© benoit duguay, 2013 plan la séance 11 lanalyse multivariée les tableaux croisés lhypothèse le...

© Benoit Duguay, 2013

Plan la séance 11 L’analyse multivariée

Les tableaux croisés L’hypothèse Le test du khi carré Démonstration du logiciel SPSS (tableaux croisés) Autres types d’analyses multivariées

Comparaison de moyennes Analyses de variance Analyses de corrélation Analyses de régression

Atelier : Réaliser des analyses croisées avec vos données Rencontre de chacune des équipes avec le professeur


Les tableaux croisés

Analyse des données en fonction de deux variables (parfois plus)

Variable indépendante VS variable dépendante

Analyse du pourcentage des réponses selon la variable indépendante

Comparaison des différences entre deux catégories de la variable indépendante


Tableau croisé de la variable « Consommation » selon le sexe

Consommation * Sexe Crosstabulation

17 13 30

17,7% 17,1% 17,4%

64 46 110

66,7% 60,5% 64,0%

15 17 32

15,6% 22,4% 18,6%

96 76 172

100,0% 100,0% 100,0%

Count

% within Sexe

Count

% within Sexe

Count

% within Sexe

Count

% within Sexe

Plus

Comparable

Moins

Consommation

Total

Féminin Masculin

Sexe

Total

Les différences ne sont ni fortes, ni significatives (47,7%, p = 0,523)

Existe-t-il des différences entre les hommes et les femmes dans le niveau de consommation?


L’hypothèse

Proposition, souvent intuitive, qui permet d’expliquer un phénomène, (p. ex. : Les hommes consomment plus que les femmes)

Afin de rejeter ou non une hypothèse, on doit démontrer l’existence de différences significatives entre deux catégories d’une variable (p. ex. féminin ou masculin pour le sexe) par rapport à une autre variable (p. e. le niveau de consommation).

Formulation H0 : %F = %M (hypothèse nulle : il n’existe pas de

différence entre les femmes et les hommes [quant au niveau de consommation])

H1 : %F ≠ %M (hypothèse alternative il existe une différence entre les femmes et les hommes [quant au niveau de consommation])

Dans cet exemple (diapo précédente), on ne rejette PAS l’hypothèse nulle


Test d’hypothèse : le test du khi carré (ou Khi deux – X2)

Un test statistique parmi les plus utiles

Utilisable avec tout type de données : PCQ tous les types de données

peuvent être transformées en données nominales

Détection de différence significatives entre les fréquences observées dans l’étude et les fréquences théoriques attendues

Seuil de signification : probabilité permettant de

rejeter ou non l’hypothèse nulle H0

usuel ≥ 95% (p ≤ 0,05)

Tiré et adapté de: McGown, K.L., Marketing Research: Text and Cases, Winthrop Publishers, 1979, p. 236


Tableau croisé de la variable « Restaurant » selon l’estime de soi

H0 : %SEI- = %SEI moyen = %SEI+ Il n’existe pas de différences entre le pourcentage des

personnes dont l’estime est faible et celui des personnes dont l’estime est forte (quant à la mention du restaurant)

L'estime de soi n'influence pas la mention du restaurant comme produit représentatif de l'image de soi

H1 : %SEI- ≠ %SEI moyen ≠ %SEI+ Il existe des différences entre le pourcentage des

personnes dont l’estime est faible et celui des personnes dont l’estime est forte (quant à la mention du restaurant)

L'estime de soi influence la mention du restaurant comme produit représentatif de l'image de soi



Crosstab

4 9 29 42

10,3% 21,4% 30,9% 24,0%

35 33 65 133

89,7% 78,6% 69,1% 76,0%

39 42 94 175

100,0% 100,0% 100,0% 100,0%

Count

% within SEI personnelregroupé (3-2-3)

Count


Count


Non

Oui

Restaurant

Total

Faible ou trèsfaible (1,2,3) Moyen (4,5)

Fort ou trèsfort (6,7,8)

SEI personnel regroupé (3-2-3)

Total

H0 : %SEI - = %SEI moyen = %SEI +

H1 : %SEI - ≠ %SEI moyen ≠ %SEI +



Chi-Square Tests

6,610a 2 ,037

7,274 2 ,026

6,559 1 ,010

175

Pearson Chi-Square

Likelihood Ratio

Linear-by-LinearAssociation

N of Valid Cases

Value dfAsymp. Sig.

