[PDF] [PDF] Démarrer avec SPSS

[PDF] 243 Le coefficient de corrélation multiple (ou coefficient de

Formule générale Cas avec p=1 Coefficients de la régression : b=(X'X)-1X'Y 2 1 1 0 x xy s s b XbY b = − = Coefficient de corrélation multiple : 2 m R = Y Y

[PDF] Pratique de la Régression Linéaire Multiple - Université Lumière

Borcard, D , Régression Multiple - Corrélation multiple et partielle, 2001-2007 La valeur α = 10 est proposée par défaut dans la logiciel SPSS par exemple

[PDF] Régression multiple : principes et exemples dapplication

Figure A8 : Les deux droites de régression et le coefficient de corrélation 1 2 Régression linéaire multiple L'exemple développé à partir de deux variables 

[PDF] Lanalyse multivariée avec SPSS

Le fonctionnement du logiciel SPSS 36 3 La corrélation bivariée simple (corrélation de La régression multiple avec SPSS 170

[PDF] Cours 12 : Corrélation et régression

Test sur le coefficient de corrélation de Pearson Corrélation multiple L' indice de corrélation multiple (pour plus de deux variables) est représenté par un R

[PDF] Lanalyse multivariée avec SPSS - Cours, tutoriaux et travaux

Corrélation de Pearson – Régression simple et multiple Rapport Tous Tous Il est important de combiner les échelles avec les opérations statis- tiques qui 

[PDF] MODELES LINEAIRES

variables, par un modèle de régression linéaire multiple Définition : On appelle coefficient de corrélation multiple de y avec x1, ,xp, et on note r(y,(x1, , xp)) 

[PDF] Démarrer avec SPSS

Quelques fonctions avec SPSS et leurs résultats 12 Tableau avec la corrélation entre les variables sélectionnées R Coefficient de régression multiple

Multiple Regression: Statistical Methods Using IBM SPSS

Part and partial correlations, which produces the partial and semipartial correlations and conveys important information when multiple predictors are used

[PDF] coefficient de détermination multiple excel

[PDF] definition fonction de cout total

[PDF] corrélation entre plusieurs variables excel

[PDF] corrélation multiple excel

[PDF] fonction de cout marginal

[PDF] régression multiple excel

[PDF] cours microeconomie

[PDF] microéconomie cours 1ere année pdf

[PDF] introduction ? la microéconomie varian pdf

[PDF] introduction ? la microéconomie varian pdf gratuit

[PDF] les multiples de 7

[PDF] les multiples de 8

[PDF] comment reconnaitre un multiple de 4

[PDF] numero diviseur de 4

[PDF] les multiples de 2

Démarrer avec SPSS

2 3

Contenu

Préparation du fichier de données 5

Présentation des données 5 Passage d'un fichier de Excel SPSS 5

Utilisation de quelques fonctions sur

SPSS 6

Mettre des étiquettes (labels) à une variable et à ses modalités 7 Recoder une variable 8 Calculer une nouvelle variable sur la base de données 9 Séparer un fichier en plusieurs parties 10 Sélectionner une partie des sujets pour certaines analyses 10 Copie des résultats dans

Word ou Excel 11

Quelques fonctions avec

SPSS ... et leurs résultats ...2 Fonctions descriptives 12 Chi carré 13 Test du t de Student 15

Variables indépendantes 15 Variables apparillées 18 ANOVA (plusieurs VD et 1 VI) 19 ANOVA (1 VD et plusieurs VI) 22 Corrélation 25 Régression linéaire 26 Conclusion 29

4 5

Préparation du fichier de données

Présentation des données

Une ligne par sujet Une colonne par variable Tous les résultats en chiffres (pas de lettres !) Nom de la variable : maximum 8 caractères (commencer par une lettre) Pour les données manquantes, le plus simple est de laisser la case vide.

Exemple :

Sexe Se ction Score1 Score2 etc

1 1 10 8 1 1 8 5 2 2 5 4 1 2 7 3 1 3 2 3 2 3 5 3

etc. 1 garçon 1 pratique 2 fille 2 générale 3 prégymnasiale

A éviter (en gras) :

Scores

Sexe

Section de l'élève 1 2

g

1 10 8

g 1 8 5 f 2 5 4 g 2 7 3 g 3 2 3 f 3 5 3 6

Passage d'un fichier de

Excel SPSS Il est conseillé d'entrer les données sur une feuille Excel , puis de les transférer dans SPSS . Pour ce faire :

1. Préparez la feuille qui ne contiendra que les données brutes (pas de graphiques,

de moyennes par colonne, ...)

