Module 2: Les échelles
|
|
|
- Coralie Marceau
- il y a 8 ans
- Total affichages :
Transcription
1 Module 2: Les échelles Echelles et mesure en sciences sociales - Mesurer des concepts abstraits/complexes (p.ex. attitudes) - Mesures et questionnaires (questions Echelles (tests, indices) - Echelles conceptuelles (Exemple Postmatérialisme) - Création d échelles ad hoc (Potentiel d action) - Catalogues d échelles, nomenclatures (ex. des professions) - Développement systématique d échelles (Guttman, Likert, ) Echelles - Uni-dimensionnelles - Multi-dimensionnelles Outils d analyse - Tableaux de moyennes, analyse de la variance - Segmentation SPSS - Transformations: ECODE, IF, COMPUTE S1
2 Mesurer l intérêt pour la politique Indicateur synthétique: uni- ou multi-dimensionnel? - Intérêt: concept unidimensionnel? - Création d une échelle uni-dimensionnelle Indicateur 1 Indicateur 2 Indicateur 3 Indicateur 4 Manifeste Indicateur synthétique (Echelle) Latent Intérêt pour la politique - Intérêt: concept multi-dimensionnel? Plusieurs échelles... Indicateur 1 Indicateur 2 Indicateur 3 Indicateur 4 Indicateur 5 Indicateur 6 Indicateur 7 Indicateur 8 Manifeste Intérêt actif Intérêt passif Latent Intérêt pour la politique S2
3 Echelles unidimensionnelles S3 Variable latente: Conceptualisation et mesure - Hypothèse a priori: unidimensionalité Construction - Batteries de questions - Construction (technique) - Type d échelle: classification, continue,... Niveau de mesure - Construction: règles ad-hoc - Echelle additive Propriétés: items substituables - Démarches systématiques choix des items et construction de l échelle - Echelle de Thurstone - Echelle de Likert (échelle additive) - Echelle de Guttman (échelle additive hiérarchique) Diagnostic et étude de la cohérence - Distribution - Corrélations items/échelle (ELIABILITY, alpha de Cronbach) Validation de l échelle - Pertinence dans l analyse - Echelle de leadership d opinion - Proposition 1: Leader/Non-Leader - Proposition 2: Classification en 4 groupes - Proposition 3: Echelle continue (additive) - Proposition 4:... - Echelle additive - Simple PotAct = A + B + C + D + E PotAct = (A + B + C + D + E)/5 - Avec pondération PotAct = A + B C + 2 D + 2 E
4 Echelle de post-matérialisme (Inglehart) - Théorie qui postule un changement irréversible des priorités de valeurs dans les sociétés post-industrielles - Mesure: question - Objectifs de la société: Indiquer l objectif prioritaire, le deuxième... - A. Maintenir l ordre et la sécurité - B. Améliorer la participation des citoyens - C. Combattre la hausse de prix - D. Garantir la liberté d expression S4 2e priorité Première priorité A B C D A (1) B 2 (4) 2 4 C 1 3 (1) 3 D (4) Instructions SPSS 1 = Matérialiste 2 = Plutôt matérialiste 3 = Plutôt post-matérialiste 4 = Post-matérialiste Tableau logique (règles de construction)
5 16 conditions logiques IF P1=1 AND P2=1 PMAT= 1. IF P1=1 AND P2=2 PMAT= 2. IF P1=1 AND P2=3 PMAT= 1. IF P1=1 AND P2=4 PMAT= 2. IF P1=2 AND P2=1 PMAT= 3. IF P1=2 AND P2=2 PMAT= 4. IF P1=2 AND P2=3 PMAT= 3. IF P1=2 AND P2=4 PMAT= 4. IF P1=3 AND P2=1 PMAT= 1. IF P1=3 AND P2=2 PMAT= 2. IF P1=3 AND P2=3 PMAT= 1. IF P1=3 AND P2=4 PMAT= 2. IF P1=4 AND P2=1 PMAT= 3. IF P1=4 AND P2=2 PMAT= 4. IF P1=4 AND P2=3 PMAT= 3. IF P1=4 AND P2=4 PMAT= 4. 2e priorité (P2) Première priorité (P1) (1) (4) (1) (4) S5 VAIABLE LABEL PMAT Echelle d Inglehart. VALUE LABELS PMAT 1 Matérialiste 2 plutôt matérialiste 3 plutôt post-matérialiste 4 Post-matérialiste. Données manquantes?