(2-sided)

0 cells (,0%) have expected count less than 5. Theminimum expected count is 9,36.

a.



On peut rejeter H0 (il existe des différences entre %SEI- et %SEI+)

Avec un seuil de signification supérieur à 95 % (p = 0,037) on peut affirmer qu’un pourcentage plus élevé de personnes dont l’estime de soi est faible mentionne le restaurant comme un produit représentatif de l’image de soi

L'estime de soi influence la mention du restaurant comme produit représentatif de l'image de soi


Tableau croisé de l’usage d’internet selon le sexe

Données du tableau 13.1

H0 : %F = %M Il n’existe pas de différences entre le pourcentage

des femmes et celui des hommes (quant l’usage d’Internet)

Le sexe n'influence pas l’usage d’internet

H1 : %F ≠ %M Il existe des différences entre le pourcentage des

femmes et celui des hommes (quant l’usage d’Internet)

Le sexe influence l’usage d’internet




Usage Internet (Classes) * Sexe Crosstabulation

5 10 15

33,3% 66,7% 50,0%

3 5 8

20,0% 33,3% 26,7%

7 0 7

46,7% ,0% 23,3%

15 15 30

100,0% 100,0% 100,0%

Count

% within Sexe

Count

% within Sexe

Count

% within Sexe

Count

% within Sexe

5 hres ou moins /sem.

6 à 10 hres /sem.

11 hres ou plus /sem.

Usage Internet(Classes)

Total

Masculin Féminin

Sexe

Total

H0 : %F = %H

H1 : %F ≠ %H




Chi-Square Tests

9,167a 2 ,010

11,908 2 ,003

7,007 1 ,008

30

Pearson Chi-Square

Likelihood Ratio

Linear-by-LinearAssociation

N of Valid Cases

Value dfAsymp. Sig.

(2-sided)

4 cells (66,7%) have expected count less than 5. Theminimum expected count is 3,50.

a.




On peut rejeter H0 (il existe des différences entre %F = %M)

Avec un seuil de signification égal à 99 % (p = 0,010) on peut affirmer que seulement des hommes utilisent l’Internet 11 heures ou plus par semaine

Inversement, on peut également affirmer qu’un pourcentage deux fois plus élevé de femmes que d’hommes utilisent l’Internet 5 heures ou moins par semaine

Le sexe influence la durée de l’usage d’Internet


L’analyse de corrélation linéaire

Relation entre deux variables métriques (intervalle ou de proportion)

L’augmentation de la variable 1 correspond-t-il à une augmentation ou à une diminution de la variable 2?

Relation linéaire Coefficient de corrélation de

Pearson (r) +1 = relation positive parfaite -1 = relation négative parfaite

Tiré et adapté de : Malhotra, N., traduit par Décaudin, J.M. et A. Bouguerra (2007), Études Marketing avec SPSS, 5e éd., Paris: Pearson Education France.


Balises établies par Cohen (1988) pour estimer l’effet de corrélation

Coefficient de Pearson (r)

Effet

Autour de 0,10 Faible

Autour de 0,30 Moyen

Supérieur à 0,50 Fort

Source : http://pages.usherbrooke.ca/spss/pages/statistiques-inferentielles/correlation.php?searchresult=1&sstring=corr%C3%A9lation


Analyse de corrélation linéaire entre l’âge et l’estime de soi personnelle

Correlations

1 ,169*

,027

173 173

,169* 1

,027

173 175

Pearson Correlation

Sig. (2-tailed)

N

Pearson Correlation

Sig. (2-tailed)

N

Âge

SEI personnel

Âge SEI personnel

Correlation is significant at the 0.05 level (2-tailed).*.

