Modélisation statistique appliquée aux sciences sociales

Auteur(s) :

Bressoux, Pascal Découvrir l'auteur

Résumé

Présentation des techniques de modélisation statistique fondées sur l'analyse de régression et appliquées aux sciences sociales. L'accent est mis sur l'application des techniques de modélisation et sur l'interprétation des estimations. Avec les programmes et bases de données SAS et SPSS téléchargeables sur Internet.

Éditeur(s)
- De Boeck
Date
- DL 2010
Notes
- La p. de titre porte en plus : "doctorat, master, licence".
- Bibliogr. p. 425-431. Index
Langues
- Français
Description matérielle
- 1 vol. (464 p.) : graph. ; 24 cm
Collections
- Méthodes en sciences humaines
Sujet(s)
- Problèmes et exercices
- Sciences sociales -- Méthodes statistiques
ISBN
- 978-2-8041-6364-8
Indice
- 3(07) Sciences sociales. Manuels
Quatrième de couverture
- Principes, applications et interprétations de différentes techniques de modélisation statistique, classiques ou avancées, linéaires ou non linéaires, incluant les modèles par les moindres carrés ordinaires, les modèles logit (logistiques), les modèles multiniveaux (hiérarchiques)
  
  Méthodologie progressive, avec de nombreux exemples
  
  Logiciels utilisés : MLwin et SAS (transposable en SPSS)
  
  Illustré par des tableaux et des captures d'écrans
  
  Nouvelle édition incluant en téléchargement des exercices d'entraînement sur les bases de données et les programmes SAS ou SPSS de mise en oeuvre des analyses
  
