1 dominique muller laboratoire inter-universitaire de psychologie bureau : 238 tel : 04 76 82 58 90...
TRANSCRIPT
![Page 1: 1 Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr](https://reader034.vdocuments.pub/reader034/viewer/2022051614/551d9d8e497959293b8c3e78/html5/thumbnails/1.jpg)
1
Dominique Muller
Laboratoire Inter-universitaire de Psychologie
Bureau : 238Tel : 04 76 82 58 90
Email : [email protected]
![Page 2: 1 Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr](https://reader034.vdocuments.pub/reader034/viewer/2022051614/551d9d8e497959293b8c3e78/html5/thumbnails/2.jpg)
2
Modèle contraint (MC)
Modèle augmenté (MA)
Comparaison de modèles : test de b1 pour un modèle à un facteur continu
Prc∑ =59.89
Prc∑i =b0 +b1BEPCi
Prc∑ =b0
Prc∑i =39.30 +1.83BEPCi
![Page 3: 1 Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr](https://reader034.vdocuments.pub/reader034/viewer/2022051614/551d9d8e497959293b8c3e78/html5/thumbnails/3.jpg)
3
Modèles à un facteur continu : régression simple
Prc∑i =39.30 +1.83BEPCi
b1 = 1.83, l’augmentation de 1.83 du pourcentage de bonnes réponses pour chaque augmentation d’un point de BEPC est significative
Connaître la note au BEPC permet de prédire le pourcentage de bonnes rép.
Prci=β0 +β1BEPCi + ε i
![Page 4: 1 Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr](https://reader034.vdocuments.pub/reader034/viewer/2022051614/551d9d8e497959293b8c3e78/html5/thumbnails/4.jpg)
4
Formalisation (1)
0 1 1 2 2β β β εi i i iY X X
Y : le critère, la mesure ou VD
Yi : valeur observée pour l’observation i sur la variable Y
X1 et X2 : premier et second prédicteurs ou VIs (peuvent être manipulés ou mesurés)
Xi1 et Xi2 : valeurs de X1 et X2 pour l’observation i
: paramètres DANS LA POPULATION permettant de réduire les erreurs de prédiction lorsque les prédicteurs X1 et X2 sont utilisés (sous une forme donnée)
iε : erreur de prédiction pour l’observation i lorsque X1 et X2 sont utilisées comme prédicteurs et si les VRAIS paramètres étaient connus
VARIABLES :
PARAMETRES et ERREUR (ne pourront être qu’estimés) :
0 1 2, etβ β β
![Page 5: 1 Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr](https://reader034.vdocuments.pub/reader034/viewer/2022051614/551d9d8e497959293b8c3e78/html5/thumbnails/5.jpg)
5
ei : erreur de prédiction pour l’observation i lorsque X1 et X2 sont utilisés
comme prédicteurs et que b0, b1 et b2 sont utilisés comme estimateurs
Formalisation (2)
Yi, Xi1 et Xi2 : leurs sens restent inchangés
b0, b1 et b2 : estimations respectives de sur la base de ces données 0 1 2, etβ β β
Yib0 b1X i1 b2X i2
iY : prédiction pour l’observation i sur la base de b0, b1 et b2 et des valeurs de X1 et X2
0 εi iY B B0 : valeur fixée A PRIORI (ni valeur dans la population, ni estimée sur la base des données)
Yib0 b1X i1 b2X i2 ei
![Page 6: 1 Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr](https://reader034.vdocuments.pub/reader034/viewer/2022051614/551d9d8e497959293b8c3e78/html5/thumbnails/6.jpg)
6
Formalisation (3) : résumé
Lettres grecques : valeurs dans la population (à moins de pouvoir mesurer l’ensemble de la population, nous ne pourrons que les estimer)
Lettres minuscules : estimations des valeurs que l’on observerait dans la population
Lettres majuscules : variables (ex : Y, X1) ou valeurs fixées a priori (ex : B0)
![Page 7: 1 Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr](https://reader034.vdocuments.pub/reader034/viewer/2022051614/551d9d8e497959293b8c3e78/html5/thumbnails/7.jpg)
7
Mesure (Y ou VD) : pourcentage de bonnes réponses à un test de connaissance (50 questions de math en vrai/faux)
Prédicteur (X ou VI) : Présence d’Autrui (1) vs Seul (2) ; participants assignés aléatoirement au sein des deux conditions
Variables catégorielles (k = 2) :
test t échantillons indépendants / ANOVA à un facteur
Commençons par le modèle simple (même prédiction pour toutes les observations)
Là encore la valeur b0 correspondra à la moyenne de Prc (Y)
Prci=β0 + ε i Prc∑ =39
![Page 8: 1 Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr](https://reader034.vdocuments.pub/reader034/viewer/2022051614/551d9d8e497959293b8c3e78/html5/thumbnails/8.jpg)
8
Faire mieux avec un modèle plus complexe ?