Ho : r = 0 (aucune corrélation entre âge et SEI personnel)

H1 : r ≠ 0 (corrélation entre âge et SEI personnel)


Analyse de corrélation linéaire entre l’âge et l’estime de soi personnelle

On peut rejeter H0 (il existe une corrélation entre l’âge et l’estime de soi personnelle)

Avec un seuil de signification supérieur à 95 % (p = 0,027) on peut affirmer que l’âge influence l’estime de soi personnelle

La valeur positive de r (= +0,169) indique une relation positive entre les variables

En outre, la valeur plus proche de « 0 » que de « +1 » de r indique une corrélation positive imparfaite (plutôt faible)

L’estime de soi personnelle augmente un peu avec l’âge


Analyse de corrélation linéaire entre l’attitude envers la ville et la durée de résidence


Correlations

1 ,936**

,000

12 12

,936** 1

,000

12 12

Pearson Correlation

Sig. (2-tailed)

N

Pearson Correlation

Sig. (2-tailed)

N

Attitude ville

Durée résidence

Attitude villeDurée

résidence

Correlation is significant at the 0.01 level (2-tailed).**.

Ho : r = 0 (aucune corrélation entre attitude et durée)

H1 : r ≠ 0 (corrélation entre attitude et durée)


Analyse de corrélation linéaire entre l’attitude envers la ville et la durée de résidence


On peut rejeter H0 (il existe une corrélation entre l’attitude envers la ville et la durée de résidence)

Avec un seuil de signification supérieur à 99 % (p = 0,000) on peut affirmer que la durée de résidence influence l’attitude envers la ville

La valeur positive de r est (= +0,936) indique une relation positive entre les variables

En outre, la valeur très proche de « +1 » de r indique une corrélation positive presque parfaite (très forte)

L’attitude envers la ville devient plus favorable avec une augmentation de la durée de résidence


Démonstration du logiciel SPSS

Réalisation de plusieurs analyses croisées avec des données fictives : tableau_13_1.sav :

http://eut4115.uqam.ca/spss/tableau_13_1.sav

restaurants_categories.sav : http://eut4115.uqam.ca/spss/restaurants_categories.sav

Source : http://en.wikipedia.org/wiki/SPSS


Les comparaisons de moyennes

Analyser la relation entre une variable non métrique (nominale ou ordinale) et une variable métrique (intervalle ou de proportion)

Comparaison de deux moyennes indépendantes

Comparaison de deux moyennes appareillées

Comparaison de plusieurs moyennes



Moyennes indépendantesTest en t (T-Test)

Hypothèse : H0 : μ1 = μ2 (les moyennes sont identiques)

H1 : μ1 ≠ μ2 (les moyennes sont différentes)

Si les moyennes sont différentes, il existe une relation entre la variable indépendante et la variable dépendante

Rejeter H0 si t > 1,98 ou t < -1,98

p ≤ 0,05, seuil de signification ≥ 95 %



Moyennes indépendantes Analyse de la variable « Spectacle

culturel » selon l’estime de soi

Independent Samples Test

7,641 ,006 2,694 173 ,008 ,948 ,352 ,254 1,643

3,123 79,156 ,003 ,948 ,304 ,344 1,552

Equal variancesassumed

Equal variancesnot assumed

SEI personnelF Sig.

Levene's Test forEquality of Variances

t df Sig. (2-tailed)Mean

DifferenceStd. ErrorDifference Lower Upper

95% ConfidenceInterval of the

Difference

t-test for Equality of Means

Bilatéral

Group Statistics

39 6,10 1,553 ,249

136 5,15 2,033 ,174

Spectacle culturelNon

Oui

SEI personnelN Mean Std. Deviation

Std. ErrorMean

H0 : μ1 = μ2 (Moyenne SEI NON = Moyenne SEI OUI)

H1 : μ1 ≠ μ2 (Moyenne SEI NON ≠ Moyenne SEI OUI)


Moyennes indépendantes Analyse de la variable « Spectacle

culturel » selon l’estime de soi Les personnes qui mentionnent le spectacle culturel

comme un produit représentatif de leur image sont plus nombreuses que celles qui ne mentionnent pas ce produit (136 VS 39)

L’écart des moyennes (6,10 VS 5,15) est significatif (t = 2,694)

