Maîtriser les Sciences Exactes
{
"meta": {
"fichier": "context_unidistance_psy.json",
"projet": "PrivateTeacher",
"version": "1.0",
"date": "2026-04-11",
"perimetre": "Profil institutionnel, culture d'examen, profil étudiant et vocabulaire propres à UniDistance FernUni Schweiz — Bachelor en Psychologie. Ne couvre pas les disciplines enseignées, les niveaux de degré, ni le positionnement PrivateTeacher."
},
"institution": {
"nom_officiel": "UniDistance FernUni Schweiz — Bachelor en Psychologie",
"type": "Université à distance bilingue (FR/DE), enseignement entièrement en ligne, sans présentiel obligatoire",
"culture_institutionnelle": "UniDistance valorise l'autonomie et l'autodiscipline comme compétences fondamentales. L'institution consacre un volume en méthodologie et statistiques (29–30 ECTS) nettement supérieur au minimum légal national (21 ECTS, LPsy), signalant une priorité institutionnelle explicite pour la rigueur empirique dans la formation des psychologues.",
"langue_d_enseignement": "Français (filière F) et allemand (filière D)."
},
"profil_etudiant": {
"formation_anterieure": "Maturité gymnasiale ou équivalent. Profil majoritairement adulte, en activité professionnelle ou parentale, combinant études et vie active à temps partiel.",
"rapport_au_savoir": "Motivation souvent liée à un projet professionnel existant ou à une reconversion. Capacité d'organisation développée par nécessité, mais disponibilité cognitive fragmentée et gestion autonome du rythme d'apprentissage.",
"rapport_a_l_abstraction": "Résistance aux formalismes quantitatifs accentuée par l'absence d'enseignant en présentiel. L'ancrage dans des données psychologiques concrètes est indispensable pour lever cette résistance sans recours possible à l'interaction directe.",
"pression_institutionnelle": "Les modules de statistiques sont identifiés comme les principaux obstacles du cursus à distance, avec des taux d'échec élevés reconnus. L'anxiété liée aux méthodes quantitatives est amplifiée par l'isolement propre à l'enseignement à distance."
},
"culture_d_examen": {
"format_dominant": "Examens écrits. Trois dates par session proposées — sessions ordinaires en juin (printemps) et janvier (automne), sessions de rattrapage en septembre et juin/juillet. Inscription obligatoire via le portail étudiant dans les trois semaines précédant l'examen.",
"attentes_de_correction": "Interprétation des résultats formulée en langage psychologique et rapportée selon les normes APA 7e édition. La valeur numérique brute sans interprétation contextuelle est insuffisante. Le choix du test et la vérification des conditions d'application sont attendus.",
"outils_autorises": "Non détaillés publiquement module par module. L'examen évalue la compréhension et l'interprétation des résultats, pas la capacité de calcul manuel. La maîtrise de la lecture des sorties JASP est centrale.",
"style_de_question": "Scénarios de recherche psychologique fictifs ou réels. L'étudiant identifie le test approprié, vérifie les conditions d'application, interprète les sorties et formule une conclusion scientifique dans le contexte de la question de recherche posée."
},
"vocabulaire_et_outils_institutionnels": {
"vocabulaire_dominant": "Variable dépendante, variable indépendante, hypothèse nulle (H0), hypothèse alternative (H1), valeur p, seuil alpha, taille d'effet, conditions d'application, normalité, homogénéité des variances, degrés de liberté, erreur de type I et II.",
"outils_de_reference": "JASP comme outil exclusif d'analyse statistique dans les modules de méthodes. Les sorties JASP constituent le format de référence pour l'interprétation et sont le support implicite des questions d'examen.",
"references_curriculaires": "Normes APA 7e édition pour la présentation systématique des résultats : statistique de test, degrés de liberté, valeur p, taille d'effet. La logique de rapportage standardisé est une compétence évaluée à part entière."
}
}
Comment choisir la mesure d'association adaptée au type de variable
Comment choisir la mesure d'association adaptée au type de variable
Pearson, Spearman ou Kendall : le bon coefficient selon le type de variables et la forme de la relation.