Prci=β0 +β1PAi1 + ε i
MPA
MSeul
Peut-on améliorer notre modèle en ajustant nos prédictions selon les valeurs de X (Présence d’Autrui) ?
Ajouter PA dans la partie modèle de l’équation nous permet d’ajuster la prédiction en fonction des conditions (i.e., permettre à la pente d’être différente de 0)
Pour le savoir, ajout de PA dans notre modèle :
Prc∑i =30 + 6PAi
![Page 9: 1 Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr](https://reader034.vdocuments.pub/reader034/viewer/2022051614/551d9d8e497959293b8c3e78/html5/thumbnails/9.jpg)
9
Interprétation des coefficients de régression
Interprétation du b0 : ordonné à l’origine, c’est-à-dire la prédiction pour une valeur de PA = 0
Dans notre exemple, b0 = 30 donc pour les gens ayant un score de 0 sur la variable PA le modèle prédit un pourcentage d’erreurs de 30
Interprétation du b1 : il s’agit de la pente => de combien change la prédiction sur Prc lorsque l’on change d’une unité sur PA
Prc∑i =b0 +b1PAi
ici :
Prédiction pour PA = 1 =>
Prédiction pour PA = 2 =>
Prc∑i =30 + 6PAi
Ainsi, avec une seule unité de différence entre les deux conditions (PA=1 et Seul=2), b1 = différence de moyennes
Or, 36 et 42 sont en effet les moyennes des deux conditions
![Page 10: 1 Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr](https://reader034.vdocuments.pub/reader034/viewer/2022051614/551d9d8e497959293b8c3e78/html5/thumbnails/10.jpg)
10
Comparaison de modèles : test d’un modèle à un facteur catégoriel
Modèle contraint (MC)
Prc∑ =39
Modèle augmenté (MA)
Prc∑i =30 + 6PAi
Tester cette comp. de modèles revient donc à tester
H
0:β1 =0 ⇔ MPA =MSeul
(⇔ Prci =β0 + 0PAi1 + ε i )
Prci=β0 + ε i
Prci=β0 +β1PAi1 + ε i
![Page 11: 1 Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr](https://reader034.vdocuments.pub/reader034/viewer/2022051614/551d9d8e497959293b8c3e78/html5/thumbnails/11.jpg)
11
ANOVA un facteur : calcul des SCE
![Page 12: 1 Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr](https://reader034.vdocuments.pub/reader034/viewer/2022051614/551d9d8e497959293b8c3e78/html5/thumbnails/12.jpg)
12
Modèles ANOVA à un facteur (k =2)
Prci=β0 +β1PAi1 + ε i Prc∑
i =30 + 6PAi
Lorsque l’on passe de la condition de présence d’autrui (1) à la condition seul (2) le taux de bonnes réponses augmente de 6 points :
Nous observons donc un effet d’inhibition sociale mais il est non-significatif
![Page 13: 1 Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr](https://reader034.vdocuments.pub/reader034/viewer/2022051614/551d9d8e497959293b8c3e78/html5/thumbnails/13.jpg)
13
PAc
Prci=β0 +β1PAci + ε i
Code de contrastes
0kk
Code de contrastes, règle 1 :
Avec k le code attribué à
chaque groupe
Et k, les k groupes
-1 / 1 est donc un code de contraste (mais aussi - 0.5 / 0.5…)
Prc∑i =39 + 3PAci
![Page 14: 1 Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr](https://reader034.vdocuments.pub/reader034/viewer/2022051614/551d9d8e497959293b8c3e78/html5/thumbnails/14.jpg)
14
PAc
Prci=β0 +β1PAci + ε i
Code de contrastes
Divise simplement la pente par deux, car il y a maintenant deux unités de différence entre PA (-1) et Seul (1)
Afin d’obtenir directement la différence de moyennes, on préférera un codage -0.5 / 0.5
Prc∑i =39 + 3PAci
![Page 15: 1 Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr](https://reader034.vdocuments.pub/reader034/viewer/2022051614/551d9d8e497959293b8c3e78/html5/thumbnails/15.jpg)
15
Prci=β0 +β1PAdi + ε i
Dummy coding
Prc∑i =36 + 6PAdi
PAd
b0 est toujours la prédiction pour PA = 0
Or, avec ce nouveau codage, cette prédiction correspond à la condition PA
Le test de b0 sera donc le test de la moyenne de PA contre 0
Prci=β0 +β1PAdi + ε i Prc
i=0 + β1PAdi + ε i
MC : MA :vs.