On peut rejeter H0 (les moyennes sont différentes) Avec un seuil de signification supérieur à 99 % (p = 0,008)

on peut affirmer que la moyenne de l’estime de soi des personnes qui mentionnent le spectacle culturel comme un produit représentatif de leur image est plus faible

L’estime de soi personnelle influence la mention du spectacle culturel comme produit représentatif de l’image de soi


Moyennes indépendantes Analyse de l’usage d’Internet selon le sexe

Données du Tableau 13.1

Independent Samples Test

21,681 ,000 4,354 27 ,000 5,490 1,261 2,903 8,078

4,237 16,267 ,001 5,490 1,296 2,747 8,234

Equal variancesassumed

Equal variancesnot assumed

Usage Internet(Hres/Sem.)

F Sig.

Levene's Test forEquality of Variances

t df Sig. (2-tailed)Mean

DifferenceStd. ErrorDifference Lower Upper


Difference

t-test for Equality of Means

Bilatéral

Group Statistics

14 9,36 4,568 1,221

15 3,87 1,685 ,435

SexeMasculin

Féminin

Usage Internet(Hres/Sem.)

N Mean Std. DeviationStd. Error

Mean

H0 : μ1 = μ2 (Moyenne F = Moyenne M)

H1 : μ1 ≠ μ2 (Moyenne F ≠ Moyenne M)


Moyennes indépendantes Analyse de l’usage d’Internet selon le sexe

Données du Tableau 13.1

L’écart des moyennes (9,36 VS 3,87) est significatif (t = 4,354)

On peut rejeter H0 (les moyennes sont différentes)

Avec un seuil de signification supérieur à 99 % (p = 0,000) on peut affirmer que le nombre d’heures d’usage d’Internet est plus élevé pour les hommes (9,36) que pour les femmes (3,87)

Le sexe influence l’usage de l’Internet


Moyennes appareilléesTest en t (T-Test)

Hypothèse : H0 : μ1 = μ2 (les moyennes sont identiques)

H1 : μ1 ≠ μ2 (les moyennes sont différentes)

Si les moyennes sont identiques, il existe une relation entre les deux variables

Rejeter H0 si t > 1,98 ou t < -1,98

p ≤ 0,05, seuil de signification ≥ 95 %



Paired Samples Statistics

6,75 174 1,049 ,080

5,37 174 1,977 ,150

SEI social

SEI personnel

Pair1

Mean N Std. DeviationStd. Error

Mean

H0 : μ1 = μ2 (Moyenne SEI social = Moyenne SEI personnel)

H1 : μ1 ≠ μ2 (Moyenne SEI social ≠ Moyenne SEI personnel)

Paired Samples Test

1,39 1,961 ,149 1,09 1,68 9,317 173 ,000SEI social -SEI personnel

Pair1

Mean Std. DeviationStd. Error

Mean Lower Upper


Difference

Paired Differences

t df Sig. (2-tailed)

Moyennes appareillées Analyse de l’estime de soi sociale et de

l’estime de soi personnelle


Moyennes appareillées Analyse de l’estime de soi sociale et de

l’estime de soi personnelle L’écart des moyennes (6,75 VS 5,37) est significatif

(t = 9,317 ) On peut rejeter H0 (les moyennes sont différentes)

Avec un seuil de signification supérieur à 99 % (p = 0,000) on peut affirmer que les moyennes de l’estime de soi sociale et de l’estime de soi personnelle sont différentes

Il n’existe pas de relation entre ces deux aspects de l’estime de soi


Paired Samples Statistics

5,17 30 1,234 ,225

4,10 30 1,398 ,255

Attitude Internet

Attitude technologie

Pair1

Mean N Std. DeviationStd. Error

Mean

H0 : μ1 = μ2 (Moyenne Internet = Moyenne Technologie)

H1 : μ1 ≠ μ2 (Moyenne Internet ≠ Moyenne Technologie)

Paired Samples Test

1,067 ,828 ,151 ,758 1,376 7,059 29 ,000Attitude Internet -Attitude technologie

Pair1

Mean Std. DeviationStd. Error

Mean Lower Upper


Difference

Paired Differences

t df Sig. (2-tailed)