6 Mesures de cohérence d une échelle additive Procédure ELIABILITY - Corrélations entre échelle et variables (items) - Importance relative de chaque variable Coefficient de Cronbach - Mesure de cohérence interne de l échelle - Corrélation (moyenne) entre l échelle et les items - Varie entre 0 et 1 (conseillé: min. 0.7) S6 k Var tot Var item k = item = 1 k 1 Var tot k = nombre d items Var tot = variance totale (covariation des items) Var item = variance spécifique à chaque item
7 Echelles multidimensionnelles Démarche - Analyse de la covariation: Première, 2e,... dimension ( axes ) - Variables latentes: Dimensions sous-jacentes (facteurs, composants) - Analyse factorielle (ACP=Analyse en composantes principales) Eléments S7 - Centralité des variables (communalités) - Combien de dimensions? - Importance d une dimension: % de variance expliquée - Echelles des variables [corrélations variables/facteurs] Interprétation, baptême de dimension - Echelles des observations (scores factoriels) Validation de l échelle - Pertinence dans l analyse
8 Communalités Communalities moderne CH Moderne fermee CH Fermée peupart PartFaible des citoyens fsuisses Plus de chances aux suisses autpays Ecoute autres pays cantons Cantons plus de pouvoir marche Confiance au marché revegal evenus égalitaires economie Economie plus importante sarmee CH sans armée Extraction Method: Principal Component Analysis. Initial Extraction S8 Centralité des variables (corrélations entre chaque item et la structure factorielle)
9 Importance relative des facteurs: Variance expliquée Valeurs propres v Total Variance Explained S9 Component Initial Eigenvalues % of % of Total Variance Cumulative % Total Variance Cumulative % Extraction Method: Principal Component Analysis. Extraction Sums of Squared Loadings ésultat de l extraction des facteurs
10 Corrélations entre variables et facteurs - Coordonnées factorielles, (factor) loadings, cosinus (des angles), composantes (principales) Component Matrix a moderne CH Moderne fermee CH Fermée peupart PartFaible des citoyens fsuisses Plus de chances aux suisses autpays Ecoute autres pays cantons Cantons plus de pouvoir marche Confiance au marché revegal evenus égallitaires economie Economie plus importante sarmee CH sans armée Extraction Method: Principal Component Analysis. a. 3 components extracted. Component S10 Corrélation de cette variable avec la première dimension
11 Corrélations entre variables et facteurs - Coordonnées factorielles, (factor) loadings, composantes (principales) Component Matrix a fsuisses Plus de chances aux suisses moderne CH Moderne autpays Ecoute autres pays fermee CH Fermée sarmee CH sans armée peupart PartFaible des citoyens revegal evenus égalitaires economie Economie plus importante marche Confiance au marché cantons Cantons plus de pouvoir Extraction Method: Principal Component Analysis. a. 3 components extracted. Coordonnées Component S11
12 Dimension 1 et 2 Interprétation des dimensions Component Plot Variance expliquée 14% 2 t n e n o p m o C Component Plus de chances aux suisses CH Fermée Cantons plus de pouvoir Confiance au marché evenus égalitaires CH sans armée Ecoute autres pays CH Moderne Qu est-ce que ces variables ont en commun? S Economie plus importante PartFaible des citoyens Component 1 Variance expliquée 24% En quoi ces deux groupes de variables s opposent?
13 Scores (valeurs) factoriels Analyse des scores factoriels avec d autres variables - Variables utilisées dans l ACP Comprendre le résultat - Avec d autres variables Comprendre les dimensions, les expliquer Utilisation dans l analyse - Scores = Echelle construite - Score = résumé - Utilisation comme variable(s) dépendante(s) ou indépendante(s) S13
14 Portée/validité de l échelle construite? Utilité dans l analyse - Discrimination de groupes des variables indépendantes? - L échelle est-elle un bon facteur explicatif? Tableaux croisés Tableaux de moyennes S14
15 eprésentation graphique (boîte à pattes/boxplot) t1 c ta o P S15 Aucune form scol/prof Ecole obligatoire Appr prof ou école prof Ecole de maturité Form sup tech et prof Dernière école achevée Ecole tech sup Cases weighted by Pondération sur regling, données OFS grisons=além Université, EPF
16 Analyse de la variance (ANOVA) y = f (X 1, X2,...) - Y (critère) : Quantitatif (continue) - X 1, X 2 (facteurs): Qualitatif (catégoriel) Comparaison des catégories de la variable indépendante - Tableaux de moyennes/écart-types - Boxplot (boîte à pattes) Décomposition de la variance S16 V total = V inter-groupes + V intra-groupes Var(y) = Var(x) + Var(reste) attribuable à X - Qualité Variance expliquée) - elation (force) Signification statistique - elation Test de F attribuable à autre chose
17 Variable dépendante Nominal Ordinal Intervalles Nominal Tableaux Analyse Variable indépendante Ordinal croisés de la variance Intervalles T T r égression S17
18 Ségmentation Arbre de l abstentionnisme Educ. primaire 78%% % d abstentionniste dans le groupe Suisse 40% (1917) N a pas de préf. partisane 60% (615) Contraste maximal (différence) Femmes 67% (418) Hommes 46% (197) Non-membreorg.prof. 36% (235) Educ. supérieure 54% (183) Age % (47) Age > 29 40% (150) evenu < 2000 F 45% (419) Critères d arrêt - effectif du noeud - seuil de contraste (difference) Femmes 53% (256) Hommes 32% (163) A une préf. partisane 30% (1302) parent noeud enfant split (876) Membre org. prof 18% (426) evenu > 2000F 28% (457) Autres profession 21% (309) Ouvriers 41% (148) S18
19 SPSS: Quelques conseils Avant tout analyse plus sophistiquée - Connaissez vos variables: Faites un diagnostic - Distribution? Particularités? Donnes manquantes? Transformations (par exemple pour construire une échelle) S19 Analysez le problème tâches à effectuer - Tableau logique du problème (cf. échelle de post-matérialisme) - Faites les opérations à la main pour quelques individus typiques; le résultat fait-il sens? Procédez par étapes - Plus facile à vérifier/à corriger
20 S20 Vérifiez que tout s est bien passé - Erreurs syntaxiques - Messages d erreurs/avertissements de SPSS (il ne devrait pas en avoir) - Attention: Il faut les chercher/lire; parfois il est nécessaire de faire défiler la fenêtre output en arrière... - Erreurs logiques - Logique de l échelle respectée? - Correspondance avec votre tableau logique Examinez la plausibilité des résultats (tableaux de fréquences) - Nombre d observations (plausibles?) - Valeurs plausibles, attendues? - Individus typiques, individus extrêmes? Données manquantes - Avez vous déclaré correctement vos données manuqantes? - Traitement automatique vs. traitement explicite - Diagnostic... Le nombre des d.m. n est-il pas trop élevé?
