Bonjour à tous !
Je souhaite savoir s'il y a une relation entre une variable quantitative et une autre qualitative.
Par exemple la taille en cm d'une population et la couleur de leur cheveux (Un exemple...)
Comment dois-je procéder ?
Merci pour votre réponse !
Bonjour.
Il y a diverses méthodes possibles. mais on évitera de parler de corrélation, on parlera plutôt de dépendance. parmi les moyens, les représentations graphiques sont un excellent outil dans de nombreux cas. On pourra utiliser des comparaisons de moyennes et de variances des classes données par la variable qualitative, éventuellement faire de l'analyse de variance.
Cordialement.
NB : Se former en stats est la bonne idée.
Tu peux regarder du coté de l'analyse de variance (ou ANOVA) Un exemple ici :
https://fr.wikipedia.org/wiki/Analys...le_illustratif
(je trouve la page assez indigeste par contre, il y a probablement bien plus clair ailleurs)
Mais le yi de ton lien doit suivre la loi normale, ce qui n'est pas le cas pour moi je pense...Envoyé par Tryss
Ajouter à cela que je ne vois pas comment calculer la p-value..
Si tu peux m'éclaircir à ce sujet...
La p value est calculée par le test.
Par contre si tes yi ne suivent pas une loi normale, soit, "coup de chance", tu peux renormaliser tes données (exemple simple : tes données suivent une loi log-normale), soit il faut utiliser des tests non paramétriques.
la p value est donc la valeur que je vois dans le tableau ? Je ne comprends pas
As tu un exemple de test non paramétrique adéquat ?
On dirai que tu n'as pas lu jusqu'au bout l'exemple de la page, ça montre même comment le faire avec le logiciel R, et explique à quoi correspond chaque partie du résultat renvoyé par le logiciel...
Pour des tests non paramétriques, on peut penser au test de Kruskal-Wallis ou au test de Friedman. Mais pour savoir si ils sont adéquats, il faudrait que tu précise les hypothèses sur tes variables
Après ma formation en stats est (à mon gout) assez rudimentaire
Enfin comme le dit gg0, se former en stats est la bonne idée.
Ne t'inquiète pas, j'ai lu l'exemple, mais je ne vois pas la formule utilisée pour la p value, tout ce que je sais c'est que le logiciel R permet de la renvoyer
L'anova te permet de calculer une valeur F=a (regarder la définition du test pour voir comment on calcule cette valeur), et on sait que F suit une loi de Fisher. La p-value est alors donnée par P( F > a ).
Bonjour.
Sans les données précises, on parle un peu dans le vide. Souvent, la non normalité n'est pas un problème. Et je rappelle encore que représenter ce type de données peut permettre de choisir quel type d'analyse on va faire (parfois aucune).
Sinon, si c'est "simplement pour savoir", un cours de statistiques descriptives et inférentielles est la bonne réponse. Il y en aura plus dans une seule page que dans tout un long fil de forum.
Cordialement.
Ok très bien, je vous donne toutes mes valeurs
J'ai donc 5 équipes qui relèvent des poids (en Kg) et je veux savoir si les mesures du poids a une relation avec la couleur de l'équipe :
Bleue
62.5
52.5
50.5
54.5
56.5
54.5
52.5
54.5
50.5
52.5
60.5
44.5
52.5
52.5
50.5
52.5
66.5
52.5
64.5
Jaune
50.5
61.5
44.5
60.5
64.5
52.5
44.5
42.5
32.5
51.5
40.5
44.5
40.5
44.5
42.5
40.5
44.5
42.5
52.5
34.5
44.5
57.5
59.5
Orange
61.5
56.5
55.5
62.5
54.5
57.5
50.5
24.5
54.5
64.5
62.5
64.5
54.5
56.5
48.5
46.5
34.5
62.5
40.5
62.5
64.5
64.5
56.5
52.5
Rose
56.5
54.5
46.5
49.5
42.5
44.5
54.5
54.5
44.5
44.5
54.5
54.5
Vert
58.5
56.5
59.5
52.5
51.5
54.5
Ok.
A première vue, les comparaisons sont délicates, les deux dernières équipes ayant peu de valeurs (peu de membres ?). Dans un premier temps, de simples "box-plots" peuvent permettre de voir ce qui se passe : pour chaque équipe, sur des échelles parallèles, tu traces mes moyennes, l'intervalle interquartile et éventuellement min et max (plus intéressants que les quartiles pour l'équipe "vert" qui a trop peu de valeurs).
Tu verras apparaître des choses simples du genre "l'équipe vert a des valeurs supérieures à certains membres des autres équipes".
Je te laisse faire. A priori, cette situation ne relève que des stats descriptives, donc les outils simples sont suffisants. Pour passer à des stats inférentielles, il faudrait savoir comment sont relevées ces valeurs et si elles peuvent être considérées comme un échantillon représentatif de ce que font les équipes.
Cordialement.
Pour étudier l'association entre une variable numérique (la hauteur) et une variable binaire il y a deux approches : soit on régresse la variable numérique sur la variable binaire, c'est ce qu'on appel analyse de variance, soit on régresse la variable binaire (en fait la probabilité d'observer l'une des deux classes choisie comme référence) sur la variable numérique, c'est la régression logistique. Quand l'association est forte, les deux méthodes concluent à la signification statistique.
J' ai finalement mis en place un graphe superposant les différents points par rapport à leur moyenne et par rapport à la moyenne générale. J' en ai conclu une grande dispersion chez les Jaunes et Oranges mais faible chez les Bleus, Verts et Roses. J'en ai conclu que les valeurs que j'ai dépendent plus ou moins de l'équipe ce qui s'avère logique sur le terrain.
Je sais que mon raisonnement n'est pas rigoureux mais est ce que je peux m'en tirer avec ?
Merci pour ta réponse mais le soucis c'est que je n'ai pas de variables binaires (Bleue, Verte, Rose, Orange, Jaune)
Le mieux est de présenter des box-plots, mais tu peux te contenter d'une représentation des moyennes et écarts types, par exemple les barres à 2 sigma (barre de la moyenne moins 2 écarts types à la moyenne plus 2 écarts types). En n'oubliant pas de préciser que "vert" a très peu de valeurs.
Si on te demande pourquoi tu n'as pas fait une anova, tu remarqueras qu'il y a hétéroscédasticité (des variances trop inégales) et qu'on ne peut pas non plus compter sur la Normalité des données; ce sont les deux conditions pour une anova : homoscédasticité et Normalité. La deuxième n'est pas très importante si les échantillons sont de bonne taille, mais la première est importante; n'importe comment, si les variances sont a&ssez différentes, il y a une différence évidente entre les échantillons.
Cordialement.
