U.F.R. SPSE Master 1 PMP STA 21 Méthodes statistiques pour l'analyse des données en psychologie Chapitre 1 Etude de la liaison entre deux variables. Analyse descriptive des données et tests d'indépendance 1re partie. Introduction générale Dans ce cours, on présente diérentes techniques de traitement statistique de données. I Cadre général On étudie une population à partir de données recueillies sur un échantillon d'individus tirés au sort dans la population. Les données :  proviennent d'une ou plusieurs variables qui sont mesurées simultanément sur les individus.  apportent une information partielle sur la population étudiée. Objectif général : On se pose des questions sur la population étudiée. Pour y répondre :  1re phase descriptive : analyses des données observées, à l'aide de méthodes descriptives adaptées ;  2e phase inférentielle : utiliser les résultats de ces analyses pour tirer des conclusions générales sur la population. On utilise pour cela des méthodes inférentielles adaptées aux questions posées. Toute conclusion doit être énoncée avec le risque d'erreur qui lui est associé. II Dénitions et notations de base utilisées  Population P : composée de tous les individus sur lesquels porte l'étude. Taille de la population : N , en général inconnue.  Variable X : mesure un caractère commun à tous les individus de P.  Type de la variable  variable qualitative : ses valeurs (modalités) sont des symboles qui codent des catégories d'individus.  variable quantitative : prend des valeurs numériques. Elle peut être discrète (valeurs possibles en nombre ni) ou continue (valeurs dans un intervalle de nombres).  Echantillon E de taille n, composé de n données ou observations E = {x1, . . . , xn} . xi : valeur de X observée sur le ie individu tiré au sort. Méthode de tirage : tirage aléatoire avec remise de n individus dans la population ; A chaque tirage, on tire au sort un individu, on le replace dans la population avant le tirage suivant. III Les méthodes présentées Problèmes généraux abordés dans le cours :  synthétiser les données ;  faire des comparaisons ;  étudier les relations entre plusieurs variables ; modéliser ces relations. 1 IV ETUDE DESCRIPTIVE (EXPLORATOIRE) DES DONNÉES Méthodes présentées : descriptives et inférentielles.  Méthodes descriptives Elles permettent de synthétiser les données observées sur un échantillon. á Calcul de résumés statistiques et représentations graphiques des données adaptés à leur type, qualitatif ou quantitatif.  Méthodes inférentielles  Tests d'hypothèses : á Tests d'indépendance de 2 variables ; á Tests de comparaison (moyennes, médianes).  Modélisation des relations entre une variable quantitative (VD) que l'on cherche à expliquer et un ensemble de variables (VI) explicatives. á Méthodes de régression linéaire et d'anova.  Conditions d'application des méthodes Chaque méthode a ses propres conditions (postulats) d'application qu'il faudra vérier avant sa mise en oeuvre. á Exploration graphique des données, contrôle par des tests statistiques des postulats de chaque méthode : tests de normalité, test d'égalité de variances... Exemple : pour un test de Student sur une moyenne avec petit échantillon : dans la population, la variable doit avoir une distribution normale. á Vérier la normalité de la distribution dans la population. Ces vérications sont à faire à partir des données échantillonnées. IV Etude descriptive (exploratoire) des données Préalable à toute analyse  avancée  d'un ensemble de données : étude descriptive des données à l'aide de techniques descriptives de base, outils graphiques et indices synthétiques adaptés.  