Revision sheet: Introduction à l'Analyse Statistique Multivariée

📋 Plan du Cours

1. Objectifs et principes de l’analyse de données
2. Étude et analyse préliminaire des données
3. Structure d’une base de données statistique
4. Types de variables et unité statistique
5. Questionnaire et types de questions
6. Paramètres de position en analyse univariée
7. Médiane et détermination algébrique
8. Quantiles et médiale en analyse univariée
9. Nuage de points, covariance et corrélation
10. Test du khi-deux pour variables qualitatives
11. Tests t et ANOVA pour variables quantitatives
12. Régression multiple et analyse factorielle

📖 1. Objectifs et principes de l’analyse de données

🔑 Notions clés & Définitions

• Analyse des données (ADD) : L’analyse des données est un ensemble de méthodes statistiques qui résume et visualise l’information contenue dans un grand tableau de données.
• Traitement de données : Le traitement de données désigne une suite de processus mathématiques qui transforment des données brutes en information exploitable.
• Statistique descriptive : La statistique descriptive regroupe les méthodes qui résument et mettent en forme les données observées pour en extraire une vue claire.
• Inférence statistique : L’inférence statistique vise à tirer des conclusions à partir d’un échantillon pour comprendre une population.
• Base de données : Une base de données est un ensemble de données structurées et organisées, généralement issues d’une enquête, prêtes à être analysées.

📝 Points essentiels

• L’analyse des données cherche à découvrir la structure d’un tableau de nombres à plusieurs dimensions puis à la représenter de façon plus simple.
• Le schéma collecte des données → analyse des données → conclusions → prise de décisions relie l’observation au choix des actions.
• Les objectifs de l’ADD incluent le résumé de l’information, la mise en évidence de tendances, et le test d’hypothèses pour interpréter des résultats.
• Les données primaires sont collectées spécialement pour répondre à une étude statistique précise, contrairement aux données secondaires déjà disponibles.
• Une base de données s’organise en lignes (répondants, un échantillon) et en colonnes (réponses selon le thème).
• L’erreur d’échantillonnage correspond à l’écart entre les résultats d’un échantillon et ceux d’un recensement comparable, et elle diminue quand la taille de l’échantillon augmente.

💡 Astuce mémo

ADD = Résumer + Visualiser (structure → représentation simple).

📖 2. Étude et analyse préliminaire des données

🔑 Notions clés & Définitions

• Erreur d’échantillonnage : L’erreur d’échantillonnage mesure l’écart entre les résultats obtenus sur un échantillon et ceux qu’on obtiendrait avec un recensement comparable.
• Recensement exhaustif : Le recensement est une méthode qui observe et traite toutes les unités statistiques de la population étudiée.
• Enquête non exhaustive : L’enquête (sondage non exhaustif) consiste à étudier seulement une fraction de la population, appelée échantillon.
• Échantillonnage stratifié : L’échantillonnage stratifié divise une population hétérogène en strates plus homogènes, puis prélève dans chaque strate.
• Échantillonnage systématique : L’échantillonnage systématique prélève des unités à intervalles égaux, en fixant le premier individu pour déterminer tout l’échantillon.

📝 Points essentiels

• Plus la taille de l’échantillon augmente, plus l’erreur d’échantillonnage diminue.
• La taille d’échantillon dépend surtout de la précision souhaitée et du degré de confiance.
• Pour un intervalle de confiance de la forme $IC=x\pm Z,\frac{s}{\sqrt{n}}$, augmenter le niveau de confiance augmente $Z$ et donc $n$.
• Pour estimer une moyenne (population de loi inconnue), on utilise $n=\frac{\sigma^2}{\varepsilon^2,\alpha}$.
• Pour estimer une proportion (population de loi inconnue), on utilise $n=\frac{p q}{\varepsilon^2,\alpha}$.
• Exemple (loi inconnue, moyenne) : avec $\sigma=100$, $\varepsilon=10$ et $1-\alpha=95%$, on obtient $n=\frac{100^2}{10^2\times0{,}05}=2000$.

💡 Astuce mémo

Erreur ↓ quand n ↑ : « plus d’observations, moins d’écart ».