Moyennes appareillées Analyse de l’attitude envers Internet et de

l’attitude envers la technologie Données du Tableau 13.1


Moyennes appareillées Analyse de l’attitude envers Internet et de

l’attitude envers la technologie Données du Tableau 13.1

L’écart des moyennes (5,17 VS 4,10) est significatif (t = 7,059 )

On peut rejeter H0 (les moyennes sont différentes)

Avec un seuil de signification supérieur à 99 % (p = 0,000) on peut affirmer que les moyennes de l’attitude envers Internet et de l’attitude envers la technologie sont différentes

Il n’existe pas de relation entre les deux attitudes


Plusieurs moyennesAnalyse de variance

Hypothèse : H0 : μ1 = μ2 = μ3 (les moyennes sont identiques)

H1 : μ1 ≠ μ2 ≠ μ3 (les moyennes sont différentes)

Si les moyennes sont différentes, il existe une relation entre la variable indépendante et la variable dépendante

Rejeter H0 si l’un ou l’autre des critères suivants est satisfait : Fcalculé ≥ Ftable

p ≤ 0,05 (seuil de signification ≥ 95 %)



Plusieurs moyennes Analyse de variance du niveau de

consommation selon le revenu

Descriptives

Revenu

29 9,14 4,249 ,789 7,52 10,75 1 15

108 6,80 4,499 ,433 5,94 7,65 1 15

32 6,13 3,722 ,658 4,78 7,47 1 15

169 7,07 4,406 ,339 6,40 7,74 1 15

Plus

Comparable

Moins

Total

N Mean Std. Deviation Std. Error Lower Bound Upper Bound

95% Confidence Interval forMean

Minimum Maximum

Ho : μ1 = μ2 = μ3 (Moyenne Plus = Moyenne Comparable = Moyenne Moins)

H1 : μ1 ≠ μ2 ≠ μ3 (Moyenne Plus ≠ Moyenne Comparable ≠ Moyenne Moins)

ANOVA

Revenu

160,681 2 80,341 4,301 ,015

3100,467 166 18,678

3261,148 168

Between Groups

Within Groups

Total

Sum ofSquares df Mean Square F Sig.

Ftable = 3,07 si p = 0,05


Plusieurs moyennes Analyse de variance du niveau de consommation

selon le revenu


Plusieurs moyennes Analyse de variance du niveau de

consommation selon le revenu

On peut rejeter H0 (les moyennes sont différentes) Fcalculé = 4,301 ≥ Ftable = 3,07 p = 0,015 ≤ 0,05

L’écart des moyennes (9,14 VS 6,80 VS 6,13) est significatif

Avec un seuil de signification supérieur à 95 % (p = 0,015), on peut affirmer que les personnes dont la moyenne du revenu est plus élevée affirment consommer davantage

Une augmentation du revenu augmente le niveau de consommation (ce qui n’est pas surprenant à vrai dire)


Plusieurs moyennes Analyse de variance de l’usage d’internet

selon l’attitude envers Internet Données du Tableau 13.1

Descriptives

Attitude Internet

15 4,73 1,223 ,316 4,06 5,41 3 7

8 5,13 ,991 ,350 4,30 5,95 3 6

7 6,14 1,069 ,404 5,15 7,13 4 7

30 5,17 1,234 ,225 4,71 5,63 3 7

5 hres ou moins /sem.

6 à 10 hres /sem.

11 hres ou plus /sem.

Total

N Mean Std. Deviation Std. Error Lower Bound Upper Bound

95% Confidence Interval forMean

Minimum Maximum

Ho : μ1 = μ2 = μ3 (Moyenne 5- = Moyenne 6-10 = Moyenne 11+)

H1 : μ1 ≠ μ2 ≠ μ3 (Moyenne 5- ≠ Moyenne 6-10 ≠ Moyenne 11+)

