Font size
S
M
L
XL
WorksheetsStats II 5. Résidus et conditions d'application ANOVA"
Total questions: 90
Worksheet time: 45mins
Name
Class
Date
1.
Pourquoi le cours commence-t-il par une référence à un film hollywoodien (The Double) ?
a)
Pour introduire de façon ludique des concepts statistiques
b)
Parce que l’extrait est utilisé comme support d’analyse des personnages
c)
Pour illustrer un problème de variance entre les jumeaux du film
d)
Pour initier l’approche de l’ANOVA via une analogie cinématographique
e)
Pour parler des biais cognitifs à Hollywood
2.
Quel sujet est abordé dans cette nouvelle partie du cours (Stat Psy II Ch. 5) ?
a)
Les théories de la régression logistique
b)
L’inférence statistique et l’ANOVA simple
c)
La loi normale centrée réduite
d)
La modélisation hiérarchique
e)
Les indices de position
3.
Quel chapitre a été vu précédemment, et en quoi est-il fondamental pour la suite ?
a)
Celui sur la distribution d’échantillonnage
b)
Il posait le principe de résumer l’expérience par un seul indice
c)
Il introduisait le test t de Student
d)
Il permettait d’approfondir la loi de probabilité de Poisson
e)
Il montrait déjà la comparaison entre deux groupes
4.
Quel est l’objectif principal d’un indice en statistique inférentielle ?
a)
Comparer des résultats d’expériences différentes
b)
Contrôler les erreurs en comparant à une distribution théorique
c)
Faire une prédiction individuelle
d)
Synthétiser les données de manière utile pour la décision
e)
Maximiser l’erreur alpha
5.
Quelles sont les conditions pour pouvoir comparer les données à une loi F ?
a)
Données gaussiennes
b)
Variances égales entre groupes
c)
Échantillons appariés
d)
Données ordinales
e)
Nombre de groupes pair
6.
Que se passe-t-il si les conditions pour utiliser la loi F ne sont pas respectées ?
a)
On peut quand même utiliser F si le test est bilatéral
b)
L’utilisation de la loi F devient invalide
c)
Il faut envisager une autre loi ou un autre test
d)
La p-valeur calculée sera incorrecte
e)
La loi F peut s’appliquer uniquement à des données ordinales
7.
Pourquoi ne peut-on pas simplement utiliser une autre loi F si les conditions ne sont pas respectées ?
a)
Parce qu’il n’existe qu’une seule distribution correcte selon la théorie
b)
Car sinon, la statistique F perd toute signification
c)
Parce que chaque loi F est définie pour des conditions précises
d)
Les lois F alternatives n'existent pas
e)
Les lois F ne sont valables que pour les modèles à effets fixes
8.
Quelle est l’importance de la loi F dans les analyses statistiques ?
a)
Elle permet de comparer les variances de plusieurs groupes
b)
Elle rend possible de nombreuses analyses paramétriques
c)
Elle est toujours meilleure que le test t
d)
Elle justifie l’utilisation de la moyenne comme estimateur
e)
Elle n’est utilisée que dans les tests à un facteur
9.
Pourquoi les lancers de dés ne suivent-ils pas une distribution gaussienne ?
a)
Car ils ont une distribution uniforme
b)
Parce qu’ils ne présentent pas de moyenne centrale
c)
Parce que le résultat est entièrement aléatoire
d)
Parce qu’ils ne sont pas mesurables par intervalles
e)
Car il y a un biais expérimental
10.
Comment est standardisée la statistique F pour permettre la comparaison ?
a)
En divisant la variance intergroupes par la variance intragroupe
b)
En ajustant par le nombre de groupes
c)
En utilisant un facteur multiplicatif basé sur la taille d’échantillon
d)
En corrigeant avec un test de normalité
e)
En remplaçant la variance par l’écart-type
11.
Pourquoi la statistique F est-elle essentielle selon le cours « Conditions pour l'utilisation et la compréhension de la statistique F » (B3 Stat Psy II 5, 30.09.24) ?
a)
Elle permet une comparaison fiable entre groupes si les données sont gaussiennes.
b)
Elle est applicable sans condition à tous les jeux de données.
c)
Elle est fondamentale pour de nombreuses recherches scientifiques.
d)
Elle garantit toujours une prédiction parfaite.
12.
Quels éléments sont utilisés dans la première approche de la statistique F selon le cours « Les trois approches pour la statistique F » (B3 Stat Psy II 5, 30.09.24) ?
a)
La variance des moyennes entre groupes.
b)
La variance à l'intérieur des groupes.
c)
Une moyenne de Saratoga de 677.
d)
La valeur de F = 12,4 calculée à partir des moyennes.
e)
L'effet de la VI sur la VD mesuré par r².