21 Documenter les nouvelles variables et les variables transformées (libellés) - Sauf si la durée de vie de la variable est très courte... (p. ex. pendant l examen) - et.. il vaut mieux pas documenter que mal documenter Stratégies de déboguage - Correction séquentielle des erreurs/problèmes - Insertion d une procédure FEQUENCIES après chaque pas de transformation - Pour les échelles p.ex. faites les opérations à la main pour quelques cas typiques... et S21 Un logiciel ne fait que suivre vos ordres: - Apprenez à connaître les ordres qu il peut suivre. - Ne croyez pas aux miracles.
22 Exemple d un piège idiot... Soit Objectif: Intervertir Homme/femme ECODE Q84 (1=2) (2=1). VALUE LABELS V84 1 Femme 2 Homme. FEQUENCIES VA=Q84. ésultat: recodage ok, mais libellés inchangés S22 Message d avertissement
23 /* Creation d'une échelle potact pondérée: /* compute potact2=0.5*a *A2+1.75*A3+2*(A4+A5). compute potact2=((potact2a-7.15)/14.30)*20. formats potact2(f3.1). freq var=potact2. Message d erreur >Error # 4295 column 19 variable name too long or is not defined by a previous command. >>Command not executed S23
Introduction aux Statistiques et à l utilisation du logiciel R
Introduction aux Statistiques et à l utilisation du logiciel R Christophe Lalanne Christophe Pallier 1 Introduction 2 Comparaisons de deux moyennes 2.1 Objet de l étude On a mesuré le temps de sommeil
Déroulement d un projet en DATA MINING, préparation et analyse des données. Walid AYADI
1 Déroulement d un projet en DATA MINING, préparation et analyse des données Walid AYADI 2 Les étapes d un projet Choix du sujet - Définition des objectifs Inventaire des données existantes Collecte, nettoyage
Pratique de l analyse de données SPSS appliqué à l enquête «Identités et Capital social en Wallonie»
Centre de recherche en démographie et sociétés UCL/IACCHOS/DEMO Pratique de l analyse de données SPSS appliqué à l enquête «Identités et Capital social en Wallonie» 1 2 3+ analyses univariées Type de variables
La classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Statistique Descriptive Multidimensionnelle. (pour les nuls)
Publications de l Institut de Mathématiques de Toulouse Statistique Descriptive Multidimensionnelle (pour les nuls) (version de mai 2010) Alain Baccini Institut de Mathématiques de Toulouse UMR CNRS 5219
Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés
Analyses de Variance à un ou plusieurs facteurs Régressions Analyse de Covariance Modèles Linéaires Généralisés Professeur Patrice Francour francour@unice.fr Une grande partie des illustrations viennent
Statistiques Appliquées à l Expérimentation en Sciences Humaines. Christophe Lalanne, Sébastien Georges, Christophe Pallier
Statistiques Appliquées à l Expérimentation en Sciences Humaines Christophe Lalanne, Sébastien Georges, Christophe Pallier Table des matières 1 Méthodologie expérimentale et recueil des données 6 1.1 Introduction.......................................