Présentation — choisir la mesure d'association adaptée
Le choix d'une mesure d'association dépend du type de variables en présence et de la forme de la relation entre elles. Pour des variables quantitatives à relation linéaire, Pearson est adapté. Pour des données ordinales ou une relation monotone non linéaire, Spearman ou Kendall prennent le relais. Lorsque l'une des variables est dichotomique, la bisériale de point ou phi sont utilisés. L'analyse commence par un diagramme de dispersion, qui oriente ce choix avant tout calcul.
Pourquoi savoir choisir la bonne mesure d'association
Appliquer Pearson à des données ordinales, ou ignorer la non-linéarité d'une relation, produit une mesure invalide — numériquement calculable, mais interprétée à tort. Les questions de recherche en psychologie exigent de répondre d'abord à deux questions : quels types de variables ai-je ? La relation est-elle linéaire ou seulement monotone ? Ces deux décisions déterminent le coefficient adapté. Une erreur à ce stade invalide l'ensemble de la conclusion, même si le calcul est impeccable.
A qui s'adresse ce document
Ce contenu s'adresse aux étudiants du Bachelor en Psychologie d'UniDistance FernUni Schweiz. La psychologie scientifique formule des hypothèses sur des liens entre variables — comportement, émotion, cognition, santé — et chaque hypothèse de ce type requiert un coefficient d'association adapté pour être testée. Le choix du bon coefficient est une compétence d'examen explicitement évaluée, avec des résultats à rapporter selon les normes APA 7e édition. Les modules de méthodes en font un prérequis à toute analyse bivariée.
Prérequis
Ce sujet est abordé au niveau Bachelor 1. Aucune exposition préalable aux mesures d'association n'est supposée. Les prérequis sont : la connaissance des statistiques descriptives de base (moyenne, écart-type), la capacité à lire un tableau de données et à distinguer une variable quantitative d'une variable ordinale. La notion de distribution normale est utile pour comprendre les conditions d'application de Pearson, mais elle est rappelée dans le contenu. Aucune maîtrise préalable de JASP n'est requise.
Questions courantes FAQ
Comment choisir entre Pearson, Spearman et Kendall ?
Le choix dépend de deux critères. Premier critère : le type de variables. Si les deux sont quantitatives, Pearson est candidat. Si l'une est ordinale, Spearman ou Kendall s'imposent. Deuxième critère : la forme de la relation, lue sur le diagramme de dispersion. Si la relation est linéaire et les conditions d'application respectées, Pearson est retenu. Si elle est monotone mais non linéaire, Spearman ou Kendall remplacent Pearson.
Quelle est la différence entre covariance et corrélation de Pearson ?
La covariance mesure comment deux variables varient ensemble, mais sa valeur dépend des unités de mesure et n'est pas directement interprétable. La corrélation de Pearson r standardise la covariance en la divisant par le produit des écarts-types des deux variables. Le résultat est toujours compris entre −1 et +1, interprétable quelle que soit l'unité : −1 indique une relation linéaire négative parfaite, +1 une relation positive parfaite, 0 l'absence de relation linéaire.
Pourquoi faut-il toujours commencer par un diagramme de dispersion ?
Le diagramme de dispersion révèle la forme de la relation avant tout calcul. Si la relation est curvilinéaire (en U, par exemple), un coefficient de Pearson proche de 0 n'indique pas l'absence de lien, mais simplement que le lien n'est pas linéaire. Lire le graphique en premier évite d'appliquer un coefficient inadapté à la structure des données, ce qui produirait une conclusion invalide. C'est l'étape de décision non négociable de l'analyse bivariée.
Quand utilise-t-on Kendall plutôt que Spearman ?
Les deux coefficients s'appliquent dans les mêmes situations (données ordinales ou relation monotone non linéaire). Kendall repose sur le décompte de paires concordantes et discordantes, ce qui le rend plus robuste avec les petits échantillons et les données comportant des ex aequo. Spearman calcule r de Pearson sur les rangs et est plus répandu dans la littérature. En pratique, les deux sont souvent calculés en parallèle pour vérifier la convergence des conclusions.
Une corrélation forte prouve-t-elle une causalité ?
Non. Une corrélation forte indique que deux variables covarient, pas que l'une cause l'autre. Une troisième variable non mesurée (variable confondante) peut expliquer la covariation observée. Établir la causalité requiert un plan expérimental avec manipulation de la variable indépendante et contrôle des variables parasites. Cette confusion entre corrélation et causalité est l'une des erreurs épistémiques les plus fréquentes en psychologie et une cible explicite des examens d'UniDistance.