📖 3. Structure d’une base de données statistique

🔑 Notions clés & Définitions

• Unité statistique : L’unité statistique est l’élément de référence sur lequel on collecte les informations dans une étude.
• Questionnaire : Un questionnaire est l’outil de collecte qui organise les questions destinées à obtenir des réponses exploitables statistiquement.
• Questions ouvertes : Les questions ouvertes laissent au répondant une liberté de réponse, sans imposer une forme ni une longueur prédéfinies.
• Questions fermées : Les questions fermées imposent une forme de réponse et un nombre limité de choix pour faciliter le traitement statistique.
• Échelles à catégories spécifiques : Les échelles à catégories spécifiques transforment des jugements subjectifs en données quantifiables pour l’analyse.

📝 Points essentiels

• L’unité statistique est l’élément sur lequel on recueille les informations ; dans l’exemple, il s’agit d’une entreprise.
• Le questionnaire doit être construit à partir d’une liste des informations à rechercher pour éviter d’oublier des éléments et de poser des questions inutiles.
• Les questions ouvertes se distinguent en réponses numériques et réponses littéraires ; pour ces dernières, limiter la réponse à un seul mot ou groupe de mots simplifie le traitement.
• Les questions fermées se déclinent en questions dichotomiques, au choix multiples avec réponse unique, et au choix multiples avec réponses multiples.
• Pour les questions au choix multiples à réponse unique, les modalités doivent être exhaustives et mutuellement exclusives.
• Les échelles à catégories spécifiques servent à quantifier des opinions, attitudes, perceptions ou intentions afin de produire des données analysables statistiquement.

💡 Astuce mémo

Unité = qui répond sur quoi ; Questionnaire = liste d’infos ; Ouvert = libre ; Fermé = choix ; Échelles = transformer le subjectif en chiffres.

📖 4. Types de variables et unité statistique

🔑 Notions clés & Définitions

• Variable statistique : Une variable statistique est le caractère étudié dont on observe les valeurs sur une population ou un échantillon.
• Unité statistique : Une unité statistique est l’élément de base sur lequel on mesure la variable statistique (personne, objet, logement, etc.).
• Variable qualitative discrète : Une variable qualitative discrète décrit des catégories (modalités) et prend des valeurs distinctes.
• Variable quantitative continue : Une variable quantitative continue prend des valeurs sur un intervalle et est souvent regroupée en classes.

📝 Points essentiels

• Le mode dépend de la nature de la variable : pour une variable qualitative ou quantitative discrète, c’est la modalité (xi) de fréquence maximale.
• Pour une variable quantitative continue, le mode correspond à la classe modale (effectif ou fréquence la plus élevée) si les classes ont la même amplitude.
• Si les classes n’ont pas la même amplitude, il faut corriger les effectifs ou les fréquences avant de choisir la classe modale.
• La détermination du mode en continu se fait en deux étapes : repérer la classe modale puis interpoler proportionnellement pour approcher la valeur modale.
• La médiane Me partage la série ordonnée en deux parties égales : 50% des observations sont ≤ Me et 50% sont ≥ Me.
• Pour une série discrète, si N est impair, Me est la (n+1)/2 observation ; si N est pair, Me se situe entre la k-ième et la (k+1)-ième (intervalle médian).

💡 Astuce mémo

Mode = valeur la plus fréquente (discret) ou classe la plus dense (continu) ; Médiane = milieu qui coupe en deux parts égales.

📖 5. Questionnaire et types de questions

🔑 Notions clés & Définitions

• Moyenne arithmétique : La moyenne arithmétique est la valeur $\bar x$ qui correspond à la moyenne des observations, obtenue en faisant la somme des valeurs pondérées par leurs effectifs puis en divisant par l’effectif total.
• Moyenne géométrique : La moyenne géométrique est la racine $N$-ième du produit des valeurs positives, avec $N$ égal au nombre d’observations (ou à la somme des effectifs en version pondérée).
• Moyenne harmonique : La moyenne harmonique est la valeur dont l’inverse est égal à la moyenne arithmétique des inverses des observations.
• Moyenne quadratique : La moyenne quadratique est la racine carrée de la moyenne arithmétique des carrés des observations.