![Page 16: 1 Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr](https://reader034.vdocuments.pub/reader034/viewer/2022051614/551d9d8e497959293b8c3e78/html5/thumbnails/16.jpg)
16
Afin d’utiliser la méthode des moindres carrés (test t, ANOVA, ANCOVA…) plusieurs règles doivent être respectées
Ces règles portent sur la distribution des résidus (aucune règle concernant la distribution des prédicteurs), c’est-à-dire les
Ces résidus doivent être :
distribués normalement
avoir une variance constante
être indépendants les uns des autres
*
*
***
Règles d’application de la méthode des moindres carrés
iε
![Page 17: 1 Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr](https://reader034.vdocuments.pub/reader034/viewer/2022051614/551d9d8e497959293b8c3e78/html5/thumbnails/17.jpg)
17
Afin d’utiliser la méthode des moindres carrés (test t, ANOVA, ANCOVA…) plusieurs règles doivent être respectées
Ces règles portent sur la distribution des résidus (aucune règle concernant la distribution des prédicteurs), c’est-à-dire les
Ces résidus doivent être :
distribués normalement
avoir une variance constante
être indépendants les uns des autres
*
*
***
Règles d’application de la méthode des moindres carrés
iε
![Page 18: 1 Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr](https://reader034.vdocuments.pub/reader034/viewer/2022051614/551d9d8e497959293b8c3e78/html5/thumbnails/18.jpg)
18
Distribution des résidus
Performance en fonction de la taille
0 1β β εi i iPerf taille 19.83 0.22i i iPerf taille e
![Page 19: 1 Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr](https://reader034.vdocuments.pub/reader034/viewer/2022051614/551d9d8e497959293b8c3e78/html5/thumbnails/19.jpg)
19
Distribution des résidus
« Histogramme » des résidus
0 1β β εi i iPerf taille 19.83 0.22i i iPerf taille e
![Page 20: 1 Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr](https://reader034.vdocuments.pub/reader034/viewer/2022051614/551d9d8e497959293b8c3e78/html5/thumbnails/20.jpg)
20
Distribution des résidus
0 1β β εi i iPerf taille 19.83 0.22i i iPerf taille e
« Histogramme » des résidus
Bonne nouvelle :
=> Toutes les violations de la normalité ne sont pas graves
![Page 21: 1 Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr](https://reader034.vdocuments.pub/reader034/viewer/2022051614/551d9d8e497959293b8c3e78/html5/thumbnails/21.jpg)
21
Ce qui est important par rapport à la normalité
La distribution uniforme,un problème ?
Moins un problème ?
![Page 22: 1 Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr](https://reader034.vdocuments.pub/reader034/viewer/2022051614/551d9d8e497959293b8c3e78/html5/thumbnails/22.jpg)
22
Tous les votes ne naissent pas égaux
![Page 23: 1 Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr](https://reader034.vdocuments.pub/reader034/viewer/2022051614/551d9d8e497959293b8c3e78/html5/thumbnails/23.jpg)
23
Ce qui est important par rapport à la normalité
La distribution uniforme,un problème ?
Moins un problème ?
Les violations par rapport à la normalité ne sont problématiques que pour les extrémités
Comment savoir si c’est le cas ?
![Page 24: 1 Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr](https://reader034.vdocuments.pub/reader034/viewer/2022051614/551d9d8e497959293b8c3e78/html5/thumbnails/24.jpg)
24
Diagramme des quantiles - quantiles
0 1β β εi i iPerf taille 19.83 0.22i i iPerf taille e
Les observations sur la droite suivent la loi normale
Problème (ici) si les observations extrêmes aplatissent la droite :
• En dessous de la droite en haut
• En dessus de la droite en bas
![Page 25: 1 Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr](https://reader034.vdocuments.pub/reader034/viewer/2022051614/551d9d8e497959293b8c3e78/html5/thumbnails/25.jpg)
25
Afin d’utiliser la méthode des moindres carrés (test t, ANOVA, ANCOVA…) plusieurs règles doivent être respectées
Ces règles portent sur la distribution des résidus (aucune règle concernant la distribution des prédicteurs), c’est-à-dire les iε
Ces résidus doivent être :
distribués normalement
avoir une variance constante
être indépendants les uns des autres
*
*
***
Règles d’application de la méthode des moindres carrés
![Page 26: 1 Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr](https://reader034.vdocuments.pub/reader034/viewer/2022051614/551d9d8e497959293b8c3e78/html5/thumbnails/26.jpg)
26
Performance en fonction de la taille
0 1β β εi i iPerf taille 19.83 0.22i i iPerf taille e
Variance constante des résidus
