Brainscape's Knowledge GenomeTM

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


See full index

PHT-2418 (H2021) > Module 5 - Intro aux stats > Flashcards

Module 5 - Intro aux stats Flashcards

1
Q

Pourquoi utiliser des tests stat dans une étude?

A

Est-ce que les résultats sont significatifs + Généralisables et applicables à d’autres patients similaires (population cible

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

déf : Erreur d’échantillonnage

A

Chercheur “tire” un échantillon non-représentatif (différent) de la population

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

De quoi faut-il tenir compte dans l’interprétation des tests statistiques (4)?

A
  • Types de tests (qui dépend de bien d’autres choses)
  • Importance des résultats
  • Précision des résultats estimés
  • Puissance des tests stat
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

déf : Statistiques descriptives + 2 types

A

Présentent les caractéristiques et synthétisent les données. Permettent de visualiser le comportement des variables et choisir les tests stat appropriés.
- Mesures de tendance centrale, Mesures de dispersion

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

Quelles sont les 3 mesures de tendance centrale + expliquez chacune

A

Moyenne : Somme des résultats/Nb de sujets
Médiane : Ordonner toutes les variables, c’est celle qui est au centre
Mode : Valeur la + fréquente

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

Quelles sont les mesures de dispersion?

A 
Variance/Écart-type : Dispersion des valeurs autour de la moyenne
Étendue : Valeur max - min
Intervalle interquartile (Q) : Différence entre le 75c et le 25c (séparation à chq quart, donc à 25%, 50% et 75% : même concept que la médiane, 50c)
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Dans cette série de chiffre, quel est

10, 12, 14, 16, 17, 20, 22

a) Moyenne
b) Médiane
c) Mode
d) Étendue
e) Intervalle interquartile (Q)?

A

a) (10+12+14+16+17+20+22)/7 = (111)/7 = 15.86
b) Méd = 16
c) Il n’y en a pas
d) Étendue = (22-10) = 12
e) Q = (20-12) = 8
(oui, j’ai laissé faire variance et écart-type, elle demandera pas à l’exam, c’est trop des gros calculs)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

V/F : L’étude graphique est intéressante pour représenter la distribution d’un échantillon, mais n’est généralement pas présente dans une étude

A

Vrai, les auteurs manquent souvent d’espace

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

déf : distribution normale

A

Moyenne, Mode, Médiane sont équivalentes, donc données symétriquement disposées autour de la moyenne, en forme de cloche inversée

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Quels sont les 2 principaux coefficients qui modifient la courbe normale?

A

Aplatissement, Asymétrie

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

V/F : La distribution d’un échantillon détermine le type d’analyses stat qui pourront être faites

A

Vrai

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

Si la distribution ressemble à un distribution normale, quel type de test sera utilisé? Que fera-t-il si elle ne ressemble pas?

A

Paramétrique

Tenter de la normaliser avec des équations, pour pouvoir utiliser les tests paramétriques

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

À quoi sert la loi normale?

A

Déterminer la probabilité d’obtenir un score dans un échantillon, si la moyenne et l’écart-type sont connus

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Si les données se conforment à la distribution (loi) normale, on peut prédire le pourcentage de scores dans un écart défini :

a) + ou - 1 écart-type autour de la moyenne
b) + ou - 2 écart-type autour de la moyenne
c) + ou - 3 écart-type autour de la moyenne

A

a) 68% des scores
b) 95% des scores
c) 99% des scores
(je ne crois pas qu’elle demanderait ça, mais bon…)

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

Pourquoi ne peut-on pas, la plupart du temps, se fier aux % de la loi normale dans une étude de type ECR?

A

On n’a pas la moyenne et l’écart-type des scores de la population entière

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

De quoi peut-on se servir dans ce cas (ECR) si on souhaite utiliser la loi normale? La distribution d’___ de ___

A

Distribution d’échantillonnage de moyenne, un concept stat dérivé de la loi normale (permet d’appliquer certains tests statistiques pour comparer l’échantillon)

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

déf : Distribution d’échantillonnage de moyenne

A

Distribution des moyennes de tous les échantillons possibles de même taille pouvant être formés à partir de la pop complète (valeur vers laquelle tendent les moyennes des échantillons = moyenne de la pop, théoriquement). C’est ce qui fait qu’on peut considérer la moyenne de l’échantillon comme représentative/bon estimateur de celle de la population

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

Que nous permet donc de faire le concept de distribution d’échantillonnage de moyenne?

