Croiser une variable quantitative et une variable qualitative, c'est essayer de voir si les valeurs de la variable quantitative se répartissent différemment selon la catégorie d'appartenance de la variable qualitative. Cette syntaxe de boxplot utilise une nouvelle notation de type “formule”.
La comparaison de deux variables quantitatives se fait en premier lieu graphiquement, en représentant l'ensemble des couples de valeurs. On peut ainsi représenter les valeurs du nombre d'heures passées devant la télévision selon l'âge. Le fait que des points sont superposés ne facilite pas la lecture du graphique.
Le rapport de corrélation est un indicateur statistique qui mesure l'intensité de la liaison entre une variable quantitative et une variable qualitative. la moyenne globale. Si le rapport est proche de 0, les deux variables ne sont pas liées. Si le rapport est proche de 1, les variables sont liées.
TEST DE CORRÉLATION DE PEARSON
Il est utilisé pour étudier l'association entre un facteur d'étude et une variable de réponse quantitative, il mesure le degré d'association entre deux variables en prenant des valeurs entre -1 et 1. Des valeurs proches de 1 indiqueront une forte association linéaire positive.
En plaçant chaque élément dans ce système de coordonnées, on obtient un nuage de points (lorsque les deux variables sont quantitatives). Dans un diagramme en secteur (appelé de façon familière «camembert»), les effectifs des différentes classes sont représentés par des secteurs d'angles proportionnels aux effectifs.
Il est possible de regrouper les données relatives à deux variables qualitatives sous la forme d'un tableau d'effectifs ou de fréquences. On parle de tableau de contingence. La réalisation d'un tableau de contingence sur R se fait à l'aide de la commande table() .
La représentation graphique des effectifs d'une variable continue est appelé un histogramme. On portera en abscisses les valeurs des classes des caractères (variables) , et l'on portera en ordonnées les effectifs correspondants , on dit que l'on représente la « structure de la population étudiée ».
Si les variables sont ordinales, discrètes ou qu'elles ne suivent pas une loi normale, on utilise la corrélation de Spearman. Cette corrélation n'utilise pas les valeurs des données mais leur RANG. L'interprétation du coefficient de corrélation obtenu reste la même que lorsqu'on utilise une corrélation de Pearson.
La corrélation de Spearman
S'il se comporte de façon similaire au coefficient de Pearson lorsque la tendance est affine, il sera plus élevé si la tendance est monotone. Si la tendance suit parfaitement une fonction monotone, alors rs = 1 ou rs = -1 . Enfin, si la tendance n'est pas monotone, rs = 0 .
Or selon la théorie il faut faire un test de Fisher lorsque la présence de racine unitaire n'est pas rejetée (p. value > 5%). Dans le cas contraire, le test convenable est en principe celui de student pour tester uniquement la significativité de la tendance ou de la constante.
Pour étudier le relation entre une variable qualitative et une variable quantita- tive, on décompose la variation totale en variation intergroupe et en variation intragroupe. Pour mesurer l'intensité de la relation (toujours d'un point de vue descriptif), on peut calculer un param`etre appelé rapport de corrélation.
ANOVA permet de déterminer si la différence entre les valeurs moyennes est statistiquement significative. ANOVA révèle aussi indirectement si une variable indépendante influence la variable dépendante.
Il s'agit du test de Kruskal-Wallis, mesure de l'association entre deux variables qualitatives.
le GLM est un outil robuste pour fournir une mesure de l'influence de la variable si celle-ci est globale ; dès lors que l'on souhaite décomposer plus finement la mesure par segment, l'approche non paramétrique fournit des mesures cohérentes, alors que le GLM ne peut plus être utilisé.
Le coefficient de corrélation de Pearson est utilisé pour les données bivariées continues afin de déterminer l'intensité et le sens de la corrélation linéaire entre les deux ensembles de données.
Deux variables quantitatives sont corrélées si elles tendent à varier l'une en fonction de l'autre. On parle de corrélation positive si elles tendent à varier dans le même sens, de corrélation négative si elles tendent à varier en sens contraire.
Les valeurs positives de r indiquent une corrélation positive lorsque les valeurs des deux variables tendent à augmenter ensemble. Les valeurs négatives de r indiquent une corrélation négative lorsque les valeurs d'une variable tend à augmenter et que les valeurs de l'autre variable diminuent.
La corrélation mesure l'intensité de la liaison entre des variables, tandis que la régression analyse la relation d'une variable par rapport à une ou plusieurs autres.
Le coefficient de corrélation sur les rangs (Rho de Spearman) s'interprète de la même manière qu'un coefficient de corrélation de Pearson : une valeur positive (maximum = +1) indique une variation simultanée dans le même sens, une valeur négative (minimum = -1) une variation simultanée en sens inverse.
Pourquoi utiliser IBM SPSS Statistics ? IBM SPSS Statistics est le logiciel de statistiques leader. Il vous permet d'explorer vos données plus en profondeur et plus rapidement, offrant un outil bien plus performant que les tableurs, les bases de données ou les outils multidimensionnels standard réservés aux analystes.
Contrairement à une variable continue, une variable discrète ne peut prendre qu'un nombre fini de valeurs réelles possibles à l'intérieur d'un intervalle donné.
Un caractère quantitatif est discret s'il prend un nombre fini de valeurs ou continu, s'il prend toutes les valeurs entre deux limites.
Le diagramme en bâtons est utilisé dans le cas d'une variable quantitative discrète (figure 4). Il repose sur le même principe que l'histogramme mais les rectangles sont remplacés par des segments (bâtons). Le principal avantage de ce diagramme est qu'il traduit le caractère « isolé » des valeurs.