Structure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données
Structure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données et le Data Mining Nous suivons le plan suivant : Fonctionnement de Spad Catalogue des méthodes (statistiques
Université de Montréal. département de sociologie. L'analyse factorielle et l'analyse de fidélité. notes de cours et exemples
Université de Montréal département de sociologie L'analyse factorielle et l'analyse de fidélité notes de cours et exemples Claire Durand, 2003 Notes aux lecteurs... Ce texte a d'abord été préparé pour
Relation entre deux variables : estimation de la corrélation linéaire
CHAPITRE 3 Relation entre deux variables : estimation de la corrélation linéaire Parmi les analyses statistiques descriptives, l une d entre elles est particulièrement utilisée pour mettre en évidence
Analyse de la variance Comparaison de plusieurs moyennes
Analyse de la variance Comparaison de plusieurs moyennes Biostatistique Pr. Nicolas MEYER Laboratoire de Biostatistique et Informatique Médicale Fac. de Médecine de Strasbourg Mars 2011 Plan 1 Introduction
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Agenda de la présentation
Le Data Mining Techniques pour exploiter l information Dan Noël 1 Agenda de la présentation Concept de Data Mining ou qu est-ce que le Data Mining Déroulement d un projet de Data Mining Place du Data Mining
PROGRAMME (Susceptible de modifications)
Page 1 sur 8 PROGRAMME (Susceptible de modifications) Partie 1 : Méthodes des revues systématiques Mercredi 29 mai 2013 Introduction, présentation du cours et des participants Rappel des principes et des
La structure de la base de données et l utilisation de PAST. Musée Royal de l Afrique Centrale (MRAC Tervuren)
La structure de la base de données et l utilisation de PAST La structure de la base de données données originales SPÉCIMENS Code des spécimens: Identification des spécimens individuels. Dépend du but de
Solutions Décisionnelles SPAD. La maîtrise des données, l'art de la décision
Solutions Décisionnelles SPAD La maîtrise des données, l'art de la décision SPAD, la référence en Analyse de Données et Data Mining La solution logicielle SPAD permet de tirer le meilleur parti de tous
Modèles pour données répétées
Résumé Les données répétées, ou données longitudinales, constituent un domaine à la fois important et assez particulier de la statistique. On entend par données répétées des données telles que, pour chaque
Chapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
1 Objectifs. Traitement statistique des données d enquête avec introduction à SPSS. Plan
1 Objectifs Traitement statistique des données d enquête avec introduction à SPSS Gilbert Ritschard Département d économétrie, Université de Genève gilbert.ritschard@themes.unige.ch Bamako, 7-11 octobre
Traitement des données avec Microsoft EXCEL 2010
Traitement des données avec Microsoft EXCEL 2010 Vincent Jalby Septembre 2012 1 Saisie des données Les données collectées sont saisies dans une feuille Excel. Chaque ligne correspond à une observation
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
Logiciel XLSTAT version 7.0. 40 rue Damrémont 75018 PARIS
Logiciel XLSTAT version 7.0 Contact : Addinsoft 40 rue Damrémont 75018 PARIS 2005-2006 Plan Présentation générale du logiciel Statistiques descriptives Histogramme Discrétisation Tableau de contingence
Mémo d utilisation de ADE-4
Mémo d utilisation de ADE-4 Jérôme Mathieu http://www.jerome.mathieu.freesurf.fr 2003 ADE-4 est un logiciel d analyses des communautés écologiques créé par l équipe de biostatistiques de Lyon. Il propose
ESIEA PARIS 2011-2012
ESIEA PARIS 2011-2012 Examen MAT 5201 DATA MINING Mardi 08 Novembre 2011 Première Partie : 15 minutes (7 points) Enseignant responsable : Frédéric Bertrand Remarque importante : les questions de ce questionnaire
FORMULAIRE DE STATISTIQUES
FORMULAIRE DE STATISTIQUES I. STATISTIQUES DESCRIPTIVES Moyenne arithmétique Remarque: population: m xμ; échantillon: Mx 1 Somme des carrés des écarts "# FR MOYENNE(série) MOYENNE(série) NL GEMIDDELDE(série)
Statistique Descriptive Élémentaire
Publications de l Institut de Mathématiques de Toulouse Statistique Descriptive Élémentaire (version de mai 2010) Alain Baccini Institut de Mathématiques de Toulouse UMR CNRS 5219 Université Paul Sabatier
MODULES D IN{FORMATION} ACCESSIBILITÉ DES ERP Culturels VOS BÂTIMENTS/LES HANDICAPS/LA LÉGISLATION
MODULES D IN{FORMATION} ACCESSIBILITÉ DES ERP Culturels VOS BÂTIMENTS/LES HANDICAPS/LA LÉGISLATION FOIRE AUX QUESTIONS Temps d échange conduits par Sophie Papin, chargée de mission tourisme et handicap
Une variable binaire prédictrice (VI) et une variable binaire observée (VD) (Comparaison de pourcentages sur 2 groupes indépendants)
CIVILITE-SES.doc - 1 - Une variable binaire prédictrice (VI) et une variable binaire observée (VD) (Comparaison de pourcentages sur 2 groupes indépendants) 1 PRÉSENTATION DU DOSSIER CIVILITE On s intéresse
LES DIFFERENTS TYPES DE MESURE
LES DIFFERENTS TYPES DE MESURE Licence - Statistiques 2004/2005 REALITE ET DONNEES CHIFFREES Recherche = - mesure. - traduction d une réalité en chiffre - abouti à des tableaux, des calculs 1) Qu est-ce
Le Data Mining au service du Scoring ou notation statistique des emprunteurs!
France Le Data Mining au service du Scoring ou notation statistique des emprunteurs! Comme le rappelle la CNIL dans sa délibération n 88-083 du 5 Juillet 1988 portant adoption d une recommandation relative
Introduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Collecter des informations statistiques
Collecter des informations statistiques FICHE MÉTHODE A I Les caractéristiques essentielles d un tableau statistique La statistique a un vocabulaire spécifique. L objet du tableau (la variable) s appelle
Scénario: Données bancaires et segmentation de clientèle
Résumé Scénario: Données bancaires et segmentation de clientèle Exploration de données bancaires par des méthodes uni, bi et multidimensionnelles : ACP, AFCM k-means, CAH. 1 Présentation Le travail proposé
1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
ENQUÊTE SALARIÉS. VIAVOICE Mieux comprendre l opinion pour agir 178 rue de Courcelles 75 017 Paris + 33 (0)1 40 54 13 90 www.institut-viavoice.