2. N'utilisez qu'une seule feuill e pour toutes vos donnée s, même si certai ns

traitements statistiques ne se feront que sur une partie des données.

3. Toutes les données à trait er doivent se trouver sur la même feuille (ne pas

séparer par exemple en créant une feuille pour les filles et une pour les garçons).

4. Fermez l a feuille (sinon, vous ne pourrez pas l'ouvrir dans

SPSS

5. Dans

SPSS , ouvrez vos données.

Chemin : File

Open Data (ou cliquez sur l'icône correspondante)

Dans la fenêtre,

sélectionnez le type "Ex cel (*.xls)" et sélectionnez votre fichier.

6. Dans la fenêtre de dialogue suivante, cochez la case "Read variable names" si la

première ligne de votre feuille Excel contient les noms des variables (cf. exemple p. 5).

7. Dans la feuille de sortie qui d'affiche, le logiciel vous indique si il a reconnu les

variables, leur type et leur f ormat par déf aut, ainsi que les év entuelles modifications qu'il a pu faire (p.ex. si le nom des variables est trop long).

Utilisation de quelques fonctions sur

SPSS

Le logiciel

SPSS travaille sur plusieurs feuilles, dont les deux principales : une feuille de données (data) : cette feuille contient les données sur lesquelles

vous effectuez des traitements statistiques (on n e peut en avoir qu'une seule ouverte à la fois)

une(des) feuille(s) de sortie (output) : contient le résultat des tests effectués.

D'autres feuilles (syntaxe, graphique, ...) peuvent être créées. A ce sujet, nous vous recommandons d'utiliser le logiciel

Excel pour réaliser vos graphiques car il permet de faire des modifications pour une mise en page pertinente dans Word

Vous pouvez basculer d'une feuille à l'autre par le biais de la fonction "Window" (sur la barre supérieure des fonctions) ou en cliquant sur l'icône correspondante sur la barre du fond de page (pour autant qu'elle ne soit pas masquée). La fenêtre de données peut être présentée à l'écran de deux manières : soit les données telles que vous les avez rentrées (Data View), soit les caractéristiques des variables (Variable View). Pour passer de l'une à l'autre, il vous suffit de cliquer sur l'onglet correspondant (en bas à gauche).

7

N'oubliez pas de sauvegarder de temps en temps vos documents. Attention : les feuilles (data et output) s'enregistrent séparément. Vous pouvez aussi en tout temps modifier votre feuille de résultat en y effaça nt certaines informations inut iles ou certains traitements effectués par erreur.

Fonction : Mettre des étiquettes (labels) à une variable et à ses modalités Dans la fenêtre "Variable View", vous pouvez donner à votre variable le nom complet de vos variables (qui peut contenir des espaces), en remplissant la colonne "Label". C"est ce nom qui apparaîtra ensuite dans le fichier des résultats. En ce qui conce rne les moda lités, dans la colonne "Val ues", clique z sur la case correspondant à votre variable (exemple : sexe), puis sur les trois petits points afin de définir les étiquettes :

Value : Entrez la modalité de

la variable (exemple : 1)

Value Label : Entrez le nom de la modalité (exemple : garçon) Cliquez sur Add et répé tez les deux derni ères c ommand es pour chaque modalité, puis cliquez sur OK. Si vous devez mettre les mêmes étiquettes à plusieurs variables (p.ex. des items de réponse oui/non), il vous suffit d'utiliser les fonctions copier et coller.

En cliquant à présent (dans la fenêtre "Data View") sur l'avant-dernière icône à droit e (représ entant une petite étiquett e), vous pouvez visualiser soit la valeur, soit le nom associé à cette valeur. Quelle que soit la configuration sur l'écran, dans les feuilles de résultats, vous verrez ces noms, forts utiles pour se repérer dans l'amas de chiffres ! Dans la fenêtre "Variable View" vous pouvez aussi définir les autres caractéristiques de chaque variable comme l a taille, le nombre de d écimale après la virg ule, les données manquantes, le positionnement dans la colonne, ...

