LES STATISTIQUES. Valérie Bougault, PhD.

Transcription

1 LES STATISTIQUES Valérie Bougault, PhD. Référence: S. Champely. «Statistique vraiment appliquée au sport». Ed de Boeck université (Bruxelles), Coll Sciences et pratiques du sport

2 I. INTRODUCTION: A QUOI SERT LA STATISTIQUE? I.1. Définition Cours 1 Méthode scientifique consistant à réunir des données chiffrées sur des ensembles nombreux (populations), puis à analyser, commenter et critiquer ces données. La statistique permet de rendre lisible un flux important de données. 2

3 I.2. Exemples Evolution des effectifs par discipline (U Bourgogne) 3

4 Le marché du Sport en France L évolution du marché (en milliards d euros) ,55 7,85 8, ,1% ,0% ,1% 8,51 8,72 8,89 8,92 9,15 9, ,2% ,5% ,9% ,3% ,5% 0,5% Tendance budget moyen par ménage en 2008: 332 Source: L observatoire Cetelem

5 Le marché du Sport en France Commerces intégrés (GSS) 47,5% Autres commerces spécialisés 7,5% Commerces associés ou franchisés 23,8% Grandes surfaces alimentaires 4,3% Commerces d équipement de la personne 9,1% VPC 3,6% Commerces monomarques et indépendants 4,2% Source: L observatoire Cetelem

6 Budget Sport des ménages en Europe Top 3 du budget Sport des ménages en Europe Top 3 du budget Sport des ménages en Europe, à revenus équivalents 6

7 II. PRODUIRE DE BONNES DONNEES 2 mesures X et Y prises sur 7 sujets : Sujets X Y 1 A 75 2 B 85 3 B 85 4 B 95 5 C 90 6 D 95 7 D 95 Connaître le contexte des données Quelle est la qualité de ces données? Peut-on généraliser les résultats obtenus à une population plus large? Peut-on établir des relations de cause à effet? 7

8 II.1. Mesurer II.1.A. Validité d une mesure Une mesure est dite valide si elle mesure effectivement l information que l on souhaite mesurer Formes de validité : o Instruments de mesure adaptés o Précision des caractéristiques de la mesure Problème: Sciences du sport (beaucoup de caractéristiques) 8

9 o Validité prédictive = lorsque la mesure peut être utilisée pour prédire avec une faible marge d erreur ce que l on souhaite mesurer. o Validité du contenu (experts) = repose sur une sélection pertinente des mesures qui reflèteront les aspects essentiels de l information recherchée. o Validité du construit (experts) = lorsque l on essaie de savoir si un ensemble de mesures évalue correctement une caractéristique complexe et abstraite (tests psycho) 9

10 Validité et mesures dérivées : Combinaison de plusieurs mesures en une seule pour en augmenter la validité Validité et contextualisation : Une mesure doit être rapportée à d autres, obtenues dans des conditions comparables. 10

11 II.1.B. Les erreurs de mesure Biais Variabilité 11

12 Le biais : = Tendance générale à la sur- ou sous-estimation de la véritable valeur, par la méthode de mesure. o Méthode de mesure o Définition imprécise de la mesure o Conditions de mesure o Individu mesuré o Effet HAWTHORNE o Evaluateur 12

13 La variabilité : Une mesure est dite peu variable si on obtient sensiblement les mêmes résultats en la répétant dans des conditions identiques o Variations biologiques o Variations mécaniques o Insuffisance d un protocole 13

14 La fiabilité : Une mesure est dite fiable ou précise si le biais et la variabilité sont faibles. o Plusieurs méthodes concurrentes pour une même information Laquelle choisir? 14

15 II.1.C. Autres considérations sur les mesures Accessibilité des mesures : o Facilité de mise en œuvre o Coût raisonnable Mesures observationnelles ou expérimentales : o Facilité de mise en œuvre o Coût raisonnable 15

16 Mesures observationnelles ou expérimentales : o Mesures observationnelles = Quand la seule intervention de l évaluateur réside dans le choix des unités statistiques à mesurer. Représentativité de l échantillon = Sondage, échantillonnage Existence de nombreuses variables cachées Ne permettent pas de démontrer des relations de cause à effet 16

17 o Mesures expérimentales = Dans l étude d une relation de cause à effet, lorsque l évaluateur maîtrise la variable explicative, on parle de mesures expérimentales. Limitation des variables cachées Beaucoup plus difficiles de mise en place Coût 17

