cours 8 : post-positivisme

Question 1

Lors de la mesure, le travail du chercheur à cette étape est de s’assurer que…? (3)

Answer 1

1. Que ses variables sont bien opérationnalisées
2. Que les outils utilisés mesurent bien ces variables
3. Que les participants répondent bien à ces outils
   *comment chiffre peut bien représenté caractéristique de l’humain (amour, amitié, sexualité, etc)?
   - complexe
   - variables doivent être bien opérationnalisées
   BUT = avoir bonne mesure

Question 2

Une bonne mesure doit être quoi?

Answer 2

Une bonne mesure doit être fidèle donc mesurer de façon constante un phénomène psychologique
*doit mesurer de façon constante mais doit mesurer la bonne chose
*la fidèlité est nécessaire à la validité

Question 3

Quels sont les critères pour un bon outil psychométrique (mesure fidèle)?(3)

Answer 3

1. Fidélité temporelle/fidélité test-retest (si c’est approprié) = si je mesure à deux temps faudrait que ça fonctionne encore, phénomène doit être stable dans le temps (traits de la personnalité)
2. Cohérence interne (par variable et non par outil) = ensemble des questions doivent être cohérentes entre elles (doit être cohérent pour un même objet = cubes et flèches tout autour qui le pointe)
3. Fidélité inter-juge (souvent appelé accord interjuge) = peut importe qui l’utilise, doit arriver au même résultat

Question 4

Une bonne mesure doit aussi être…?

Answer 4

Valide, donc mesurer réellement le concept qu’elle prétend mesurer

Question 5

Quelles sont les 4 types de validité qui déterminent si la mesure est valide? (les meilleurs questionnaires ont tout ça)

Answer 5

1. Validité apparente (si approprié)
2. Validité de contenu
3. Validité de critère
4. Validité de construit/validité théorique

Question 6

Qu’est-ce que la validité apparente?

Answer 6

peut voir par observation
si bcp de désirabilité sociale veut pas faire ça (validité apparente nuit à la mesure quand bcp désirabilité sociale), ex: fête forraine = personnalité antisociale, faible validité apparente
*des fois on en veut une bonne d’autre fois on en veut une mauvaise

Question 7

Qu’est-ce que la validité de contenu?

Answer 7

est-ce que les items sont pertinents à la recherche? (cohérence interne), la chose en soi est-ce qu’on mesure la bonne chose (ex: anxiété de performance, questions sur l’anxiété de performance)

Question 8

La validité de critère est divisé en 2 parties, lesquelles?

Answer 8

1. Prédictive = doit être bonne sans surprédicter des choses (criminologue et risque de récidive), est-ce que le test est bien prédictif pour protéger de passages à l’acte sans mettre trop de gens en prison pour rien
2. Concomitante = 2 mesure différentes d’un même phénomène, 2 infos qui disent que niveau stress plus élevé, pose questions à la personne en plus de regarder taux de cortisol, à quel point important/possible

Question 9

La validité de construit/la validité théorique est séparée en 3 parties, lesquelles?

Answer 9

1. Structurelle = bien comprendre chacune des parties (structure), trois grappes de données : cognition, aptitude, estime de soi (doit être plus proche dans tout)
2. Convergente = anxiété et dépression sont proches donc convergentes, narcissisme et estime de soi (devrait y avoir questions par rapport aux deux), phénomènes qui sont proches et devraient y avoir corrélations positive
3. Discriminante = contraire convergente, bien séparer choses qui sont différentes, devrait y avoir corrélation négative car phénomènes très différents

Question 10

La mesure est une technique…

Answer 10

par laquelle des valeurs, généralement quantitatives, sont assignées à nos variables

Question 11

Quels sont les 3 types de données (variables)?

Answer 11

1. Nominale
2. Ordinale
3. Continue (à intervalles ou proportions)

Question 12

Qu’est-ce qui qualifie les variables nominales?

Answer 12

1. Chaque donnée se rapporte à une définition qui n’a pas de valeur quantitative (chaque groupe indépendant)
   Ex: Homme = 1, Femme = 2, Préfère se définir soi-même = 3
   Ex: Groupe Psychodyn= 1, Groupe TCC = 2, Groupe témoin =3
2. Le choix de la valeur n’a pas d’importance et l’ordre non plus, c’est seulement une codification pour l’utiliser dans nos logiciels d’analyses (Les analyses statistiques sont assez limitées avec ce type de variables)
3. Type précis de variable nominale = la variable dichotomique
   Ex: Présence d’un trouble =1, absence d’un trouble = 0

Question 13

Qu’est-ce qui qualifie les variables ordinales?

Answer 13

1. Se réfère à un rang, un ordre, une position (ordre a un sens mais peut pas additionner)
   Ex: Plus haut diplôme obtenu (primaire = 1, secondaire = 2, CÉGEP = 3, Bac = 4, etc.)
   Ex: Ordre d’arrivée à la fin d’un marathon
2. Comme l’ordre est défini, la valeur numérique a du sens (Il existe un peu plus d’analyses statistiques avec ce type de variables)
3. Plusieurs personnes peuvent être égales (rang)

Question 14

Qu’est-ce qui qualifie les variables continues?