13.
Comment calcule-t-on la variance des moyennes entre groupes selon le cours (B3 Stat Psy II 5, 30.09.24) ?
a)
En soustrayant la moyenne globale de la moyenne de chaque groupe.
b)
En divisant la moyenne globale par la moyenne de chaque groupe.
c)
En élevant les écarts au carré.
d)
En calculant un écart-type des groupes.
14.
Quels calculs sont réalisés dans la deuxième approche de la statistique F selon le cours (B3 Stat Psy II 5, 30.09.24) ?
a)
Soustraction entre les valeurs réelles et la moyenne globale.
b)
Décomposition de la variance totale en prédiction et erreur.
c)
Transformation de la moyenne en médiane.
d)
Mesure de l'effet de la VI sur la VD.
15.
Dans le cadre du modèle structurel présenté dans le cours B3 Stat Psy II (30.09.24), quelles affirmations concernant le calcul et l'interprétation des effets des groupes (𝛾𝑗) sont correctes ?
a)
Les effets des groupes sont estimés par la différence entre la moyenne générale et la moyenne du groupe concerné.
b)
L'effet de groupe (𝛾𝑗) est nul pour tous les groupes dans l’ANOVA simple.
c)
La somme des effets des groupes est toujours égale à zéro.
d)
Le cinquième effet de groupe est calculé comme l’opposé de la somme des quatre premiers.
e)
Les effets des groupes sont donnés directement par les valeurs observées dans chaque ville.
16.
Selon le cours B3 Stat Psy II (30.09.24), comment calcule-t-on l’effet du cinquième groupe (gamma 5) dans une ANOVA avec contrainte de somme nulle ?
a)
En divisant la somme des quatre premiers par 5.
b)
En inversant le signe de la somme des quatre premiers gammas.
c)
En prenant le gamma le plus proche de zéro.
d)
En additionnant la moyenne du groupe à celle des autres.
e)
En posant l’effet gamma 5 à zéro arbitrairement.
17.
Toujours selon B3 Stat Psy II (30.09.24), si les effets des quatre premières villes sont +33, −20, −211, −60, quelle est la valeur du cinquième gamma ?
a)
258
b)
−258
c)
144
d)
0
e)
−314
18.
Pourquoi la statistique F est-elle essentielle malgré ses restrictions ?
a)
Même limitée (données gaussiennes et homogènes en variance), elle permet des comparaisons fiables entre groupes.
b)
Elle est utilisée uniquement pour les données non paramétriques.
c)
Elle permet de calculer la médiane des groupes.
d)
Elle ignore la variance à l’intérieur des groupes.
19.
Quels chiffres étaient importants dans cet exemple ?
a)
La moyenne de Saratoga : 677 (calculée à partir des 5 maisons).
b)
La moyenne globale (tous groupes confondus) : 418.
c)
Une maison spécifique : 880 (la plus chère).
d)
Les groupes étaient identiques.
20.
Quels calculs sont réalisés dans cette deuxième approche ?
a)
On calcule la variance des observations en fonction de la moyenne globale (ex. : 880 - 418).
b)
On décompose cette variance globale en deux composantes.
c)
Une composante due à la connaissance de la ville.
d)
L’autre liée aux variations internes.
21.
Comment la variance totale est-elle décomposée dans une table d'ANOVA ?
a)
La partie rouge représente l'amélioration grâce à la connaissance des groupes.
b)
La partie bleue correspond à l'erreur de prédiction spécifique.
c)
Ces deux parties sont exprimées dans la table d'ANOVA comme sommes des carrés.
d)
Toutes les observations sont exclues.
22.
Quelle est la troisième approche pour comprendre l'ANOVA simple ?
a)
Appelée modèle structurel.
b)
Elle consiste à décomposer chaque observation (ex. : 880) en trois éléments.
c)
Une moyenne générale (𝜇), un effet de modalité (𝛾), une erreur de prédiction (𝜖).
d)
Elle ne repose sur aucune moyenne.
23.
Pourquoi parle-t-on d'effets de groupes (G) plutôt que de moyennes de groupes ?
a)
Parce que les effets de groupes permettent une généralisation du modèle
b)
Parce qu’on teste leur égalité à zéro pour vérifier l’hypothèse nulle
c)
Parce qu’ils sont plus faciles à interpréter que les moyennes
d)
Parce qu’ils dépendent moins de la variance intra-groupe
24.
