Le traitement des données - Historique des versions

Arthur le 16 février 2019 à 01:48

2019-02-16T01:48:10Z

← Version précédente		Version du 16 février 2019 à 03:48
Ligne 24 :		Ligne 24 :
	\| en = The processing of data		\| en = The processing of data
	\| es = Procesamiento de datos		\| es = Procesamiento de datos
			\| it = Trattamento dei dati
	}}		}}

Arthur le 26 janvier 2019 à 13:42

2019-01-26T13:42:39Z

← Version précédente		Version du 26 janvier 2019 à 15:42
Ligne 23 :		Ligne 23 :
	{{Translations		{{Translations
	\| en = The processing of data		\| en = The processing of data
			\| es = Procesamiento de datos
	}}		}}

Arthur le 1 avril 2018 à 18:40

2018-04-01T18:40:28Z

← Version précédente		Version du 1 avril 2018 à 20:40
Ligne 1 :		Ligne 1 :
			{{Infobox Lecture
			\| image =
			\| image_caption =
			\| faculté = [[Faculté des sciences de la société]]
			\| département = [[Département de science politique et relations internationales]]
			\| professeurs = [[Marco Giugni]]<ref>[https://unige.ch/sciences-societe/speri/membres/marco-giugni/ Page personnelle de Marco Giugni sur le site de l'Université de Genève]</ref>
			\| assistants =
			\| enregistrement =
			\| cours = [[Introduction aux méthodes de la science-politique]]
			\| lectures =
			* [[Cours introductif aux méthodes de la science-politique]]
			* [[Le paradigme positiviste et le paradigme interprétatif]]
			* [[Les méthodes scientifiques fondamentales]]
			* [[De la théorie aux données]]
			* [[Le recueil des données]]
			* [[Le traitement des données]]
			}}

	L’analyse des données quantitatives est très différente de l’analyse des données qualitatives ; ce sont deux pratiques de la recherche très différentes, voire même opposées.		L’analyse des données quantitatives est très différente de l’analyse des données qualitatives ; ce sont deux pratiques de la recherche très différentes, voire même opposées.

Arthur le 9 mars 2018 à 13:05

2018-03-09T13:05:11Z

← Version précédente		Version du 9 mars 2018 à 15:05
Ligne 2 :		Ligne 2 :

	Nous allons nous focaliser sur l’analyse quantitative qui est en fait plus facile que l’analyse des données qualitative ne serait-ce parce qu’il y a des routines institutionnalisées.		Nous allons nous focaliser sur l’analyse quantitative qui est en fait plus facile que l’analyse des données qualitative ne serait-ce parce qu’il y a des routines institutionnalisées.

			{{Translations
			\| en = The processing of data
			}}

	= Matrice des données =		= Matrice des données =

Arthur le 9 mars 2018 à 13:04

2018-03-09T13:04:32Z

← Version précédente		Version du 9 mars 2018 à 15:04
Ligne 153 :		Ligne 153 :

	= Références =		= Références =

	~~= Notes =~~
	<references/>		<references/>

Arthur le 8 mars 2018 à 23:52

2018-03-08T23:52:57Z

← Version précédente		Version du 9 mars 2018 à 01:52
Ligne 32 :		Ligne 32 :
	Nota bene : selon la variable les mesures sont différentes.		Nota bene : selon la variable les mesures sont différentes.

	La moyenne est une mesure de valeur de tendance centrale que l’on peut appliquer aux variables cardinales, mais on ne peut l’appliquer aux variables catégorielles. La médiane est ~~lacatégorie~~ qui sépare la série statistique en deux avec un même nombre de cas d’un côté et de l’autre.		La moyenne est une mesure de valeur de tendance centrale que l’on peut appliquer aux variables cardinales, mais on ne peut l’appliquer aux variables catégorielles. La médiane est la catégorie qui sépare la série statistique en deux avec un même nombre de cas d’un côté et de l’autre.

