Statistical Models for Social Sciences

En statistique, la moyenne ne suffit pas toujours pour comprendre une variable. Deux distributions peuvent avoir la même moyenne, mais des formes totalement différentes. C’est là que deux notions deviennent essentielles : 𝒍’𝒂𝒔𝒚𝒎𝒆́𝒕𝒓𝒊𝒆 et 𝒍’𝒂𝒑𝒍𝒂𝒕𝒊𝒔𝒔𝒆𝒎𝒆𝒏𝒕. 𝟏. 𝑺𝒌𝒆𝒘𝒏𝒆𝒔𝒔 : 𝒍’𝒂𝒔𝒚𝒎𝒆́𝒕𝒓𝒊𝒆 𝒅𝒆𝒔 𝒅𝒐𝒏𝒏𝒆́𝒆𝒔 Le skewness indique si la distribution penche vers la gauche ou vers la droite. Skewness négatif : la queue est plus longue à gauche. Skewness nul : la distribution est presque symétrique. Skewness positif : la queue est plus longue à droite. Exemple simple : les revenus ont souvent une asymétrie positive, car une minorité gagne beaucoup plus que la majorité. 𝟐. 𝑲𝒖𝒓𝒕𝒐𝒔𝒊𝒔 : 𝒍𝒆 𝒏𝒊𝒗𝒆𝒂𝒖 𝒅𝒆 𝒑𝒊𝒄 𝒆𝒕 𝒅𝒆 𝒒𝒖𝒆𝒖𝒆𝒔 Le kurtosis montre si une distribution est plus pointue, normale ou plus plate. Leptokurtique : pic élevé, queues lourdes, plus de valeurs extrêmes. Mésokurtique : forme proche de la loi normale. Platykurti...

En statistique, on ne se contente pas d’observer les chiffres. On cherche surtout à savoir si une différence, une relation ou un effet observé est 𝒓𝒆́𝒆𝒍𝒍𝒆𝒎𝒆𝒏𝒕 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒇 ou simplement dû au hasard. C’est exactement le rôle du 𝒕𝒆𝒔𝒕 𝒅’𝒉𝒚𝒑𝒐𝒕𝒉𝒆̀𝒔𝒆. On part généralement de deux idées : 𝑯𝟎 : 𝒍’𝒉𝒚𝒑𝒐𝒕𝒉𝒆̀𝒔𝒆 𝒏𝒖𝒍𝒍𝒆 Elle suppose qu’il n’y a 𝒑𝒂𝒔 𝒅’𝒆𝒇𝒇𝒆𝒕, pas de différence ou pas de relation. 𝑯𝟏 : 𝒍’𝒉𝒚𝒑𝒐𝒕𝒉𝒆̀𝒔𝒆 𝒂𝒍𝒕𝒆𝒓𝒏𝒂𝒕𝒊𝒗𝒆 Elle correspond à ce que l’on cherche à démontrer : une différence, un effet ou une relation. Le principe est simple : on calcule une 𝒔𝒕𝒂𝒕𝒊𝒔𝒕𝒊𝒒𝒖𝒆 𝒅𝒆 𝒕𝒆𝒔𝒕, on obtient une 𝒑-𝒗𝒂𝒍𝒆𝒖𝒓, puis on compare cette p-valeur au seuil de signification, souvent 𝜶 = 𝟓%. Si la 𝒑-𝒗𝒂𝒍𝒆𝒖𝒓 < 𝜶, on rejette 𝑯𝟎. Si la 𝒑-𝒗𝒂𝒍𝒆𝒖𝒓 ≥ 𝜶, on ne rejette pas 𝑯𝟎. Quelques tests très utilisés : 𝒁-𝒕𝒆𝒔𝒕 : comparer une moyenne lorsque l’écart-type de la population est connu. ...

En statistique, en économétrie ou en data science, le choix du logiciel n’est pas un simple détail technique. Un bon outil peut vous faire gagner du temps, améliorer la qualité de vos résultats et rendre vos analyses plus fiables. Mais chaque logiciel a ses forces, ses limites et son domaine d’utilisation. 𝑼𝒏 𝒍𝒊𝒌𝒆 𝒆𝒕 𝒖𝒏 𝒑𝒂𝒓𝒕𝒂𝒈𝒆 𝒔𝒊 𝒄𝒆 𝒑𝒐𝒔𝒕 𝒑𝒆𝒖𝒕 𝒂𝒊𝒅𝒆𝒓 𝒒𝒖𝒆𝒍𝒒𝒖’𝒖𝒏. 𝟏. 𝑬𝒙𝒄𝒆𝒍 Simple, accessible et très pratique pour organiser les données, faire des tableaux, des graphiques et quelques analyses de base. Mais pour des modèles statistiques avancés, ses limites apparaissent rapidement. 𝟐. 𝑺𝑷𝑺𝑺 Très utilisé en sciences sociales, santé, éducation et gestion. Il est apprécié pour son interface intuitive et ses menus simples. Idéal pour les enquêtes, les tests statistiques et les analyses descriptives ou multivariées. 𝟑. 𝑹 𝒆𝒕 𝑹𝑺𝒕𝒖𝒅𝒊𝒐 Un outil puissant, gratuit et très flexible. R est excellent pour les statistiques avancées, les grap...