Regression Lineaire Simple
Comment lire et interpréter les paramètres d'une régression linéaire simple.
Comprendre les modèle linéaires, savoir lire les coefficients de la droite et distinguer les valeurs observées des valeurs estimées.
Présentation de la régression linéaire simple
La régression linéaire simple est un modèle statistique qui met en relation deux variables quantitatives. Il s'exprime par une droite d'équation ŷ = b₀ + b₁x, où b₀ est l'ordonnée à l'origine et b₁ est la pente — le coefficient de proportionnalité entre le prédicteur et la variable dépendante. En psychologie, ce modèle permet de quantifier une association empirique, d'évaluer sa significativité et de produire des prédictions. La distinction entre valeurs observées (y) et valeurs estimées par le modèle (ŷ) est centrale à toute interprétation correcte.
Pourquoi utiliser la régression linéaire simple
La régression linéaire simple répond à des questions du type : le nombre d'heures d'étude permet-il de prédire le score à un examen ? La consommation d'alcool est-elle associée à la qualité du sommeil ? Le coefficient b₁ quantifie l'ampleur et la direction de l'association. La pente est le coefficient de proportionnalité entre les deux variables : c'est le paramètre clé du modèle. Le R² indique la part de variance expliquée. Le test de significativité détermine si l'association dépasse le bruit aléatoire attendu sous H₀.
À qui s'adresse ce document
Ce document cible les étudiants du Bachelor en Psychologie (filière francophone) à UniDistance FernUni Schweiz, en première année (BA1). À UniDistance, les méthodes quantitatives représentent 29 à 30 ECTS sur l'ensemble du Bachelor, ce qui traduit une priorité institutionnelle explicite pour la rigueur empirique. La régression linéaire est un outil évalué aux examens de méthodes : l'étudiant doit savoir lire une sortie JASP, interpréter les coefficients et formuler une conclusion conforme aux normes APA 7.
Prérequis
Ce document suppose une familiarité avec les notions de variable dépendante (VD) et de variable indépendante (VI), et avec la corrélation de Pearson. La lecture d'un nuage de points (scatterplot) dans JASP est un prérequis opérationnel. Le niveau visé est celui du BA1 : aucune connaissance antérieure du modèle linéaire ou du calcul des coefficients de régression n'est supposée. Tous les éléments nouveaux sont introduits à partir de l'intuition avant la formule, avec la définition explicite de chaque symbole.
Questions courantes FAQ
Quelle est la différence entre un modèle linéaire et une régression linéaire ?
Un modèle linéaire est une représentation mathématique de la relation entre deux variables sous la forme d'une droite (ŷ = b₀ + b₁x). La régression linéaire est la procédure statistique qui estime les paramètres de ce modèle à partir des données observées. Le modèle est une abstraction ; la régression est la méthode d'estimation. Cette distinction de terminologie est fondamentale pour une lecture précise des résultats.
Que signifie la pente b₁ dans un modèle de régression ?
La pente b₁ est le coefficient de proportionnalité entre le prédicteur et la variable dépendante. Elle indique de combien varie la valeur estimée de y lorsque x augmente d'une unité, toutes choses égales par ailleurs. Une pente de 2,25 signifie qu'une heure supplémentaire d'étude est associée à une augmentation estimée de 2,25 points au score. C'est le paramètre central du modèle, et son interprétation doit toujours être rapportée dans les unités des variables.
Quelle est la différence entre une valeur observée et une valeur estimée ?
Une valeur observée (y) est une donnée réelle mesurée sur le terrain. Une valeur estimée (ŷ) est celle que le modèle prédit à partir de l'équation de régression. La différence entre ces deux valeurs est le résidu : ε = y − ŷ. Le résidu mesure l'écart entre la réalité et ce que le modèle prédit. Cette distinction est fondamentale : confondre y et ŷ revient à confondre le réel et sa représentation modélisée.
Que mesure le R² et comment l'interpréter ?
Le R² (coefficient de détermination) mesure la proportion de la variance de la variable dépendante expliquée par le prédicteur. Un R² de 0,563 signifie que 56,3 % de la variance du score est associée aux heures d'étude. Les 43,7 % restants correspondent à des sources de variation non captées par le modèle. Un R² élevé n'implique pas une relation causale et ne garantit pas que le modèle est bien spécifié.