![Page 27: 1 Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr](https://reader034.vdocuments.pub/reader034/viewer/2022051614/551d9d8e497959293b8c3e78/html5/thumbnails/27.jpg)
27
Variance constante des résidus
![Page 28: 1 Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr](https://reader034.vdocuments.pub/reader034/viewer/2022051614/551d9d8e497959293b8c3e78/html5/thumbnails/28.jpg)
28
Variance constante des résidus
Distribution problématique : en entonnoir
![Page 29: 1 Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr](https://reader034.vdocuments.pub/reader034/viewer/2022051614/551d9d8e497959293b8c3e78/html5/thumbnails/29.jpg)
29
Variance constante des résidus : autre représentation
Il nous suffit maintenant de regarder s’il existe une relation entre les deux variables
![Page 30: 1 Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr](https://reader034.vdocuments.pub/reader034/viewer/2022051614/551d9d8e497959293b8c3e78/html5/thumbnails/30.jpg)
30
Règles d’application de la méthode des moindres carrés
Afin d’utiliser la méthode des moindres carrés (test t, ANOVA, ANCOVA…) plusieurs règles doivent être respectées
Ces règles portent sur la distribution des résidus (aucune règle concernant la distribution des prédicteurs), c’est-à-dire les iε
Ces résidus doivent être :
distribués normalement
avoir une variance constante
être indépendants les uns des autres
*
*
***
![Page 31: 1 Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr](https://reader034.vdocuments.pub/reader034/viewer/2022051614/551d9d8e497959293b8c3e78/html5/thumbnails/31.jpg)
31
Effet de l’habitat sur la satisfaction dans le couple :présentation des résidus (ei)
Satisfactioni=β0 + β1Condci + ε i
On voit clairement ici que les résidus ne sont pas indépendants à l’intérieur des couples
![Page 32: 1 Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr](https://reader034.vdocuments.pub/reader034/viewer/2022051614/551d9d8e497959293b8c3e78/html5/thumbnails/32.jpg)
32
Remèdes
Si les résidus ne sont pas (ou n’ont pas) :
distribués normalement
une variance constante
indépendants les uns des autres
=> Transformations
=> Transformations
=> Tests non-paramètriques (dernier recours)
=> Tests non-paramètriques
=> Jouer sur le nombre
d’observations
=> Tests paramètriques type Welch
![Page 33: 1 Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr](https://reader034.vdocuments.pub/reader034/viewer/2022051614/551d9d8e497959293b8c3e78/html5/thumbnails/33.jpg)
33
Type d’erreurs
Erreur de Type I : rejeter H0 à tord (nous disons qu’un effet existe alors qu’il n’existe pas)
Erreur de Type II : ne pas rejeter H0 à tord (un effet existe mais nous ne le voyons pas)
![Page 34: 1 Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr](https://reader034.vdocuments.pub/reader034/viewer/2022051614/551d9d8e497959293b8c3e78/html5/thumbnails/34.jpg)
34
Hétérogénéité des variances et nombre de sujets par condition (Tomarken & Serlin, 1986)
Nombre de sujets par condition et variance sont liés positivement => augmentation des erreurs de Type II
Nombre de sujets par condition et variance sont liés négativement => augmentation des erreurs de Type I
Nombre de sujets par condition et variance sont indépendants (même nombre de sujets par condition) => très faible augmentation des erreurs de Type I
Se ramener au même nombre de sujets par condition permet de diminuer les risques
![Page 35: 1 Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr](https://reader034.vdocuments.pub/reader034/viewer/2022051614/551d9d8e497959293b8c3e78/html5/thumbnails/35.jpg)
35
Remèdes
Si les résidus ne sont pas (ou n’ont pas) :
distribués normalement
une variance constante
indépendants les uns des autres
=> Transformations
=> Transformations
=> Tests non-paramètriques (dernier recours)
=> Tests non-paramètriques
=> Jouer sur le nombre
d’observations
=> Autres types de tests
=> Tests paramètriques type Welch
![Page 36: 1 Dominique Muller Laboratoire Inter-universitaire de Psychologie Bureau : 238 Tel : 04 76 82 58 90 Email : dominique.muller@upmf-grenoble.fr](https://reader034.vdocuments.pub/reader034/viewer/2022051614/551d9d8e497959293b8c3e78/html5/thumbnails/36.jpg)
36
Types de problèmes et types de transformations
Transformer les données pour atteindre la normalité
– Pour les distributions « plates » : inverse (1/Y)– Pour les distributions « asymétriques + » : log ou inverse– Pour les distributions « asymétriques - » : racine carré
Transformer les données pour atteindre une variance constante des résidus (homoscédasticité)
– Cône des résidus ouvert à droite : inverse– Cône des résidus ouvert à gauche : racine carré