Objectif pour une variable : Décrire et synthétiser la distribution (répartition) des mesures observées.  Objectif pour plusieurs variables étudiées simultanément : Visualiser et mesurer par des indices les éventuelles relations existant entre ces variables.  Pour des données échantillonnées : les graphiques et indices statistiques calculés apportent une information partielle sur la variable dans la population et préparent les analyses inférentielles.  Etude descriptive pour une variable : en TD.  Etude de deux variables : 2e partie du chapitre. 2 II ETUDE DE LA LIAISON ENTRE DEUX VARIABLES QUANTITATIVES 2epartie. Etude de la liaison entre deux variables I Introduction Etude simultanée de deux variables X et Y dénies sur une même population P : mettre en évidence une éventuelle liaison (relation, dépendance) entre les variables. Exemples Etude de la liaison entre  le QI du père et le QI du ls (quantitatives) ;  le salaire et le sexe (quantitative / qualitative) ;  la couleur des yeux et la couleur des cheveux (qualitatives). 1 ) Notions de dépendance et d'indépendance Variables liées : les variations de l'une dépendent des variations de l'autre. Variables indépendantes : les deux variables varient indépendamment l'une de l'autre. Dans ce cas :  la connaissance de la valeur prise par l'une des deux variables sur un individu n'apporte aucune information sur la valeur prise par l'autre variable sur cet individu ;  Exemple : si le salaire et le sexe sont deux variables indépendantes, connaître le sexe d'un employé n'apporte aucune information sur son salaire. Rôle des variables dans la relation : dans certains cas, une variable peut en expliquer une autre, dans d'autres cas, les variables jouent des rôles symétriques. Vocabulaire : Pour des variables qualitatives : association. Pour des variables quantitatives : corrélation. 2 ) Observations Pour étudier la relation entre deux variables, on fait des observations sur un échantillon de n individus tirés au sort dans la population. On note xi et yi les valeurs de X et Y observées sur le ie individu tiré au sort. On dispose ainsi de deux échantillons appariés de mesures. individu n◦i 1 * * * i * * * n variable X x1 * * * xi * * * xn variable Y y1 * * * yi * * * yn Les méthodes utilisées pour étudier la relation dépendent du type des variables étudiées. II Etude de la liaison entre deux variables quantitatives Deux variables quantitatives sont corrélées si elles tendent à varier l'une en fonction de l'autre. On parle de corrélation positive si elles tendent à varier dans le même sens, de corrélation négative si elles tendent à varier en sens contraire. Exemple 1 On veut étudier la relation entre le QI du père (X) et le QI du ls (Y ). Sur un échantillon aléatoire de 12 couples (père, ls), on a relevé le QI du père et le QI du ls. On dispose de 2 échantillons appariés de mesures (xi, yi) : 3 II ETUDE DE LA LIAISON ENTRE DEUX VARIABLES QUANTITATIVES couple (père, ls) no i 1 2 3 4 5 6 7 8 9 10 11 12 QI du père xi 123 144 105 110 98 138 131 90 119 109 125 100 QI du ls yi 102 138 126 133 95 146 115 100 142 105 130 120 1 ) Analyse descriptive des données Comment détecter une corrélation, quelle en est la forme, le sens (les variables varient-elles dans le même sens ou bien en sens contraire), l'intensité ?  Outil graphique : le nuage de points.  