Brainscape's Knowledge GenomeTM

Browse over 1 million classes created by top students, professors, publishers, and experts.


See full index

3011 > 2. ANOVA 2 > Flashcards

2. ANOVA 2 Flashcards

1
Q

plan factoriel : objectif

A

tester l’effet de plusieurs variables indépendantes catégorielles (facteurs) sur une variable dép

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

plan factoriel : avantages

A
  • plus de précision pour estimer les effets principaux
  • possible d’étudier les interactions
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

V ou F : dans le plan factoriel, tous les niveaux de chaque facteur sont testés

A

V

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

plan factoriel : A vs a

A

A : facteur
a : niveaux du facteur

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

plan factoriel : pourquoi on se limite à 2 facteurs

A

l’expérience est plus complexe quand on augmente le nbr de facteurs

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

plan factoriel : hypothèses à tester

A
  1. H0 : interaction entre chaque niv de ab = 0 (H1 : au moins 1 interaction ab égale pas 0)
  2. effet du facteur A = 0 (H1 : alpha égale pas 0 pour au moins un niveau)
  3. effet du facteur b = 0 (H1 : béta égale pas 0 pour au moins 1 niveau)
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

interaction - modification de l’effet

A
  • l’effet de A diffère quand au niveau de B
  • facteur A a un effet, mais dépend du niveau de B
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

interaction médicamenteuse

A
  • l’effet conjoint de 2 facteurs sur une certaine variable réponse
  • interaction se manifeste par un chgmt dans la magnitude de la réponse
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

types d’interactions médicamenteuse

A
  • synergique : effet conjoint des 2 med est supérieur à la somme des effets individuels
  • antagoniste : effet conjoint des 2 med est inférieur à la somme des effets individuels
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

devis utilisé pour évaluer les interactions med

A

chassé croisé car permet de voir les effets individuels et effet conjoint

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

devis de williams

A

chassé croisé qui permet d’observer l’effet conjoint (I+S), mais aussi S seul et I seul (donc 3 périodes)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

devis de williams : avantage

A

permet de mesurer l’effet de la formulation en contrôlant pour les autres facteurs nuisibles (période, sq)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

devis de williams : déterminer les sources de variabilité (modèle linéaire) (5)

A
  1. effet du sujet
  2. effet de la séquence
  3. effet de la période
  4. effet de la formulation
  5. erreur intra-sujet
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Devis de Williams : nb de période minimal

A

1/facteur + effet conjoint des facteurs (donc si 3 facteurs, 4 périodes)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

Devis de Williams : nb de séquences

A

nbr de période factoriel (ex : si 4 périodes, sq –> 4!)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

utilité de la régression linéaire

A

explique la variation d’une variable dep (réponse) continue à partir d’une variable indep continue ou catégorique

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
17
Q

régression linéaire : relation supposée entre les variables dépendantes et indépendantes

A

linéaire

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
18
Q

V ou F : la régression linéaire permet de comparer 2+ groupes à la fois et décrire la relation entre la moyenne de la variable dep et indep

A

V

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
19
Q

suppositions faites pour déterminer les valeurs des paramètres de régression (B0 et B1)

A

échantillon aléatoire (sujets indep)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
20
Q

régression linéaire : droite qui s’ajuste le mieux aux sujets

A

celle minimisant les différences/distances (résidus) entre la droite estimée et chaque observation

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
21
Q

méthode des moindres carrés

A

méthode dans laquelle on veut la droite avec la somme de carré des résidus la plus faible

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
22
Q

B0

A

ordonnée à l’origine (valeur moyenne de Y lorsque X = 0)

23
Q

B1

A

pente de la droite (taux de chgmt de Y pour une unité de x)

24
Q

lien entre ANOVA et régression

A

en régression, on peut construire une décomposition en somme des carrés (SS)