Comment interpréter l'ordonnée à l'origine b₀ ?
L'ordonnée à l'origine b₀ est la valeur estimée de y lorsque x est égal à zéro. Son interprétation substantielle n'est pertinente que si x = 0 a un sens dans la réalité étudiée. Si ce n'est pas le cas — par exemple si aucun participant de l'étude n'étudie zéro heure — b₀ reste un paramètre technique de l'équation sans interprétation directement applicable au contexte de la recherche.
Distribution Normale et score Z
Distribution Normale Centrée Réduite et Score Z
Apprendre à calculer des probabilités dans la distribution normale grâce au score z et à la table des quantile
Présentation de la distribution normale et du score z
La distribution normale est une distribution de probabilité que l'on utilise très souvent en psychologie quantitative. Elle décrit la distribution d'un certain nombre de variables continues telle que le QI, le temps de réaction, les scores de personnalité ou encore le niveau d'anxiété. On la rencontre donc dans de nombreuse applications pratiques et c'est pourquoi on l'utilise si souvent. La distribution normale est caractérisée par deux paramètres qui lui donne sa forme caractéristique: la moyenne μ et l'écart-type σ. Lorsqu'une variable aléatoire X se distribue normalement, on note: X~N(μ,σ) ce qui signifie: la variable aléatoier X suit une loi normale de parametre mu et sigma. Chaque distribution normale est unique selon ces deux paramètres. Le calcul du score Z est une transformation qui consiste à centrer les valeurs de X sur 0 et à réduire son écart type à 1. Les valeurs de Z suivent alors une distribution normale dite centrée réduite: Z~N(0, 1).
Pourquoi utiliser le score z
Le score z permet de calculer la probabilité cumulée de toutes les distributions normales, quelle que soit sa forme. Le score Z en effet est une variable X transformée qui permet de rapporter toute les les distribution normale particulière à une seule distribution centrée réduite. La vérité est que l'on utilise plus aujourd'hui le score Z pour calculer des probabilité d'une variable aléatoir en passant par une table. Nos ordinateur sont capable aujoudh'hui de faire le calcul directement. Le calcul du score Z répondait surtout à la nécessité de calculer des proabilité à une époque ou le temps de calcul était considérable et coutait cher. Plutot que de calculer les probabilité à chaque fois qu'on rencontrait un nouveau problème, on avait choisi de les calculer une seule fois et d'imprimer les résultats dans une table. C'est la l'origine de la table des quantiles. Plus personne ne l'utilise aujourd'hui. On continue a s'en servire cependant dans un cadre pédagogique car elle permet à l'étudiant de comprendre les notions qui lui seront utile pour comprendre la notion de distribution de probabilité.
A qui s'adresse ce document
Ce document s'adresse aux étudiants du Bachelor en Psychologie à UniDistance FernUni Schweiz. La distribution normale est le fondement de la plupart des tests paramétriques enseignés dans ce cursus. La maîtrise du score z est une compétence préalable aux tests t de Student, aux intervalles de confiance et aux analyses de régression. Il s'agit donc d'un sujet central dans le cursus UniDistance aussi bien que dans toutes formations sérieuses au sujet des statistiques. A UniDistance, les modules statistiques représentent 29 à 30 ECTS et constitue souvent un point d'accroche. Comprendre la logique de la distribution normale est donc une étape importante du cursus.
Prérequis
Pour aborder ces exercices, l'étudiant doit maîtriser les notions de moyenne (μ) et d'écart-type (σ). Une représentation intuitive de la courbe en cloche est suffisante. aucun calcul d'intégrale n'est requis. La seule opération technique est la transformation z = (x − μ) / σ et son inverse x = μ + z × σ. La lecture d'une table des probabilités cumulées de la loi normale standard est la compétence centrale visée par ces exercices. Seules les notions de l'algèbre élémentaire sont nécessaire pour aborder ce cours et les exercices.
Questions courantes FAQ
Pourquoi passer par la distribution centrée réduite N(0, 1) ?
Il existe une infinité de distributions normales, chacune définie par ses propres valeur de mu μ et sigma σ. La distribution centrée réduite N(0, 1) elle aussi est une distribution normale. Ses valeur de mu et sigma cependant sont particulilère. Dans une distribution normale centrée réduite en effet les valeur des paramètre mu et sigma sont: μ = 0, σ = 1. la distribution centrée réduite est unique. Une seule table de probabilités suffit donc pour lire les probabilités cumulées de toutes les distributions normales.