18 II.1.D. Echelles de mesure Les mesures diffèrent en fonction du nombre de valeurs qu elles peuvent prendre : o Qualitatives o Ordinales o Quantitatives 18

19 Mesures qualitatives : (Ex: Genre: F ou M) = Indique l appartenance de l unité statistique à une catégorie o Pas de différenciation des unités à l intérieur de chaque catégorie o Pas de hiérarchie établie entre les catégories o Souvent codées numériquement o Pas de sens arithmétique 19

20 Variables ordinales : = Indique l appartenance de l unité statistique à une catégorie mais l ensemble de ces catégories présente la particularité d être ordonné. o Toutes les catégories doivent pouvoir être ordonnées. 20

21 Mesures quantitatives : (Ex: Poids, taille ) = Vise à estimer une quantité numérique o 2 unités statistiques sont séparées par une véritable distance (comparaisons possibles des écarts) o Opérations arithmétiques envisageables NB o La séparation entre les échelles n est pas imperméable o Limitation le plus possible des variables qualitatives 21

22 II.1.E. Organisation des mesures dans un tableau Objectifs d un tableau mis à jour : o Retrouver l ensemble des mesures prises sur une unité statistique o Disposer de valeurs de l échantillon complet concernant une mesure (âge) o Pouvoir facilement croiser les données des mesures 22

23 Structure la plus efficace : o Disposer les unités statistiques en ligne o Disposer les mesures en colonne o Données manquantes: ne pas mettre de chiffre Sujet Genre Age Sport H/sem Années CSP H/sem AB F 20 Judo 10 3 Etudiant 20 PL M 22 Kayak 3 1 Vendeur 30 23

24 II.2. Sonder Cours 2 Exemple: Journal «L équipe»: = principal fonds de commerce et principale «une» = Football Interrogations: o o Le football tient-il réellement une place prépondérante dans les unes de ce quotidien? Quels sont les autres sports représentés? 24

25 II.2.A. Population et échantillon Population = ensemble des unités statistiques (objets, individus, organisations ) sur lequel nous voulons de l information. o Doit être exactement adaptée aux objectifs de l étude o Doit reposer sur une définition précise Echantillon = fraction de la population 25

26 Recensement = mesure de toute la population Rare (sauf pour de très petites populations) : o Coût o Temps o Bonne qualité des mesures Sondage = mesure d un échantillon supposé représentatif de la population 26

27 II.2.B. Techniques empiriques de sélection Sondage de convenance = Sélection des unités statistiques les plus accessibles Thèmes Pages F1 4 Football 65,5 Golf 1,5 Hand-ball 7,5 Paris-Dakar 4 Rugby 6,5 Science du sport 1 Ski 1 Tennis 6 Voile 2 Volley-Ball 1 Référence: S. Champely Les «Unes» de l Equipe (du 1er janvier 2001 au 11 avril 2001) 27

28 o Biais de sondage : échantillon non représentatif o Echantillon autosélectionné : quand les individus sondés sont des volontaires (souvent observé en sport) = Défauts majeurs des sondages de convenance 28

29 Sondage par quotas = Méthode généralement utilisée par les instituts de sondage français = Consistent à respecter dans la constitution de l échantillon, certaines proportions de la population o Variables sur lesquelles sont fondés les quotas doivent être fortement relié au comportement étudié o La proportion des catégories doit être bien à jour 29

30 La qualité du sondage par quotas repose sur 3 hypothèses : o La variabilité de la caractéristique qui nous intéresse, observée dans la population générale peut être essentiellement caractérisée par les différences existantes entre les sous-populations o Au sein d une même sous-population, l opinion est relativement homogène o Le poids exact des sous-populations est connu 30

31 o Caractérisation ou caricature? o Biais du sondeur (sélection représentative??) o Biais du sondé (refus de répondre) Dans la technique des quotas,le refus de répondre n est pas comptabilisé («on passe au suivant) 31

32 Sondage par boule de neige = Consiste d abord à dénicher un certain nombre d individus correspondants à une population d étude. Il leur est demandé de répondre au sondage et ensuite de citer, parmi leurs connaissances, d autres personnes appartenant également à l apopulation d étude. o Utilisé pour les populations rares ou d accès difficile o Ne touche que des populations bien particulières 32

33 Sondage empirique = Sondages de convenance, par quotas et par boule de neige. o Biais de sélection important (intérêt du tirage au sort des sondés) 33

