master marketing / pierre desmet 1 expérimentation - etablir lexistence dune relation de causalite...
TRANSCRIPT
Master MARKETING / Pierre Desmet 1
Expérimentation
-Etablir l’existence d’une relation de CAUSALITE entre deux variables
-En contrôlant l’effet des autres variables importantes
2 SommaireSommaire© Pierre DESMET, 2010
EXPERIMENTATION
On cherche à mettre en évidence une relation de cause à effet entre une variable d’action X (VI variable indépendante) et Y une variable dépendante (VD)
Conditions expérimentales à respecter pour établir la relation Variation concomitante (dx, dy) Séquence temporelle Présence manipulée Absence de corrélation entre les variables indépendantes
(orthogonalité) Élimination des autres causes possibles Élimination des effets des variables parasites par l’affectation
aléatoire des individus (randomisation), sinon quasi-expérimentation
Vérifier Le succès d’une manipulation (manipulation check) sur la perception
des variables manipulées
Quel contexte ? Naturel (conditions réelles) Laboratoire Scénarios
Utilisation : pré-test, tests comparatifs, marche test, analyse conjointe,…
3 SommaireSommaire© Pierre DESMET, 2010
De nombreux effets indésirables
Les sources des effets indésirables
Traitement (E) Effet de la manipulation
Histoire (H) évolution de l’environnement, de l’information disponible
Contamination (I) Modification des réponses en fonction de la connaissance de l’objet de l’expérimentation ou des caractéristiques de l’expérience (effet Hawthorne)
Maturation (M) évolution des sujets (t, t+n), apprentissage
Test (T) Changement des réponses, ou biais, provoqué par la mesure
Sélection (S) Variation dans la composition de l’échantillon : Auto-sélection; échantillonnage; non réponse
Instrumentation Changement dans l’instrument de mesure (enquêteur, mode d’interrogation…)
Effet expérimentateur (Rosenthal) : influence des croyances de l’expérimentateur (concernant l’étude) sur les réponses des participants
Régression statistique Présence de valeurs extrêmes; sélection successive en fonction de réponses précédentes
Mortalité Réduction de l’échantillon par le refus de participation : collecte contraignante
Validités- Interne : contrôle des variables parasites- Externe : capacité d’appliquer les résultats sur une autre population (effet de l’échantillon, du temps, du contexte,…)
4 SommaireSommaire© Pierre DESMET, 2010
Plans expérimentaux
Quelles comparaisons ? Entre les groupes d’individus (échantillons indépendants)
comparaison entre les groupes (between) Comparabilité des échantillons Limite l’effet « cobaye »
Entre les réponses d’un même groupe (échantillons appariés) évaluation successive (within) Élimine la variance individuelle Biais de l’effet d’ordre (rotation des stimuli) à contrôler Moins gourmand en effectif
Expérimentation Double affectation aléatoire des individus aux cellules ; des traitements
aux cellules
Observation – Mesure
Traitement
Grandes classes Quasi-expérimental :
« après seulement » Pas de contrôle de l’affectation aléatoire
A
O
X
Après seulement
Groupe 1 X O1
5 SommaireSommaire© Pierre DESMET, 2010
Plans classiques
Après avec groupe de contrôle Comparaison de 2 échantillons indépendants
Avant-après
Avant-après avec groupe de contrôle
Plan Solomon
Avant - Après – Groupe de contrôle
Groupe 1 A O1 X O2
Groupe 2 A O3 O4
Solomon 4 groupes
Groupe 1 A O1 X O2
Groupe 2 A O3 O4
Groupe 3 A X O5
Groupe 4 A O6
Après seulement – Groupe de contrôle
Groupe 1 A X O1
Groupe 2 A O2
Avant - Après – Groupe de contrôle
Groupe 1 A O1 X O2
6 SommaireSommaire© Pierre DESMET, 2010
Mesure spécifique des effets par soustraction
Source : Lambin JJ La recherche Marketing, McGraw Hill
X O1 ?