A

Comparer les moyennes de 2 échantillons, et vérifier avec un test statistique si les groupes sont significativement différents
(je crois que c’est pcq ils sont supposés être assez proche de la moyenne de la pop, puisqu’ils proviennent de celle-ci, s’ils ne le sont pas, c’est que le tx a eu un effet)

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

déf : erreur-type

A

Estimation de l’écart-type de la population, à partir de l’échantillon (écart-type et taille échantillon)

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

De quoi dépend l’erreur-type?

A

Taille de l’échantillon (inversement proportionnelle)

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

déf : Inférence statistique

A

Induire les caractéristiques inconnues d’une population à partir d’un échantillon tiré de celle-ci

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

Quelles sont les 2 hypothèses possibles en statistique?

A

H0 : hypothèse nulle (moyennes des 2 groupes sont égales)

H1 : Hypothèse alternative (moyennes des 2 groupes sont différentes)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
23
Q

déf : Valeur p

A

Probabilité d’obtenir un résultat aussi ou + petit/grand/extrême si H0 est vrai (moyennes des groupes pareilles)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
24
Q

a) déf : Seuil de signification (significance level)
b) Généralement, quel est le seuil utilisé par les chercheurs?
c) Que signifie p < 0,03 ?

A

a) Seuil (choisi par les auteurs, donc arbitraire) à partir duquel on considère que les groupes sont statistiquement différents. Si p est + petit que lui, les groupes sont différents.
b) 5%, mais parfois on utilise 1%
c) Cela signifie qu’il y a moins de 3% de chance que le résultats soit bel et bien non-significatif

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
25
Q

Dans un graphique, qu’est-ce que la zone alpha α=5%?

A

Zone à l’extrémité du graphique. Les valeurs dans cette zone ont moins de 5% de chance d’arriver.

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
26
Q

Un changement statistiquement significatif est-il nécessairement cliniquement important?

A

Non, c’est 2 concepts différents

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
27
Q

déf : Puissance stat

A

Probabilité qu’un test stat détecte la différence entre 2 groupes s’il y en a véritablement une

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
28
Q

Nommez les 3 items qui influencent la puissance statistique

A
  • Écart entre les moyennes
  • Chevauchement entre les distributions (donc variabilité de chacune)
  • Taille de l’échantillon
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
29
Q

Qu’est-ce qu’un faux négatif, dans le cadre d’un test stat?

A

Une différence significative n’a pas été détectée

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
30
Q

a) Quel est le “seuil” minimal qui constitue une puissance stat acceptable?
b) Que signifie ce chiffre?

A

a) 80%

b) Il y a 20% d’avoir une erreur de type 2 (faux négatif)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
31
Q

Lequel des 3 items qui influencent la puissance statistique est le + facile à modifier pour un chercheur? Que devrait-il faire pour s’assurer que ce facteur ne soit pas un problème?

A
  • La taille de l’échantillon
  • Calcul de la taille d’échantillon nécessaire pour avoir une puissance supérieure à 80%
    (Nb de sujets = Taille d’échantillon calculée + prendre en compte la mortalité expérimentale)
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
32
Q

a) Qu’est-ce que l’intervalle de confiance (p.ex. IC 95%)?

b) De quoi dépend-il?

A
  • Il y a 95% (pourrait être un autre pourcentage, p.ex. IC 99%) de chance que la vraie moyenne de la population se retrouve entre la valeur x et la valeur y. Donc, si je tire un nouvel échantillon, il devrait être dans cet intervalle
  • Moyenne, Écart-type, Taille de l’échantillon
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
33
Q

Comment détermine-t-on si 2 échantillons sont statistiquement différents avec l’IC?

A

Si les IC ne se chevauchent pas, on considère qu’ils sont statistiquement différents, puisqu’ils ne proviennent pas de la même population

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
34
Q

En quoi est-ce que l’IC permet d’apprécier la précision des estimations tirées de l’échantillon?

A

Plus l’IC est petit, plus on est certain que la vraie valeur de la population est proche de l’estimation

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
35
Q

V/F : Il n’est pas obligatoire que les valeurs aient une distribution normale pour utiliser des tests stat param

A

Faux

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
36
Q

V/F : Quand un échantillon compte 30+ sujets par groupe, le chercheur est presque sûr d’obtenir une distribution normale, et donc de pouvoir utiliser les tests paramétriques

A

Vrai

37
Q

Quelles sont les 2 catégories de tests param? + Expliquez chacune

A

Tests de différence : Évaluent les différences entre les moyennes (un ou plusieurs groupes, une ou plusieurs mesures dans le temps)
Tests d’association : Évaluent si deux variables sont en lien l’une avec l’autre (?)