Indicateur numérique de sens et d'intensité : coecient de corrélation. a ) Graphique : nuage de points (diagramme de dispersion, scatter-plot) 1. Exemple 1 Le nuage de points, graphique 1 : Chaque couple (père, ls) est représenté par un point : l'abscisse est le QI du père et l'ordonnée le Qi du fils. L'ensemble forme un nuage de points. La forme du nuage Le nuage est allongé , étiré du bas à gauche vers le haut à droite. Les QI ont tendance à varier dans le même sens. La corrélation observée est positive. La forme est allongée mais l'étirement est modéré. 80 90 100 110 120 130 140 150 90 10 0 11 0 12 0 13 0 14 0 15 0 Scores QI des pères et des fils QI pères Q I f ils r = 0,6071 Graphique 1 2. Exemples-type, graphique 2 : 4 II ETUDE DE LA LIAISON ENTRE DEUX VARIABLES QUANTITATIVES (1) Pas de corrélation r = −0.043 (2) Corrélation linéaire, positive r = 0.962 (3) Corrélation linéaire, négative r = −0.7 (4) Corrélation non linéaire parfaite r = 0 Graphique 2  (1) nuage très arrondi ; pas de relation apparente ;  (2) nuage très étiré : le nuage a une forme linéaire très marquée. On observe sur l'échantillon une tendance de X et Y à varier dans le même sens. La corrélation observée est positive.  (3) nuage modérément étiré (forme linéaire moins marquée) , du haut à gauche vers le bas à droite : on observe sur l'échantillon une tendance de X et Y à varier dans des sens opposés ; la corrélation observée est négative.  (4) les points sont sur une courbe (parabole) non linéaire. Il y a corrélation parfaite entre les variables, de type non linéaire. Il n'y a pas monotonicité : la courbe est d'abord décroissante pluis croissante. 3. Forme de référence la plus simple : la droite La droite exprime une relation entre X et Y du type Y = aX + b. Si la forme du nuage s'apparente à une droite, on parle alors de corrélation linéaire entre les variables. Plus le nuage est étiré et plus la corrélation linéaire est forte. Pour mesurer la force et le sens de la corrélation linéaire, on calcule un indicateur numérique : le coecient de corrélation linéaire. Remarque : dans le chapitre sur la régression linéaire, on déterminera la droite qui s'ajuste le mieux aux données. 5 II ETUDE DE LA LIAISON ENTRE DEUX VARIABLES QUANTITATIVES b ) Coecient de corrélation linéaire Scores QI des pères et des fils QI pères Q I f ils (xi − 116)(yi − 121) < 0 (xi − 116)(yi − 121) > 0 (xi − 116)(yi − 121) < 0 (xi − 116)(yi − 121) > 0 116 12 1 M Graphique 3 1. Covariance Le centre du nuage (centre de gravité ou barycentre) est déni par le point M qui a pour coordonnées les moyennes des deux variables : 116 pour QI du père et 121 pour Qi du fils. Il est représenté par un cercle plein. Les points du nuage se répartissent autour de leur centre avec une certaine dispersion. Cette dispersion est mesurée par la covariance dénie par la formule (échantillon) cov∗(x, y) = ∑ (xi − x)(yi − y) n− 1 . Chaque individu contribue à la covariance par la quantité (xi − x)(yi − y) qui mesure son écart au couple de moyennes.  Cette quantité est positive pour les couples (père, ls) dont les deux QI sont, soit tous les deux supérieurs à leur moyenne, soit tous les deux inférieurs. Elle est négative pour les couples qui ont un QI en dessous de la moyenne et l'autre QI au-dessus.  La covariance peut prendre n'importe quelle valeur réelle.  Son signe renseigne sur le sens de variation des variables. Elle est positive si les variables ont tendance à varier dans le même sens et négative en sens contraire.  Elle est sensible aux unités de mesure. Exemple 1. Résumés des données et calcul de la covariance : QI père : ∑ xi = 1392 ∑ x2i = 164566 x = 116 s ∗ x = √∑ x2i − nx2 n− 1 = 16, 7712 QI ls : ∑ yi = 1452 ∑ y2i = 179068 ȳ = 121 s ∗ y = √∑ y2i − nȳ2 n− 1 = 17, 5188∑ xi yi = 170394 cov∗(x, y) = (formule de calcul) ∑ xi yi − nxȳ n− 1 = 170394− 12× 116× 121 11 = 178, 3636. 