Délégation interministérielle à la Famille ENQUÊTE SALARIÉS Baromètre de l Observatoire de la parentalité en entreprise, en partenariat avec la Délégation interministérielle à la famille et l Union nationale
L analyse des données par les graphes de similitude
1 L analyse des données par les graphes de similitude Par Pierre Vergès, directeur de recherche au CNRS et Boumedienne Bouriche, maître de conférence à l IUT de Gap Juin 2001 2 A Claude FLAMENT l inventeur
23. Interprétation clinique des mesures de l effet traitement
23. Interprétation clinique des mesures de l effet traitement 23.1. Critères de jugement binaires Plusieurs mesures (indices) sont utilisables pour quantifier l effet traitement lors de l utilisation d
Analyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9
Analyse de variance à deux facteurs (plan inter-sujets à deux facteurs) TP9 L analyse de variance à un facteur permet de vérifier, moyennant certaines hypothèses, si un facteur (un critère de classification,
XXXXXX. Information préalable au 31.12.2002. Base individuelle / Entreprise. Cochez la case appropriée d'une X
Banque nationale suisse Direction de la statistique Saisie des données Case postale Bon de livraison pour disquettes (FRIN) A imprimer et joindre à la disquette Raison sociale Adresse NPA Localité Collaborateur
Extraction d informations stratégiques par Analyse en Composantes Principales
Extraction d informations stratégiques par Analyse en Composantes Principales Bernard DOUSSET IRIT/ SIG, Université Paul Sabatier, 118 route de Narbonne, 31062 Toulouse cedex 04 dousset@irit.fr 1 Introduction
BURN OUT DES PROFESSIONNELS DE SANTE. Et Hygiène? Dr JC Perréand-Centre Hospitalier Valence
BURN OUT DES PROFESSIONNELS DE SANTE Et Hygiène? De quoi parle-t-on? Burn.Out. ou syndrome d épuisement professionnel : «maladie caractérisée par un ensemble de signes, de symptômes et de modifications
Comment valoriser une entreprise et sur quels critères? ISEC 22 novembre 2011 Evaluation d entreprises
1 Comment valoriser une entreprise et sur quels critères? ISEC 22 novembre 2011 Evaluation d entreprises Sommaire Préambule Comment bien évaluer une entreprise? Le diagnostic Le business plan L approche
Chapitre 3 : Principe des tests statistiques d hypothèse. José LABARERE
UE4 : Biostatistiques Chapitre 3 : Principe des tests statistiques d hypothèse José LABARERE Année universitaire 2010/2011 Université Joseph Fourier de Grenoble - Tous droits réservés. Plan I. Introduction
Principe d un test statistique
Biostatistiques Principe d un test statistique Professeur Jean-Luc BOSSON PCEM2 - Année universitaire 2012/2013 Faculté de Médecine de Grenoble (UJF) - Tous droits réservés. Objectifs pédagogiques Comprendre
L indice de SEN, outil de mesure de l équité des systèmes éducatifs. Une comparaison à l échelle européenne
L indice de SEN, outil de mesure de l équité des systèmes éducatifs. Une comparaison à l échelle européenne Sophie Morlaix To cite this version: Sophie Morlaix. L indice de SEN, outil de mesure de l équité
Data Mining. Vincent Augusto 2012-2013. École Nationale Supérieure des Mines de Saint-Étienne. Data Mining. V. Augusto.
des des Data Mining Vincent Augusto École Nationale Supérieure des Mines de Saint-Étienne 2012-2013 1/65 des des 1 2 des des 3 4 Post-traitement 5 représentation : 6 2/65 des des Définition générale Le
Eva DELACROIX (1) Maître de Conférences, Dauphine Recherche en Management (DRM - UMR 7088 CNRS)
LA SUPERSTITION : DÉFINITION ET MESURE Eva DELACROIX (1) Maître de Conférences, Dauphine Recherche en Management (DRM - UMR 7088 CNRS) Valérie GUILLARD (2) Maître de Conférences, Dauphine Recherche en
Aide-mémoire de statistique appliquée à la biologie
Maxime HERVÉ Aide-mémoire de statistique appliquée à la biologie Construire son étude et analyser les résultats à l aide du logiciel R Version 5(2) (2014) AVANT-PROPOS Les phénomènes biologiques ont cela
MASTER 2 SCIENCES HUMAINES ET SOCIALES Mention Psychologie. Spécialité : Recherches en psychologie
S3 Spécialité : Recherches en psychologie UE OBLIGATOIRES UE 1 : Epistémologie et méthodes de recherche en psychologie Ce séminaire aborde plusieurs aspects de la recherche en psychologie. Il présente
Burn out des professionnels de santé. Quels facteurs? Comment le mesurer? Quelles conséquences?