38
Q

Quels sont les 6 tests paramétriques de différences présentés dans les notes?

A
  • T-Test (test de Student) pour scores indépendants
  • T-Test pour mesures appariées
  • ANOVA (analyse de variance) à 1 facteur
  • ANOVA avec mesures répétées à 2 facteurs
  • Régression linéaire simple et multiple
  • Autres types de régresssion : Modèles linéaires généralisés
39
Q

Pour quoi est généralement utilisé le t-test pour scores indépendants?

A

Comparer 2 groupes, au début ou à la fin d’une étude

40
Q

Quelle est la question à laquelle le t-test pour scores indépendants tente de répondre?

A

Est-ce qu’il y a une différence de moyenne entre les 2 groupes?

41
Q

Quels sont les 2 critères pour l’application du t-test pour scores indépendants?

A
  • Groupes doivent être différents

- Variance doit être égale

42
Q

Quel est le résultat d’un test de Student (t-test, tous les types)? Comment est-il analysé?

A

Une statistique t. Pour chaque valeur de t, on a un niveau de probabilité (selon la loi normale), donc on peut savoir si la probabilité associée est plus grande ou petite que le seuil fixé (donc significative ou pas)

43
Q

Comment peut être utilisé le t-test pour scores indépendants dans les études non-randomisées?

A

Comparer les co-variables et les variables de confusion, pour déterminer si les groupes proviennent de la même population

44
Q

Pour quoi est généralement utilisé le t-test pour mesures appariées?

A

Mesurer la différence de moyenne pour le même groupe avant et après un traitement

45
Q

Quel est l’usage de l’ANOVA (tous les types)?

A

Comparer les moyennes de plus de 2 groupes

46
Q

Dans l’ANOVA à un facteur, jusqu’à combien de variables sont analysées?

a) indép :
b) dép :

A

une (traitement) et une (douleur, vitesse de marche, etc.)

47
Q

Dans un tableau décrivant les résultats d’une ANOVA à un facteur, qu’indique la colonne “F”? Comment cette valeur est-elle interprétée?

A

Statistique de Fisher.
Pour chaque valeur de F, il y a une probabilité (valeur p) associée, donc on sait si c’est significatif ou pas (comme la stat t, seuil à 5%)

48
Q

Dans un tableau décrivant les résultats d’une ANOVA à un facteur, qu’indique la colonne “Signification”? Comment cette valeur est-elle interprétée?

A

Elle nous donne la valeur p, donc on sait si la différence entre les moyennes est significative (elle l’est si p < 0,05)

49
Q

Que se passe-t-il si les résultats de l’ANOVA à un facteur :

a) Ne sont pas significatifs
b) Sont significatifs

A

a) L’analyse s’arrête là

b) Analyse post-hoc (analyse des comparaisons multiples)

50
Q

À quoi sert l’analyse post-hoc (analyse des comparaisons multiples)?

A

Déterminer entre quel(s) groupe(s) il y a une différence de moyenne

51
Q

Quels tests sont utilisés pour l’analyse post-hoc (analyse des comparaisons multiples) (3)?

A

Test de Tukey, Student (avec ajustement de Bonferonni), Test LSD

52
Q

V/F : Le tableau de résultats de l’analyse post-hoc (analyse des comparaisons multiples) analyse les groupes 2 par 2

A

Vrai, on voit entre quels groupes il y a des différences significatives

53
Q

À quoi sert une ANOVA à mesures répétées à 2 facteurs?

A

Comparer 2 groupes, à plusieurs moments dans le temps

54
Q

V/F : Une ANOVA à mesures répétées à 2 facteurs considère qu’il existe un effet fixe et un aléatoire, qui vont tous deux influencer les résultats?

A

Vrai, fixe = contrôlé par le chercheur (tx), aléatoire = non contrôlé (temps, évolution naturelle)

55
Q

Quelles sont les variables indépendantes dans une ANOVA à mesures répétées à 2 facteurs (en lien avec les colonnes du tableau de résultats)?