O1 X O2 O2-O1 E H I M (T) (S)
X O1
O2 O2-O1 E (T) (S)
O1 X O2 O2-O1 E H I M (T) (S)
O3 O4 O4-O3 H M (T) (S)
(O2-O1)-(O4-O3) E I
O1 X O2 D1= O2-O1 E H I M (T) (S)
O3 O4 D2= O4-O3 H M (T) (S)
X O5 D3= O5-(O2+O4)/2 E H (T) (S)
O6 D4= O6-(O2+O4)/2 H (S)
O6 D5= O6-O5 E (T) (S)
D4-D3 = E
D3-D5 = H
D1-D3-(D2-D4) = I
D2-D4 = M
D4+D5-D3 = (T) (S)
7 SommaireSommaire© Pierre DESMET, 2010
Plusieurs variables manipulées
Un plan est complet s’il comporte toutes les combinaisons possibles des
modalités équilibré s’il comporte les mêmes effectifs par traitement
Plans Complet : toutes les possibilités Le nombre de cellules (c) est le produit du nombre des modalités
2*2 =4, 3*3*3 = 27 … Permet de tester les effets d’interaction Grand nombre d’individus : c. n
Avec (n . GE. 30 )
On cherche à réduire le nombre des unités statistiques par des plans statistiques Au PRIX de l’abandon de la possibilité d’étudier les interactions
Plan Fractionné : combinaisons choisies des modalités Toutes les modalités ne sont pas croisées entre elles Combinaison particulière des modalités de plusieurs variables sur
différents groupes Moins de cellules donc moins gourmand en effectifs
Plan factoriel 2 variables (X, Y)
X y
Groupe 1 1 1
Groupe 2 1 2
Groupe 3 2 1
Groupe 4 2 2
8 SommaireSommaire© Pierre DESMET, 2010
Plans statistiques
Plan fractionné : Carré latin (Tag L4) 3 variables (X, Y, Z), Le même nombre de modalités (3) Il y a 9 groupes au lien de 27 Chaque case est un groupe
Exemple : le groupe 3 reçoit [3, 1, 2]
Autres tailles Gréco-latin : 4 variables Hyper-gréco-latin : 5 variables
Plan factoriel complet en blocs aléatoires Groupage des individus selon une variable à contrôler
Carré latin 3 variables
X1 X2 X3
Y1 Z1 Z3 Z2
Y2 Z3 Z2 Z1
Y3 Z2 Z1 Z3
3
Carré latin
B1 B2 B3 B4
A1 C1 C2 C3 C4
A2 C2 C3 C4 C1
A3 C3 C4 C1 C2
A4 C4 C3 C2 C1
Gréco latin
B1 B2 B3 B4 B5
A1 C1 C3 C5 C4 C2
A2 C5 C2 C1 C3 C4
A3 C3 C4 C2 C1 C5
A4 C4 C5 C3 C2 C1
A5 C2 C1 C4 C5 C3
9 SommaireSommaire© Pierre DESMET, 2010
Grand nombre de facteurs : Plackett et Burman
7
11
Source : http://www.itl.nist.gov/div898/handbook/pri/section3/pri335.htm
Pattern X 1 X 2 X 3 X 4 X 5 X 6 X 7 X 8 X 9 X 10 X 111 +++++++++++ 1 1 1 1 1 1 1 1 1 1 12 -+-+++---+- -1 1 -1 1 1 1 -1 -1 -1 1 -13 --+-+++---+ -1 -1 1 -1 1 1 1 -1 -1 -1 14 +--+-+++--- 1 -1 -1 1 -1 1 1 1 -1 -1 -15 -+--+-+++-- -1 1 -1 -1 1 -1 1 1 1 -1 -16 --+--+-+++- -1 -1 1 -1 -1 1 -1 1 1 1 -17 ---+--+-+++ -1 -1 -1 1 -1 -1 1 -1 1 1 18 +---+--+-++ 1 -1 -1 -1 1 -1 -1 1 -1 1 19 ++---+--+-+ 1 1 -1 -1 -1 1 -1 -1 1 -1 110 +++---+--+- 1 1 1 -1 -1 -1 1 -1 -1 1 -111 -+++---+--+ -1 1 1 1 -1 -1 -1 1 -1 -1 112 +-+++---+-- 1 -1 1 1 1 -1 -1 -1 1 -1 -1
Cellule X 1 X 2 X 3 X 4 X 5 X 6 X 71 +++-+-- 1 1 1 -1 1 -1 -12 -+++-+- -1 1 1 1 -1 1 -13 --+++-+ -1 -1 1 1 1 -1 14 +--+++- 1 -1 -1 1 1 1 -15 -+--+++ -1 1 -1 -1 1 1 16 +-+--++ 1 -1 1 -1 -1 1 17 ++-+--+ 1 1 -1 1 -1 -1 18 ------- -1 -1 -1 -1 -1 -1 -1
10 SommaireSommaire© Pierre DESMET, 2010
Plan orthogonal quelconque :méthode Taguchi
Développé dans le cadre du contrôle qualité au niveau industriel. Objectif : atteindre un niveau de performance « cible » au moindre cout.
Utilisation : Première étape d’identification des variables explicatives les plus
influentes sur la performance
Test de paires de combinaisons pour réduire le nombre total de combinaisons
Adapté pour Un nombre modéré de variables (3 a 50) Avec peu d’effets d’interaction Quelques variables ayant un fort effet sur la variable de
performance
Sélection des facteurs (variables ou parameter) et des niveaux (states) a tester
Général : Méthode TAGUCHI Les tableaux sont disponibles sur Internet https://controls.engin.umich.edu/wiki/index.php/
Design_of_experiments_via_taguchi_methods:_orthogonal_arrays#Determining_Parameter_Design_Orthogonal_Array