📝 Points essentiels

• La somme des écarts à la moyenne est nulle, donc $\sum_i n_i(x_i-\bar x)=0$.
• La somme des carrés des écarts $\sum_i n_i(x_i-a)^2$ est minimale quand $a=\bar x$.
• La moyenne arithmétique n’est pas adaptée à certains indicateurs comme les taux d’accroissement et vitesses moyennes, où d’autres moyennes sont préférées.
• La moyenne géométrique simple s’écrit $G=\left(\prod_{i=1}^k x_i\right)^{1/N}$ et la version pondérée utilise les effectifs $n_i$ via $N=\sum_i n_i$.
• La moyenne géométrique est réservée pour calculer des taux d’accroissement moyens.
• La moyenne harmonique est définie par $\frac{1}{H}=\frac{1}{N}\sum_i \frac{n_i}{x_i}$ (avec $n_i$ en pondéré).

💡 Astuce mémo

Arithmétique = somme (écarts), Géométrique = produit (taux), Harmonique = inverses (vitesses), Quadratique = carrés (écarts à une valeur centrale).

📖 6. Paramètres de position en analyse univariée

🔑 Notions clés & Définitions

• Asymétrie : L’asymétrie décrit le déséquilibre d’une distribution entre la gauche et la droite autour des valeurs de position.
• Coefficient de Yule : Le coefficient de Yule est un indicateur d’asymétrie basé sur la position des quartiles et normalisé par l’écart interquartile.
• Coefficient de Pearson : Le coefficient de Pearson mesure l’asymétrie en comparant le mode et la moyenne, puis en le rapportant à l’écart type.
• Coefficient de Fisher : Le coefficient de Fisher mesure l’asymétrie à partir du moment d’ordre 3, normalisé par le cube de l’écart type.
• Coefficient de Fisher d’aplatissement : Le coefficient d’aplatissement quantifie le degré de “pointu” ou de “plat” d’une distribution via le moment centré d’ordre 4.

📝 Points essentiels

• Une distribution est dite symétrique quand les valeurs se répartissent en proportions identiques de part et d’autre des valeurs de position (moyenne, médiane, mode).
• Dissymétrie à droite signifie que la distribution est étalée à droite et correspond à une asymétrie à droite (oblique à gauche).
• Dissymétrie à gauche signifie que la distribution est étalée à gauche et correspond à une asymétrie à gauche (oblique à droite).
• Le coefficient de Yule utilise les trois quartiles et est normalisé par l’écart interquartile pour obtenir une mesure sans dépendre de l’échelle.
• Le coefficient de Pearson compare le mode et la moyenne arithmétique, puis relativise par l’écart type de la série.
• Le coefficient de Fisher d’asymétrie repose sur le moment d’ordre 3 et est normalisé par le cube de l’écart type pour rendre la mesure comparable entre séries.

💡 Astuce mémo

Asymétrie = “quartiles (Yule)” ou “moyenne-mode (Pearson)” ou “3e moment (Fisher)”. Aplatissement = “4e moment (Fisher)”.

📖 7. Médiane et détermination algébrique

🔑 Notions clés & Définitions

• Erreur d’estimation : L’erreur d’estimation est la différence entre la valeur observée $Y_i$ et la valeur prédite par la droite $aX_i+b$.
• Moindres carrés : La méthode des moindres carrés choisit $a$ et $b$ pour minimiser la somme des carrés des erreurs entre $Y_i$ et $aX_i+b$.
• Droite de régression de Y sur X : La droite de régression de $Y$ sur $X$ est la droite $\hat{Y}=aX+b$ qui ajuste au mieux le nuage de points au sens des moindres carrés.
• Point moyen : Le point moyen est le couple $(\bar{X},\bar{Y})$ et la droite de régression passe toujours par ce point.
• Coefficient directeur a : Le coefficient directeur $a$ mesure la variation moyenne de $\hat{Y}$ quand $X$ augmente d’une unité, selon la formule issue des moindres carrés.

