1.

Types de coefficients statistiques

Chaque analyse statistique produit différents types de coefficients, i.e. des chiffres qui résument
certains types d’information. Assurez-vous toujours d’utiliser uniquement des coefficients
appropriés pour vos données. Il y a quatre types principaux de coefficients, que vous trouverez
dans la plupart des méthodes d’analyse:

Tableau 2: Types de coefficients statistiques qui décrivent une relation

Type de coefficient

Les coefficients vont généralement de -1 (relation négative totale) à

1. Force d’une relation
+1 (relation positive totale). 0 signifie aucune relation.

2. Structure (tendance)
Résume une tendance
d’une relation

3. Pourcentage de
Indique le degré de structure de votre modèle
variance expliquée

Calcule la probabilité ("Sig." / "p") que votre relation soit une

distribution hasardeuse, i.e. qu’il n’y ait pas de relation entre les
4. Seuil de signification variables.
de votre modèle
Typiquement, en sciences sociales, un seuil de signification inférieur
à 5% (0,05) est acceptable. N’interprétez pas de données qui se
situent au-dessus!

Au delà de ces coefficients qui résument des relations vous devez aussi veiller à respecter les
hypothèses sur les données, donc par exemple montrer que des variables utilisés dans une
analyse "paramétrique" (corrélation de Pearson, Anova, etc.) possède une distribution proche de
la normale. Ces quatre types sont mathématiquement liés: e.g., le seuil de signification ne
dépend pas uniquement de la taille de votre échantillon, mais également de la force d’une
relation.

Aperçu des méthodes statistiques

Les méthodes d’analyse de données statistiques peuvent être catégorisées en fonction des types
de données (concept expliqué dans Statistiques descriptives et échelles). Le tableau ci-dessous
présente des méthodes d’analyse bivariée courantes pour une variable X (explicative)
indépendante et pour une variable Y (à expliquer) dépendante.

Simples analyses bi-variées courantes

 Variable Y dépendante

Quantitative (à intervalles, Qualitative (nominale ou

échelle) ordinale)

Transformez X en une
variable qualitative et faites
un tableau croisé (c.f. ci-
dessous)
Quantitative Corrélation et régression
Variable X Alternativement, vous pouvez
indépendante vous renseigner sur l'analyse
(explicative) discriminante ou la régression
logistique.

Analyse de variance (aussi

Tableaux croisés (aussi
appelée Anova, Anova
Qualitative appelé tri croisé ou tableau de
simple, comparaison de
contingence
moyennes)

Un tableau similaire peut être créé pour une analyse multivariée, mais nous n’allons pas
présenter ce sujet.

Analyses multivariées courantes

Variable(s) Y dépendante(s)

Quantitative (à
Qualitative (nominale ou ordinale)
intervalles)

Analyse Transformez X en variables qualitatives

factorielle, et reportez-vous ci-dessous ou séparez
régression une variable en plusieurs variables
Quantitative
multiple, SEM, dichotomiques (oui/non) et reportez-vous
Variable(s) X analyse à gauche. Analyse discriminante pour
indépendante(s) typologique une seule variable dépendante.
(explicative)

Positionnement multidimensionnel, logit,

Qualitative Anova
etc.

Hypothèses de données
Les hypothèses de données (Angl.: "Data assumptions") vous disent si oui ou non un méthode
statistique est appropriée par rapport à un type de données. Savoir distinguer entre variables
intervalles, ordinales et nominales est la chose la plus importante, mais il existe des contraintes
supplémentaires. Les analyses "paramétrique" comme la régression, la corrélation de Pearson et
la régression exigent que les données soient proches d'une distribution normale. Cela implique
par exemple qu'on ne peut faire une régression avec une variable dichotomique (par exemple,
1=réussite et 2=non-réussite).

• Durée totale du trajet

Durée totale du trajet Nb. cit. Fréq.

Pas satisfait 10 20,0%

Satisfait 40 80,0%

TOTAL OBS. 50 100%

Moyenne = 3,00 Ecart-type = 0,64

La différence avec la répartition de référence est très significative. chi2 = 18,00, ddl = 1, 1-p =
>99,99%.
Durée totale du trajet

80,0%

20,0%

Pas satisfait Satisfait

• Confort du véhicules

Confort du véhicules Nb. cit. Fréq.

Très inconfortable 1 2,0%

Inconfortable 7 14,0%

Confortable 37 74,0%

Très confortable 5 10,0%

TOTAL OBS. 50 100%

Moyenne = 2,92 Ecart-type = 0,57

La différence avec la répartition de référence est très significative. chi2 = 65,52, ddl = 3, 1-p =
>99,99%.

Confort du véhicules

74,0%

14,0%
10,0%
2,0%

Trèsinconfort Inconfortable Confortable Très

able confortable

• itinéraire emprunté

itinéraire emprunté Nb. cit. Fréq.

Pas satisfait 10 20,0%

Satisfait 40 80,0%
TOTAL OBS. 50 100%

Moyenne = 2,94 Ecart-type = 0,65

La différence avec la répartition de référence est très significative. chi2 = 18,00, ddl = 1, 1-p =
>99,99%.

• Sécurité du trajet

Sécurité du trajet Nb. cit. Fréq.

Pas satisfait 9 18,0%

Satisfait 41 82,0%

TOTAL OBS. 50 100%

Moyenne = 2,92 Ecart-type = 0,60

La différence avec la répartition de référence est très significative. chi2 = 20,48, ddl = 1, 1-p =
>99,99%.
Sécurité du trajet

82,0%

18,0%

Pas satisfait Satisfait

 I. SATISFACTION et Impact CANTINE

• Variété des plats

Variété des plats Nb. cit. Fréq.

Pas satisfait 10 20,0%

Satisfait 40 80,0%

TOTAL OBS. 50 100%

Moyenne = 2,86 Ecart-type = 0,50

La différence avec la répartition de référence est très significative. chi2 = 18,00, ddl = 1, 1-p =
>99,99%.

Variété des plats

80,0%

20,0%

Pas s Satisf
atisfai ait
t

• Qualité des plats

Qualité des plats Nb. cit. Fréq.

Pas satisfait 11 22,0%

Satisfait 39 78,0%

TOTAL OBS. 50 100%

Moyenne = 2,80 Ecart-type = 0,53

La différence avec la répartition de référence est très significative. chi2 = 15,68, ddl = 1, 1-p = 99,99%.
Qualité des plats

78,0%

22,0%

Pas s Satisf
atisfai ait
t

• Quantité plat

Quantité plats Nb. cit. Fréq.