carrées partiels)
 Applicable à un petit échantillon (de 30 à 100)
 Approche orienté vers la réalisation des prévisions (se base sur la variance)
 Permet de traiter les deux modèles réflectif et formatif
 Permet de traiter des liens linéaires et non linéaires 
*non linéaire : lorsqu’on ajoute des variables modératrices ou médiatrices
 Les modèles de mesure et le modèle structurel sont testés alternativement
Variable médiatrice  : assure la médiation entre les deux variables
Variable modératrice : modère la relation entre les deux variables
Les étapes à suivre :
 Exploratoire
 Confirmatoire (confirmer la structure factorielle retenue) à travers la
validité convergente et la validité discriminante.
 Structurelle