  Destiné aux étudiants et chercheurs en sciences de l'éducation, économie, psychologie, STAPS (sciences et techniques des activités physiques et sportives), méthodologie statistique, sociologie, démographie, géographie, agronomie et biologie
Tables des matières
- - Modélisation statistique appliquée aux sciences sociales
  - Pascal Bressoux
  - De boeck
  - Avant-propos7
  - Chapitre 1 Ésquisse d'une épistémologie de la modélisation statistique en sciences sociales11
  - 1.1 Formalisme et modélisation 12
  - 1.1.1 Consensus et dissensions dans les sciences sociales12
  - 1.1.2 Faits virtuels et faits actuels13
  - 1.1.3 Modélisation15
  - 1.1.4 Syntaxe et sémantique16
  - 1.1.5 Formalisme et irréalité18
  - 1.1.6 Modèles purs et modèles à déictiques19
  - 1.2 La modélisation statistique 20
  - 1.2.1 Deux fonctions des statistiques20
  - 1.2.2 La notion de modèle statistique : l'importance du terme d'erreur stochastique25
  - 1.2.3 Le point de vue a-modélisateur de J.-P. Benzécri26
  - 1.2.4 Modèle statistique et analyse factorielle : des méthodes antinomiques ?36
  - Chapitre 2 Modéliser des relations simples41
  - 2.1 Différentes échelles de mesure 41
  - 2.2 Déterminer la fonction qui lie Y à X 44
  - 2.2.1 Comment déterminer cette fonction ?47
  - 2.2.2 La fonction statistique48
  - 2.2.3 Modèle théorique et modèle empirique49
  - 2.3 La droite de régression par les moindres carrés ordinaires (MCO) 51
  - 2.3.1 Propriétés des MCO et signification des coefficients52
  - 2.3.2 Hypothèses liées ou modèle linéaire MCO54
  - 2.3.3 Inférence statistique57
  - 2.3.4 Pouvoir explicatif du modèle : le coefficient de détermination R²82
  - 2.3.5 Diagnostics sur la régression : analyser les résidus86
  - 2.4 Un cas appliqué d'analyse de régression simple 87
  - 2.5 Annexe au chapitre 2 95
  - Chapitre 3 Modéliser des relations multiples 97
  - 3.1 Intérêts de la régression multiple 97
  - 3.2 Expression formalisée du modèle de régression multiple 99
  - 3.3 Hypothèses liées à la régression multiple 100
  - 3.4 Signification des hypothèses et conséquences de leur violation 103
  - 3.4.1 Signification et conséquences d'une violation de H1 (linéarité et additivité)103
  - 3.4.2 Signification et conséquences d'une violation de H2 (en particulier, variables explicatives supposées mesurées sans erreur)104
  - 3.4.3 Signification et conséquences d'une violation de H3 (moyenne nulle et erreur indépendante de X)105
  - 3.4.4 Signification et conséquences d'une violation de H4 (homoscédasticité)106
  - 3.4.5 Signification et conséquences d'une violation de H5 (indépendance des erreurs)108
  - 3.4.6 Signification et conséquences d'une violation de H6 (normalité)109
  - 3.4.7 Signification et conséquences d'une violation de H7 (pas de colinéarité parfaite)110
  - 3.5 Pouvoir explicatif du modèle et gain de variance expliquée 110
  - 3.6 Inférence statistique 113
  - 3.6.1 Significativité globale du modèle113
  - 3.6.2 Significativité du gain de variance expliquée114
  - 3.6.3 Significativité des variables115
  - 3.7 Une variable explicative est quantitative, les autres sont qualitatives : analyse de la covariance 115
  - 3.7.1 Cas de variables qualitatives dichotomiques116
  - 3.7.2 Cas de variables qualitatives polytomiques127
  - 3.8 Plusieurs variables explicatives sont quantitatives 133
  - 3.9 Coefficients de régression standardisés 135
  - 3.10 Mauvaise spécification de modèle, par un choix erroné dans les variables explicatives 137
  - 3.10.1 Une ou plusieurs variables non pertinentes sont incluses dans le modèle138
  - 3.10.2 Une ou plusieurs variables pertinentes sont exclues du modèle139
  - 3.11 Diagnostics et remédiation 141
  - 3.11.1 Analyse des résidus141
  - 3.11.2 Les problèmes de multicolinéarité142
  - 3.12 Un cas appliqué d'analyse de régression multiple 146
  - 3.13 Conclusion du chapitre : la démarche de spécification des modèles 153
  - 3.13.1 Une autre démarche de spécification possible154
  - 3.13.2 Eviter de procéder selon les recettes de manuels154
  - 3.14 Annexe au chapitre 3 156
  - Chapitre 4 Modéliser des interactions et des non-linéarités 157
  - 4.1 Modéliser des interactions 157
  - 4.1.1 Cas d'une interaction où la variable modératrice est qualitative159
  - 4.1.2 Cas d'une interaction où la variable modératrice est quantitative174
  - 4.2 Modéliser des non-linéarités 191
  - 4.2.1 Modéliser des non-linéarités simples192
  - 4.2.2 Modéliser des interactions et des non-linéarités complexes210
  - 4.3 Annexe au chapitre 4 218
  - 4.3.1 Effet de la transformation des variables explicatives par l'ajout d'un terme constant dans un modèle sans terme d'interaction218