6 II ETUDE DE LA LIAISON ENTRE DEUX VARIABLES QUANTITATIVES 2. Coecient de corrélation linéaire Le coecient mesure le sens et l'intensité de la corrélation linéaire. Il est noté ρ dans la population et r sur l'échantillon. Formule de calcul sur un échantillon : r(x, y) = cov∗(x, y) s∗x s ∗ y .  Coecient indépendant des unités de mesure.  Compris entre −1 et 1.  r = 0 si la corrélation linéaire est nulle.  r = ±1 si la corrélation linéaire est parfaite. Les points sont alignés.  Le coecient est positif si la liaison est positive.  Le coecient est négatif si la liaison est négative. Exemple 1. Calcul du coecient : r(x, y) = 178, 3636 16, 7712× 17, 5188 = 0, 6071. La corrélation linéaire est positive et relativement forte. Pour les exemples-type précédents :  (1) r quasiment nul ; pas de relation linéaire apparente entre les deux variables. Le nuage est rond.  (2) r = 0, 962 : la corrélation linéaire observée est positive et très forte. Le nuage est très étiré.  (3) r = −0, 7 : la corrélation linéaire observée est négative et forte. Le nuage est modérément étiré.  (4) le nuage présente une corrélation non linéaire parfaite : les points sont sur une courbe y = f(x). La corrélation linéaire est nulle, r = 0. 3. Attention aux sous-groupes dénis par une variable qualitative Graphique 4 Y-a-t-il une relation entre la taille d'un individu et la longueur de ses cheveux 1 ? Le nuage donne l'impression d'une corrélation lineaire négative assez forte entre les deux variables avec un coecient r = −0, 6018. 1. Exemple emprunté à R. rakotomalala... 7 II ETUDE DE LA LIAISON ENTRE DEUX VARIABLES QUANTITATIVES Si l'on diérencie les hommes et les femmes, on voit que pour chaque groupe le nuage est arrondi, la corrélation est quasiment nulle (rH = −0, 0736 etrF = −0, 1411). 4. Attention aux valeurs extrêmes Graphique 5 2 ) Tests d'indépendance pour deux variables quantitatives a ) Cadre général On étudie deux variables quantitatives X et Y dénies sur une population P. On veut tester l'existence d'une liaison entre les deux variables. Hypothèses du test et niveau α : H0 : les variables sont indépendantes H1 : les variables sont liées (positivement, négativement) Risque α xé. Observations : Pour réaliser le test, on a tiré au sort un échantillon d'individus de taille n dans la population. On dispose de deux échantillons appariés de mesures (xi, yi). Exemple 1, suite : Relation entre le QI du père (X) et le QI du ls (Y ). P : couples (père, ls) Variable X : QI du père Variable Y : QI du ls. On dispose de deux échantillons appariés de scores observés sur n = 12 couples (père, ls) : couple (père, ls) no i 1 2 3 4 5 6 7 8 9 10 11 12 QI du père xi 123 144 105 110 98 138 131 90 119 109 125 100 QI du ls yi 102 138 126 133 95 146 115 100 142 105 130 120 8 II ETUDE DE LA LIAISON ENTRE DEUX VARIABLES QUANTITATIVES Tests d'indépendance : On présente deux tests alternatifs, utilisables pour des variables continues. Pour déterminer le test à utiliser, on doit considérer la loi du couple de variables (X,Y ). 1. la loi du couple est binormale : test paramétrique sur le coecient de corrélation linéaire (Bravais-Pearson) ; binormalité à vérier, ce qui est dicile (voire impossible) pour de petits échantillons. Test utilisable sans la normalité pour des échantillons assez grands. 2. la loi du couple n'est pas binormale : test non paramétrique basé sur le coecient de corrélation empirique de Spearman. b ) Test paramétrique sur le coecient de corrélation linéaire On note ρ le coecient de corrélation de X et Y déni sur la population. 