Comment lire une probabilité dans la table de la loi normale ?
La table donne la probabilité cumulée à gauche d'une valeur de z. On note cette probabilité P(Z ≤ z) et on dit: Probabilité que la valeur de la variable aléatoir Z prenne une valeur plus petite ou égale à la valeur particulière z. Pour lire P(Z ≤ 1.23) par exemple, on cherchera la ligne 1.2 et la colonne 0.03 : on trouve 0.8907. Cela signifie que 89.07 % des valeurs de la distribution sont inférieures à z = 1.23. Pour des valeurs négatives, on utilise la propriété de symétrie : P(Z ≤ −z) = 1 − P(Z ≤ z).
Comment calculer P(X > x) à partir de la table ?
La table donne la probabilité cumulée P(Z ≤ z) à gauche de z. Pour obtenir la probabilité P(Z > z) à droite de z, on utilise la probabilité complémentaire: La somme de toute les probabilités en effet étant égale à 1, on peut écrire l'égalité suivante: P(Z > z) = 1 − P(Z ≤ z). Si P(Z ≤ 1.5) = 0.9332, alors P(Z > 1.5) = 1 − 0.9332 = 0.0668. Ce réflexe de est l'une des raison pour laquelle on encourage les étudiants.es à travailler avec la table: elle permet de développer le raisonnement propre à l'utilisation des distributions normales.
Que signifie la propriété de symétrie de la loi normale ?
La distribution normale est symétrique autour de sa moyenne. Pour tout z, P(Z ≤ −z) = P(Z ≥ z) = 1 − P(Z ≤ z). Cette symétrie permet de déduire les probabilités pour les valeurs négatives à partir des probabilités des valeurs positives. Certaine table se présentent sous la forme de deux colonnes, l'une indiquant la probabilité à gauche d'une valeur de z et l'autre colonne indiquant la probabilité à droite. Dans ces tables, les deux colonnes s'additionnent à 1. Pour cette raison, ces tables sont redondantes. D'autres tables telle que celle proposée ici sont plus compact ne donne que la probabilité à gauche, invitant l'utilisateur à déduire l'aire à droite. Ces tables commence en milieu de distribution (en z=0) là ou la probabilité cumulée est la moitié (1/2) de la probabilité totale. Ces tables commencent donc typiquement a une probabilité égale à 0.5.
Pourquoi ce calcul manuel n'est-il plus utilisé en pratique ?
Les logiciels statistiques — JASP, R, SPSS — calculent directement les probabilités pour n'importe quelle distribution normale sans passer par la transformation z. La table de la loi normale standard est un outil de l'ère pré-informatique. Son utilisation dans ce document est exclusivement pédagogique : elle oblige à poser explicitement les propriétés de la distribution et à raisonner sur les probabilités complémentaires, la symétrie et l'aire sous la courbe.
Test du Chi2 Adequation et Independance
Test du Chi2: Indépendance et Adéquation
Maîtriser le raisonnement du test du chi2 — indépendance et adéquation — à travers des scénarios en psychologie.
Présentation du test
Le test du chi2 est un test d'hypothèse non paramétrique. Il mesure l'écart entre une distribution observée sur un échantillon et une distribution théorique de référence. La statistique χ² quantifie cet écart : χ² = Σ (O − E)² / E, où O désigne les fréquences observées et E les fréquences attendues. Un χ² proche de zéro indique que les deux distributions sont similaires. Un χ² supérieur à la valeur critique conduit au rejet de H₀. Ce test s'applique exclusivement à des variables catégorielles.
Pourquoi utiliser le test du Chi2
Le test du chi2 répond à deux types de questions. Dans sa forme d'indépendance, il teste si deux variables catégorielles sont liées : le statut occupationnel est-il associé au niveau de stress perçu ? Dans sa forme d'adéquation, il vérifie si une distribution observée correspond à une distribution théorique connue. Les deux formes reposent sur la même statistique de test — la différence réside dans la manière dont les fréquences théoriques sont calculées, pas dans le calcul de χ² lui-même.