34 II.2.C. Techniques aléatoires de sélection Sondage aléatoire simple = Technique aléatoire de sélection la plus simple 2 étapes : o 1- Construction de la liste des unités statistiques formant la population = liste de sondage o 2- Par une technique de tirage au sort dans cette liste, on sélectionne les unités de l échantillon 34

35 Sondage aléatoire stratifié Une population est souvent constituée de sous-populations = strates Sondage aléatoire stratifié = consiste à pratiquer indépendamment dans chaque sous-population un sondage aléatoire Quelle taille choisir pour chaque population? o Généralement, taille proportionnelle à l importance de la sous-population correspondante = allocation proportionnelle 35

36 NB: o Plus les strates sont différentes, plus on réalise de gain par rapport à un sondage aléatoire simple o Possibilité d augmenter la précision pour des petites sous-populations, puis de corriger le déséquilibre. 36

37 Problèmes des listes de sondage = La difficulté pratique de ces sondages est de constituer une liste de sondage Défaut de couverture : Quand une liste de sondage ne correspond pas à la population. Les résultats obtenus sur l échantillon ne se généralisent alors qu à la liste de sondage. 37

38 Sondage aléatoire systématique Quand les unités sont classables dans un certain ordre, on peut employer cette technique. On parle alors plus de file de sondage que liste de sondage. Le sondage aléatoire systématique consiste à : o Sélectionner régulièrement les unités statistiques dans une file de sondage. o Le «saut» qu il faut à chaque fois effectuer pour définir l unité suivante = le pas de sondage o Pour définir l unité statistique initiale = tirage au sort 38

39 Intérêt = pas besoin de liste de population. Il faut juste avoir une idée de sa taille afin de choisir un pas permettant de choisir au final un échantillon assez grand. 39

40 Sondage par degrés Parfois le sunités statistiques peuvent être classées par petits groupes. Le sondage par degrés consiste à : o 1- Construire une liste des groupes d unités et à sélectionner par une méthode aléatoire un échantillon de groupes (tirage au 1 er degré) o 2- A l intérieur de chaque groupe sélectionné, on constitue une liste de ses unités statistiques et on réalise un tirage aléatoire pour obtenir un échantillon d unité (tirage au 2 nd degré) 40

41 En pratique On combine souvent différents types de sondage pour constituer un échantillon. Combien d exemplaires choisir pour obtenir des résultats dignes d intérêt? 41

42 II.2.D. Taille de l échantillon Variation d échantillonnage : = lorsque le pourcentage calculé sur l échantillon dépend de l échantillon choisi o Nécessité de connaître son ampleur o Quand le sondage a été effectué avec une composante aléatoire, on peut obtenir une information sur ces variations 42

43 Fourchette : = constituée de 2 quantités entre lesquelles la véritable valeur (celle de la population) se trouve vraisemblablement. o Il existe toujours une incertitude o Plus l échantillon est grand et plus la fourchette se rétrécit, plus on est sûr du résultat 43

44 Population ± 5% ± 2,5% ± 1% Taille d échantillon à sonder pour un pourcentage suivant la taille de la population et la précision voulue o Petits échantillons o La précision ne dépend pas de la taille de la population 44

45 II.2.E. Les non-réponses Taux de réponse o Problème de contact o Problème de refus - Il faut présenter systématiquement le taux de réponse dans vos rapports - Un taux de réponse < 80% n est pas satisfaisant 45

46 Influence du mode de passation sur le taux de réponse Mode de passation = technique choisie pour présenter concrètement le questionnaire aux sondés 5téléphone, envoi, interview) o Il existe des techniques d amélioration du taux de réponse 46

47 II.2.F. Cas pratique Objectif : connaître le souhait et la satisfaction des usagers des piscines de Lyon o Définition de la population cible o Précision de cette population o Choix de la technique de sondage o Mise en place du protocole et définition précise des modalités 47

48 II.2.G. Le questionnaire On ne peut pas se prononcer sur la qualité des résultats d un sondage sans connaître exactement les questions qui ont été posées. Erreurs d échantillonnage : problèmes de représentativité de l échantillon (population mal ciblée, mauvaise méthode de sélection, taille d échnatillon trop faible, taux de réponse trop bas) Erreurs d observation : proviennent de la rédaction du questionnaire et de son administration Erreur totale : Somme des erreurs d échantillonnage et d observation 48

49 II.3. Expérimenter Objectif Déterminer l effet sur l objet de recherche de certaines causes. Effet : mesuré par l intermédiaire d une variable dite variable de réponse ou variable dépendante Cause (s) : mesurée (s) par par une ou plusieurs variables dites facteurs ou variables indépendantes Une variable n est ni dépendante ni indépendante par nature 49