1. Postulat requis Le couple de variables (X,Y ) doit se distribuer suivant une loi  binormale . Généralisation de la loi normale à un couple de variables. Toute combinaison linéaire des deux variables est normale. En particulier, X et Y sont des variables normales. On doit vérier ce postulat avant d'appliquer le test, voir le point 3. ci-dessous. Exemple 1 : on admet que le couple de QI se distribue selon une loi binormale. 2. Déroulement du test (a) Hypothèses du test Sous le postulat de binormalité, l'indépendance équivaut à ρ = 0. On teste alors H0 : ρ = 0 (indépendance) H1 : ρ 6= 0; ρ > 0; ρ < 0 (liaison, liaison positive, liaison négative). (b) Observations Statistique du test La statistique est une variable aléatoire calculée sur les données de l'échantillon tiré au sort. Sa valeur observée sur l'échantillon est un résumé des données permettant de choisir entre H0 et H1. La statistique utilisée pour le test est le coecient de corrélation linéaire empirique, noté R. Exemple 1 : Sa valeur observée sur l'échantillon tiré au sort est r(x, y) = 0, 6071. La statistique R est un estimateur du coecient ρ de la population. Sa valeur observée 0, 6071 est la valeur estimée de ρ fournie par l'échantillon. (c) Loi sous H0 de la statistique R prend des valeurs entre -1 et 1. Sa loi sous H0 est symétrique en 0 et dépend de n. Remarque : les calculs sont basés sur la statistique équivalente T = √ n− 2R√ 1−R2 qui suit sous H0 la loi de Student à n− 2 ddl. (d) Intervalle d'acceptation, région critique Pour le test d'une liaison (H1 : ρ 6= 0) : Sous H0, on s'attend à observer une valeur de R proche de 0. Les valeurs de R les plus proches de 0 sont les plus conformes à H0. Sous H1, on attend une valeur de R plus proche de -1 ou 1. Les valeurs de R les plus extrêmes sont les plus signicatives de H1. á La RC est située aux deux extrémités du domaine. 9 II ETUDE DE LA LIAISON ENTRE DEUX VARIABLES QUANTITATIVES (e) Décision 2 Pour la décision, on calcule la p-valeur α = PH0(|R| ≥ |r(x, y)|). Règle basée sur la p-valeur : si αobs ≤ α, on rejette H0 au risque d'erreur α. Sinon, on conserve H0 avec un risque d'erreur β inconnu. Exemple 1 : Pour α = 5%, αobs = PH0(|R| ≥ 0, 6071) = 0, 03632 < α. On rejette H0 et on conclut à l'existence d'un lien entre les deux QI, au risque α = 5%. Le résultat du test est signicatif au niveau 5%. Calcul réalisé avec Statistica : t = √ 10 × 0,6071√ 1−0,60712 = 2, 4158, et p-valeur associée à t : p = 0, 03662. (f) Remarques  Pour le test d'une liaison positive, la RC est située à droite du domaine et dans ce cas, on a αobs = PH0(R ≥ r(x, y)). Exemple modié : H1 : les QI sont liés positivement. n = 12 ; α = 5 %. On a αobs = PH0(R ≥ 0, 6071) = 0, 01816... Rq : La p-valeur est multipliée par 2 pour le test bilatéral (test plus  conservatif ).  Pour le test d'une liaison négative, la RC est située à gauche du domaine et dans ce cas, on a αobs = PH0(R ≤ r(x, y)). 3. Vérication du postulat La binormalité est dicile à vérier, surtout pour de petits échantillons. Pour de grands échantillons : le nuage a la forme d'ellipses concentriques. Pour n assez grand, ici on prendra n ≥ 75 : des résultats approximatifs sur la loi de R sous H0 permettent d'utiliser le test sans se soucier de la normalité. Pour n petit : alternativement, on peut utiliser le test de Spearman. c ) Test non paramétrique basé sur le coecient de corrélation empirique de Spearman On reprend l'exemple 1. 1. Postulat requis On utilise le test pour des variables X et Y continues (ce qui à priori exclut les ex-aequo). La loi du couple est quelconque. La présence de nombreux ex-aequo, surtout sur des échantillons petits aecte le résultat du test, voir le point 3. ci-dessous. 