Statistical Models for Social Sciences

En statistique, il arrive très souvent qu’on veuille comparer deux mesures prises sur les mêmes individus : avant/après une formation, avant/après un traitement, ou encore deux évaluations sur un même groupe. Dans ce cas, deux tests sont très souvent utilisés : le test t apparié (Paired Samples t-Test) le test de Wilcoxon Signed-Rank Mais attention : ils ne s’utilisent pas dans les mêmes conditions. Le test t apparié est un test paramétrique. Il sert à comparer la moyenne des différences entre deux mesures liées. On l’utilise lorsque les différences suivent approximativement une distribution normale. Le test de Wilcoxon Signed-Rank est un test non paramétrique. Il compare les observations appariées à partir du rang des différences. Il est particulièrement utile lorsque : les données ne sont pas normales, l’échantillon est petit, ou des valeurs atypiques sont présentes. En résumé : Si les différences sont normales → privilégier le test t apparié Si les différences ne sont pas nor...

Dans un A/B test classique, on teste plusieurs versions, on attend les résultats, puis on décide. Avec les 𝑴𝒖𝒍𝒕𝒊-𝑨𝒓𝒎𝒆𝒅 𝑩𝒂𝒏𝒅𝒊𝒕𝒔, le test ne reste pas figé. Il apprend en temps réel et envoie progressivement plus de trafic vers la variante qui fonctionne le mieux. Le principe repose sur un équilibre essentiel : 🔍 𝑬𝒙𝒑𝒍𝒐𝒓𝒆𝒓 : tester les options encore incertaines. 🎯 𝑬𝒙𝒑𝒍𝒐𝒊𝒕𝒆𝒓 : privilégier l’option qui donne déjà les meilleurs résultats. 👉 L’objectif n’est pas seulement de trouver le gagnant à la fin. C’est aussi de limiter les pertes pendant toute l’expérience. C’est pourquoi cette méthode est très utilisée pour : ✅ les publicités en ligne ; ✅ les recommandations de produits ; ✅ les boutons CTA ; ✅ les titres d’articles ; ✅ les campagnes marketing ; ✅ l’optimisation des parcours utilisateurs. 📌 Différence clé : L’A/B test classique compare. Le Multi-Armed Bandit compare, apprend et ajuste le trafic automatiquement. Mais attention : si vous avez besoin...

Avant de construire un modèle, avant de faire une prédiction, avant même de tirer une conclusion, il y a une étape qu’on ne doit jamais négliger : l’Analyse Exploratoire des Données (EDA). L’EDA permet de comprendre les données, détecter les anomalies, identifier les tendances, et préparer une analyse plus fiable. Concrètement, le processus commence souvent par différentes sources de données : CSV, API, bases de données, ou encore données non structurées. Ensuite vient une phase essentielle : le prétraitement. C’est à ce niveau qu’on nettoie les données, qu’on corrige certaines incohérences, qu’on gère les valeurs manquantes et qu’on transforme l’information brute en une base exploitable. Une fois les données prêtes, l’EDA entre en jeu à travers : l’analyse statistique la visualisation des données l’extraction d’insights utiles C’est cette étape qui permet de mieux voir : les relations entre variables les distributions les valeurs atypiques les motifs cachés dans les données Et ...