A qui s'adresse ce document
Ce document s'adresse aux étudiants du Bachelor en Psychologie à UniDistance FernUni Schweiz. Le test du chi2 fait partie du curriculum de méthodes quantitatives, qui représente 29 à 30 ECTS sur l'ensemble du cursus. Il est enseigné parce que la psychologie travaille fréquemment avec des variables catégorielles — diagnostic, groupe, genre, modalités de réponse. Tester des hypothèses sur des distributions de fréquences et interpréter des tableaux de contingence sont des compétences directement évaluées aux examens selon les normes APA 7.
Prérequis
Pour aborder ces exercices, l'étudiant doit maîtriser la notion de variable catégorielle et de fréquence. Une première exposition aux concepts d'hypothèse nulle (H₀) et alternative (H₁) est nécessaire, ainsi qu'à la notion de seuil α et de valeur critique. La formule χ² = Σ (O − E)² / E est appliquée pas à pas — aucun prérequis en calcul avancé n'est requis. La lecture d'une table des valeurs critiques du chi2 et l'identification des degrés de liberté sont les compétences techniques à acquérir.
Questions courantes FAQ
Qu'est-ce que la statistique chi2 mesure exactement ?
La statistique χ² mesure l'écart global entre une distribution observée et une distribution théorique. Pour chaque catégorie, elle calcule la différence au carré entre fréquence observée et fréquence attendue, divisée par la fréquence attendue. Ces écarts sont ensuite sommés. Un χ² de zéro signifie que les distributions sont identiques. Plus χ² est grand, plus les distributions divergent. La p-valeur indique si cet écart est attribuable au hasard d'échantillonnage.
Quelle est la différence entre le test d'indépendance et le test d'adéquation ?
Dans le test d'indépendance, on dispose de deux variables catégorielles et on teste si elles sont liées. Les fréquences attendues sont calculées à partir des totaux marginaux du tableau de contingence. Dans le test d'adéquation, on dispose d'une seule variable catégorielle et on teste si sa distribution correspond à une distribution théorique connue. Dans les deux cas, la formule χ² = Σ (O − E)² / E est identique.
Que sont les degrés de liberté dans un test du chi2 ?
Pour un test d'indépendance, les degrés de liberté sont ddl = (nombre de lignes − 1) × (nombre de colonnes − 1). Pour un test d'adéquation à k catégories, ddl = k − 1. Les degrés de liberté déterminent quelle distribution chi2 est utilisée pour lire la valeur critique dans la table. Une table 2×3 produit donc ddl = (2−1) × (3−1) = 2.
Pourquoi le test du chi2 est-il toujours unilatéral droit ?
La statistique χ² est une somme de carrés : elle ne peut pas être négative. Un écart entre distributions observées et attendues augmente toujours la valeur de χ², quel que soit le sens de l'écart. Le rejet de H₀ se produit uniquement quand χ² est suffisamment grand — c'est-à-dire dans la queue droite de la distribution. Il n'existe donc pas de version bilatérale ou unilatérale gauche du test du chi2.
Quelles sont les conditions d'application du test du chi2 ?
Deux conditions doivent être vérifiées. Première condition : l'indépendance des observations — chaque participant contribue à une seule cellule du tableau. Deuxième condition : les fréquences attendues sont suffisamment grandes — au moins 5 par cellule selon la règle courante. Si une cellule présente une fréquence attendue inférieure à 5, le test du chi2 standard n'est pas approprié. Ces deux conditions doivent être vérifiées et justifiées explicitement dans la réponse.
Test t de Student à un échantillon
Test t de Student à UN échantillon
Maîtriser la logique du test t à travers des scénarios en psychologie, du calcul à l'interprétation.
Présentation
Le test t de Student est un test d'hypothèse paramétrique. Il mesure si la différence entre une moyenne observée et une valeur de référence est suffisamment grande pour être attribuée à un effet réel plutôt qu'au hasard d'échantillonnage. La statistique t quantifie cet écart en le normalisant par la variabilité de l'échantillon : t = (x̄ − μ₀) / (s / √n). Un t proche de zéro signifie que les deux valeurs sont similaires. Un t significativement différent de zéro indique une différence réelle dans la population.
Pourquoi utiliser le test t de Student à un échantillon
Le test t répond à des questions précises : un groupe clinique présente-t-il un score moyen différent d'une norme populationnelle ? Deux conditions expérimentales produisent-elles des effets distincts ? Il s'applique quand une variable dépendante continue est mesurée sur un ou deux groupes et que les conditions d'application sont vérifiées. La logique du test repose sur la distribution t de Student, qui modélise la variabilité attendue des moyennes d'échantillon sous l'hypothèse nulle H₀.