	Ce sont des informations importantes qui forment le point de départ de ce type de description des données permettant de savoir quoi faire ensuite dans le cas d’analyses plus sophistiquées		Ce sont des informations importantes qui forment le point de départ de ce type de description des données permettant de savoir quoi faire ensuite dans le cas d’analyses plus sophistiquées
Ligne 74 :		Ligne 74 :
	Dans l’analyse multivariée, il y a toujours une marge d’erreur ; une chose est liée si on des données du sondage liées à la marge d’erreur entre population et échantillon, mais indépendamment qu’on soit en train de travailler sur des échantillons ou une population globale ; il y a un terme d’erreur qui intervient, car il y a toujours quelque chose qui influence ce qu’on veut expliquer et qui n’est pas inclus dans le modèle de régression comme, par exemple, l’éducation, l’âge, le contexte social, institutionnel, etc.		Dans l’analyse multivariée, il y a toujours une marge d’erreur ; une chose est liée si on des données du sondage liées à la marge d’erreur entre population et échantillon, mais indépendamment qu’on soit en train de travailler sur des échantillons ou une population globale ; il y a un terme d’erreur qui intervient, car il y a toujours quelque chose qui influence ce qu’on veut expliquer et qui n’est pas inclus dans le modèle de régression comme, par exemple, l’éducation, l’âge, le contexte social, institutionnel, etc.

	En fait, le E regroupe la variance non-expliquée à savoir tout ce qui pourrait expliquer Y, mais n’est pas introduit dans le modèle, c’est le problème de la sous-spécification du modèle à savoir l’enjeu concernant la spécification du modèle ; plus un modèle a plus de variables plus il risque d’être sous-spécifié et moins on explique de variations dans le Y et plus le E en termes d’erreur est élevé, on veut réduire au maximum le E.		En fait, le E regroupe la variance non expliquée à savoir tout ce qui pourrait expliquer Y, mais n’est pas introduit dans le modèle, c’est le problème de la sous-spécification du modèle à savoir l’enjeu concernant la spécification du modèle ; plus un modèle a plus de variables plus il risque d’être sous-spécifié et moins on explique de variations dans le Y et plus le E en termes d’erreur est élevé, on veut réduire au maximum le E.

	Ceci permet de dire que le fait de ne pas inclure certaines variables dans un modèle explicatif à deux conséquences majeures :		Ceci permet de dire que le fait de ne pas inclure certaines variables dans un modèle explicatif à deux conséquences majeures :
Ligne 84 :		Ligne 84 :
	Le B est le coefficient de régression à savoir la pente de la droite de régression donnant la force de l’effet du X car il est multiplicatif par X c’est-à-dire que plus l’effet de X est fort plus B est élevé.		Le B est le coefficient de régression à savoir la pente de la droite de régression donnant la force de l’effet du X car il est multiplicatif par X c’est-à-dire que plus l’effet de X est fort plus B est élevé.

	Le B peut être non-standardisé ou standardisé. « Standardisation » signifie normaliser et le but est de pouvoir comparer des coefficients différents.		Le B peut être non standardisé ou standardisé. « Standardisation » signifie normaliser et le but est de pouvoir comparer des coefficients différents.

	On est dans une logique additive, il y a des « + » ; on suppose que la variation de Y est une fonction linéaire est additive ou cumulée de l’effet de toutes les autres variables introduites dans le modèle.		On est dans une logique additive, il y a des « + » ; on suppose que la variation de Y est une fonction linéaire est additive ou cumulée de l’effet de toutes les autres variables introduites dans le modèle.

Arthur le 8 mars 2018 à 23:51

2018-03-08T23:51:31Z

Arthur le 17 février 2018 à 23:44

2018-02-17T23:44:53Z

Voir les modifications

Arthur : /* Mesure de tendance centrale */

2016-10-12T16:10:18Z

Mesure de tendance centrale

← Version précédente		Version du 12 octobre 2016 à 18:10
Ligne 27 :		Ligne 27 :

