MÉTHODES

QUANTITATIVES
 CHOISIR LE BON TEST
• TESTS PARAMÉTRIQUES : POUR UNE VARIABLE DÉPENDANTE MÉTRIQUE AVEC
UNE DISTRIBUTION SYMÉTRIQUE
Variable dépendante numérique (outcome)
Catégorielle
• 2 categories Test T parier (si vous comparez le même échantillon à 2 moments
Variable différents - test/retest- ou 2 échantillons - échantillon test contre
indépendante échantillon témoin.
(predicteur) Test T sur échantillon indépendant - indépendant (avec 2
échantillons ou catégories) par rapport à la variable dépendante.

• 3 ou plus de Analyse de la variance (Anova) - comme le test de l'échantillon

categories indépendant mais avec une variable indépendante avec au moins
3 échantillons (ou catégories).
Métrique Corrélation de Pearson (voir le cours sur la force et la relation).
 CHOISIR LE BON TEST (2)
• TESTS NON-PARAMÉTRIQUES : LA VARIABLE DÉPENDANTE EST CATÉRORIELLE OU EST
UNE MÉTRIQUE NE PRÉSENTANT PAS UNE DISTRIBUTION SYMÉTRIQUE

variable dépendante catégorielle

Nominal Ordinale (ou métrique
non symétrique)
Nominale
Variable • 2 categories Chi² Man-Whitney U
indépendante Friedman (paired test)

• 3 ou plus de Chi² Kruskal-Wallis H

catégories
Friedman (paired test)

Ordinale Chi² Spearman correlation

(Rhô)
Métrique Logistic regression
(if the nominal is a binary one),
Probit
FORCE DES RELATIONS ET
RÉGRESSION
SÉANCE 4
 TESTER LA FORCE DE LA RELATION ENTRE
DEUX VARIABLES
• SJUSQU'À PRÉSENT, NOUS AVONS TESTÉ LES HYPOTHÈSES DE DÉPENDANCE OU
D'INDÉPENDANCE ENTRE DEUX VARIABLES.
• MAINTENANT, NOUS ALLONS TESTER LA FORCE "APPLIQUÉE" PAR LA VARIABLE
INDÉPENDANTE SUR LA VARIABLE DÉPENDANTE.
dependent
Nominal Ordinal Numériqu
e
nominal Phi & V de Phi & eta
Cramer Cramer’s V
independent Ordinal Eta ou Phi et V Rhô de eta
de Cramer Spearman
Numéric eta Rhô de R et R² de
Spearman Pearson
 PLAN DES PROCÉDURES À SUIVRE

1. PHI ET V DE CRAMER
2. ETA
3. RHÔ DE SPEARMAN
4. R ET R² DE PEARSON
1. PHI ET V DE CRAMER (SUIVRE LA PROCEDURE
DU CHI² )
• ANALYSEZ > STATISTIQUES DESCRIPTIVES >CROSSTABS
> STATISTIQUES > COCHEZ LA CASE PHI ET CRAMER'S V
• SI PHI EST PROCHE DE 1 IL Y A UNE FORTE
DÉPENDANCE ET SI PROCHE DE 0 IL Y A UNE FAIBLE
DÉPENDANCE.

Pas significatif donc

Il n'y a pas de dépendance de plus, Phi est
faible
 2. ETA

• ETA :
• ANALYSER > COMPARER LES
MOYENNES > MOYENNES >
SÉLECTIONNER 2 VARIABLES
> OPTIONS > VÉRIFIER LA
TABLE D'ANOVA ET ETA

Selon les résultats, le lieu de résidence

Eta² can be interpreted as an
r² (coef. of determination).
a un impact sur les réponses à la
variable indépendante (Utilité) mais
cette relation est très faible (VI
n'explique que 2,5% des réponses à la
VD).
 3. LECTURE SIMPLE DES SORTIES D'UN
TABLEAU CROISÉ DE 2 VARIABLES
ORDINALES AVEC LE RHÔ DE SPEARMAN
• ANALYSER - CORRÉLATION BIVARIÉE - CHOISIR LE RHÔ DE SPEARMAN - CHOISIR 2 VARIABLES ORDINALES.

Il existe ici une

relation assez forte
entre les deux
variables (rhô =
0.653) et cette
relation est
significative (sig.
0.000)
 4. R ET R² DE PEARSON

• ANALYSER > CORRELATION > • ANALYSER > RÉGRESSION >

BIVARIÉE > SÉLECTIONNER 2 LINÉAIRE > SÉLECTIONNER 2
VARIABLES MÉTRIQUES > OK VARIABLES MÉTRIQUES > OK

Relation entre le risque perçu et la

facilité d'utilisation perçue. Ici la
corrélation est significative et
moyenne. Le poids d'une variable sur
l'autre est de 36,8%.
RÉGRESSION
 DIFFERENTS MODÈLES DE RÉGRESSION

• MODÈLE LOGISTIQUE : LA
VARIABLE DÉPENDANTE PEUT
AVOIR SEULEMENT 2
VALEURS.
• EXEMPLE : ADHÉSION OU
NON-ADHÉSION ; OUI OU NON,
....
 DIFFERENTS MODÈLES DE RÉGRESSION

• LE MODÈLE
LOGARITHMIQUE :
• C'EST UN MODÈLE NON
LINÉAIRE.
• VOS DEUX VARIABLES SONT
MÉTRIQUES (COMME LE
MODÈLE LINÉAIRE).
 DIFFERENTS MODÈLES DE RÉGRESSION