8

Fonction : Recoder une variable Exemple : on veut passer d'un score allant de 1 à 10 à un score de 1 à 3 suivant le tableau suivant : Anciennes modalités 1 2 3 4 5 6 7 8 9 10 Nouvelles modalités 1 2 3 Chemin : Transform

Recode

Into Different

Variables...

(vous pouvez aussi utiliser le "Recode Into Same

Variables", mais vous perdez votre

variable de base !). Input Variable : sélectionnez la variable à recoder et faites passer la variable dans la boîte "Input variable" à l'aide de la flèche noire Output Variable : insérer le nom (8 caractères max) et le label complet (pas obligatoire) puis cliquez sur Change

Old and New Values...

Entrez l'ancienne valeur (partie de gauche) Entrez la nouvelle valeur (case de droite) Cliquez sur Add

et répétez les deux dernières commandes (y compris

le "Add") pour toutes les modalités (y compris celles qui ne changent pas) Cliquez sur Continue, puis sur OK. ou Utilisez la fonction "Range" :

de 1 à 3

1; de 4 à 7

2 ; et de 8 à 10

3 9 Fonction : Calculer une nouvelle variable sur la base de données Chemin : Transform

Compute...

Target Variable : entrez le nom de la nouvelle variable que vous calculez Numeric Expression : vous pouvez ici combiner les variables exis tantes avec

différents opérateurs mathématiques (functions) Cliquez ensuite sur OK : le logiciel vous crée la nouvelle variable (et vous la place dans la dernière colonne de la feuille Data).

Pour passer d 'une variable codée négativement à une variable " retournée » (positive). Exemple de question évaluant l"impulsivité (item à retourner) :

Je suis capable de maîtriser mes émotions.

Pas du tout

d"accord

0 1 2 3 4 5 6

Tout à fait d"accord

Le sujet qui répond 6 n"est pas du tout impulsif ; c"est pour cela qu"il faut retourner l"item afin qu"un score élevé corresponde à une impulsivité élevée, et un score faible, à une impulsivité faible. Ainsi :

Codage effectué par le sujet 0 1 2 3 4 5 6 Score "réel" 6 5 4 3 2 1 0 Somme 6 6 6 6 6 6 6

Target Variable Numeri c Expression

Score

6 - coda

g e La flèche permet de faire "passer" les variables dans la case de droite. Ici, on a choisi de faire la moyenne (" MEAN ») de 4 variables. 10

Fonction : Séparer un fichier en plusieurs parties On utilise cette fonction pour effectuer par exemple des tests avec les garçons et les filles séparément. Chemin : Data

Split File...

Cliquez sur "Organize output by groups" Sélectionnez la variable (par exemple "Sexe") et faites-la passer à droite à l'aide de la flèche noire Cliquez sur OK.

A partir de ce moment, tous les tests effectués se feront à double (pour cet exemple), soit une fois pou r les g arçons et un e fois pour les filles.

Attention de l'enlever

lorsque vous voulez à nouveau travailler sur toutes les données ! Pour retourner à une analyse sur l'ensemble des données : Chemin : Data

Split File...

Cliquez sur "Analyze all cases, do not create groups" Cliquez sur OK.

Fonction : Sélectionner une partie des sujets pour certaines analyses On utilise cette fonction pour effectuer par exemple des tests avec les sujets qui ont plus de 15 ans. Chemin :

Data

Select Cases...

Cochez "If condition is satisfied" Cliquez sur “If..." Entrez la fonction (p.ex. age>15) Cliquez sur Continue puis sur OK.

Suite à cette opération, le numéro des sujets " exclus » de l"analyse est clairement barré dans le fichier des données.

11

Copier des résultats dans

Word ou Excel Pour éviter d' imprimer de nombr euses pages à partir de SPSS , vous pouvez sélectionner les résultats, puis les copier dans le presse-papier. Chemin : Edit Copy

Allez dans

Word ou Excel pour coller ce qui a été copié dans SPSS

Les tableaux sont utilisables directement dans ces deux logiciels et vous pouvez faire toutes les modifications nécessaires (p.ex. changer la police, diminuer le nombre de chiffres après la virgule, utiliser les données pour faire un graphique dans

Excel etc.). Si vous souhaitez conserver la mise en page SPSS dans Word, il faut alors coller le tableau en format image : Chemin (dans Word) :

Edition

Collage spécial

Image...