	== Mesure de tendance centrale ==		== Mesure de tendance centrale ==
	Lorsqu’on fait une analyse quantitative il faut s’interroger sur le type de variables et ensuite on choisit l’outil à utiliser. On peut distinguer entre deux grands types de mesures c’est-à-dire entre deux types d’informations qu’on veut avoir des variables uniques :		Lorsqu’on fait une analyse quantitative, il faut s’interroger sur le type de variables et ensuite on choisit l’outil à utiliser. On peut distinguer entre deux grands types de mesures c’est-à-dire entre deux types d’informations qu’on veut avoir des variables uniques :
	*mesures de tendance centrale		*mesures de tendance centrale
	*mesures de dispersion		*mesures de dispersion

Arthur : /* Notes */

2015-09-16T08:37:23Z

Notes

← Version précédente		Version du 16 septembre 2015 à 10:37
Ligne 156 :		Ligne 156 :
	= Notes =		= Notes =
	<references/>		<references/>

	~~<vote type=1 />~~

	[[Category:science-politique]]		[[Category:science-politique]]

← Version précédente		Version du 9 mars 2018 à 01:51
Ligne 46 :		Ligne 46 :
	Dans ce cadre on souhaite croiser des caractéristiques soit dans une optique descriptive soit dans une optique explicative. En fonction du type de variable, on a des techniques différentes pour analyser et traiter les données.		Dans ce cadre on souhaite croiser des caractéristiques soit dans une optique descriptive soit dans une optique explicative. En fonction du type de variable, on a des techniques différentes pour analyser et traiter les données.

	Il faut s’intéresser à la fois aux variables dépendantes et aux variables indépendantes. En croisant il faut regarder du côté de la variable dépendante et indépendante si on a affaire à des variables catégorielles ou ordinales permettant de distinguer trois grandes familles de types d’analyses :		Il faut s’intéresser à la fois aux variables dépendantes et aux variables indépendantes. En croisant, il faut regarder du côté de la variable dépendante et indépendante si on a affaire à des variables catégorielles ou ordinales permettant de distinguer trois grandes familles de types d’analyses :
	*'''variables catégorielles / nominale - nominale''' : on fait des tableaux de contingence, on ne peut utiliser les autres techniques. La plupart du temps en science politique on a affaire à ce type de variables, car les réponses donnent lieu à des variables ordinales. Il y a des coefficients qui permettent de donner une mesure unique de la relation entre ces deux variables comme le V de Cramer qui permet de voir l’association entre variables catégorielles. Pour interpréter, il est important que le pourcentage total doit toujours se référer aux catégories de la variable indépendante ; on veut voir comment la distribution sur la variable dépendante dépend des fonctions dans la variable indépendante. L’indication du nombre de cas permet de voir si le processus est statistiquement représentatif, car la taille de l’échantillon affecte la mesure.		*'''variables catégorielles / nominale - nominale''' : on fait des tableaux de contingence, on ne peut utiliser les autres techniques. La plupart du temps en science politique on a affaire à ce type de variables, car les réponses donnent lieu à des variables ordinales. Il y a des coefficients qui permettent de donner une mesure unique de la relation entre ces deux variables comme le V de Cramer qui permet de voir l’association entre variables catégorielles. Pour interpréter, il est important que le pourcentage total doit toujours se référer aux catégories de la variable indépendante ; on veut voir comment la distribution sur la variable dépendante dépend des fonctions dans la variable indépendante. L’indication du nombre de cas permet de voir si le processus est statistiquement représentatif, car la taille de l’échantillon affecte la mesure.
	*'''variables cardinales - cardinales''': on ne fait plus un tableau croisé, on à d’autres outils et en particulier l’outil de la régression et de la corrélation :		*'''variables cardinales - cardinales''': on ne fait plus un tableau croisé, on à d’autres outils et en particulier l’outil de la régression et de la corrélation :
	**'''covariation''' : lorsqu’on a deux variables continues, lorsqu’une augmente l’autre augmente de manière proportionnelle ou inversement proportionnelle, les deux variables sont liées dans ce sens.		**'''covariation''' : lorsqu’on a deux variables continues, lorsqu’une augmente l’autre augmente de manière proportionnelle ou inversement proportionnelle, les deux variables sont liées dans ce sens.
	**'''corrélation''' : c’est simplement une covariation standardisée c’est-à-dire qui se situe entre -1 et +1. On standardise pour faire en sorte de comparer des variables qui à la base sont mesurées de manière différente ; si on a par exemple des échelles de 0 à 10 et des échelles allant de 0 à 5 on ne peut comparer ces variables alors il faut faire en sorte de standardiser ces informations. On peut reconduire les variables sur la même échelle ou un logiciel qui calcule une corrélation ~~standardisé~~.		**'''corrélation''' : c’est simplement une covariation standardisée c’est-à-dire qui se situe entre -1 et +1. On standardise pour faire en sorte de comparer des variables qui à la base sont mesurées de manière différente ; si on a par exemple des échelles de 0 à 10 et des échelles allant de 0 à 5 on ne peut comparer ces variables alors il faut faire en sorte de standardiser ces informations. On peut reconduire les variables sur la même échelle ou un logiciel qui calcule une corrélation standardisée.
	**'''régression''' : dans une corrélation on est dans une optique descriptive, on ne cherche pas à voir une direction de la causalité dans une régression on veut voir si deux variables sont associées, liées, corrélées.		**'''régression''' : dans une corrélation on est dans une optique descriptive, on ne cherche pas à voir une direction de la causalité dans une régression on veut voir si deux variables sont associées, liées, corrélées.