Que signifie le fait qu'un gamma soit égal à zéro ?
a)
Le groupe ne diffère pas significativement de la moyenne générale
b)
Le groupe est exactement représentatif de l’ensemble des données
c)
Le groupe a une variance nulle
d)
Le groupe a une moyenne égale à la moyenne générale
25.
Comment sont résumées les informations d'une observation dans Statistica ?
a)
Par sa valeur observée
b)
Par sa valeur prédite (M + G)
c)
Par son résidu (différence entre observée et prédite)
d)
Par sa variance intra-groupe
26.
Comment calcule-t-on un résidu dans l’ANOVA ?
a)
Résidu = valeur observée - valeur prédite
b)
Résidu = valeur prédite - valeur observée
c)
Résidu = moyenne générale - valeur observée
d)
Résidu = écart-type du groupe
27.
À quoi sert le tableau des prédictions, résidus et valeurs observées ?
a)
À vérifier la validité des calculs
b)
À visualiser l’ajustement du modèle
c)
À estimer la variance de l’échantillon
d)
À comparer les résultats réels et prédits
28.
Les approches ANOVA classique, modèle structurel et variance expliquée donnent-elles les mêmes résultats ?
a)
Oui, elles sont équivalentes et mènent à la même statistique F
b)
Non, chaque approche donne des résultats différents
c)
Elles sont équivalentes uniquement si l’échantillon est grand
d)
Elles donnent des résultats proches mais pas identiques
e)
L’approche structurelle est la seule valable
29.
Quel lien existe-t-il entre ANOVA simple et régression linéaire multiple ?
a)
L’ANOVA simple est équivalente à une régression linéaire multiple
b)
L’ANOVA simple utilise plusieurs coefficients gamma, comme une régression multiple
c)
Les deux modèles ne sont jamais équivalents
d)
La régression simple est suffisante même avec plusieurs groupes
e)
ANOVA n’a pas de lien avec la régression
30.
Que se passe-t-il si l’on réduit l’analyse à deux groupes ?
a)
L’ANOVA devient équivalente à une régression simple
b)
Les deux groupes peuvent être codés en -1 et +1
c)
On utilise un test t pour comparer les deux moyennes
d)
L’ANOVA devient impossible avec seulement deux groupes
e)
La p-valeur est toujours de 0,05
31.
Que signifie une pente nulle dans une régression entre deux groupes ?
a)
Les deux groupes ont la même moyenne
b)
Il y a un effet significatif de groupe
c)
Cela équivaut à l’hypothèse nulle dans l’ANOVA
d)
Cela signifie que gamma1 = gamma5
e)
Les données sont non linéaires
32.
Comment généralise-t-on la comparaison de groupes en régression ?
a)
On code chaque groupe par une variable indicatrice (−1 ou +1)
b)
Chaque régression compare Saratoga à un autre groupe
c)
On utilise des régressions multiples
d)
On teste si toutes les pentes sont nulles
e)
On utilise l’ANOVA deux fois pour vérifier
33.
Comment sont définies les variables codes utilisées pour comparer des groupes dans une régression ?
a)
Ce sont des indicateurs numériques comme +1, -1 ou 0 selon le groupe.
b)
Elles sont identiques à des variables muettes classiques (0/1).
c)
Elles permettent de mesurer une caractéristique physique continue.
d)
Elles codent chaque groupe par une modalité par défaut.
e)
Elles utilisent des valeurs aléatoires pour chaque individu.
34.
Pourquoi peut-on dire que l’ANOVA et les régressions multiples avec variables codes sont équivalentes ?
a)
Elles testent la même hypothèse nulle d’égalité des groupes.
b)
Elles reposent sur des distributions de données identiques.
c)
Elles utilisent toutes les deux des comparaisons de moyennes codées.
d)
Elles ont les mêmes résultats d’inférence statistique si bien construites.
e)
Elles remplacent complètement les analyses descriptives.
35.
Quel est le rôle des variables codes dans une équation de régression multiple ?
a)
Elles permettent de représenter les effets de chaque groupe.
b)
Elles remplacent la moyenne globale par des valeurs fixes.
c)
Elles permettent de simplifier l'équation en isolant un seul groupe à la fois.
d)
Elles mesurent la taille des maisons dans chaque ville.
e)
Elles servent uniquement à coder le bruit aléatoire dans les données.
36.
Dans une régression multiple avec variables codes, quelle forme prend l'équation pour une maison venant de Campbell ?
a)
Y = β0 + ΓCampbell + ε
b)
Y = β0 + β1X1 + β2X2 + ε
c)
Y = β0 + ε uniquement
d)
Y = β0 + β1 + ε, si X1 = 1 et les autres = 0
e)
Y = β1 + ΓCampbell + ε
37.