Answer 14

1. Les variables continues se distribuent sur une échelle
   Ex: le temps pour terminer un marathon = finir en 2h (temps) est deux fois plus vite que finir en 4h, tandis que finir en 3e position n’est pas une performance 3 fois inférieure à finir premier
   Ex: le score de dépression à l’échelle de Beck (Avoir un score de 40 est deux fois plus élevé qu’un score de 20)
2. Ces variables nous permettent plus d’analyses statistiques et sont donc à prioriser (le mieux)
   Ex: Demander le nombre d’années d’études vs le plus haut diplôme obtenu

Question 15

Qu’est-ce qui est absolument primordial a l’étude?

Answer 15

Avoir des mesures qui représentent adéquatement notre phénomène à l’étude (garbage in/garbage out).

Question 16

Qu’est-ce qui faut retenir des mesures physiologiques en psychologie?

Answer 16

*Surtout utilisé en neuropsychologie
*Très peu utilisé en recherche clinique en raison de la complexité d’utilisation de ces méthodes

Question 17

Quand est-ce qu’on peut passer aux analyses statistiques?

Answer 17

Une fois que…
- Nos variables sont identifiées
- Nos variables sont opérationnalisées
- Nos variables sont mesurées

Question 18

vrai ou faux,
- Les statistiques sont complexes
- On peut faire dire n’importe quoi à des statistiques
- Les statistiques ne sont pas appropriées à l’étude de l’être humain
- Les données statistiques sont utiles au travail du clinicien
- La pensée statistique est utile au travail du clinicien

Answer 18

• Les statistiques sont complexes = faux
• On peut faire dire n’importe quoi à des statistiques = vrai
• Les statistiques ne sont pas appropriées à l’étude de l’être humain = très compliqué, perte complexité humain
• Les données statistiques sont utiles au travail du clinicien = faux
• La pensée statistique est utile au travail du clinicien = vrai

Question 19

Qu’est-ce que c’est des statistiques?(4)

Answer 19

1. C’est l’étude quantitative des phénomènes humains (On cherche à traduire, de la façon la plus juste possible, un phénomène en équation mathématique ou en un ensemble de nombres. On cherche par la suite à interpréter ces équations et ces nombres de la façon la plus juste possible)
2. S’intéresse au général, au commun
3. C’est obligatoirement un travail incomplet, pas tout à fait juste et d’une portée limitée
4. Tout de même, peut apporter des changements tangibles et positifs aux pratiques et aux politiques.
   **Tu commences avec plein de chiffres pour finir avec 2/3 chiffres

Question 20

Quels sont les 2 grands types de statistiques?

Answer 20

1. Descriptives = décrire une donnée (variable) ou décrire liens entre données
   - Unidimensionnelles: moyenne, étendue, écart type, etc. (ex: moyenne d’âge, comment les gens se distribue dans échantillon)
   - Bidimensionnelles: corrélation de Pearson, etc. (je regarde liens entre 2 variables)
   - Multidimensionnelles : alpha de Cronbach, etc.
2. Inférentielles
   - Univariées = analyses de variances/régressions, modèles linéaires généraux, etc (une variable dépendante et je regarde impact variables sur elle)
   - Multivariées = analyses multivariées, équations structurelles, etc. (plusieurs variables dépendantes et impact variables sur elles)

Question 21

Quelles sont les 2 principales différences entre les statistiques descriptives et les statistiques inférentielles?

Answer 21

1. Les statistiques descriptives permettent uniquement de décrire les variables de notre échantillon et les liens observés entre celles-ci.
   - ex: La moyenne représente un point central d’un ensemble de données
   - ex: La corrélation représente la force de la relation linéaire entre deux variables (à quel point 2 variables sont liées entre elles)
2. Les statistiques inférentielles nous demandent de créer un modèle statistique et d’évaluer sa capacité à expliquer les liens entre les variables. En termes statistiques, on cherche à expliquer la variance de notre (ou de nos) VD à partir de notre (ou de nos) VI. Ce sont ces modèles qui se généralisent à la population. (Modèles qu’on va essayer de généraliser à la population)

Question 22

Quelles sont les 6 étapes de la démarche de l’anayse statistique?

Answer 22

1. Le choix des analyses à effectuer
2. La préparation des données
3. L’exploration des données (analyses descriptives)
4. La vérification des postulats de base
5. L’analyse statistique principale (souvent des analyses inférentielles)
6. L’interprétation statistique de nos données

Question 23

Pour le choix des analyses (étape 1), comment sont-elles choisies?

Answer 23

Les analyses sont principalement choisies en fonction du type de données (nominales, ordinales, continues) et des liens que l’on souhaite observer entre ces variables.
Exemple 1: Je veux voir si le score d’anxiété des étudiants a augmenté ou diminué à la suite de l’examen de mi-session. (Quel est le devis/plan de recherche? Quelles sont les VI et les VD? De quels types sont ces VI et ces VD?)