Ligne 58 :		Ligne 58 :
	[[Fichier:Régression linéaire.png\|500px\|vignette\|centré]]		[[Fichier:Régression linéaire.png\|500px\|vignette\|centré]]

	C’est un ensemble très varié et parfois complexe d’outils, mais c’est l’outil principal. La régression linéaire est l’élément principal ; une bonne partie des analyses quantitatives faites en science~~-sociales~~ s’appuient sur la régression linéaire.		C’est un ensemble très varié et parfois complexe d’outils, mais c’est l’outil principal. La régression linéaire est l’élément principal ; une bonne partie des analyses quantitatives faites en science sociale s’appuient sur la régression linéaire.

	On parle de linéarité, car on postule qu’il y a une relation linéaire entre les variables qu’on étudie, en d’autres termes il y a une fonction linéaire derrière cette relation ; cependant on peut aussi envisager des régressions qui ne sont pas que linéaires.		On parle de linéarité, car on postule qu’il y a une relation linéaire entre les variables qu’on étudie, en d’autres termes il y a une fonction linéaire derrière cette relation ; cependant, on peut aussi envisager des régressions qui ne sont pas que linéaires.

	On présuppose que ce qu’on veut expliquer est une fonction linéaire d’une ou plusieurs variables indépendantes. Cela est crucial, car la régression linéaire n’est qu’un sous-ensemble d’une famille plus large d’analyses de régressions qui ne se base pas sur une idée de linéarité entre les deux variables.		On présuppose que ce qu’on veut expliquer est une fonction linéaire d’une ou plusieurs variables indépendantes. Cela est crucial, car la régression linéaire n’est qu’un sous-ensemble d’une famille plus large d’analyses de régressions qui ne se base pas sur une idée de linéarité entre les deux variables.
Ligne 68 :		Ligne 68 :
	En terme descriptif il y a une forte corrélation entre ces deux variables ; si une hypothèse dit que c’est l’intérêt pour la politique qui influence la participation alors on fait une analyse de régression.		En terme descriptif il y a une forte corrélation entre ces deux variables ; si une hypothèse dit que c’est l’intérêt pour la politique qui influence la participation alors on fait une analyse de régression.

	On a toujours le problème de l’endogénéité dans ce type d’analyse, on postule que ~~l’’intérêt~~ pour la politique détermine une participation ; on pourrait aussi postuler que plus on participe plus on développe un intérêt pour la politique.		On a toujours le problème de l’endogénéité dans ce type d’analyse, on postule que l’intérêt pour la politique détermine une participation ; on pourrait aussi postuler que plus on participe plus on développe un intérêt pour la politique.