Pourquoi appelle-t-on ces variables des « codes » dans les régressions ?
a)
Parce qu’elles ne correspondent pas à une mesure réelle mais à un outil de codage statistique.
b)
Parce qu’elles remplacent les résidus dans le modèle.
c)
Parce qu’elles correspondent à une forme simplifiée des données catégorielles.
d)
Parce qu’elles permettent une interprétation directe des effets dans le modèle linéaire.
e)
Parce qu’elles créent un regroupement visuel dans les graphiques.
38.
Comment interprète-t-on cette équation simplifiée Y = β₀ + ΓCampbell + ε dans le contexte de l'ANOVA ?
a)
Elle exprime la valeur de Y comme somme de la moyenne générale et de l'effet du groupe Campbell
b)
Elle démontre l'équivalence du modèle structurel ANOVA avec une régression linéaire multiple
c)
Elle montre que β₀ est l’erreur résiduelle et ΓCampbell une constante aléatoire
d)
Elle prouve que l’ANOVA donne des résultats différents de la régression
e)
Elle permet de calculer directement la p-valeur de chaque ville
39.
Pourquoi l'équation semble-t-elle plus complexe pour Saratoga ?
a)
Car les variables codes pour les autres villes valent −1
b)
Car l'équation contient une somme négative des effets des autres villes
c)
Car Saratoga est exclue du modèle de régression
d)
Car la régression pour Saratoga est fondée sur des données continues
40.
Pourquoi cette démonstration mathématique est-elle importante ?
a)
Elle permet de relier deux approches statistiques souvent perçues comme différentes
b)
Elle renforce la cohérence entre ANOVA et régression linéaire multiple
c)
Elle prouve que l’ANOVA est obsolète face à la RLM
d)
Elle souligne l’utilité des variables codes pour généraliser l’analyse
41.
Pourquoi les résultats statistiques (F, ddl, p-valeur) sont-ils identiques entre ANOVA et RLM ?
a)
Parce que les variables de régression correspondent aux modalités du facteur de l’ANOVA
b)
Parce que l'ANOVA est une approximation du modèle de régression
c)
Parce que les deux modèles reposent sur la même partition de variance
d)
Parce que la statistique F est calculée à partir des mêmes sommes de carrés
42.
Quel est l’intérêt pédagogique de cette équivalence ANOVA–RLM avec variables codes ?
a)
Elle illustre comment des concepts statistiques complexes peuvent être reliés intuitivement
b)
Elle permet aux étudiants d’utiliser uniquement ANOVA au lieu de la régression
c)
Elle montre que les modèles sont flexibles et adaptés à différents formats de données
d)
Elle montre que le codage des variables est arbitraire
43.
Que montre l'équivalence entre ANOVA et régression linéaire multiple avec variables codes ?
a)
Que l’ANOVA est un cas particulier de la régression avec variables codes (1, −1, 0)
b)
Que la régression est un modèle spécifique à la variance
c)
Que la régression est uniquement utile pour les variables continues
d)
Que l’ANOVA nécessite toujours des échantillons de taille égale
44.
Pourquoi ne pas faire directement une régression au lieu d'une ANOVA ?
a)
Car la régression nécessite de créer manuellement les variables codes
b)
Parce que l’ANOVA est toujours plus précise que la régression
c)
Parce que la régression ne fournit pas de F ni de p-valeur
d)
Parce que l’ANOVA est plus esthétique visuellement
45.
Quels avantages apporte l’équivalence entre ANOVA et régression linéaire multiple pour l’utilisateur ?
a)
Elle permet une meilleure compréhension des degrés de liberté
b)
Elle aide à visualiser l’ANOVA comme une extension de la régression
c)
Elle remplace complètement l’ANOVA dans tous les cas
d)
Elle complique l’interprétation de l’ANOVA
46.
Quel est le rôle des paramètres dans le modèle structurel de l'ANOVA ?
a)
Ils permettent de définir la position et les écarts entre modalités
b)
Ils permettent de mesurer la variance totale uniquement
c)
Ils représentent les erreurs de prédiction uniquement
d)
Ils permettent d’inclure des variables dépendantes
47.
Comment le logiciel de statistique traite-t-il une ANOVA ?
a)
Il crée automatiquement des variables codes pour chaque modalité
b)
Il exécute une régression linéaire multiple à partir des modalités
c)
Il produit les résultats sous forme de modèles non interprétables
d)
Il ne permet pas de calculer les sommes des carrés
48.