A

Temps, Traitement

56
Q

Quelles sont les 4 “groupes” (“situations”, dans les notes) qu’analyse l’ANOVA à mesures répétées à 2 facteurs?

A

Groupe EXP avant le tx, Groupe EXP après le tx, Groupe CTL avant le tx, Groupe CTL après le tx (toujours les moyennes)

57
Q

V/F : Si l’ANOVA à 2 facteurs à mesures répétées montre une différence statistique entre les groupes, on fera une analyse post-hoc, comme pour une ANOVA à un facteur

A

Vrai

58
Q

Dans un tableau de résultats pour une ANOVA à 2 facteurs à mesures répétées, la dernière colonne est (généralement) séparée en 3 sous-sections: l’effet ___, l’effet ___, et l’effet ___. Nommez et expliquez chacune d’entre elles

A
  • groupe : On regarde seulement l’effet de la variable “groupe”, sans regarder si la mesure a été prise avant ou après le tx (on “crée” 2 groupes, CTL et EXP, et on les compare : y a-t-il une différence significative?)
  • entraînement (temps) : Seulement l’effet de la variable “entraînement” (groupes = avant et après le tx)
  • interaction : Les 2 variables en même temps, en considérant les 4 groupes
59
Q

Laquelle des 3 colonnes dans le tableau de résultats pour une ANOVA à 2 facteurs à mesures répétées est la + pertinente pour l’analyse?

A

la 3e (interaction) : C’est elle qui nous “dit” s’il y a une différence significative entre 2 des 4 groupes (mais on n’est pas certain entre lesquels)

60
Q

Que regarde-t-on, dans le tableau de résultats pour une ANOVA à 2 facteurs à mesures répétées, pour jauger l’effet de traitement qui a été mesuré?

A

Le pourcentage de changements entre les groupes

61
Q

Quel est le but des modèles de régression linéaire?

A

Expliquer ou prédire la variance d’une variable dép (phénomène) à l’aide d’une combinaison de variables indép (facteurs explicatifs)

62
Q

Que doit faire un chercheur avant d’adapter un modèle linéaire aux données recueillies?

A

Déterminer s’il existe une relation entre les variables qu’il étudie

63
Q

V/F : Le chercheur doit “Déterminer s’il existe une relation entre les variables qu’il étudie”. Cela veut dire que l’une des variables cause l’autre.

A

Pas nécessairement, il doit simplement y avoir une association significative (on peut utiliser un nuage de points pour la voir graphiquement)

64
Q

Dans l’équation de la droite de régression linéaire (Y = bX + a), que sont :

a) le Y
b) le X
c) le b (pente)

A

a) Variable dépendante
b) Variable indépendante
c) Le coefficient de régression

65
Q

Comment détermine-t-on si la relation entre la variable dép et indép est significative?

A

Analyse avec un logiciel, on détermine le coefficient de régression et détermine son intervalle de confiance (c’est significatif si l’IC ne traverse pas 0, je crois? p.41)

66
Q

a) Qu’est-ce que le R2 (carré)?
b) Qu’explique-t-il?
c) Es-il mieux d’avoir un R2 haut ou bas?

A

a) Coefficient de détermination : C’est le coefficient de corrélation (on en reparle + tard), mis au carré
b) La proportion de la variation de la variable qui est attribuable au tx
c) Élevée, le modèle explique mieux la relation (faible = certaines variables indép importantes n’ont pas été prises en compte). Si le R2 est le 0.56, c’est que 56% de l’effet est causé par la variable indép, et le 44% restant, par 1+ autre variable

67
Q

a) V/F : On pourrait ajouter des variables dans l’équation de la droite de régression linéaire, pour qu’elle ressemble à : Y = 32 - 4.1Z + 0.7X (Z et X étant des variables indép)
b) Que représentent 4.1 et 0.7 devant les variables

A

a) Vrai, on pourrait en ajouter à l’infini, techniquement

b) Les coefficients de régression des 2 variables

68
Q

Dans quels cas utilise-t-on les modèles linéaires généralisés (au lieu des modèles de régression linéaire)?