📝 Points essentiels

• On modélise $\hat{Y}_i=aX_i+b$ et l’erreur vaut $e_i=Y_i-(aX_i+b)$, puis on minimise $S=\sum e_i^2=\sum\big[Y_i-(aX_i+b)\big]^2$.
• Les conditions de minimum s’obtiennent en imposant $\frac{\partial S}{\partial a}=0$ et $\frac{\partial S}{\partial b}=0$ pour déterminer $a$ et $b$.
• La dérivée par rapport à $b$ conduit à $\sum\big(Y_i-aX_i-b\big)=0$ puis à $\hat{b}=\bar{Y}-a\bar{X}$, donc la droite passe par $(\bar{X},\bar{Y})$.
• La dérivée par rapport à $a$ donne $a=\frac{\sum (X_i-\bar{X})(Y_i-\bar{Y})}{\sum (X_i-\bar{X})^2}$ et on peut aussi écrire $a=\frac{\mathrm{Cov}(X,Y)}{\mathrm{Var}(X)}$.
• Le signe de $a$ indique le sens de la relation : $a>0$ pour une relation positive et $a<0$ pour une relation négative.
• La droite d’ajustement linéaire est la droite la plus proche du nuage au sens des moindres carrés, c’est-à-dire celle qui minimise la somme des carrés des écarts verticaux aux points.

💡 Astuce mémo

Moindres carrés = on minimise $\sum e_i^2$ ; et $\hat{b}=\bar{Y}-a\bar{X}$ ⇒ la droite passe par le point moyen $(\bar{X},\bar{Y})$.

📖 8. Quantiles et médiale en analyse univariée

🔑 Notions clés & Définitions

• Quantile : Un quantile est une valeur qui partage la distribution en une proportion donnée d’observations.
• Médiane : La médiane est le quantile d’ordre 0,5, séparant les données en deux moitiés de même effectif.
• Table de Student : Une table de Student fournit les valeurs critiques $t_{\alpha,,ddl}$ correspondant à un risque $\alpha$ et à un nombre de degrés de liberté.
• Degrés de liberté : Les degrés de liberté indiquent la taille effective de l’information utilisée pour estimer la variance dans un test de Student ou Fisher.

📝 Points essentiels

• La médiane correspond au quantile 0,5 : 50% des valeurs sont ≤ à la médiane et 50% sont ≥ à la médiane.
• Un quantile d’ordre $p$ vérifie que la proportion $p$ des observations est au plus égale à la valeur du quantile.
• Pour un test de Student à deux moyennes indépendantes, les degrés de liberté sont $ddl=n_1+n_2-2$.
• Pour un test de Student apparié, les degrés de liberté sont $ddl=n-1$.
• Pour un test de Student d’une moyenne à une norme, les degrés de liberté sont $ddl=n-1$.
• Les valeurs critiques $t_{\alpha,ddl}$ et $F_{\alpha,(k-1,N-k)}$ se lisent dans les tables pour fixer la règle de décision au seuil $\alpha=0,05$.

💡 Astuce mémo

Médiane = quantile 0,5 : moitié à gauche, moitié à droite.

📖 9. Nuage de points, covariance et corrélation

🔑 Notions clés & Définitions

• Nuage de points : Un nuage de points est une représentation graphique de paires $(X,Y)$ où chaque point correspond à une observation du couple de variables.
• Covariance : La covariance mesure le sens et l’intensité de la variation conjointe entre deux variables quantitatives.
• Corrélation simple : La corrélation simple quantifie la relation linéaire entre deux variables, avec une valeur bornée facilitant l’interprétation.
• Matrice de corrélation : La matrice de corrélation regroupe les corrélations simples entre toutes les paires de variables d’un modèle.
• Corrélation multiple : La corrélation multiple mesure la relation combinée entre la variable dépendante et l’ensemble des variables explicatives d’un modèle.

📝 Points essentiels

• Le nuage de points sert à visualiser la tendance entre deux variables quantitatives avant tout calcul statistique.
• La covariance et la corrélation décrivent une dépendance entre variables, mais la corrélation est plus directement interprétable car elle est bornée.
• En régression multiple, on calcule des corrélations simples pour chaque paire de variables du modèle et on les regroupe dans une matrice de corrélation.
• Les coefficients de corrélation sur la diagonale de la matrice valent 1 car chaque variable est corrélée avec elle-même.
• La matrice de corrélation est symétrique : la corrélation entre $X_i$ et $X_j$ est la même que celle entre $X_j$ et $X_i$.
• En régression multiple, le coefficient de corrélation multiple résume la corrélation de $Y$ avec l’ensemble des variables explicatives, pas avec une seule variable à la fois.