Comment interprète-t-on l'équation Y = β0 + ΓCampbell + ε dans le contexte de l'ANOVA ?
a)
Elle exprime Y comme une combinaison de la moyenne générale et de l'effet de groupe spécifique.
b)
Elle montre que la régression multiple ne peut pas représenter une ANOVA.
c)
Elle implique que chaque groupe suit une distribution normale identique.
d)
Elle montre que Y est toujours constant dans tous les groupes.
e)
Elle indique que l'effet de groupe est négligeable.
49.
Pourquoi l'équation pour Saratoga est-elle plus complexe dans la régression ?
a)
Parce que les variables codes pour les autres villes valent -1.
b)
Parce que Saratoga est traité comme modalité de référence.
c)
Parce que son effet est combiné sous forme de somme négative des autres effets.
d)
Parce que Saratoga n'a pas d'effet de groupe défini.
e)
Parce que Saratoga est exclue de l'analyse.
50.
Comment cette équation de régression multiple illustre-t-elle l'équivalence avec l'ANOVA ?
a)
Elle prouve que l'ANOVA est un cas particulier de la régression multiple.
b)
Elle montre que les variables codes peuvent représenter les modalités du facteur.
c)
Elle démontre que l’ANOVA est plus puissante que la régression multiple.
d)
Elle illustre que les effets de groupe peuvent être modélisés par des coefficients de régression.
e)
Elle montre que les degrés de liberté ne sont pas nécessaires.
51.
Pourquoi est-il pertinent de démontrer l'équivalence entre ANOVA et régression linéaire multiple ?
a)
Parce que cela renforce la cohérence des modèles statistiques.
b)
Parce que cela aide à comprendre les relations entre différentes méthodes.
c)
Parce que cela permet de simplifier tous les calculs mathématiques.
d)
Parce que cela évite l’utilisation des logiciels statistiques.
e)
Parce que cela explique comment les effets de groupe peuvent être estimés.
52.
Quel est l'intérêt pédagogique de montrer que l'ANOVA est un cas particulier de la régression ?
a)
Cela permet de relier visuellement les deux modèles.
b)
Cela aide à comprendre les degrés de liberté dans les modèles.
c)
Cela montre que l’un des modèles est inutile.
d)
Cela facilite l’interprétation des effets de groupe.
e)
Cela met en évidence l’importance des logiciels statistiques.
53.
Quelles sont les étapes à suivre après l’obtention d’une statistique F significative dans une ANOVA ?
a)
Explorer les différences spécifiques entre les groupes
b)
Arrêter l’analyse après le F-test
c)
Faire un test de normalité sur la moyenne
d)
Effectuer des comparaisons post-hoc pour localiser les effets
54.
Quels éléments doivent être considérés pour garantir la validité d’une ANOVA ?
a)
Normalité des résidus
b)
Indépendance des observations
c)
Égalité des variances entre les groupes
d)
Corrélation entre les groupes
55.
Pourquoi est-il important de comprendre le modèle structurel derrière l’ANOVA ?
a)
Parce qu’il impose des conditions d’application
b)
Parce qu’il permet d’appliquer directement une corrélation de Pearson
c)
Parce qu’il définit les relations supposées entre variables
d)
Parce qu’il permet de calculer la médiane
56.
Que représente la colonne 'état carré partiel' dans un tableau d’ANOVA ?
a)
Une estimation de la taille d'effet
b)
Un indicateur du biais de sélection
c)
Une mesure de puissance statistique
d)
Un estimateur de la moyenne empirique
57.
Quels paramètres sont testés dans le modèle de l’ANOVA ?
a)
μ (moyenne globale)
b)
σ² (variance résiduelle)
c)
γ (effets des groupes)
d)
θ (erreur de mesure)
58.
Quelles sont les étapes nécessaires pour analyser correctement les données avant d'appliquer un modèle comme l'ANOVA ?
a)
Visualiser les données avec des boxplots, histogrammes ou scatterplots
b)
Effectuer une évaluation diagnostique des résidus
c)
Passer directement aux inférences sans diagnostic
d)
Utiliser systématiquement une régression logistique
e)
Ignorer les résidus sauf si le F est significatif
59.
Que faut-il faire si les conditions d'application de l'ANOVA (gaussianité, homogénéité des variances) ne sont pas respectées ?
a)
Conserver les résultats mais ajouter un avertissement dans l'interprétation
b)
Utiliser des méthodes robustes ou ajuster le modèle
c)
Ignorer les résultats statistiques et se fier à l’intuition
d)
Poursuivre l’analyse sans adaptation
e)
Remplacer l’ANOVA par un test de Wilcoxon sans justification
60.