25
Q

régression linéaire simple: dans quel cas utiliser le test T

A

tester si un des B est différent d’une valeur prédéfinie

26
Q

régression linéaire simple : dans quel cas le test T est équivalent au test F

A

dans le cas où on cherche à tester si le coefficient est différent de 0

27
Q

lien ANOVA-régression : décomposer le SS

A

SSy = SSreg + SSe

28
Q

lien ANOVA-régression : que représente SSe

A

somme des erreurs résiduelle
erreur d’une donnée y par rapport à la valeur estimée y pour un niveau

29
Q

hypothèses du test T

A

H0 : Bi = Bi’ (égale à la valeur estimée)
H1 : Bi n’égale pas B’i

30
Q

coefficient de détermination (R2)

A
  • mesure de la proportion de la variance expliquée par la régression
  • permet de quantifier l’adéquation de la droite de régression (mesure à quel point la droite est représentative des données)
31
Q

valeurs possibles de R2

A

entre 0-1

32
Q

R^2 = 0

A

l’équation de la droite de régression explique aucunement le nuage de points

33
Q

R^2 = 1

A

équation de la droite de régression est capable de déterminer à 100% la distribution des points (droite se confond avec le nuage de points)

34
Q

R^2 considéré adéquat

A

> 0,7

35
Q

coefficient de corrélation

A

√R^2 = R

36
Q

valeurs possibles de R

A

-1 à 1

37
Q

interprétation de r = 1

A

proche de 1 : indique que la droite représente les données
positif : la droite est croissante

38
Q

interprétation de R = -1

A

proche de 1 : indique que la droite représente les données
négatif : la droite est décroissante

39
Q

régression linéaire multiple

A

explique une variable dep à l’aide de 2+ variables indep

40
Q

Régression linéaire multiple : ^Bj

A

différence de moyenne en Y pour une différence d’une unité de X (en supposant que l’effet de Xj est ajusté pour les autres variables inclues dans le modèle)

41
Q

pourquoi est-il recommandé d’utiliser le R^2 ajusté pour les régressions multiples ?

A
  • car plus de variables = R^2 plus élevé (fausse impression d’un ajustement adéquat)
  • R^2 ajusté tient compte du nbr de variables indep
42
Q

V ou F : R^2 et R^2 ajusté ont la même interprétation

A

F, R^2 ajusté sert de mesure d’adéquation (comparaisons de modèles)

43
Q

postulats du modèle de régression linéaire

A
  • Y = variable continue
  • résidus suivent une loi normale
  • observations provenant de l’échantillons sont indep et identiquement distribuées
  • relation entre Y et chaque X est linéaire
44
Q

régression polynomiale

A

relation entre la variable dép et explicative est pas linéaire

45
Q

régression polynomiale : quoi faire pour avoir un bon R^2

A

capturer la non-linéarité

46
Q

régression polynomiale : cmt capturer la non-linéarité

A

introduire des termes polynomiaux

47
Q

V ou F : dans la régression polynomiale, le coefficient B2 est + difficilement interprétable

A

V

48
Q

régression polynomiale : pour déterminer s’il y a proportionnalité de dose, nommer les 2 questions auxquelles il faut répondre

A
  1. s’il y une relation linéaire (Cmax-dose)
  2. si la relation Cmax-dose est proportionnelle
49
Q

régression polynomiale : comment tester s’il y a une relation linéaire Cmax-dose

A

utiliser un modèle polynomial

50
Q

régression polynomiale : il y a linéarité dans quel cas

A

si B2 (coeff de la composante quadratique) est pas significativement différent de 0 (déterminé avec test student)

51
Q

régression polynomiale : comment déterminer si la relation linéaire Cmax-dose est proportionnelle ?

A

utilisation du modèle polynomiale
on cherche à voir si B1 est différent de 0

52
Q

régression polynomiale : il y a proportionnalité dans quel cas

A

si B1 est différent de 0

53
Q

régression polynomiale : il y a proportionnalité directe dans quel cas

A
  • B1 est différent de 0
  • B0 n’est pas significativement différent de 0

3011 (20 decks)

Brainscape helps you reach your goals faster, through stronger study habits.
© 2024 Bold Learning Solutions. Terms and Conditions