Cliquez sur OK.

12

Quelques analyses avec

SPSS ... et leurs résultats

Fonctions descriptives Chemin : Analyze

Descriptive Statistics

Descriptives...

Sélectionner dans la fenêtre de gauche les variables, puis les passer à droite en utilisant la flèche (entre les deux fenêtres).

On peut cocher ici les statistiques descriptives qui nous intéressent ... Mean : moyenne Sum : somme (en colonne) Std. deviation : écart-type Range : rang Minimum : valeur minimum Maximum : valeur maximum S.E. mean : erreur-type ... les indices de distribution des résultats (Kurtosis et Skewness) ... ... et l'ordre de présentation des résultats (ici, on garde l'ordre des variables selon l"ordre dans lequel elle apparaissent dans le fichier).

Voir fenêtre suivante

13

Résultats

Si l'on souhaite avoir les scores pour les garçons et les filles séparément, il suffit d'utiliser la fonction "Split File" (voir p. 8). Chi carré (

2

Comparer une distribution observée à une distribution théorique. Le principe général consiste à analyser l'écart existant entre la distribution théorique postulée et la distribution em piriq ue obtenue. Les de ux variables étudiées sont nominales. Comme exemple, nous testons l'hypothèse suivante :

La répartition des garçons et des filles dans les trois sections diffère d'une distribution théorique.

Chemin : Analyze

Descriptive Statistics

Crosstabs...

On sélectionne les variables à mettre en ligne et en colonne (pour le Chi2, une seule variable en ligne et une seule en colonne). Il faut encore sélectionner le test du Chi2 :

Voir fenêtre suivante

Les indices d"asymétrie et de voussure sont donnés en valeurs centrées et réduites. 14

On coche dans la case correspondante (en haut à droite) pour obtenir dans la feuille de résultats la valeur du Chi carré de Pearson

1

Résultats

Tableau concernant les cases sur lesquelles l'analyse est faite. Tableau croisé proprement dit (avec la répartition des sujets). 1

On différencie le Chi carré de Pearson (Karl Pearson, 1900) d'autres tests donnant eux aussi une

statistique 15

Tableau des résultats.

La valeur du

2 est de 0.485 (arrondi), le degré de liberté est de 2, et la probabilité associée à ce test est de 0.79 donc non significatif (en prenant un seuil de 5%). Notation 2 (2) = 0.49 ; non significatif

Condition d'utilisation du test

Minimum Expected Count : lorsque ce chiffre est inférieur à 5 (valeur

correspondant à la plus peti te fréquence absol ue trouvée dans le tableau de la distribution théorique), le test n'est pas valide (quelle que soit la probabilité). On vous indique ici le nombre de cases qui ne satisfont pas à cette assomption.

Test du

t de Student (comparaison des moyennes deux groupes) La variable dépendante est quantitative. Si les groupes sont indépendants

Exemple : Comparaison entre garçons et filles pour les variables Score1 et Score2. Hypothèse : Les garçons auront pou r les deux v ariables des scores

significativement supérieurs à ceux des filles. 2 2

De manière formelle, on devrait mentionner po

ur cet exemple deux hypothèses (une pour chaque variable séparément). L"hypothèse est ici orientée (ou unilatérale) car on postule un sens (quel groupe aura le score le plus élevé). Si on postulai t une différence entre fille et garçon sans indiquer le sens de cette différence, on aurait alors une hypothèse non orientée (ou bilatérale).

Valeur du

2

Probabilité associée au

2

Degré de liberté

Condition d'utilisation du test

16

Chemin : Analyze

Compare Means

Independent-Samples T Test...

Test Variable(s) : variable(s) dépendante(s) (on peut en mettre plusieurs et un calcul sera effectué pour chaque variable séparément). Grouping Variable : variable indépendante (définir les deux modalités).