Pourquoi est-il essentiel de contrôler les résidus dans une analyse statistique ?
a)
Ils permettent d’évaluer si le modèle respecte bien les conditions d’application
b)
Ils montrent si les hypothèses statistiques sont bien respectées
c)
Ils permettent de remplacer les hypothèses statistiques par des observations
d)
Ils facilitent l’interprétation du tableau ANOVA uniquement
e)
Ils ne sont pertinents que pour les modèles non paramétriques
61.
Quelles sont les différences entre l’ANOVA et les modèles statistiques plus complexes ?
a)
L’ANOVA repose sur un modèle expérimental fixe
b)
Les modèles complexes comparent plusieurs structures et sélectionnent la meilleure
c)
Les modèles complexes ne nécessitent aucune hypothèse
d)
L’ANOVA utilise toujours des transformations logarithmiques
e)
L’ANOVA est un cas particulier des modèles de classification
62.
En quoi la théorie statistique aide-t-elle à évaluer un modèle comme l’ANOVA ?
a)
Elle permet d’évaluer la vraisemblance d’un modèle par rapport aux données
b)
Elle permet de généraliser les résultats à la population
c)
Elle permet de prédire la variance résiduelle pour chaque groupe
d)
Elle permet de décomposer les données en effets explicables et erreurs
e)
Elle permet de simplifier la communication scientifique mais pas l’analyse
63.
Quelles sont les étapes à respecter après avoir obtenu une statistique F significative dans une ANOVA ?
a)
Explorer les différences spécifiques entre les groupes
b)
Analyser les corrélations individuelles
c)
Calculer la taille d’échantillon pour une autre étude
d)
Recalculer les variances de chaque groupe manuellement
e)
Évaluer les postulats de l’ANOVA
64.
Que mesurent les colonnes comme le carré partiel ou l'espérance du mean square (E(MS)) dans une ANOVA ?
a)
La taille d’effet du facteur
b)
La puissance statistique du test
c)
L’intervalle de confiance de la moyenne
d)
La vraisemblance du modèle
e)
La validité du modèle structurel
65.
Quelles conditions doivent absolument être respectées pour valider une ANOVA ?
a)
Distribution gaussienne des résidus
b)
Égalité des variances entre groupes
c)
Présence d’un groupe contrôle
d)
Validité du modèle structurel
e)
Hétéroscédasticité autorisée
66.
Pourquoi est-il essentiel de contrôler les résidus d’un modèle ANOVA ?
a)
Pour s'assurer que les postulats sont respectés
b)
Pour ajuster les p-valeurs en conséquence
c)
Pour vérifier que le modèle est indépendant des données
d)
Pour détecter des biais dus à une mauvaise structure de modèle
e)
Pour calculer manuellement la statistique F
67.
Quels problèmes peuvent survenir si l’indépendance des données n’est pas respectée dans une ANOVA ? (B3 Stat Psy II 5, 30.09.24)
a)
Risque de biais dans les estimations
b)
Validité conservée si les données sont normalisées
c)
P-valeurs non valides
d)
Réduction de la taille de l’échantillon
e)
Corrélations cachées entre observations
68.
Quels sont des exemples classiques d’absence d’indépendance des données dans une analyse statistique ?
a)
Participants partageant le même professeur
b)
Mesures répétées sur le même individu
c)
Utilisation de données publiques
d)
Corrélation forte entre groupes indépendants
e)
Influence d’un contexte partagé (ex: triche)
69.
Selon le cours, que peut-on faire pour s’assurer de la validité des tests dans une ANOVA lorsque peu de données sont disponibles ?
a)
Utiliser des boxplots pour repérer les valeurs extrêmes
b)
Utiliser des diagrammes de points pour visualiser chaque valeur
c)
Ignorer les outliers pour éviter les biais
d)
Interpréter les boxplots avec prudence
e)
Toujours doubler la taille d’échantillon
70.
Que signifie modéliser la structure des données dans un cadre ANOVA étendu ?
a)
Explorer des modèles hiérarchiques ou à effets aléatoires
b)
Utiliser la régression linéaire multiple comme généralisation
c)
Estimer plusieurs ANOVA successives
d)
Inclure des effets spécifiques comme l’influence du professeur
e)
Comparer la variance intra-groupe uniquement
71.
Dans le modèle ANOVA, comment les prédictions et les résidus sont-ils liés, et que montre leur représentation graphique ?
a)
Les résidus sont la différence entre les valeurs observées et les prédictions.
b)
Chaque groupe partage la même prédiction, correspondant à sa moyenne.
c)
Le graphique des résidus montre une seule colonne pour toutes les modalités.
d)
Les résidus doivent être tous positifs si le modèle est correct.
e)
Les résidus permettent de détecter des violations des postulats de l’ANOVA.