💡 Astuce mémo

Covariance = co-variation (même sens), Corrélation = co-relation (mesure bornée).

📖 10. Test du khi-deux pour variables qualitatives

🔑 Notions clés & Définitions

• Test du khi-deux : Test statistique utilisé pour vérifier s’il existe une association entre deux variables qualitatives observées dans un tableau de contingence.
• Tableau de contingence : Tableau croisant les effectifs de plusieurs catégories de variables qualitatives pour comparer les effectifs observés aux effectifs attendus.
• Hypothèse nulle H0 : Hypothèse selon laquelle il n’y a pas d’association entre les variables qualitatives, donc les effectifs observés suivent ceux attendus sous l’indépendance.
• Hypothèse alternative H1 : Hypothèse selon laquelle au moins une association existe entre les variables qualitatives, donc les effectifs observés diffèrent de ceux attendus.
• p-value : Probabilité, calculée à partir de la statistique du test, d’obtenir un écart au moins aussi grand que celui observé si H0 était vraie.

📖 11. Tests t et ANOVA pour variables quantitatives

🔑 Notions clés & Définitions

• Test t de Student : Test statistique paramétrique utilisé pour comparer les moyennes d’une variable quantitative entre deux groupes.
• ANOVA à un facteur : Analyse de variance paramétrique qui compare les moyennes d’une variable quantitative entre plusieurs groupes.
• Variable quantitative : Variable numérique mesurée sur une échelle permettant de calculer des moyennes et des variances.
• Variance inter-groupes : Part de la variabilité totale due aux différences de moyennes entre groupes.
• Variance intra-groupes : Part de la variabilité totale due aux différences à l’intérieur de chaque groupe.

📝 Points essentiels

• Le test t sert de cas particulier quand on compare exactement deux moyennes de groupes sur une variable quantitative.
• L’ANOVA généralise le test t en comparant simultanément plusieurs moyennes de groupes sur la même variable quantitative.
• Le principe de l’ANOVA repose sur un rapport entre variabilité inter-groupes et variabilité intra-groupes pour détecter un effet de groupe.
• Si les moyennes des groupes sont proches, la variabilité inter-groupes reste faible par rapport à la variabilité intra-groupes, ce qui réduit la significativité.
• Si l’ANOVA indique une différence globale, des comparaisons post-hoc sont nécessaires pour savoir quelles paires de groupes diffèrent (procédure à choisir selon le cours).
• Les tests t et ANOVA sont paramétriques : ils supposent un modèle basé sur la moyenne et la variance, donc la dispersion et la structure des données comptent pour l’interprétation.

💡 Astuce mémo

t = deux moyennes, ANOVA = plusieurs moyennes (t pour “two”, ANOVA pour “many”).

📖 12. Régression multiple et analyse factorielle

🔑 Notions clés & Définitions

• Analyse factorielle des correspondances : L’analyse factorielle des correspondances est une méthode qui étudie la dépendance entre deux variables nominales à partir d’un tableau de fréquences.
• Tableau de contingence : Un tableau de contingence est un tableau de fréquences à deux entrées qui croise les modalités de deux variables nominales.
• Profils lignes : Les profils lignes sont des distributions conditionnelles obtenues en pourcentages par ligne dans le tableau de contingence.
• Profils colonnes : Les profils colonnes sont des distributions conditionnelles obtenues en pourcentages par colonne dans le tableau de contingence.
• Inertie : L’inertie mesure la quantité d’information expliquée par une dimension, jouant un rôle analogue à la variance en ACP.

📝 Points essentiels

• L’AFC répond à deux questions : existence d’un lien entre deux caractères nominaux et manière dont un facteur se comporte par rapport à l’autre.
• L’AFC prolonge le test du Khi deux d’indépendance appliqué à deux variables nominales.
• Dans l’AFC, les lignes et colonnes sont de même nature, ce qui permet une représentation conjointe sur un même plan factoriel.
• Le nombre total de dimensions est au plus égal au minimum du nombre de lignes et du nombre de colonnes diminué de 1.
• Le choix des dimensions principales se fait via le taux d’inertie, et la dimension 3 peut être négligée si elle apporte beaucoup moins d’information que les premières.
• Pour interpréter une dimension, on combine contributions des modalités (part dans l’inertie totale) et qualité de représentation (perte d’information faible si le pourcentage est élevé).