Lorsque l'on veut comparer les sc ores de trois groupes ( par exemple les trois sections), il est possible de répéter l'opération trois fois en comparant tout d'abord les sections 1 et 2, puis 1 et 3, et finalement 2 et 3. Cependant, d"autres analyses (p.ex. ANOVA) sont plus appropriées lorsque plus de deux groupes sont concernés par l"analyse de différence. Résultats

Tableau descriptif (moyenne, écart-type, erreur-type)

Définir les deux moda lités de la variable indépendante sur l esquelles la variable dépendante sera compa- rée (ici "1" po ur garçon et "2" po ur filles).

Voir fenêtre suivante

Mo y ennes 17

La comparaison des moyennes nous permet déjà de constater si notre hypothèse va dans le sens postulé (puisqu"il s"agit d"une hypothèse orientée). Dans les deux cas (pour le Sc ore1 et pour le Score2, les garçons on t effect ivement une m oyenne supérieure à celle des filles, nous p ouvons donc prendre connaissance des statistiques inférentielles (voir ci-dessous). Dans le cas contraire (si les garçons avait une moyenne inférieur à celui des filles), l"hypothèse serait d"ores et déjà rejetée (et l"analyse inférentielle serait inutile). Dans nos résultats, les garçons obtiennent 3.37, alors que les filles n'ont que 3.09 (arrondi). La différence entre ces deux moyennes (donnée dans le 2

ème

tableau) et est de .28 (pour le Score1).

Tableau du test inférentiel

Le test d'homogénéité des variances permet de sélectionner dans le tableau quelle ligne choisir. Lorsque les variances sont considérées homogènes - comme c'est le cas ici pour les deux tests, vu que la probabilité du "Levene's Test for Equality of Variances" est supérieure à 0.05 (p = .443 et p = .547), on choisit alors la première ligne (Equal variances assumed). Dans le cas contraire (test significatif), on devrait prendre la deuxième ligne. Pour le Score1, la valeur du

t de Student est de 2.72, le degré de liberté est de 248

et la probabilité est de 0.07 (ou 0.7%). Vu que nous avons posé une hypothèse dite "orientée", c'est-à-dire que nous avons spécifié le sens de la diff érence (les élèves de pra tiques ont une moyenne supérieure), nous pouvons diviser cette probabilité par deux. On trouve alors une probabilité de 0.35% donc inférieure à notre seuil de 5%. L'hyp othèse es t donc confirmée (l"hypothèse nulle est écartée). Notation

t (248) = 2.72 ; p<1%

Pour le Score2, la probabilité (divisée par deux car l"hypothèse est orientée) est de 8.1% (soit supérieur au seuil de 5%) ; l"hypothèse est donc rejetée. Notation

t (248) = 1.40 ; non significatif

Test d'homogénéité des variances

Valeur du

t

Student

Degrés de libertés

Probabilité associée au test

18

Si la variable dépendante est ordinale (ou que sa distribution n"est pas suffisamment proche de la normal e), on tr ouve le t est non-paramétrique corresponda nt (

U de

Mann-Whitney) : Chemin : Analyze

Nonparametric Tests

2 Independent Samples...

Si les groupes sont apparillées (pairées)

Exemple : Comparaison entre le Score3 (par exemple un pré-test) et le Score4 (le

post-test correspondant). Ce sont donc bien les mêmes individus à qui on attribue une valeur au Score3 et une valeur au Score4 (variables pairées).

Hypothèse : Il y a une amélioratio n signifi cative entre le pré-test et le post-test, autrement dit, le Score4 sera supérieur au Score3 (hypothèse orientée ou unilatérale).

Chemin : Analyze

Compare Means

Paired-Samples T Test...

Sélectionnez deux variables dans la case de gauche et faites-les passer à droite en utilisant la flèche centrale (entre les deux cases). On peut faire exécuter à la suite plusieurs comparaisons deux à deux en sélection-nant dans cette fenêtre-ci les autres comparaisons à effectuer. Résultats

Tableau descriptif

La moyenne permet déjà de s"assurer d"une amélioration entre le pré-test (Score3) et le post-test (Score4).

Mo y ennes 19 Tableau avec la corrélation entre les variables sélectionnées

Tableau du test inférentiel

La différence de moyenne

entre le Score3 (M = 2.02) et le Score4 (M = 2.69) est de -0.67. Elle est significative car la probabilité est inférieure à 1% (ici, p

0.000??).

