Lesson Archives

  1. Ce chapitre décrit comment calculer et interpréter les différents tests t dans R, notamment le test t sur échantillon unique, le test t sur échantillons indépendants et le test t sur échantillons appariés.
  2. Ce chapitre décrit comment transformer des données en distribution normale dans R. Les méthodes paramétriques, comme le test t et les tests ANOVA, supposent que la variable dépendante (réponse) est approximativement distribuée normalement pour chaque groupe à comparer. Dans le cas où l’hypothèse de normalité n’est pas respectée, vous pourriez envisager de transformer les données […]
  3. L'ANOVA sur mesures répétées suppose que les variances des différences, entre toutes les combinaisons de groupes, sont égales. C'est ce qu'on appelle l'hypothèse de sphéricité. Le test de sphéricité de Mauchly est utilisé pour évaluer si l'hypothèse de sphéricité est remplie ou non. Dans cet article, vous apprendrez à : 1) Calculer la sphéricité ; 2) Calculer le test de sphéricité de Mauchly dans R ; 3) Interpréter les résultats de l'ANOVA sur mesures répétées lorsque l'hypothèse de sphéricité est atteinte ou violée. 4) Extraire le tableau de l'ANOVA automatiquement corrigé pour la déviation à la sphéricité.
  4. Certains tests statistiques, comme le test T sur deux échantillons indépendants et le test ANOVA, supposent que les variances sont égales entre les groupes. Ce chapitre décrit les méthodes de vérification de l'homogénéité des variances dans R sur deux groupes ou plus. Ces tests comprennent : le test F, test de Bartlett, test de Levene et test de Fligner-Killeen.
  5. Bon nombre des méthodes statistiques, dont les tests de corrélation, de régression, les tests t et l'analyse de la variance, supposent que les données suivent une distribution normale ou une distribution gaussienne. Dans ce chapitre, vous apprendrez comment vérifier la normalité des données dans R par inspection visuelle (graphiques QQ plot et distributions de densité) et par tests statistiques (test deShapiro-Wilk).
  6. Cet article décrit comment combiner plusieurs ggplots dans une figure. Vous apprendrez à utiliser : 1) les fonctions facettes de ggplot2 pour créer une figure à plusieurs pannels qui partagent les mêmes axes ; 2) la fonction ggarrange() [package ggpubr] pour combiner des ggplots indépendants.
  7. ECDF (ou fonction de distribution cumulative empirique) fournit une visualisation alternative de la distribution. Il indique, pour un nombre donné, le pourcentage de cas qui se situent en dessous de ce seuil. Cet article décrit comment créer un ECDF dans R en utilisant la fonction stat_ecdf() du package ggplot2.
  8. Un Quantile-quantile plot (ou QQPlot) est utilisé pour vérifier si une donnée suit une distribution normale. On suppose que les données sont normalement distribuées lorsque les points suivent approximativement la ligne de référence de 45 degrés (diagonale). Cet article décrit comment créer un qqplot dans R en utilisant le package ggplot2.
  9. Un histogramme est une alternative au graphe de densité pour visualiser la distribution d'une variable continue. Ce graphique représente la distribution d'une variable continue en la divisant en groupe de valeurs et en comptant le nombre d'observations dans chaque groupe. Cet article décrit comment créer des d'histogrammes à l'aide du package R ggplot2.
  10. Un graphe de densité est une alternative à l'histogramme utilisé pour visualiser la distribution d'une variable continue. Les pics d'un graphe de densité aident à identifier où les valeurs sont concentrées sur l'intervalle de la variable continue. Par rapport aux histogrammes, les diagrammes de densité sont plus aptes à trouver la forme de la distribution parce qu'ils ne sont pas affectés par le nombre de barre utilisés (chaque barre utilisée dans un histogramme typique). Cet article décrit comment créer des diagrammes de densité à l'aide du package R ggplot2.