💡 Astuce mémo

AFC = Correspondances : dépendance entre catégories nominales, profils (lignes/colonnes) et inertie comme “variance”.

📊 Tableaux de synthèse

Types de variables et nature/échelle

⚠️ Pièges & confusions fréquents

1. Confondre recensement et sondage : le recensement observe toutes les unités, le sondage n’observe qu’un échantillon.
2. Croire que l’erreur d’échantillonnage ne dépend que de la taille : elle diminue quand n augmente, mais la précision et le niveau de confiance jouent aussi.
3. Mélanger mode et médiane : le mode est la valeur (ou classe) la plus fréquente, la médiane partage la série en deux moitiés égales.
4. Prendre une moyenne arithmétique pour des taux ou vitesses : le cours précise que la moyenne géométrique est réservée aux taux d’accroissement moyens, et l’harmonique aux vitesses.
5. Interpréter la corrélation comme une relation causale : le cours parle de liaison/intensité, pas de causalité.
6. Se tromper dans le test du khi-deux : il s’applique aux variables qualitatives en tableau de contingence avec H0 d’indépendance.
7. Confondre test t et ANOVA : t compare deux moyennes, ANOVA généralise à plusieurs moyennes (et nécessite des comparaisons post-hoc si différence globale).

✅ Checklist Examen

1. Définir ADD, traitement de données, statistique descriptive et inférence statistique, puis expliquer l’objectif général (structure → représentation simple).
2. Reconstituer le schéma collecte → analyse → conclusions → prise de décisions et distinguer données primaires vs secondaires.
3. Décrire une base de données : lignes = répondants (échantillon), colonnes = réponses (thème), et rappeler l’idée d’erreur d’échantillonnage vs recensement.
4. Définir population, individu (unité statistique) et caractère/variable, puis relier “Qui ? Qui précisément ? Quoi mesurer ?”.
5. Classer une variable en qualitative nominale/ordinale ou quantitative discrète/continue, et donner l’échelle correspondante (nominale/ordinale/rapport).
6. Expliquer les types de questions d’un questionnaire (ouvertes, fermées dichotomiques, choix multiples réponse unique, choix multiples réponses multiples) et les règles (exhaustives, mutuellement exclusives).
7. Expliquer les échelles à catégories spécifiques (Likert, différentiel sémantique, supports sémantiques, intention) et leur but de quantifier le subjectif.
8. Calculer et interpréter mode, médiane et quantiles : mode selon nature (discret vs continu), médiane (cas N impair/pair, interpolation en continu), quartiles/déciles/percentiles.
9. Choisir la bonne moyenne selon le contexte : arithmétique (générale), géométrique (taux d’accroissement), harmonique (inverses/vitesses), quadratique (carrés).
10. Pour la régression linéaire simple : écrire le modèle, définir l’erreur, rappeler moindres carrés (minimiser somme des carrés), donner les formules de a et b et l’interprétation du signe de a.
11. Pour les tests en régression simple : écrire H0/H1 du test t (a=0), du test F global, et du test de corrélation de Pearson (r=0), puis relier ddl à n−2.
12. Pour l’analyse bivariée : distinguer cas qualitatif-qualitatif (table de contingence + khi-deux, ddl=(l−1)(c−1), décision via χ² calculé vs χ² table) et cas quantitatif-qualitatif (t pour 2 modalités, ANOVA pour ≥3, ddl/
13. Pour l’analyse multivariée : expliquer régression multiple (modèle, moindres carrés, R² et R² ajusté, test global Fisher et tests individuels), puis décrire la sélection progressive/régressive.
14. Pour l’AFC : rappeler les deux questions (lien ? comment se comporte un facteur), le lien avec khi-deux, le nombre max de dimensions (min(lignes, colonnes)−1), et l’interprétation via contributions et qualité de représen