	La participation politique est une fonction linéaire de l’intérêt pour la politique « plus » un facteur constant à savoir la valeur de Y lorsque X est égal à 0 c’est-à-dire quel est mon niveau de participation lorsque l’intérêt pour la politique est nul. Au fond c’est où la droite de régression croise l’axe des ordonnées.		La participation politique est une fonction linéaire de l’intérêt pour la politique « plus » un facteur constant à savoir la valeur de Y lorsque X est égal à 0 c’est-à-dire quel est mon niveau de participation lorsque l’intérêt pour la politique est nul. Au fond c’est où la droite de régression croise l’axe des ordonnées.
Ligne 93 :		Ligne 93 :
	La droite de régression représente la fonction de régression linéaire. On veut regarder de combien augmente Y lorsqu’on augmente X. admettons que les (0 ; 12) sont l’intérêt pour la politique et l’autre la participation politique; on peut voir qu’il y a une corrélation assez forte entre les deux, lorsqu’on a une augmentation de l’intérêt pour la politique on augmente la participation politique.		La droite de régression représente la fonction de régression linéaire. On veut regarder de combien augmente Y lorsqu’on augmente X. admettons que les (0 ; 12) sont l’intérêt pour la politique et l’autre la participation politique; on peut voir qu’il y a une corrélation assez forte entre les deux, lorsqu’on a une augmentation de l’intérêt pour la politique on augmente la participation politique.

	Les points ~~bleu~~ représentent les cas, la droite de régression est l’estimation des valeurs et donc on va regarder dans quelle mesure et comment cette droite rencontre un nuage de points.		Les points bleus représentent les cas, la droite de régression est l’estimation des valeurs et donc on va regarder dans quelle mesure et comment cette droite rencontre un nuage de points.

	La qualité du modèle a à voir à la qualité de l’estimation qui dépend beaucoup de la manière dont sont distribués les points. Il est possible que le nuage de point soit estimé pour une droite qui a la même pente, toutefois la qualité de ~~cette~~ effet est le même alors qu’il est diffèrent parce que la droite ne fait qu’une approximation beaucoup plus précise du nuage de points ou les points sont proches de la droite.		La qualité du modèle a à voir à la qualité de l’estimation qui dépend beaucoup de la manière dont sont distribués les points. Il est possible que le nuage de point soit estimé pour une droite qui a la même pente, toutefois la qualité de cet effet est le même alors qu’il est diffèrent parce que la droite ne fait qu’une approximation beaucoup plus précise du nuage de points ou les points sont proches de la droite.

	Il faut retenir que l’un des principaux instruments privilégiés pour l’analyse quantitative lorsqu’on a à faire à des variables intervalles ou cardinal et l’analyse de la corrélation ou de la régression.		Il faut retenir que l’un des principaux instruments privilégiés pour l’analyse quantitative lorsqu’on a à faire à des variables intervalles ou cardinal et l’analyse de la corrélation ou de la régression.
Ligne 127 :		Ligne 127 :
	L’analyse multiniveau permet de faire une analyse de régression multiniveau, on ajoute des propriétés du contexte et pas seulement des propriétés individuelles ; on intègre des propriétés individuelles et contextuelles. Il y a ce développement important en sciences politiques.		L’analyse multiniveau permet de faire une analyse de régression multiniveau, on ajoute des propriétés du contexte et pas seulement des propriétés individuelles ; on intègre des propriétés individuelles et contextuelles. Il y a ce développement important en sciences politiques.

	= Type de ~~méthode~~ qualitatives =		= Type de méthodes qualitatives =
	On peut faire une distinction entre l’analyse de contenu et l’analyse de discours. Ces termes ne font pas le consensus dans la littérature, certains estiment que l’analyse de discours est un type d’analyse de contenu et pour d’autres ce n’est pas le cas.		On peut faire une distinction entre l’analyse de contenu et l’analyse de discours. Ces termes ne font pas le consensus dans la littérature, certains estiment que l’analyse de discours est un type d’analyse de contenu et pour d’autres ce n’est pas le cas.