2. Déroulement du test (a) Hypothèses du test On teste ici l'existence d'une liaison qui n'est pas nécessairement linéaire. H0 : les variables sont indépendantes H1 : les variables sont liées (positivement, négativement) Risque α xé. 2. Calcul de la p-valeur avec Statistica. Dans la sortie détaillée du module matrice des corrélations, on trouve t = 2, 4158, df = 10 et la p-valeur p = 0, 03662 associée à t . Dans le module Calculateur de probabilités / Corrélations de Statistica, on peut obtenir la p-valeur p à partir de r. 10 II ETUDE DE LA LIAISON ENTRE DEUX VARIABLES QUANTITATIVES (b) Statistique du test Le test est basé sur le coecient de corrélation empirique de Spearman, calculé sur les données appariées de l'échantillon. i. Dénition et formule de calcul sur l'échantillon Sur l'exemple 1 On ordonne séparément les xi et les yi pour transformer les données en rangs. Le coecient de corrélation de Spearman est le coecient de corrélation linéaire entre les deux séries appariées de rangs :  On classe les n mesures xi par ordre croissant. On attribue le rang 1 à la plus petite valeur et le rang n à la plus grande. On note x′i le rang de la mesure xi.  On classe les n mesures yi par ordre croissant. On note y ′ i le rang de la mesure yi.  S'il y a des ex-aequo, on calcule les rangs moyens. Après les deux classements, on dispose de deux séries appariées de rangs.  Le coecient de corrélation de Spearman rS (x, y) est déni par rS (x, y) = r(x ′, y′). Dans le cas où il n'y a pas d'ex-aequo, on dispose de la formule de calcul suivante : rS (x, y) = 1− 6 ∑ (x′i − y′i) 2 n (n2 − 1) . Cette formule reste utilisable quand il y a peu d'ex-aequo. Calcul de rS (x, y) pour les données de l'exemple 1 : n = 12 xi 123 144 105 110 98 138 131 90 119 109 125 100 yi 102 138 126 133 95 146 115 100 142 105 130 120 rang x′i 8 12 4 6 2 11 10 1 7 5 9 3 rang y′i 3 10 7 9 1 12 5 2 11 4 8 6 x′i − y′i 5 2 -3 -3 1 -1 5 -1 -4 1 1 -3 (x′i − y′i) 2 25 4 9 9 1 1 25 1 16 1 1 9∑ (x′i − y′i) 2 = 102 et rS (x, y) = 1− 6×10212(122−1) = 0, 643. ii. Propriétés  Le coecient de Spearman est toujours compris entre -1 et 1. Pour deux classements identiques, on a rS = +1. Pour deux classements en opposition parfaite, on a rS = −1. Lorsqu'il n'y a aucune relation entre les rangs, on a rS = 0. Pour la corrélation entre les deux variables : Le coecient de Spearman n'apporte aucune information sur la forme de la relation entre les variables. Il renseigne sur une relation monotone  croissante  ou  décroissante .  Le signe renseigne sur le sens de la corrélation : positive ou négative. Les variables ont tendance à varier dans le même sens ou bien en sens opposés. Les valeurs ±1 correspondent à une relation croissante ou décroissante parfaite entre les deux variables. iii. Exemple 2. 11 II ETUDE DE LA LIAISON ENTRE DEUX VARIABLES QUANTITATIVES graphique 6 Le nuage de points montre une relation décroissante entre X et Y . Il y a deux ex-aequo dans les valeurs yi. Ces deux valeurs occupent les rangs 7 et 8. On leur attribue le rang moyen 7, 5. La présence des ex-aequo fait que la relation n'est pas parfaitement décroissante. Cela se traduit par des couples de rangs quasiment alignés (aux ex-aequo près) et par un coecient de Spearman de −0, 9991. (c) Loi de la statistique RS sous H0 RS prend ses valeurs entre -1 et 1. La loi est symétrique par rapport au centre 0. Elle dépend de n. Pour n petit, n ≤ 30, la loi exacte est tabulée. Pour n > 30, on utilise une approximation normale de la loi. 3 (d) IA, RC et règle de décision basée sur la p-valeur  Si H0 est vraie, les variables sont indépendantes et il n'y a donc aucune relation entre les rangs. On s'attend donc à observer sur l'échantillon un coecient proche de 0. Les valeurs de RS les plus proches de 0 sont les plus conformes à H0.  