ANOVA

Attitude Internet

9,501 2 4,751 3,700 ,038

34,665 27 1,284

44,167 29

Between Groups

Within Groups

Total


Ftable = 3,35 si p = 0,05

© Benoit Duguay, 2013Plusieurs moyennes Analyse de variance de l’usage d’internet selon

l’attitude envers Internet - Données du Tableau 13.1


Plusieurs moyennes Analyse de variance de l’usage d’internet

selon l’attitude envers Internet Données du Tableau 13.1

On peut rejeter H0 (les moyennes sont différentes) : Fcalculé = 3,700 ≥ Ftable = 3,35 p = 0,038 ≤ 0,05

L’écart des moyennes (4,73 VS 5,13 VS 6,14) est significatif

Avec un seuil de signification supérieur à 95 % (p = 0,038), on peut affirmer que les personnes qui font un usage d’Internet de 11 heures ou plus par semaine ont une attitude en moyenne plus positive que celles qui l’utilisent pendant 6 à 10 heures ou 5 heures et moins

Une attitude positive envers Internet augmente l’usage d’Internet (ce qui n’est pas surprenant à vrai dire)


L’analyse de régression linéaire simple

Relation de dépendance entre deux variables métriques (intervalle ou de proportion) : Modèle de prédiction Yi = β0 + β1Xi + ei

Yi = variable dépendante β0 = constante (origine) β1 = coefficient de régression Xi = variable indépendante ou

explicative ei = erreur (ou résidus)

Variation totale expliquée : r2 = coefficient de détermination r2 varie entre 0 et 1

Rejeter H0 si F ≥ 3,07



Analyse de régression linéaire entre l’estime de soi personnelle et l’âge

Coefficientsa

4,142 ,564 7,347 ,000

,038 ,017 ,169 2,237 ,027

(Constant)

Âge

Model1

B Std. Error

UnstandardizedCoefficients

Beta

StandardizedCoefficients

t Sig.

Dependent Variable: SEI personnela.

β1

Ho : β1 = 0 (aucune relation entre SEI et âge)H1 : β1 ≠ 0 (SEI varie avec âge)

β0

ANOVAb

18,978 1 18,978 5,002 ,027a

648,802 171 3,794

667,780 172

Regression

Residual

Total

Model1


Predictors: (Constant), Âgea.

Dependent Variable: SEI personnelb.



Model Summary

,169a ,028 ,023 1,948Model1

R R SquareAdjustedR Square

Std. Error ofthe Estimate

Predictors: (Constant), Âgea.



β0



On peut rejeter H0 (F = 5,002)

L’âge exerce une influence sur l’estime de soi personnelle

SEIi = 4,142 + 0,038(âgei) + ei

Avec un seuil de signification supérieur à 95 % (p = 0,027) on peut affirmer que pour chaque augmentation d’un an de l’âge, l’estime de soi personnelle augmente de 0,038

Le modèle explique 2,8 % de la variation (r2 = 0,028)


Analyse de régression linéaire entre l’attitude envers la ville et la durée de résidence

ANOVAb

105,952 1 105,952 70,803 ,000a

14,964 10 1,496

120,917 11

Regression

Residual

Total

Model1


Predictors: (Constant), Durée résidencea.

Dependent Variable: Attitude villeb.

Coefficientsa

1,079 ,743 1,452 ,177

,590 ,070 ,936 8,414 ,000

(Constant)

Durée résidence

Model1

B Std. Error


Beta


t Sig.

Dependent Variable: Attitude villea.

Ho : β1 = 0 (aucune relation entre l’attitude et la durée)H1 : β1 ≠ 0 (attitude varie avec durée)

β1

β0



Model Summaryb

,936a ,876 ,864 1,223Model1



Predictors: (Constant), Durée résidencea.




β0



On peut rejeter H0 (F = 70,803) avec un seuil de signification supérieur à 99 % (p = 0,000)

La durée de résidence exerce une influence sur l’attitude positive envers la ville

Attitudei = 1,079 + 0,590(duréei) + ei

On peut affirmer que pour chaque augmentation d’un an de la durée de résidence, l’attitude positive envers la ville augmente de 0,590



L’analyse de régression multiple

Relation de dépendance entre trois, ou plus, variables métriques : Modèle de prédiction Yi = β0 + (β1X1)i+ (β2X2)i + (β3X3)i +… + ei

Yi = variable dépendante

β0 = constante (origine)