  - 4.3.2 Programme SAS permettant de spécifier un modèle avec interaction, avec édition de la matrice de variance-covariance des coefficients de régression218
  - Chapitre 5 Modéliser des variables-réponses qualitatives : la régression logistique 221
  - 5.1 Le modèle linéaire de probabilité 222
  - 5.2 Le modèle linéaire généralisé 227
  - 5.3 Le modèle logistique pour variables-réponses dichotomiques ou modèle logit binaire 228
  - 5.3.1 La notion d'odds229
  - 5.3.2 Présentation du modèle logistique (ou logit)231
  - 5.3.3 Inférence statistique240
  - 5.3.4 Pouvoir explicatif du modèle245
  - 5.3.5 Coefficients standardisés248
  - 5.3.6 Analyse des résidus250
  - 5.3.7 Les problèmes de multicolinéarité251
  - 5.3.8 Modéliser des interactions et des non-linéarités avec le modèle logit251
  - 5.4 Le modèle logistique pour variables-réponses polytomiques 255
  - 5.4.1 L'interprétation en termes d'odds259
  - 5.4.2 L'interprétation en termes de probabilités estimées260
  - 5.4.3 Modèle logit multinomial ou ensemble de modèle logit binaires ?262
  - 5.5 Le modèle logistique pour variables-réponses ordinales 263
  - 5.5.1 Mettre en pratique le modèle logit multinomial pour variables ordinales268
  - 5.6 Annexe au chapitre 5 269
  - 5.6.1 Programmes SAS pour l'estimation des modèles logit269
  - Chapitre 6 Modéliser des données hiérarchisées : les modèles multiniveaux 271
  - 6.1 L'analyse de contexte 273
  - 6.1.1 Quelques distinctions conceptuelles et leur opérationnalisation273
  - 6.1.2 L'erreur écologique ou biais d'agrégation274
  - 6.2 Les modèles utilisant les moindres carrés ordinaires : des a priori inadaptés à l'analyse des effets de contexte 276
  - 6.2.1 La non-indépendance des résidus276
  - 6.2.2 L'hétéroscédasticité277
  - 6.2.3 Agrégation versus désagrégation278
  - 6.2.4 L'hétérogénéité des relations285
  - 6.2.5 Effets fixes et effets aléatoires286
  - 6.3 Les modèles multiniveaux : une solution adéquate à l'analyse des effets de l'environnement sur les individus 290
  - 6.3.1 Le modèle «vide» équivalant à une ANOVA avec effets aléatoires291
  - 6.3.2 Le modèle à constantes aléatoires295
  - 6.3.3 Estimer les effets de groupe aléatoires (posterior means)301
  - 6.3.4 Le modèle multiniveau complet : constantes et pentes aléatoires302
  - 6.3.5 Etude des composants de la variance et modélisation de l'hétéroscédasticité310
  - 6.4 Le pouvoir explicatif du modèle 313
  - 6.5 Inférence statistique 316
  - 6.5.1 Significativité de chaque paramètre séparément316
  - 6.5.2 Maximum de vraisemblance «complet» et maximum de vraisemblance restreint317
  - 6.5.3 La significativité testée à l'aide de la déviance318
  - 6.6 Analyser la validité des modèles multiniveaux 321
  - 6.6.1 Les hypothèses des modèles multiniveaux321
  - 6.6.2 Examiner les propriétés du modèle322
  - 6.6.3 Conditions d'utilisation du modèle multiniveau325
  - 6.7 Quelques problèmes dans l'estimation des modèles multiniveaux 326
  - 6.7.1 Pourquoi certaines estimations sont parfois strictement égales à zéro326
  - 6.7.2 Problèmes de non-convergence326
  - 6.7.3 La question de la centration des variables327
  - 6.8 Un cas appliqué d'analyse multiniveau 330
  - 6.9 Dans quels cas les modèles multiniveaux sont-ils vraiment nécessaires ? 334
  - 6.10 Annexe au chapitre 6 337
  - Chapitre 7 Modéliser des données complexes : les extensions des modèles multiniveaux 339
  - 7.1 Modéliser une variance complexe au niveau 1 339
  - 7.2 Le modèle à trois niveaux (ou plus) 345
  - 7.3 Les modèles aléatoires croisés 352
  - 7.3.1 Modéliser des structures non strictement hiérarchisées352
  - 7.3.2 Présentation du modèle aléatoire croisé353
  - 7.4 Les modèles de croissance 359
  - 7.4.1 Pertinence d'une structure hiérarchisée comme cadre d'analyse longitudinale359
  - 7.4.2 Présentation du modèle multiniveau de croissance364
  - 7.4.3 Modéliser des fonctions non linéaires de croissance376
  - 7.4.4 L'intérêt des régresseurs qui varient dans le temps380
  - 7.4.5 Tester des structures alternatives de la matrice de variance-covariance des erreurs395
  - 7.5 Modéliser des variables-réponses qualitatives : les modèles logit multiniveaux 405
  - 7.5.1 Principes des modèles logit multiniveaux405
  - 7.5.2 Le modèle logit multiniveau avec constantes aléatoires407
  - 7.5.3 Le modèle logit multiniveau complet (avec constantes et pentes aléatoires)417
  - 7.5.4 Conclusion sur les modèles logit multiniveaux419
  - 7.6 Annexe au chapitre 7 420
  - 7.6.1 Programmes SAS pour estimer des modèles multiniveaux420
  - 7.6.2 Sites de logiciels pour l'analyse multiniveau (utilisés dans les chapitres 6 et 7)422
  - Bibliographie425
  - Index des auteurs433
  - Index des termes437
  - Liste des tableaux445
  - Liste des Figures451
  - Table des matières459
Origine de la notice:
- FR-751131015