72.
Pourquoi observe-t-on cinq colonnes distinctes dans le graphique des résidus selon les valeurs prédites dans une ANOVA ?
a)
Chaque colonne représente les observations d’une modalité avec la même prédiction.
b)
Les prédictions sont déterminées par régression linéaire classique.
c)
Chaque modalité (ex : ville) a une moyenne qui devient la prédiction pour toutes ses observations.
d)
Les colonnes indiquent des erreurs de saisie.
e)
Le modèle ANOVA attribue la même valeur prédite à toutes les observations d’un même groupe.
73.
Qu’est-ce que l’homoscedasticité dans le modèle ANOVA et comment peut-elle être évaluée ?
a)
C’est la constance de la variance des résidus dans tous les groupes.
b)
Elle est vérifiée si les résidus sont tous égaux à zéro.
c)
On l’évalue en observant si la dispersion des résidus est similaire pour toutes les prédictions.
d)
Elle est sans importance pour les tests F de l’ANOVA.
e)
Elle est souvent représentée dans un graphique résidus vs prédictions.
74.
Quelles sont les conséquences de la structure des prédictions dans une ANOVA sur la distribution des résidus ?
a)
Les prédictions identiques dans un groupe entraînent une concentration des résidus sur une même abscisse.
b)
Les résidus se répartissent symétriquement autour de zéro dans chaque groupe.
c)
Tous les résidus doivent être négatifs si le modèle est bon.
d)
Les résidus reflètent la variabilité des observations au sein du groupe.
e)
Les résidus sont tous identiques dans un groupe donné.
75.
En quoi le lien entre les graphiques des prédictions et des résidus est-il utile pour comprendre un modèle ANOVA ?
a)
Il permet d’évaluer visuellement les conditions d’application de l’ANOVA.
b)
Il montre comment la structure des données influence les résultats.
c)
Il sert à corriger les données mal saisies.
d)
Il facilite l’interprétation des résultats dans un cadre pédagogique ou d’examen.
e)
Il permet de prédire les résultats futurs.
76.
Quelles informations peut-on tirer de l’analyse graphique des résidus dans le cadre de l’ANOVA ?
a)
La présence éventuelle de valeurs extrêmes ou aberrantes.
b)
Une vérification des hypothèses de normalité et d’homoscedasticité.
c)
La prédiction des valeurs pour de nouveaux échantillons.
d)
L’identification de violations des postulats comme l’indépendance.
e)
Une estimation directe des p-valeurs.
77.
Pourquoi les résidus peuvent-ils être à la fois positifs et négatifs dans un même groupe ?
a)
Les prédictions correspondent à des moyennes de groupe.
b)
Les observations sont toutes en-dessous de la moyenne.
c)
Les écarts autour de la moyenne peuvent être dans les deux sens.
d)
C’est un artefact de saisie.
e)
Cela reflète la dispersion des observations autour de la moyenne.
78.
Comment vérifier visuellement l’homoscedasticité quand on a peu de données par groupe ?
a)
Utiliser des diagrammes en points pour chaque observation.
b)
Compléter les données manquantes par des moyennes.
c)
Privilégier une représentation individuelle plutôt que des boxplots.
d)
Représenter chaque groupe par sa variance théorique.
e)
Utiliser des boxplots uniquement quand on a suffisamment de données.
79.
Dans le modèle ANOVA, comment interpréter un graphique en forme de cône dans les résidus et que peut-on conclure sur la validité de la p-valeur ?
a)
Il indique une hétéroscédasticité, car la variabilité augmente avec les valeurs prédites.
b)
Il montre une violation de la normalité mais pas de l’homoscedasticité.
c)
La p-valeur devient invalide si l’homoscedasticité n’est pas respectée.
d)
Cela valide totalement l’utilisation de l’ANOVA.
e)
Une forme de cône est un indicateur de bon ajustement.
80.
À quoi sert l’histogramme des résidus dans une ANOVA, et que peut-on tolérer en termes de forme ?
a)
À évaluer la normalité des résidus, qui doivent avoir une forme de cloche centrée sur zéro.
b)
À vérifier la présence d’hétéroscédasticité dans les données originales.
c)
Une normalité parfaite est obligatoire.
d)
Une légère déviation à la normalité est tolérable.
e)
L’histogramme n’a pas d’utilité réelle dans l’analyse.
81.