Burn out des professionnels de santé Quels facteurs? Comment le mesurer? Quelles conséquences? Docteur Jean-Claude PERREAND Centre Hospitalier de Valence De quoi parle t-on? Burn out, ou syndrome d épuisement
Exercices de génétique classique partie II
Exercices de génétique classique partie II 1. L idiotie phénylpyruvique est une maladie héréditaire dont sont atteints plusieurs membres d une famille, dont voici l arbre généalogique : 3 4 5 6 7 8 9 10
Biostatistiques Biologie- Vétérinaire FUNDP Eric Depiereux, Benoît DeHertogh, Grégoire Vincke
www.fundp.ac.be/biostats Module 140 140 ANOVA A UN CRITERE DE CLASSIFICATION FIXE...2 140.1 UTILITE...2 140.2 COMPARAISON DE VARIANCES...2 140.2.1 Calcul de la variance...2 140.2.2 Distributions de référence...3
données en connaissance et en actions?
1 Partie 2 : Présentation de la plateforme SPSS Modeler : Comment transformer vos données en connaissance et en actions? SPSS Modeler : l atelier de data mining Large gamme de techniques d analyse (algorithmes)
Questionnaire à destination des élèves 4 e -2 de à remplir avant ou après la visite aux Archives
Questionnaire à destination des élèves 4 e -2 de à remplir avant ou après la visite aux Archives Découvrir les archives 1- Quelle est ta représentation des archives? 2- À chaque idée reçue correspond une
ACP Voitures 1- Méthode
acp=princomp(voit,cor=t) ACP Voitures 1- Méthode Call: princomp(x = voit, cor = T) Standard deviations: Comp.1 Comp.2 Comp.3 Comp.4 Comp.5 Comp.6 2.1577815 0.9566721 0.4903373 0.3204833 0.2542759 0.1447788
ACTUARIAT 1, ACT 2121, AUTOMNE 2013 #16
ACTUARIAT 1, ACT 2121, AUTOMNE 201 #16 ARTHUR CHARPENTIER 1 Dans une petite compagnie d assurance le nombre N de réclamations durant une année suit une loi de Poisson de moyenne λ = 100. On estime que
UNIVERSITÉ DE MONTRÉAL DÉPARTEMENT DE SOCIOLOGIE ************* Cours de niveau gradué en méthodes quantitatives *************
************* Cours de niveau gradué en méthodes quantitatives ************* SOL 6210 - Analyse quantitative avancée Le séminaire d analyse quantitative avancée se donne en classe une fois par année. Chaque
! Text Encoding Initiative
Format XML: suite! le contenu d un élément est la concaténation de! texte! et d éléments (imbrication)! => structure arborescente! pas de chevauchement de balises! => exemple : une analyse syntagmatique
Complet Intuitif Efficace. Références
Logiciel de référence en Analyse de Données, Data Mining et Text Mining pour transformer vos données en connaissance Complet Intuitif Efficace Dans un environnement convivial et intuitif, disposez de toute
Analyse de grandes bases de données en santé
.. Analyse de grandes bases de données en santé Alain Duhamel Michaël Genin Mohamed Lemdani EA 2694 / CERIM Master 2 Recherche Biologie et Santé Journée Thématique Fouille de Données Plan. 1 Problématique.
Lire ; Compter ; Tester... avec R
Lire ; Compter ; Tester... avec R Préparation des données / Analyse univariée / Analyse bivariée Christophe Genolini 2 Table des matières 1 Rappels théoriques 5 1.1 Vocabulaire....................................
Biostatistiques : Petits effectifs
Biostatistiques : Petits effectifs Master Recherche Biologie et Santé P. Devos DRCI CHRU de Lille EA2694 patrick.devos@univ-lille2.fr Plan Données Générales : Définition des statistiques Principe de l
La démarche Supply Chain Management vue par les salariés d une multinationale de la haute technologie
La démarche Supply Chain Management vue par les salariés d une multinationale de la haute technologie Joëlle MORANA Maître de Conférences, Université de Lyon II, LET, CNRS jmorana@yahoo.fr Déterminer et
1 Modélisation d être mauvais payeur
1 Modélisation d être mauvais payeur 1.1 Description Cet exercice est très largement inspiré d un document que M. Grégoire de Lassence de la société SAS m a transmis. Il est intitulé Guide de démarrage
Value at Risk. CNAM GFN 206 Gestion d actifs et des risques. Grégory Taillard. 27 février & 13 mars 20061
Value at Risk 27 février & 13 mars 20061 CNAM Gréory Taillard CNAM Master Finance de marché et estion de capitaux 2 Value at Risk Biblioraphie Jorion, Philippe, «Value at Risk: The New Benchmark for Manain
LES RÉFÉRENTIELS RELATIFS AUX ÉDUCATEURS SPÉCIALISÉS
LES RÉFÉRENTIELS RELATIFS AUX ÉDUCATEURS SPÉCIALISÉS 1. RÉFÉRENTIEL PROFESSIONNEL D ÉDUCATEUR SPÉCIALISÉ 2. RÉFÉRENTIEL ACTIVITÉS 3. RÉFÉRENTIEL DE 4. RÉFÉRENTIEL DE CERTIFICATION 5. RÉFÉRENTIEL DE FORMATION
Hospital Anxiety and Depression Scale (HADS)
dmt Risques psychosociaux : out ils d é va lua t ion FRPS 13 CATÉGORIE ATTEINTE À LA SANTÉ PHYSIQUE ET MENTALE Hospital Anxiety and Depression Scale (HADS) LANGEVIN V.*, FRANÇOIS M.**, BOINI S.***, RIOU
Qu est-ce qu une problématique?
