[💡 Annonce rapide avant de commencer​]

Comme vous le savez peut-être déjà, Benjamin Ejzenberg et moi créons une formation pour vous aider à renforcer votre niveau en statistique. Je tiens à vous remercier pour votre participation massive à l'enquête que nous avons réalisée en décembre pour recueillir vos besoins.

Suite à cette enquête, nous avons affiné le programme de la formation. Nous allons vous présenter cette formation le aujourd'hui à 18h lors d'une conférence en ligne.

Pour participer à la conférence en ligne et en savoir plus sur la formation, inscrivez-vous en cliquant ici : https://streamyard.com/watch/b7JTbKtGPeXi.

Reserver votre place pour le direct

Maintenant, place à l’e-mail du jour !

​

Un point central que l’on oublie trop souvent, c’est que R et Python ne sont que des outils.

Avant de pouvoir programmer, il faut être capable de comprendre les mécanismes qui se cachent derrière chaque analyse.

La statistique est l’élément fondamental à maîtriser pour mieux analyser ses données.

​

Voici le programme de la journée:

1. 33 tests et notions techniques pour maîtriser les tests statistiques

​

---

33 tests et notions techniques pour maîtriser les tests statistiques

Tests Paramétriques :

1. t-test pour échantillons indépendants - Comparer les moyennes de deux groupes distincts.
2. t-test pour échantillons appariés - Comparer les moyennes de deux groupes liés.
3. ANOVA (Analyse de variance) - Comparer les moyennes de plusieurs groupes.
   • One-way ANOVA - Évaluer l'effet d'une variable indépendante sur la moyenne.
   • Two-way ANOVA - Examiner les interactions et les effets principaux de deux variables indépendantes.
   • ANOVA répétée - Comparer les mesures répétées sur les mêmes groupes à différents moments.
4. Test de Levene - Vérifier l'homogénéité des variances entre les groupes.
5. Test de Fisher - Évaluer la variance entre les moyennes des échantillons
6. Test de Pearson - Évalue la corrélation linéaire entre deux variables.

Tests Non Paramétriques :

1. Test de Mann-Whitney U - Comparer les distributions de deux groupes indépendants.
2. Test de Wilcoxon - Comparer les distributions de deux groupes appariés.
3. Test de Kruskal-Wallis - Contraster les distributions de plus de deux groupes indépendants.
4. Test de Friedman - Comparer les distributions dans des groupes appariés avec des mesures répétées.
5. Test du Chi-deux (χ²) - Tester l'indépendance entre deux variables catégorielles.
6. Test de Fisher exact - Évaluer l'indépendance dans des tableaux de contingence avec de petits échantillons.
7. Test de McNemar - Comparer les proportions binaires dans des échantillons appariés.
8. Test de Spearman - Mesurer la corrélation entre deux variables ordinales ou non normalement distribuées.

Analyse Post-hoc (pour ANOVA) :

1. Test de Tukey - Réaliser des comparaisons multiples entre les moyennes des groupes après une ANOVA.
2. Test de Scheffé - Effectuer des comparaisons flexibles entre toutes les paires de moyennes de groupes.
3. Test de Bonferroni - Ajuster la significativité pour les comparaisons multiples afin de contrôler le taux d'erreur de Type I.
4. Test de Dunnett - Comparer plusieurs traitements avec un contrôle dans des études post-hoc.

Autres Concepts et Techniques :

1. Correction de Bonferroni - Ajuster la significativité pour les tests multiples.
2. Effet de taille - Quantifier l'importance d'une différence ou d'une corrélation.
3. Analyse de la covariance (ANCOVA) - Ajuster l'ANOVA pour les covariables.
4. Bootstrap et permutations - Estimer des paramètres à l'aide de techniques de rééchantillonnage.

Tests de Normalité :

1. Test de Shapiro-Wilk - Évaluer l'adéquation des données à une distribution normale.
2. Test de Kolmogorov-Smirnov - Comparer une distribution d'échantillon à une distribution normale.
3. Test de Lilliefors - Adapter le test de Kolmogorov-Smirnov pour évaluer la normalité sans connaître les paramètres.
4. Test d'Anderson-Darling - Mesurer l'adéquation des données à une distribution normale avec une attention particulière aux extrémités.
5. Test de Cramer-von Mises - Examiner comment les données s'ajustent à une distribution normale.
6. Test de D'Agostino's K-squared - Vérifier la normalité en utilisant la courbure (kurtosis) et l'asymétrie (skewness).
7. Test de Jarque-Bera - Tester la normalité des données sur la base de leur courbure et asymétrie.
8. QQ-Plot - Visualiser la concordance des quantiles des données avec ceux d'une distribution normale.

​

Pour avoir tous les détails sur les conditions d'utilisation d'un test, vous pouvez télécharger ce graphique disponible ici: https://statsandr.com/blog/files/overview-statistical-tests-statsandr.pdf​

---

Quels tests avez-vous découverts dans cette liste ? Quels tests utilisez-vous le plus souvent au quotidien ?

​

Bonne journée à vous et à ce soir à 18h pour découvrir les secrets des statistiques.

​

Let's go!

​

Natacha