Notation

t (249) = -6.89 ; p<1%

Attention : on ne mentionnera pas p=0.000 car la probabilité n"est pas nulle, même si on ne trouve pas de valeurs sur les trois premières décimales. Si les variables sont ordinales (ou que leur distribution n"est pas suffisamment proche de la normale), on trouve le test non-paramétrique correspondant (

T de Wilcoxon) :

Chemin : Analyze

Nonparametric Tests

2 Related Samples...

ANOVA (plusieurs VD et ... VI)

(analyse de variance)

Comparer les moyennes de plu sieurs grou pes indépendan ts de sujets sur une variable quantitative. De manière (très) simplifiée, on regarde si la variation entre les groupes (variance intergroupe) est importante par rapp ort à la var iation à l'intérieur des groupes (variance intragroupe). Si le rapport (ratio) est élevé (autrement dit un e forte dispersion entre les groupes et une faible dispersions entre les sujets d"un même groupe), l'analyse de variance (ANOVA) risque d'être significative. Exemple : Comparaison entre les trois sections (exigences de base, g énérale et

prégymnasiale) pour le Score6. Hypothèse : Il y a une différence significative entre deux des trois groupes sur la variable Score6.

Valeur du

t

Degrés de liberté

Probabilité

20

Chemin : Analyze

Compare Means

One-Way ANOVA...

De manière similaire au

t de Student, on insère la(les) variable(s) dépendante(s) (ici

le Score6) ainsi que le facteur (variable indépendante). L'analyse de variance diffère du test de Student par le fait qu'elle peut prendre en compte plusieurs groupes, et aussi tester les différences deux à deux, ce qui évite de répéter le test de St

udent plusieurs fois.

Le choix des

post hoc est délicat. Dans les publications, on trouve souvent les résultats du LSD (Least Significant Difference) qui est relativement équivalent au test t de Student. Le test de Bonferroni est relativement peu conservateur

(se révèle significatif, même si les différences ne sont pas très fortes). Il est cependant intéressant lorsque le nombre de comparaisons est faible. Le test de Scheffé est par contre très (voire trop) rigoureux alors celui de Tuckey se situe entre les deux (et reste pertinent lorsque le nombre de comparaison est grand). Si vo tre test est significat if avec une méth ode de calcul conservatrice, ceci indique que les diffé rences sont bien pré sentes. Si, au contraire, le test est significatif avec une méthode peu conservatrice (Bonferroni), mais ne l"est pas avec une méthode très conservatrice (Scheffé), il faut alors se questionner sur la pertinence - dans le cas concret - de l"utilisation de telle ou telle méthode.

Les post hoc permettent des compa raisons deux à deux si (et uniquement si) l'analyse de variance est significative.

Voir fenêtre suivante

21

Résultats

Tableau de l'ANOVA

Sur la bas e de ce t ableau, on peu t en dédui re qu"il existe des différences significatives entre les trois groupes (l"hypothèse est confirmée). Notation

: F(2,247) = 9.85 ; p<1%

Attention : on ne mentionnera pas p=0.000 car la probabilité n"est pas nulle, même si on ne trouve pas de valeurs sur les trois premières décimales.

Tableau des

post hoc

Puisque l"ANOVA est significative, on peut regarder les post-hoc qui nous donnent les différences significatives deux à deux. Ainsi, on observe que le groupe exigences de base a ne moyenne significativement différente des deux autres sections, mais que la s ection g énérale ne se différencie p as significativement de la section prégymnasiale (p=.25). Les résultats sont ide ntiques (au niveau du seuil de significativité) avec la méthode Scheffé et LSD.

Degrés de liberté

F de Fisher

Probabilité associée au

F de Fisher 22

ANOVA (... VD et plusieurs VI)

(analyse de variance) Exemple : Différence entre les trois sections (exigences de base, générale et prégymnasiale) et le genre pour le Score4.

L"hypothèse peut porter sur les effets simples (différ ence selon la sectio n ou différence selon le genre) ou s ur l"effet d"in teraction (interactions entre les deux variables indépendantes). Chemin : Analyze

General Linear Model

Univariate...

On peut insérer dans ce modèle plusieurs facteurs (ou variables indépendantes) afin de calculer les effets simples et les effets d'interaction.

Post hoc

: voir chapitre sur l"ANOVA. Les post hoc sont inutiles àquotesdbs_dbs12.pdfusesText_18