A qui s'adresse ce document
Ce document s'adresse aux étudiants du Bachelor en Psychologie à UniDistance FernUni Schweiz. Les statistiques y occupent une place centrale : 29 à 30 ECTS sont consacrés aux méthodes quantitatives sur l'ensemble du cursus. Le test t de Student est l'un des premiers tests d'hypothèse enseignés. Il modélise des questions issues de la recherche en psychologie clinique, sociale et du travail — des domaines directement liés aux objectifs professionnels de la majorité des étudiants. La maîtrise de ce test est une compétence explicitement évaluée aux examens.
Prérequis
Pour aborder ces exercices, l'étudiant doit maîtriser les notions de moyenne (x̄), d'écart-type (s) et de taille d'échantillon (n). Une première exposition aux concepts d'hypothèse nulle (H₀) et alternative (H₁) est nécessaire, ainsi qu'à la notion de seuil α. Aucune maîtrise du calcul manuel n'est requise : JASP est l'outil de référence à UniDistance. La lecture d'une sortie JASP et la formulation d'une conclusion en langage psychologique selon les normes APA 7 sont les compétences visées.
Questions courantes FAQ
Qu'est-ce que la statistique t mesure exactement ?
La statistique t mesure la différence entre une moyenne observée et une valeur de référence, rapportée à la variabilité de l'échantillon. Un t de zéro signifie que les deux valeurs sont identiques. Plus t s'éloigne de zéro, plus la différence est grande relativement à la dispersion des données. La p-valeur indique si cet écart est statistiquement plausible sous l'hypothèse nulle. t est symétrique autour de zéro : son signe dépend du sens de la soustraction entre les deux moyennes.
Quelle est la différence entre un test bilatéral et un test unilatéral ?
Un test bilatéral teste si la moyenne diffère de la référence dans les deux sens — supérieure ou inférieure. Un test unilatéral formule une hypothèse directionnelle : la moyenne est soit strictement supérieure (unilatéral droit), soit strictement inférieure (unilatéral gauche). Le choix se fait avant de regarder les données, sur la base de la question de recherche. Un test unilatéral est plus puissant mais ne peut détecter une différence que dans la direction prévue.
Qu'est-ce que la p-valeur indique dans un test t ?
La p-valeur est la probabilité d'obtenir un résultat au moins aussi extrême que celui observé si H₀ est vraie. Elle ne représente pas la probabilité que H₀ soit vraie. Une p-valeur inférieure à α conduit au rejet de H₀. Une p-valeur supérieure à α signifie que les données ne fournissent pas une évidence suffisante contre H₀ — ce n'est pas une preuve que H₀ est vraie. Cette distinction est fondamentale en statistique inférentielle.
Comment lire la valeur critique t_crit dans une table ?
La valeur critique t_crit dépend du nombre de degrés de liberté (ddl = n − 1 pour un test à un échantillon) et du seuil α. Pour un test bilatéral à α = 0.05, on lit la colonne α/2 = 0.025. Pour un test unilatéral, on lit directement la colonne α = 0.05. Pour un test unilatéral gauche, la valeur critique est négative. La valeur lue indique le seuil à partir duquel t observé conduit au rejet de H₀.
Pourquoi les degrés de liberté valent-ils n − 1 pour un test à un échantillon ?
Les degrés de liberté représentent la quantité d'information indépendante disponible pour estimer la variabilité. Pour un test à un échantillon, l'écart-type s est estimé à partir des données. Cette estimation utilise la moyenne x̄, ce qui contraint une des valeurs : il reste donc n − 1 valeurs libres. La distribution t avec n − 1 degrés de liberté corrige l'incertitude introduite par cette estimation, ce qui la rend plus étalée que la loi normale standard.
Psychologie UniDistance
Compréhendre les points-clés en statistiques et développer une méthode de travail pour faire les calculs à la main. L'essentiel pour réussir les M02 et M04 à UniDistance.
Me Contacter Directement
Tu as la possibilité de me contacter directement. N'hésite donc pas à m'écrire ou à m'appeler, je suis à disposition. Ceci est sans engagement de ta part !