Β1-n = coefficients de régression

X1-n = variables indépendantes ou explicatives

ei = erreur (ou résidus)

Variation totale expliquée : r2 = coefficient de détermination r2 varie entre 0 et 1 Test t (T-Test) indique l’influence relative de

chaque variable

Rejeter H0 si F ≥ 3,07



Régression multiple entre les ventes, la publicité, l’expérience du cuisinier et le diplôme ITHQ (Données restaurants.sav)

ANOVAb

483197,0 3 161065,675 2814,032 ,000a

457,893 8 57,237

483654,9 11

Regression

Residual

Total

Model1


Predictors: (Constant), Diplôme ITHQ, Publicité ($), Expérience (ans)a.

Dependent Variable: Ventes (000$)b.

Coefficientsa

150,767 6,124 24,619 ,000

,094 ,008 ,585 11,749 ,000

27,647 4,940 ,333 5,596 ,001

54,243 9,707 ,117 5,588 ,001

(Constant)

Publicité ($)

Expérience (ans)

Diplôme ITHQ

Model1

B Std. Error


Beta


t Sig.

Dependent Variable: Ventes (000$)a.

β1

β2

Ho : β1-n = 0 (aucun effet durée pub., expérience et diplôme sur ventes)H1 : β1-n ≠ 0 (ventes varient en fonction pub., expérience et diplôme)

β0

β3


Model Summaryb

1,000a ,999 ,999 7,565Model1



Predictors: (Constant), Diplôme ITHQ, Publicité ($),Expérience (ans)

a.

Dependent Variable: Ventes (000$)b.





La publicité, l’expérience du cuisinier et le diplôme de l’ITHQ exercent une influence sur les ventes d’un restaurant

Ventesi = 150,767 + 0,094 (publicitéi) + 27,647 (expériencei) + 54,243 (diplômei) + ei

On peut affirmer que : pour chaque augmentation de 1$ de publicité, les ventes

augmentent de 94$ (t = 11,749; p = 0,000) pour chaque augmentation d’un an d’expérience du

cuisinier, les ventes augmentent de 27 647$ (t = 5,596; p = 0,001)

avec l’obtention d’un diplôme de l’ITHQ, les ventes augmentent en moyenne de 54 243$ (t = 5,588; p = 0,001)



Régression multiple entre attitude envers la ville, durée de résidence et importance attachée climat (Données Tableau 15.1)

ANOVAb

114,264 2 57,132 77,294 ,000a

6,652 9 ,739

120,917 11

Regression

Residual

Total

Model1


Predictors: (Constant), Importance climat, Durée résidencea.


Coefficientsa

,337 ,567 ,595 ,567

,481 ,059 ,764 8,160 ,000

,289 ,086 ,314 3,353 ,008

(Constant)

Durée résidence

Importance climat

Model1

B Std. Error


Beta


t Sig.

Dependent Variable: Attitude villea.

β1

β2

Ho : β1-n = 0 (aucun effet durée résid. et import. climat sur attitude)H1 : β1-n ≠ 0 (attitude varie en fonction durée résid. et import. climat)

β0


Model Summaryb

,972a ,945 ,933 ,860Model1



Predictors: (Constant), Importance climat, Duréerésidence

a.






La durée de résidence et l’importance attachée au climat exercent une influence sur l’attitude positive envers la ville

Attitudei = 0,337 + 0,481 (duréei) + 0,289 (importancei) + ei

On peut affirmer que : pour chaque augmentation d’un an de la durée de résidence,

l’attitude positive envers la ville augmente de 0,481 (t = 8,160; p = 0,000)

pour chaque augmentation de « 1 » de l’importance attachée au climat, l’attitude positive envers la ville augmente de 0,289 (t = 3,353; p = 0,008)



Atelier

Réaliser des analyses croisées avec vos données

Consignes pour les étudiants : Placer la variable

indépendante dans la colonne (position en français dans SPSS)

Demander les statistiques khi deux et corrélation

Demander le pourcentage de la colonne

Rencontre de chacune des équipes avec le professeur

© benoit duguay, 2013 plan la séance 11 lanalyse multivariée les tableaux croisés lhypothèse le...

Documents