50 Caractéristiques: o Faire varier volontairement une partie des variables indépendantes en les manipulant o Maîriser l effet des autres variables indépendantes : en utilisant un tirage au sort qui dilue leur influence (randomisation) en organisant intelligemment les unités statistiques pour équilibrer leur effet en les observant pour estimer leur incidence grâce à un modèle mathématique (technique des covariables) 50

51 II.3.A. Les trois composantes d une expérience Unité expérimentale : objets, individus sur lesquels on pratique l expérience : on parle plutôt de sujets lorsque ce sont des êtres humains Facteur : cequi causeles faits, les changements (variable indépendante) Réponse : réaction de l unité à l action du facteur 51

52 II.3.B. Les répétitions = quand plusieurs unités se voient appliquer le même traitement o Recrutement de sujets souvent difficile mais un sujet ne suffit pas o La répétition permet d estimer l effet moyen du traitement de séparer le traitement de la variabilité individuelle (cad des différences normales et naturelles ) de comparer l effet du traitement à l effet moyen d autres traitements 52

53 o On n est pas obligé d utiliser le même nombre de répétitions pour chaque traitement mais c est plus précis o Différences peu importantes attendues = prévoir un nombre plus conséquent de répétitions PS: Il existe des tests d étude de la puissance statistique permettant de prévoir : la variabilité attendue la taille des effets espérés le nombre de répétitions nécessaires 53

54 II.3.C. Des expériences comparatives Confusion: lorsqu on ne peut distinguer l effet du facteur d autres causes potentielles Pour limiter les confusions, il faut rendre l expérimentation comparative. On compare : o plusieurs traitements o l absence de traitement à son application. Le groupe contrôle est celui qui ne subit pas le traitement 54

55 II.3.D. La randomisation Randomisation : Utilisation du hasard pour affecter les traitements aux unités o Permet d éviter les confusions provenant des «différences existant normalement et naturellement» entre unités statistiques II.3.E. Placebo et double-aveugle o Effet placebo («quand on sait qu on subit un traitement, même inefficace, on se porte généralement mieux») o La procédure en double-aveugle («seul le statisticien sait qui est qui») 55

56 II.3.F. Le dispositif en blocs Afin de repérer de faibles différences, il convient d avoir un bon nombre de répétitions, sinon on ne pourra pas atteindre une puissance satistique suffisante pour cette expérimentation. Plutôt que de multiplier le nombre de sujets, il existe une autre possibilité qui passe par une meilleure maîtrise de la variabilité individuelle. o Rassemblement d individus en groupes homogènes pour appliquer les différents traitements à l intérieur de chaque groupe. = notion d appariement 56

57 II.3.G. Le dispositif de cross-over = consiste en l utilisation de chaque sujet comme un bloc, le traitement et le contrôle lui étant successivement appliqués. L ordre d application est tiré au hasard. Intérêts: o Quand le nombre d individus est faible o Quand la variabilité d une personne à l autre est très forte o Quand impossibilité de construire un bloc homogène Inconvénients: o Durée pour le sujet o Respect d une période de latence entre 2 traitements o Si longue période, en tenir compte dans l analyse statistique 57

58 II.3.H. Le dispositif factoriel = Plusieurs facteurs peuvent être étudiés simultanément si on effectue toutes les combinaisons entre eux pour former les traitements (randomisation classique pour l affectation aux traitements) Intérêts: o Recherche d interactions Interaction : lorsque l effet d un facteur dépend des traitements employés par un autre facteur o On ne peut deviner l effet des 2 facteurs d après les 2 études séparées o On limite le nombre de répétitions nécessaires 58

59 II.3.I. Le dispositif en carré latin Exemple : temps de cuisson des pâtes (5, 11, 16 et 20 min) et indice gycémique (étude de Bornet et al. 1990) = Afin d équilibrer chaque jour les types de cuisson et d en construire toutes les successions, on emploie un carré latin Sujets / Jours Jour 1 Jour 2 Jour 3 Sujet 1 A B C Sujet 2 C A B Sujet 3 B C A 59

60 II.3.K. Le dispositif fractionnaire = Consiste,lorsque le nombre de combinaisons factorielles est trop élevé, à se restreindre à un sous-ensemble de traitements (une fraction). Ils seront soigneusement choisis pour permettre le test de l effet de tous les facteurs et,éventuellement de quelques interactions. o Utiles en début d étude lorsqu on peut craindre d oublier des effets importants. 60