Fiche méthodologique préparée par Cécile Vigour octobre 2006 1 Qu est-ce qu une problématique? Trois étapes : 1. Définition de la problématique 2. Qu est-ce qu une bonne problématique? 3. Comment problématiser?
Coheris est agréé organisme de formation, n d agrément 11 92 19507 92.
Formations 2015 Coheris est agréé organisme de formation, n d agrément 11 92 19507 92. Introduction La formation est une préoccupation constante de Coheris vis-à-vis de ses clients et de ses partenaires,
CALCUL D UN SCORE ( SCORING) Application de techniques de discrimination LES OBJECTIFS DU SCORING
CALCUL D UN SCORE ( SCORING) Application de techniques de discrimination LES OBJECTIFS DU SCORING SÉLECTION DES RISQUES PRÉVISION DES DÉFAUTS SUIVI ET CONTRÔLE Pierre-Louis GONZALEZ Différents types de
HIVER 2004 MÉTHODOLOGIE DE LA RECHERCHE EN MARKETING MRK - 65384
Professeur : Raoul Graf FSA-Université Laval Pavillon Palasis Prince Bureau 2413 Tél. : 418 656 2131 ext. 2688 Courriel : Raoul.Graf@mrk.ulaval.ca HIVER 2004 MÉTHODOLOGIE DE LA RECHERCHE EN MARKETING MRK
SPHINX Logiciel de dépouillement d enquêtes
SPHINX Logiciel de dépouillement d enquêtes sphinx50frversion4.doc 1 Les trois stades du SPHINX sont ceux que comporte habituellement toute enquête d opinion: Elaboration du questionnaire (fiche outil
Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE. 24/12/2006 Stéphane Tufféry - Data Mining - http://data.mining.free.fr
1 Stéphane Tufféry DATA MINING & STATISTIQUE DÉCISIONNELLE 2 Plan du cours Qu est-ce que le data mining? A quoi sert le data mining? Les 2 grandes familles de techniques Le déroulement d un projet de data
Utilisation du Logiciel de statistique SPSS 8.0
Utilisation du Logiciel de statistique SPSS 8.0 1 Introduction Etude épidémiologique transversale en population générale dans 4 pays d Afrique pour comprendre les différences de prévalence du VIH. 2000
MRK -6081 A : Méthodes d Analyse de Données en Marketing Automne 2010
E MRK -6081 A : Méthodes d Analyse de Données en Marketing Automne 2010 Professeure :Elissar Toufaily Plage horaire du cours : Cours en salle Jeudi 15h 30-18h30 Local 4221 PAP Du 2 septembre. 2010 au 9
Les Français et le libéralisme
Les Français et le libéralisme Vague 2 Sondage Ifop pour L Opinion/Génération Libre/i>TELE Mai 2015 Contacts Ifop : Frédéric Dabi / Guillaume Marchal Département Opinion et Stratégies d Entreprise 01 45
Exploitation et analyse des données appliquées aux techniques d enquête par sondage. Introduction.
Exploitation et analyse des données appliquées aux techniques d enquête par sondage. Introduction. Etudes et traitements statistiques des données : le cas illustratif de la démarche par sondage INTRODUCTION
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine
Articulation entre mesures sociales du casino et lieux d aide spécialisés lors des mesures de limitation et d exclusion Lisiane SCHÜRMANN
Articulation entre mesures sociales du casino et lieux d aide spécialisés lors des mesures de limitation et d exclusion Lisiane SCHÜRMANN Neuchâtel, 17.01.2014 Introduction Vote populaire de 1993 sur les
Organisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining.