Si H1 est vraie, on s'attend au contraire à observer un coecient plus proche de ±1. Les valeurs extrêmes de RS sont les plus signicatives de H1. La RC est aux deux extrémités du domaine de RS . 3. Approximation normale Pour n > 30, sous H0, on peut faire l'approximation normale : √ n− 1RS ∼ approxt N (0, 1) . Statistica utilise pour le test la statistique de Student. 12 IV LIAISON ENTRE DEUX VARIABLES QUALITATIVES  p-valeur Exemple : n = 12 ; α = 5 %. αobs = PH0(|RS | ≥ |rs(x, y)|) = 0, 02692. Décision : αobs < α. On rejette H0 et on conclut à l'existence d'une liaison entre les deux QI au risque d'erreur α = 5 %... (e) Remarques  Si l'on veut tester une liaison positive, la RC est située à droite du domaine et dans ce cas, on a αobs = PH0(RS ≥ rs(x, y)). Exemple modié : H1 : les QI sont liés positivement. n = 12 ; α = 5 %. On a αobs = PH0(RS ≥ 0, 643) = 0, 01346.  Si l'on veut tester une liaison négative, la RC est située à gauche du domaine et dans ce cas, on a αobs = PH0(RS ≤ rs(x, y)). 3. Problème des ex-aequo En présence d'ex-aequo, on calcule les rangs moyens. Il est préférable de calculer le coecient avec la formule du coecient de corrélation linéaire. Pour n < 30, on considère dans ce cours que l'on peut appliquer le test s'il y a très peu d'ex-aequo (2 ou 3). Pour n ≥ 30, on peut l'appliquer sans problème (calcul approximatif de la p-valeur). III Relation entre une variable qualitative et une variable quantitative Les deux variables ne jouent pas un rôle symétrique. On veut étudier l'inuence d'une variable qualitative (par exemple le sexe) sur une variable quantitative (par exemple le salaire). L'étude sera faite dans le cadre d'une anova : analyse de la variance à un facteur. IV Liaison entre deux variables qualitatives Cette dernière partie n'est pas au programme de ce cours. Le test du khi-deux d'indépendance qui est rappelé ci-dessous a été traité dans le cours de statistique de 3e année de licence. Exemple 3 : On utilise les données relevées sur un échantillon de 50 enfants de 2 à 16 ans sourant d'un TSPT (trouble de stress post-traumatique) à la suite d'un accident domestique ou de circulation. P : enfants de 2 à 16 ans sourant d'un TSPT à la suite d'un accident domestique ou de circulation. Variable X : sexe, qualitative à L = 2 modalités (Ai) . Variable Y : type d'accident, qualitative à C = 2 modalités (Bj). On veut étudier la relation entre le sexe et le type d'accident survenu. Pour les 50 enfants de l'échantillon, on a relevé le sexe et le type d'accident survenu. 1 ) Etude descriptive des données La relation est étudiée à partir du tableau de contingence construit à partir des données. Elle est mesurée par diérents coecients d'association. 13 IV LIAISON ENTRE DEUX VARIABLES QUALITATIVES a ) Tableau de contingence On croise les deux variables et pour chaque couple de modalités (Ai, Bj), on relève l'eectif observé nij : nombre d'individus prenant simultanément les deux valeurs. Les LC eectifs observés sont données dans un tableau de contingence. Tableau 1. Eectifs observés nij Sexe \ Accident circulation domestique Totaux lignes Li lle 10 9 19 garçon 19 12 31 Totaux colonne Cj 29 21 n = 50 On a calculé les marges du tableau : totaux lignes Li et totaux colonne Cj . b ) Tableau des eectifs