Question 24

Pour la préparation des données (étape 2), les analyses statistiques sont effectuées sur quoi?

Answer 24

Les analyses statistiques sont effectuées sur des logiciels d’analyses.
Comme:
- SPSS : le plus utilisé en sciences sociales
- R : le plus puissant et le plus complexe (gratuit!)
- Mplus : spécialisé dans certains types d’analyses

Question 25

Quelles sont les 3 étapes de la préparation des données?

Answer 25

Considérant que les analyses statitistiques sont effectuées sur des logiciels d’analyse, nous devons:
1. Entrer nos données “brutes” dans une base de données
2. Nettoyer notre base de données (supprimer les réponses incomplètes, repérer les erreurs)
3. Calculer nos VI et nos VD à partir des réponses aux questions

Question 26

En quoi consiste l’exploration des données (étape 3)?
Et quel est sont objectif?

Answer 26

On fait ressortir les données descriptives de notre échantillon
Objectif = on explore, on regarde si tout semble correct et s’il y a des observations intéressantes, surprenantes.
- Peut nous emmener à changer nos analyses pour diverses raisons ( ex: manque de variabilité, trop de données extrêmes)

Question 27

Pour la vérification des postulats de base (étape 4), qu’est-ce qu’un postulat?

Answer 27

Des propositions que l’on doit vérifier pour que notre analyse fonctionne. La plupart des analyses vont avoir un postulat

Question 28

En quoi consiste la vérification des postulats (étape 4)?
*Regarder diapo 24 pour visuel

Answer 28

Ils vont souvent être vérifiés en même temps que notre analyse principale.
Par exemple, pour les modèles linéaires, la relation entre mes variables doit pouvoir s’exprimer de façon linéaire (Y = ax + b, ligne qui monte). Si la relation n’était pas linéaire (ligne qui descend) mon modèle statistique n’est pas adéquat.
*si jamais modèle démontre pas ça, suit pas analyse

Question 29

En quoi consiste l’analyse principale (étape 5)?

Answer 29

Une fois nos données explorées et les postulats vérifiés, on va créer notre modèle statistique. Celui-ci devrait
contenir l’ensemble de nos variables d’intérêt.

Question 30

Pour l’analyse principale (étape 5), on a combien de statistiques à regarder?

Answer 30

On va généralement avoir au moins trois statistiques à regarder lorsqu’on fait une analyse statistique :
1. statistique de test = valeur (b ou beta), permet savoir lien entre les variables
2. une statistique p = modèle significatif ou pas
3. une taille de l’effet = à quel point ce que j’ai trouvé explique bcp ou pas bcp, modèle explique lien avec variance

Question 31

En quoi consiste l’interprétation statistique de nos données (étape 6)?

Answer 31

Une fois nos résultats statistiques obtenus, on doit traduire ces nombres en phrases intelligibles. On reste collés sur les données à ce moment.
Ex: La corrélation de Pearson entre l’anxiété et le salaire des participants s’est avéré significative (r= -0.7, p= 0.002). Ces variables paratgaient 49% de leurs variances (R2 = 0,49). Ainsi, lorsque le salaire d’une personne était plus bas, son anxiété avait tendance à être plus élevée.

Question 32

Exemple de test statistique: le test-t
S’utilise lorsque…?

Answer 32

S’utilise lorsque nous avons une VI dichotomique et une VD continue
Par exemple: Y a-t’il une différence à une échelle d’antisocialité chez des hommes ayant commis des actes délictuels dans les 5 dernières années, en fonction de leur participation à un atelier servant à développer l’empathie (VI = intervention pas intervention, VD = niveau sociabilité)

Question 33

Quelle est la logique du test-t? (4)
**regarder pp

Answer 33

1. J’ai deux échantillons de données (participants à l’atelier et non-participants à l’atelier)
2. Si l’hypothèse nulle est vraie, alors il ne devrait pas y avoir de grandes différences entre mes échantillons
3. On compare donc les moyennes obtenues aux deux échantillons à la moyenne qui sera attendue s’il n’y avait pas de différence entre les groupes
4. S’il y a une grande différence entre les moyennes obtennues et les moyennes attendues selon H0, alors nos groupes diffèrent significativement
   *comparer ce que c’est supposé être vs ce que c’est

Question 34

Un bon modèle va…?(3)

Answer 34

1. Un bon modèle va (ici les moyennes des groupes) aura une plus grande portion de variation systématique (donc expliquée par la VI) que de variation non-systématique.
2. Un bon modèle va maximiser la variance expliquée et minimiser la variance inexpliquée (erreur/bruit)
3. Un bon modèle devrait aussi présenter une erreur distribuée de façon aléatoire (c.à.d. qu’il devrait expliquer aussi bien pour tout le monde)
   **un bon modèle ça explique ce qui ce passe pour tout le monde
   un mauvais modèle explique rien ou explique pas ce qui est supposé d’expliquer