A
  • Variable dép est discrète

- Modèle est différent des modèles linéaires standards

69
Q
  • Indications
  • Limites/Exigences
    (tableau p.44)

T-test indépendant

A
  • Comparer 2 groupes, Comparer résultats de 2 groupes (tx, pronostic)
  • Distrib normale, Variance égale, Groupes différents (indép des scores)
70
Q
  • Indications;
  • Limites/Exigences
    (tableau p.44)

T-Test mesures appariées

A
  • Mesure pré-post dans le même groupe

- Distrib normale

71
Q
  • Question à laquelle on veut répondre;
  • Indications;
  • Limites/Exigences
    (tableau p.44)

ANOVA (1 ou 2 facteurs)

A
  • “Y-a-t-il une différence dans les mesures de plus de 2 groupes?”
  • 2+ VInd, VInd a 2+ “niveaux” (EXP et CTL?), Une seule VDép
  • Comme t-test ET Si 3 groupes et résultats signif, analyse post-hoc
72
Q
  • Question à laquelle on veut répondre;
  • Indications;
  • Limites/Exigences
    (tableau p.44)

ANOVA à mesures répétées

A
  • “Y-a-t-il une différence dans les mesures d’un groupe, prises à plusieurs moments?”
  • VInd a 2+ “niveaux” et les sujets sont leur propre contrôle, 2+ VInd dans “factorial design”
  • T-test ET Dira seulement s’il y a une différence, pas où (analyse post hoc)
73
Q

a) Utilisation : Tests d’associations

b) Quel est le principal test d’association?

A

a) Utilisés quand on veut savoir si 2 variables sont associées l’une à l’autre
b) Coefficient de corrélation

74
Q

déf : Coefficient de corrélation (qu’est-ce qu’il évalue, valeurs possibles)

A

Évalue la force, la direction, l’importance de la relation entre 2 variables. Varie entre -1 et 1

75
Q

a) Quelles sont les 4 interprétations possibles du coefficient de corrélation + Intervalles correspondants?
b) Si la valeur est négative?

A
  • Nulle à très faible : 0-0.25
  • Faible : 0.26-0.50
  • Moyenne à bonne : 0.51-0.75
  • Bonne à excellente : 0.76-1.00
    Même interprétation, mais la relation est inversement proportionnelle (si une augmente, l’autre diminue)
76
Q

V/F : Il est possible d’obtenir une probabilité associée à la valeur R

A

Vrai, avec un test ressemblant au t-test

77
Q

V/F : Plus la corrélation est forte, plus il y a de chance qu’elle soit significative

A

Vrai

78
Q

déf : Effet de traitement

A

Mesure stat particulière, quantifie la différence entre 2 groupes (contrairement à p, qui nous dit simplement qu’il y en a un)

79
Q

V/F : L’effet de traitement est une mesure + pertinente pour le lecteur que la valeur p

A

Vrai, un échantillon assez grand aura presque toujours une valeur p significative, cela ne veut pas dire que l’effet du traitement est grand

80
Q

quelle est la mesure de l’effet de traitement la + commune?

A

le coefficient d de Cohen

81
Q

V/F : l’effet de tx peut être mesuré pour toutes les variables à l’étude, peu importe l’outil de mesure utilisé

A

Vrai, c’est très intéressant! On peut comparer les études entre elles, peu importe à VDép utilisée

82
Q

Quelles sont les 3 “forces” possibles pour le coefficient d de Cohen + Valeurs associées?

A
  1. 2 : Effet de traitement minimal
  2. 5 : Effet modéré
  3. 8+ : Effet important
83
Q

Dans quelles conditions sont utilisés les tests non-paramétriques (2) ?

A
  • Distribution non-normale (souvent, petits échantillons, < 30)
  • Comparaison de % ou proportions associés à des données nominales ou ordinales (peu importe la taille d’échant)
84
Q

Quel est le principal test non-paramétrique?

A

Chi-carré

85
Q

V/F : L’analyse d’un test de Chi-carré est différente de celle faite pour les tests paramétriques (+ expliquez)

A

Faux, l’analyse donne une valeur de p (probabilité), que l’on compare à la valeur alpha

86
Q

À quoi sert le test du chi-carré?

A

Déterminer les différences entre 2 variables dont la distribution est non-param (nominales, ordinales).

87
Q

Le chi-carré est basé sur la comparaison des ___ observées avec des ___ dites “attendues”, soit celles qui seraient observées s’il n’y avait aucune ___ de proportion entre les ___

A

fréquences, fréquences, différence, groupe

88
Q

Quel est le résultat d’un test de chi-carré?

A

Statistique de Fisher (F), dont on peut savoir la probabilité (et donc avoir une valeur p et savoir si les résultats sont significatifs)

PHT-2418 (H2021) (5 decks)

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