Cours 5-6 (La classification et les échelles de mesures) Flashcards
Stevens (1946) propose de classer des échelles de mesure en fonction de quoi?
en fonction des propriétés des valeurs qui peuvent être rangées en quatre niveaux (ou dimensions) :
Quelles sont les 4 échelles de mesure?
Nominale (de classe ou catégorielle)
Ordinale
Intervalles égaux
Proportionnelles (ratio)
Nomme les 6 caractéristiques de l’échelle nominale
Permettent de ranger les individus dans des catégories différentes sur la base de leur égalité selon une variable donnée.
Aucune opération arithmétique (+, -, x, ÷) n’est permise.
Les statistiques possibles : fréquences et pourcentages (mode).
La rigueur de la discrimination dépend de la capacité d’observation de l’évaluateur (très qualitatif).
Son utilisation est limitée aux sciences humaines, car elle ne fournit pas d’indications sur l’amplitude des attributs.
Chaque observation se trouve dans une seule catégorie
Nomme les 8 caractéristiques de l’échelle ordinale
Permettent de ranger les individus selon la relation « plus petit » ou « plus grand ».
L’ordre relatif des individus est important ; la variable doit avoir un ordre inhérent.
Les symboles numériques attribués aux individus sont des rangs.
Pas de garantie que la différence (distance) entre 1 et 2 soit la même que 4 et 5.
Elle ne permet pas de savoir s’y il a l’absence totale de l’attribut.
On ne peut pas dire « combien de fois plus que… » !
La relation entre les observations est transitive : si A>B, et B>C alors A>C !
Par convention, on peut encore calculer une moyenne d’une échelle ordinale (Likert, seulement), mais au fur et à mesure que les années passent, cette convention deviens une cible de fortes critiques.
Quelles analyse statistique devrais-je utiliser pour une échelle ordinale?
Spearman
Pourquoi devrais-je utiliser Spearman plutôt que Pearson comme analyse pour une échelle ordinale?
Coefficient de corrélation de Pearson : suppose que les données sont continues et que la relation entre les variables est linéaire, ce qui signifie qu’il suppose une égale distance entre les points de données. Cependant, cette supposition peut ne pas être valable pour les variables ordinales, car l’écart entre les catégories n’est pas uniforme et la relation n’est pas nécessairement linéaire.
Le coefficient de corrélation de Spearman, quant à lui, est basé sur les rangs des données plutôt que sur les valeurs brutes. Il ne suppose pas de distance égale entre les points de données et est donc plus adapté à l’analyse de la corrélation entre des variables ordinales.
Mesure de la motivation : [Pas du tout, peu, normal, beaucoup, énorme]. Est-ce une échelle ordinale ? Explique
Ici, il ne s’agit pas d’une échelle de Likert (ordinale), car pas du tout = absence du phénomène (zéro absolu). En fait, « pas du tout », ça ne mesure pas la motivation, ça mesure l’absence de la motivation. On doit corriger cette erreur structurelle et modifier l’échelle, par exemple en commençant par « peu » pour qu’elle soit ordinale.
Nomme les 3 caractéristiques de l’échelle intervalles égaux
Permettent non seulement d’ordonner les individus, mais prennent également en compte la distance qui existe entre eux.
Si plusieurs objets ou individus sont également distant (égalité des intervalles) selon le degré lequel ils présentent l’attribut, la distance qui les séparent peu être comprise comme une unité linéaire de mesure (et cela ouvre tout en espace au domaine de la statistique).
Permettent la mesure des différences entre les degrés de présence des attributs, mais elles n’indiquent pas l’amplitude absolue de ces degrés, car elles n’admettent pas le zéro absolu – le point zéro est définie de façon arbitraire.
L’échelle ordinale peut être transformée en intervalle égaux, mais pas l’inverse ! Vrai ou faux?
Faux
L’échelle d’intervalle peut être transformée en ordinale, mais pas l’inverse !
Nomme les 3 caractéristiques de l’échelle proportionnelles (ratio)
Ordonnent, prennent en compte la distance, possèdent un zéro absolu. Ce dernier représente l’absence de la caractéristique mesurée.
Les chiffres représentent donc de façon réelle le degré de présence d’un attribut chez un individu.
On peut aussi établir que l’individu 2 présente exactement le double du degré de l’attribut présenté par l’individu 1, par exemple.
La classification des échelles de mesure c’est un affaire de (a) et (b). La classification des échelles de mesure comporte aussi (c)
Convention et utilité
Le problème d’échantillonnage
En effet, la classification des échelles de mesure c’est un affaire de convention et d’utilité.
Par convention, on observe quoi?
Par convention, les données relatives aux attributs psychologiques sont encore (mais pas pour encore longtemps) acceptées comme compatibles avec les techniques puissantes d’analyses statistiques paramétriques (hard science).
En effet, la classification des échelles de mesure c’est un affaire de convention et d’utilité.
Par utilité, on observe quoi?
Par utilité, les auteurs ont toujours accepté l’utilisation de logiciels statistiques avec des ressources d’analyses (estimateurs) limités, parce qu’historiquement il n’y avait pas beaucoup d’option. Alors, les logiciels disponibles avaient « le stigma » d’être utiles. Actuellement, et avec le développement de nouveaux logiciels, cette notion « d’utilité » est remise en question.
En psychométrie, qu’est-ce que l’on utilise comme échantillon?
En psychométrie, on utilise un échantillon d’individus et un échantillon de contenu (items d’un test).
En psychométrie, on utilise un échantillon d’individus et un échantillon de contenu (items d’un test).
Qu’est-ce que stipule Bernier et Pietrulewicz (1997) ?
Selon Bernier et Pietrulewicz (1997) il est virtuellement impossible de gérer ces deux échantillons, simultanément (problème de l’échantillonnage).
