Corrélation, tests préliminaires? Analyse de regression....

Bonjour,
J’ai un « petit » problème de statistique à vous soumettre… Je vais essayer d’expliquer clairement la situation, n’hésitez pas si vous avez des questions car je me suis lancée dans un truc compliqué.

A l’aide d’une grande cohorte ( n =50 ), je cherche à tester une corrélation entre deux tests, le test 1 ( qui a 3 données = 3 scores ) et le test 2 (qui a 4 scores différents). Pour ça, j’ai utilisé Statistica > Matrice rectangulaire. Je suppose que cela correspond au test de Pearson ( ?). J’obtiens quelques résultats significatifs ( pas ceux que je voulais x) ). Mais je me demande si j’ai utilisé le bon test ? La bonne méthode ?

Logiquement, je devrais tester la loi Normal avant d’effectuer un test, mais je ne sais plus exactement… Quels tests préliminaires dois-je utiliser pour savoir si je peux réaliser des corrélations ? De plus, sur quelles variables je procède à ces tests ?

Par la suite, je me demande si une analyse par régression serait intéressante ( dans la mesure où mon hypothèse dit que les personnes ayant un faible score au test 1 auront de faibles scores au test 2… d’ailleurs est ce que je ne devrais pas faire deux groupes selon la note au test 1 ?) J’ai beaucoup de questions, mais peu de réponses…

Je suis un peu perdu avec tous mes résultats… merci d’avance de votre aide !

Bonjour,

Un coefficient de corrélation permet de calculer la corrélation entre 2 variables seulement. Si il s'agit de tests psychométriques, n'y a -t-il pas un score global pour le test 1 et un autre pour le test 2. D'autre part, s'il s'agit d'une cohorte, c'est que ce sont les mêmes sujets qui passent les deux tests. Dans ce cas, les données sont répétées et on ne peut pas utiliser les tests classiques.
Pour la corrélation, on peut utiliser le coefficient de corrélation intraclasse qui permettra de voir s'il y a une forte corrélation entre les 2 tests.

Ensuite, pour la régression : pas d'intérêt; A la limite, s'il est possible, pour chaque test de définir 2 groupes (mauvais score/bon score) il sera possible de faire un test de McNemar pour voir si ce sont les mêmes sujets qui ont des bonnes notes aux 2 tests.

Bon courage

Ayana

Ps: ça ne m'étonne pas du tout que Statistica donne des pvalues dans tous les sens ;-)

Merci de ta réponse.

Je confirme ce sont les mêmes sujets qui passent les deux tests.
Une matrice de corrélation c'est pas la même chose qu'une corrélation intraclasse...? Je pensais qu'avec statistica je rentrais toutes les données >> matrice de corrélation >> et je voyais ce qui était corrélé...
Je peux pas faire comme ça?

Dois-je faire des tests préalables avant la corrélation interclasse ( je vais voir dans statistica si ca me donne la même chose)?

50 sujets sur des tests psychometriques, c'est pas une grande cohorte. C'est une toute petite. Qui plus est, je ne vois pas trace de méthodologie dans ce que tu présentes.

L'ordre de passage des 2 test a t il été tiré au sort (shéma en cross-over) ? Si non, (= si tous les patients ont d'abord passé le test 1, puis ensuite le test 2) tes résultats sont ininterprétables pour une raison toute simple: tu ne pourras jamais déterminer si c'est un simple phénomène d'apprentissage qui est responsable de l'effet observé (si tu en vois un...)

Traces méthodologiques.... Tu peux préciser ce que tu attends par là? Je n'ai pas détaillé toute ma recherche.

L'ordre de passage était aléatoire parmi d'autres épreuves.
Il n'y a pas d'effet d'apprentissage possible car les deux tests n'évaluent pas la même chose. Ce sont deux tests différents et le but est de savoir si existe une relation entre ces deux tests (mécanismes sous-jacent sollicitent les mêmes processus).

Salut,

Personnellement, je ne vois pas quelle est la forme de tes données. C'est quoi cette histoire de 3 ou 4 scores suivant le test ? A quoi ressemble les valeurs que tu veux comparer ?
il faut que tu précises tes questions. Dire que tu veux savoir s'il y a une relation entre les deux tests ne peux rien nous dire car nous ne sommes pour la plupart pas de ton domaine.
Comme le dis c@ssoulet, tu n'as pas beaucoup de données à priori mais si tu nous détailles un peu plus la structure de ces données on y verra un peu plus clair.

Je vais essayer de reformuler tout ça :
J'ai une épreuve qui consiste à répéter une série de chiffre à l'endroit, puis à l'envers. Donc j'ai plusieurs données :
- le nombre maximum de chiffres redonnées ( à l'endroit et à l'envers).
- le score obtenu ( à l'endroit et à l'envers).
Ca me fait donc 4 données pour l'épreuve une.

Ensuite la deuxième épreuve consiste à donner le maximum de mot en respectant certaines règles, des mots commençant par une lettre P, et des mots appartenant à la même catégorie.
Ca me fait donc :
- le nombre de mot par p.
- le nombre de mot appartenant à une catégorie.
Et ces scores ont été évalués à l'aide de normes, j'ai donc un score z pour la lettre et pour la catégorie, soit 4 données...

Est ce que ca va mieux comme ça?

N'y a-t-il pas moyen d'avoir un score global pour l'empan et un pour la fluence?

Non, car l'empan envers et l'empan endroit ne sollicite par les mêmes mécanismes.
Pour la fluence, si je prend le score brute ( nombre de mots) je n'obtiendrais pas forcément la même chose que si je prend le score z (qui prend en compte le niveau socio-culturel).

Bon, vu que les scores (et notamment le nombre d'erreurs) suivent en général des distributions avec lesquelles on ne peut pas faire grand chose, je te conseille donc (comme déjà évoqué plus tôt):
- de trouver, pour l'empan envers et l'empan endroit des valeurs seuil pour construire pour chaque type d'empan 2 groupes : bonnes vs mauvaises performances, idem pour le score brut de fluence
- faire deux tests de mcNemar : le premier entre l'empan endroit et la fluence, le deuxième entre l'empan inverse et la fluence.

Car même si binariser les variables fait perdre de l'information, les scores sont en général difficiles à analyser tels quels à cause d'effets plafond ou plancher.

Ayana

D'accord, je fais essayer de faire ça.

Mais mes analyses de corrélations, ils servent à rien?!

Non, car ces corrélations supposent une indépendance entre les données. Or, dans ton cas les mesures sont faites sur les mêmes sujets.

Ayana