Révisions - Les études quantitatives PDF

Révisions – Les études quantitatives L’échantillon d’une étude quantitative est un grand nombre de cas représentatifs. La collecte de donnée est structurée, l’analyse de données est statistique. Le résultat permet de recommander une ligne d’action définitive. Variables quantitatives...

Révisions – Les études quantitatives L’échantillon d’une étude quantitative est un grand nombre de cas représentatifs. La collecte de donnée est structurée, l’analyse de données est statistique. Le résultat permet de recommander une ligne d’action définitive. Variables quantitatives Variables quantitatives : niveaux de Les modalités ont des valeurs mesure numériques ➔ La température, la taille, le Variables continues ou variables de revenu ratio ➔ Nombre infini de valeurs de la Variables discrètes : nombre fini de variables. Exemple : âge valeurs de la variable ➔ Le nombre d’enfants Variables quantitatives : niveaux de mesure L’échelle d’intervalles (ou continue) Pour représenter la différence et l’ordre entre les sujets. Les distances entre les valeurs ont un sens. Le point zéro est déterminé arbitrairement. Outils descriptifs pour une variable quantitative Moyenne : Centre de gravité des valeurs Médiane : Valeur qui sépare en deux groupes de même effectif Mode : la valeur la plus fréquente Ecart-type : racine de la variance Variance : dispersion des valeurs autours de la moyenne Etendue : max-min La corrélation mesure la relation linéaire entre deux variables. Le coefficient de corrélation linéaire (ou coefficient de Pearson) permet de mesurer l’intensité d’une relation entre deux variables métriques X et Y. Corrélation entre -0,3 et 0,3 : faible Corrélation entre -0,3 et -0,6 ou 0,3 et 0,6 = moyenne Corrélation > 0,6 ou < - 0,6 : forte Proche de -1 : forte relation négative, Proche de 0 : pas de relation linéaire Proche de 1 : forte relation positive Données sont en majorité dans les quadrants B et C => corrélation positive 2) Données sont en majorité dans les quadrants A et D => corrélation négative 3) Données sont partout => pas de corrélation Causalité : lien de cause à effet X cause Y. Exemple : Il pleut donc les gens prennent leur parapluie. Hypothèse nulle H0 : suppose qu’il n’y a PAS de différence entre deux ou plusieurs groupes en ce qui concerne une caractéristique. Hypothèse alternative H1 : l’inverse. La p-value indique la probabilité que le résultat observé ou un résultat encore plus extrême se produise si H0 est vraie. Elle est utilisée pour rejeter (ou non) H0 dans un test d’hypothèse.  Tableau comparatif TEST T vs ANOVA TEST T ANOVA Utilisé pour comparer les moyennes de Technique d’observation utilisée pour DEUX groupes de population comparer les moyennes de plus de deux groupes de population ➔ Utilisés à des fins de test d’hypothèses pures. ➔ Examiner les écarts-types. ➔ Compare deux tailles ➔ Met en équation trois groupes de d’échantillon (n) toutes deux ce type ou plus inférieures à 30. Dans ANOVA. Il faut distinguer ces trois types de variation de manière suivante : - La variation totale - La variation intergroupe - La variation intragroupe. Si < à 1, cela signifie que la variation intergroupe est supérieure à la variation intragroupe. Plus F s’éloigne 1, plus les écarts sont importants. Un F = 2 signifie qu’il y a deux plus fois plus d’écarts intergroupes que d’écarts intragroupes.