théoriques A partir des eectifs marginaux Li et Cj , on peut calculer les eectifs attendus lorsque X et Y sont indépendantes. Ces eectifs théoriques, notés eij , sont donnés par la formule eij = LiCj n . Tableau 2. Eectifs théoriques eij Sexe \Accident circulation domestique Totaux lignes Li lle 19× 29 50 = 11, 02 19× 21 50 = 7, 98 19 garçon 31× 29 50 = 17, 98 31× 21 50 = 13, 02 31 Totaux colonne Cj 29 21 50 Ex. Les lles représentent L1/n = 19/50 = 38% des enfants de l'échantillon. S'il n'y pas de lien entre les variables, on s'attend à trouver 38% de lles chez les enfants ayant subi un accident domestique (soit 29×19/50 = 11, 02 lles) et 38% de lles chez les enfants ayant subi un accident domestique (soit 21×19/50 = 7, 58 lles). c ) Coecients d'association La liste n'est pas exhaustive. Le coecient le plus important est celui du khi-deux qui est utilisé pour tester l'indépendance des deux variables à partir d'un échantillon d'individus.  Coecient du khi-deux q2 Le coecient est une mesure de  l'écart à la situation d'indépendance . Il mesure la distance globale entre les eectifs nij relevés et les eectifs théoriques eij attendus lorsque X et Y sont indépendantes : q2 = ∑ (nij − eij)2 eij = 0, 363.  le coecient est positif ou nul ; la valeur 0 correspond à l'indépendance des variables. La valeur du coecient augmente avec l'intensité de la relation mais aussi avec n et avec L et C, ce qui le rend dicilement interprétable.  Coecient Phi-deux Φ2 = χ2 n ou Phi Φ = √ χ2 n . On élimine l'eet de la taille n mais la valeur augmente encore avec L et C. On l'utilise surtout pour des tables 2x2 car alors il est compris entre 0 et 1. 14 IV LIAISON ENTRE DEUX VARIABLES QUALITATIVES  Coecient de Cramer V = √ Φ2 d− 1 où d = inf(L,C). Le coecient est compris entre 0 et 1. 2 ) Test d'indépendance pour deux variables qualitatives On reprend l'exemple 3. Pour tester l'existence d'une liaison entre le sexe et le type d'accident survenu, on utilise le test du khi-deux d'indépendance. a ) Les diérentes étapes du test 1. Les hypothèses et le niveau du test H0 : les variables sont indépendantes H1 : les variables sont liées α = 5% 2. Les observations On dispose d'un échantillon de taille n = 50. Les 2 échantillons appariés de mesures sont résumés par la distribution des eectifs joints observés nij donnée dans le tableau 1. 3. La statistique du test : statistique du khi-deux On utilise le coecient empirique du khi-deux, noté Q2 dans le cours et déni par la formule Q2 = ∑ (Nij − eij)2 eij .  Les valeurs de Q2 sont positives ou nulles. Plus la valeur est grande et plus l'écart à l'indépendance observé sur l'échantillon est important.  Sa valeur observée est q2obs = 0, 363. 4. loi de Q2 sous H0 Sous les conditions n ≥ 30 et tous les eij ≥ 5, la statistique Q2 suit approximativement la loi du khi-deux à (L− 1)(C − 1) = 1 ddl. 5. Région de rejet de H0 associée à α = 5% Sous H0, on s'attend à observer une valeur de Q 2 proche de 0. Plus la valeur de Q2 est grande et plus elle est en faveur de H1. La région de rejet est située à l'extrémité droite du domaine. Elle contient les 5% de valeurs les plus grandes de Q2. 6. p-valeur αobs C'est la probabilité sous H0 d'observer une valeur de Q 2 au moins aussi grande que 0,363 : αobs = PH0(Q 2 ≥ 0, 363) = 0, 547. 7. Décision Règle basée sur la p-valeur : si αobs ≤ α, on rejette H0 au risque d'erreur α. La p-valeur dépasse (largement) le niveau 5% choisi. On ne peut pas rejeter H0. On ne peut pas conclure (au niveau 5% et avec un risque d'erreur β inconnu) qu'il existe un lien entre le sexe et le type d'accident survenu.