Pourquoi la normalité est-elle parfois jugée moins critique que l’homoscedasticité dans l’ANOVA ?
a)
Parce que l’ANOVA repose davantage sur l’homoscedasticité pour la validité des tests.
b)
Parce qu’avec un petit échantillon (25), des écarts mineurs à la normalité ne posent pas problème.
c)
Parce que la normalité n’est jamais une condition d’application en ANOVA.
d)
Parce que l’homoscedasticité garantit la robustesse du test même si la normalité est violée.
e)
Parce que la normalité est une hypothèse secondaire si les résidus sont centrés.
82.
Comment l’histogramme et les résidus aident-ils à analyser les groupes dans l’ANOVA ?
a)
Ils permettent d’observer si les prédictions sont identiques pour chaque groupe.
b)
Ils montrent comment les résidus se répartissent autour de la moyenne de chaque groupe.
c)
Les colonnes dans les résidus sont dues à des valeurs prédites identiques dans les groupes.
d)
Ils confirment la significativité de l’effet principal.
e)
Ils évaluent la robustesse des corrélations internes.
83.
Comment juger la variabilité des résidus selon les valeurs prédites dans un modèle ANOVA ?
a)
On vérifie que la variance des résidus est constante (homoscedasticité).
b)
On cherche une distribution des résidus en forme de cloche parfaitement centrée.
c)
Une observation douteuse peut remettre en question l’homoscedasticité.
d)
L'hétéroscédasticité améliore la précision de la p-valeur.
e)
La variabilité doit augmenter systématiquement avec les prédictions.
84.
Quelles conclusions peut-on tirer d’une observation aberrante dans les données ?
a)
Elle peut être temporairement retirée pour tester l’influence sur les conditions d’application.
b)
Elle doit toujours être supprimée sans condition.
c)
Elle peut compromettre la validité de l’ANOVA.
d)
Elle est ignorée dans le calcul de la p-valeur.
e)
Elle révèle une erreur systématique du logiciel.
85.
Quelles sont les conditions d'application jugées satisfaisantes dans l’analyse de phonologie ?
a)
Les histogrammes montrent une normalité relativement acceptable.
b)
L’homoscedasticité semble respectée malgré quelques écarts.
c)
La p-valeur est totalement invalide.
d)
Aucune condition n’est remplie.
e)
Les conditions sont suffisantes pour valider l’ANOVA.
86.
Pourquoi les formes des points sur les graphiques des données et des résidus sont-elles similaires ?
a)
Parce que les résidus sont obtenus par la différence entre données observées et valeurs prédites.
b)
Parce que les deux graphiques utilisent les mêmes échelles d’axe.
c)
Car les résidus sont calculés directement à partir des prédictions.
d)
Parce que le modèle est parfaitement ajusté.
e)
Parce que les résidus sont normalisés avec la moyenne des groupes.
87.
Quelles affirmations sur la relation entre la normalité des données et des résidus dans une ANOVA simple sont correctes ?
a)
Si les données sont normales, les résidus seront également normaux.
b)
Des résidus normaux impliquent que les données sont normales.
c)
Les données et les résidus sont indépendants dans une ANOVA.
d)
La normalité des résidus est inutile à vérifier si les données sont normales.
e)
On peut conclure sur les résidus en observant les données si la relation est linéaire.
88.
Pourquoi un graphique exploratoire sur les données (comme un boxplot) permet-il d’anticiper des problèmes dans les résidus ?
a)
Les prédictions étant constantes dans chaque groupe, les anomalies dans les données se retrouvent dans les résidus.
b)
Les graphiques exploratoires permettent de visualiser les écarts-types théoriques.
c)
Dans l’ANOVA simple, les résidus reflètent directement la distribution des données au sein des groupes.
d)
Les données permettent d’éviter complètement l’analyse des résidus.
e)
Les résidus ne peuvent pas être anticipés à partir des données.
89.
Dans le modèle d’ANOVA simple (cours B3 Stat Psy II), pourquoi l’analyse des résidus est-elle cruciale ?
a)
Elle valide les conditions comme la normalité et l’homoscedasticité.
b)
Elle est inutile si les données sont équilibrées.
c)
Elle reflète fidèlement les anomalies des données dans l’ANOVA simple.
d)
Elle n’est importante que pour les modèles de régression linéaire multiple.
e)
Elle permet de prédire les valeurs futures.
90.
Quel rappel est donné à la fin du chapitre sur l’ANOVA dans le cours B3 Stat Psy II ?
a)
Un TD est prévu dès le lendemain pour appliquer les notions vues.
b)
La prochaine séance sera dédiée à la régression logistique.
c)
Il est inutile de revoir les résidus avant le TD.
d)
Le TD sera annulé à cause des vacances.
e)
Le test du chi2 sera abordé la semaine suivante.
Reset