• MODÈLE QUADRATIQUE : IL S'AGIT D'UN

MODÈLE LINÉAIRE AVEC UNE PARTIE NON
LINÉAIRE.
• NOUS PRÉFÉRONS CE MODÈLE LORSQUE
LA VARIANCE DU MODÈLE QUADRATIQUE
EST MEILLEURE QUE CELLE DU MODÈLE
LINÉAIRE.
 RÉGRESSION LINEAIRE

• L'ANALYSE DE RÉGRESSION EST UTILISÉE POUR

DÉTERMINER LA CAUSALITÉ ENTRE UNE VARIABLE
MÉTRIQUE DÉPENDANTE (VARIABLE EXPLIQUÉE) ET
UNE OU PLUSIEURS VARIABLES MÉTRIQUES
INDÉPENDANTES (VARIABLES EXPLICATIVES). S'IL
N'Y A QU'UNE SEULE VARIABLE INDÉPENDANTE, IL
S'AGIT D'UNE RÉGRESSION SIMPLE (UN SEUL X) ; S'IL
Y A PLUSIEURS VARIABLES INDÉPENDANTES, IL
S'AGIT D'UNE RÉGRESSION MULTIPLE (PLUSIEURS
X).
• (MULTIPLE)
 RÉGRESSION LINEAIRE

• L'ENSEMBLE DE DONNÉES SUR LEQUEL UNE

ANALYSE DE RÉGRESSION EST EFFECTUÉE PEUT
ÊTRE STRUCTURÉ DE DIFFÉRENTES MANIÈRES :
• SÉRIE TEMPORELLE : VENTES À DIFFÉRENTS
MOMENTS DANS LE TEMPS ;
• SECTION TRANSVERSALE : OBSERVATIONS À UN
SEUL MOMENT DANS LE TEMPS POUR PLUSIEURS
SUJETS.
• DONNÉES DE PANEL : OBSERVATIONS À PLUSIEURS
MOMENTS CONSÉCUTIFS DANS LE TEMPS POUR
PLUSIEURS SUJETS.
 RÉGRESSION LINEAIRE
• AVEC LA BASE
GRADES.SAV, NOUS
VOULONS SAVOIR SI LE
SCORE GPA INFLUENCE
LA NOTE À L’EXAMEN
FINAL.
• ANALYSE- RÉGRESSION
LINÉAIRE
LA REGRESSION LINEAIRE
SIMPLE

Correlation

Le niveau d'explication de la GPA sur le test final =

24,8%. (attention, 75,2 % du test final est expliqué par
d'autres "choses" que la GPA).

Note à l’examen final

 RÉGRESSION LINÉAIRE MULTIPLE

• PRENONS PLUSIEURS VARIABLES INDÉPENDANTES COMME LES VARIABLES FACILITÉ

D'UTILISATION UTILITÉ ET INFLUENCE SOCIALE. LA VARIABLE DÉPENDANTE EST LE
RISQUE PERÇU.

Seules 2 variables sur 3 sont incluses dans le modèle :

Utilité et Facilité. L'influence sociale n'est pas
significative.
Le modèle est donc le suivant : Y (risque) = a1 (0,467) X1
- a2 (- 0,08) X2 +B (6,189)
Remarque : l’utilité (X2) vient réduire le risque
 ATTENTION

• UNE CORRÉLATION, UNE RELATION MÊME FORTE ENTRE DEUX VARIABLES NE

VEUT PAS DIRE QU’IL Y A UNE RELATION DE CAUSE-À-EFFET ENTRE-ELLES.
• IL N’Y A QU’UN LIEN STATISTIQUE (ENCORE FAUT-IL VOIR LA LOGIQUE DE CE LIEN)

• SEULE UNE EXPÉRIMENTATION PEUT PERMETTRE DE DÉMONTRER CE TYPE DE

RELATION. IL S’AGIT DE MANIPULER UNE VARIABLE INDÉPENDANTE ET DE
MESURER SON EFFET SUR LA VARIABLE DÉPENDANTE.
 EXERCICE 5

• AVEC EXERCISE_DATABASE, ESSAYEZ DE TROUVER QUELLE(S) VARIABLE(S)

MÉTRIQUE(S) PEUVENT EXPLIQUER "Y : PRIX" AVEC UNE RÉGRESSION LINÉAIRE.
• QUEL EST LE R² DU MODÈLE ?
• S'AGIT-IL D'UN MODÈLE SIMPLE OU D'UN MODÈLE MULTIPLE ?
• PRÉSENTER LE MODÈLE ET L'INTERPRÉTER
 CONCLUSION

• CE COURS EST LA BASE DE L'ANALYSE DES DONNÉES. TOUT MANAGER DOIT SAVOIR
UTILISER CES DIFFÉRENTS OUTILS STATISTIQUES. IL S'AGIT D'UNE VÉRITABLE
COMPÉTENCE MANAGÉRIALE.
• N'HÉSITEZ PAS À REFAIRE LES EXERCICES ET À LIRE ET APPRENDRE CE COURS.
 WORKSHOPS 4 & 5

• TROUVER DES MODÈLES DANS VOS DONNÉES

• COMPLÉTEZ VOTRE POSTER
• VOUS DEVEZ ENVOYER VOTRE POSTER 2 JOURS AVANT LA PRÉSENTATION.
 SÉANCE 6

• ORGANISATION DE LA PRÉSENTATION
• 1H00 POUR ORGANISER L’ORALE

• PRÉSENTATION (1H45)
• LA PRÉSENTATION DOIT DURER ENTRE 8 ET 10 MINUTES.
• VOUS DEVEZ EXPLIQUER VOTRE POSTER.
• VOUS POUVEZ VOUS RÉPARTIR LA PAROLE OU LAISSER 1 OU 2 PERSONNES PRÉSENTER.
“
That’s the end

”
.