2 jours : Mardi 15 et mercredi 16 novembre 2005 de 9 heures 30 à 17 heures 30 Organisé par StatSoft France et animé par Dr Diego Kuonen, expert en techniques de data mining. Madame, Monsieur, On parle
Cahiers de l IMA. Fascicule SPSS
Octobre 2008 Numéro 41 Cahiers de l IMA Fascicule SPSS Ingrid Gilles Eva G. T. Green Paola Ricciardi Joos Régis Scheidegger Chiara Storari Thomas Tuescher Pascal Wagner-Egger Ricciardi-Joos Ricciardi-Joos
Gestion obligataire passive
Finance 1 Université d Evry Séance 7 Gestion obligataire passive Philippe Priaulet L efficience des marchés Stratégies passives Qu est-ce qu un bon benchmark? Réplication simple Réplication par échantillonnage
Localisation des fonctions
MODALISA 7 Localisation des fonctions Vous trouverez dans ce document la position des principales fonctions ventilées selon l organisation de Modalisa en onglets. Sommaire A. Fonctions communes à tous
SAS de base : gestion des données et procédures élémentaires
1 SAS de base : gestion des données et procédures élémentaires SAS de base : gestion des données et procédures élémentaires Résumé Description des commandes (module SAS de base) les plus utiles de l étape
L intégration des TIC chez les futurs enseignants : votre point de vue
L intégration des TIC chez les futurs enseignants : votre point de vue Réservé à l administration Associés Questionnaire - Enseignants associés 1 QUESTIONNAIRE ENSEIGNANTS ASSOCIÉS Ce questionnaire permettra
Ricco.Rakotomalala http://eric.univ-lyon2.fr/~ricco/cours
Ricco.Rakotomalala http://eric.univ-lyon2.fr/~ricco/cours Références : 1. G. Saporta, «Probabilités, Analyse de données et Statistique», Dunod, 2006 ; partie théorique, pages 155 à 177 ; partie pratique,
Premiers pas avec SES-Pegase (version 7.0) SES : Un Système Expert pour l analyse Statistique des données. Premiers pas avec SES-Pegase 1
Premiers pas avec SES-Pegase 1 Premiers pas avec SES-Pegase (version 7.0) SES : Un Système Expert pour l analyse Statistique des données www.delta-expert.com Mise à jour : Premiers pas avec SES-Pegase
FOURTH SESSION : "MRP & CRP"
FOURTH SESSION : "MRP & CRP" Objectifs : Etre capable d analyser un plan directeur de fabrication (MPS). Pour cela il faut pouvoir : - exploser le plan en termes des différents composants, - Comprendre
Critères de Choix d une Echelle de Qualité De Vie. Etudes cliniques dans l autisme. Introduction
Critères de Choix d une Echelle de Qualité De Vie Etudes cliniques dans l autisme Marie-Christine Picot Congrès Epsylon 5 avril 2013 Introduction Mesurer la Qualité de Vie liée à la Santé : Evaluer les
NOTE D INFORMATION n 01 Janvier 2014
DIRECTION DE L ÉVALUATION, DE LA PROSPECTIVE, ET DE LA PERFORMANCE DEPP NOTE D INFORMATION n 1 Janvier 214 La dépense par élève ou étudiant pour un parcours dans l enseignement scolaire ou supérieur en
Analyse de la vidéo. Chapitre 4.1 - La modélisation pour le suivi d objet. 10 mars 2015. Chapitre 4.1 - La modélisation d objet 1 / 57
Analyse de la vidéo Chapitre 4.1 - La modélisation pour le suivi d objet 10 mars 2015 Chapitre 4.1 - La modélisation d objet 1 / 57 La représentation d objets Plan de la présentation 1 La représentation
Statistiques descriptives
Statistiques descriptives L3 Maths-Eco Université de Nantes Frédéric Lavancier F. Lavancier (Univ. Nantes) Statistiques descriptives 1 1 Vocabulaire de base F. Lavancier (Univ. Nantes) Statistiques descriptives
ESSEC. Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring
ESSEC Cours «Management bancaire» Séance 3 Le risque de crédit Le scoring Les méthodes d évaluation du risque de crédit pour les PME et les ménages Caractéristiques Comme les montants des crédits et des
Analyse des incidents
Analyse des incidents Formation B-Quanum 26/06/2012 N. Jacques Coordinatrice Qualité CMSE Introduction Contexte Contrat SPF Coordinateur qualité Médecine nucléaire Hôpital = Entreprise à Haut Risque Efficacité
La segmentation à l aide de EG-SAS. A.Bouhia Analyste principal à la Banque Nationale du Canada. Chargé de cours à l UQAM
La segmentation à l aide de EG-SAS A.Bouhia Analyste principal à la Banque Nationale du Canada. Chargé de cours à l UQAM Définition de la segmentation - Au lieu de considérer une population dans son ensemble,
UE 4 Comptabilité et audit 2 Identification du candidat (prénom, nom) : 1 2 3 4 5 6 7 8 9 10
Diplôme Supérieur de Comptabilité et de Gestion DSCG D é c r e t N 2 0 0 6-1 7 0 6 d u 2 2 d é c e m b r e 2 0 0 6 - A r r ê t é d u 8 m a r s 2 0 1 0 Validation des Acquis de l Expérience VAE R é f é
Surveillance de Scripts LUA et de réception d EVENT. avec LoriotPro Extended & Broadcast Edition
Surveillance de Scripts LUA et de réception d EVENT avec LoriotPro Extended & Broadcast Edition L objectif de ce document est de présenter une solution de surveillance de processus LUA au sein de la solution
Les intentions de vote pour les élections régionales en Midi-Pyrénées- Languedoc-Roussillon
Les intentions de vote pour les élections régionales en Midi-Pyrénées- Languedoc-Roussillon Ifop pour Midi Libre, Centre Presse, La Dépêche du Midi et L Indépendant JF/EP N 113175 Contacts Ifop : Jérôme
Les Français et l assurance santé
Mai 2013 Contacts : 01 45 84 14 44 Jérôme Fourquet Magalie Gérard prénom.nom@ifop.com Les Français et l assurance santé pour Note méthodologique Etude réalisée pour : Groupama Assurances Echantillon :