Expériences randomisées
Dans ce laboratoire, nous allons (1) créer des tableaux de contingence, (2) effectuer une ANOVA et (3) effectuer un test t. Les exercices se trouvent à la toute fin du document.
Fonctions pertinentes : read.csv(),
aov(), TukeyHSD(), t.test()
Petit rappel : en R, le symbole <-
sert à assigner (c’est-à-dire à stocker) une valeur dans un
objet. Par exemple, x <- 5 signifie « mettre la valeur 5
dans l’objet nommé x ».
1. Importer les données
Nous commençons par charger le jeu de données nommé « expData.csv », disponible sur STUDIUM. Il provient d’une expérience par sondage (fictive) qui vérifie si le fait d’être exposé à une vignette positive ou négative sur l’état de l’économie canadienne influence la satisfaction envers le gouvernement fédéral ainsi qu’un thermomètre des sentiments envers la personne qui occupe actuellement le poste de première ministre ou premier ministre du pays.
Type de vignette (VI) \(\rightarrow\) Attitudes politiques (VD)
Pour tester cette relation, nous assignons aléatoirement 1 500 participantes et participants à trois conditions expérimentales : « positive » pour le groupe exposé à la vignette positive, « negative » pour le groupe exposé à la vignette négative et « control » pour le groupe qui n’est exposé à aucune vignette.
| Condition | n |
|---|---|
| Vignette positive | 500 |
| Vignette négative | 500 |
| Groupe contrôle | 500 |
Pourquoi l’assignation aléatoire est-elle si importante? Comme la condition expérimentale est attribuée au hasard, on suppose que les différences observées entre les scores des trois groupes s’expliquent uniquement par le traitement expérimental. C’est une propriété de l’assignation aléatoire : si l’échantillon est assez grand, les écarts entre les groupes sur les caractéristiques observées et non observées devraient être pratiquement nuls. Grâce à cette propriété, si l’on observe une différence statistiquement significative dans les attitudes selon la condition expérimentale, on peut faire une inférence causale sur l’effet des vignettes.
N’utilisez pas la fonction « import dataset » dans la fenêtre d’environnement. Votre script à lui seul doit être suffisant pour reproduire votre travail.
# Exemple (à adapter selon l'emplacement du fichier sur VOTRE ordinateur)
expData <- read.csv("/Users/evelynebrie/Desktop/monDossier/expData.csv",
fileEncoding = "UTF-8-BOM")
À noter : l’argument
fileEncoding = "UTF-8-BOM" évite qu’un caractère invisible
au début du fichier ne vienne modifier le nom de la première
colonne.
# Afficher les dimensions du jeu de données (nombre de lignes, nombre de colonnes)
dim(expData)
## [1] 1500 4
# Afficher le nom des colonnes
colnames(expData)
## [1] "id" "condition" "satisfaction" "feelTherm"
# Afficher les 10 premières observations (lignes) du jeu de données
head(expData,10)
## id condition satisfaction feelTherm
## 1 1 Negative Dissatisfied 37.62840
## 2 2 Negative Neutral 29.77305
## 3 3 Negative Dissatisfied 47.29787
## 4 4 Positive Satisfied 57.72648
## 5 5 Negative Dissatisfied 33.80386
## 6 6 Positive Satisfied 58.74346
## 7 7 Control Dissatisfied 56.68478
## 8 8 Control Satisfied 41.79225
## 9 9 Control Satisfied 63.78172
## 10 10 Control Satisfied 49.48885
Voici une description des variables de ce jeu de données :
| Nom de la variable | Description | Type de variable |
|---|---|---|
| X | numéro de ligne provenant du fichier .csv | numérique (discrète) |
| id | numéro d’identification unique | numérique (discrète) |
| condition | condition expérimentale (« positive », « negative », « control ») | catégorielle (nominale) |
| satisfaction | niveau de satisfaction envers le gouvernement fédéral actuel (« dissatisfied », « neutral », « satisfied ») | catégorielle (ordinale) |
| feelTherm | thermomètre des sentiments envers la ou le PM actuel du Canada {0,100} | numérique (continue) |
2. L’ANOVA
2.1 L’idée
Lorsque la variable explicative (VI) est catégorielle et que la variable dépendante (VD) est numérique, on peut utiliser une ANOVA (analyse de variance). Ici, ce test permet de vérifier s’il existe une relation entre la condition expérimentale (catégorielle) et le thermomètre des sentiments (numérique).
- Hypothèse nulle (H0) : les moyennes de tous les groupes sont égales dans la population.
- Hypothèse alternative (H1) : au moins une des moyennes est différente des autres.
La syntaxe est la suivante :
aov(variableNumerique ~ variableGroupe, data = monJeuDeDonnees).
Le symbole ~ se lit « en fonction de ».
2.2 Effectuer une ANOVA avec aov()
# Effectuer une ANOVA
model <- aov(feelTherm ~ condition, data = expData)
# Afficher les résultats avec summary()
summary(model)
## Df Sum Sq Mean Sq F value Pr(>F)
## condition 2 104744 52372 495.5 <2e-16 ***
## Residuals 1497 158211 106
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
La relation entre la condition expérimentale et le thermomètre des sentiments envers la ou le PM semble statistiquement significative. Mais attention : quelle est la direction de la relation pour chaque condition?
L’ANOVA seule ne permet pas de le savoir. Elle indique seulement si les trois groupes (ou peu importe le nombre de groupes) sont significativement différents quant à la VD. Il se pourrait que la vignette positive ait eu un effet significatif, mais pas la vignette négative. Il se pourrait aussi que les deux aient eu un effet. À ce stade, nous ne le savons pas.
2.3 Comparer les paires de groupes avec TukeyHSD()
C’est pourquoi on utilise le test de la différence franchement significative de Tukey (Tukey’s Honest Significant Difference). Il permet de voir quelles paires de groupes diffèrent significativement l’une de l’autre sur la VD.
# Vérifier si la différence est significative pour chaque paire de groupes
TukeyHSD(model)
## Tukey multiple comparisons of means
## 95% family-wise confidence level
##
## Fit: aov(formula = feelTherm ~ condition, data = expData)
##
## $condition
## diff lwr upr p adj
## Negative-Control -15.967048 -17.492409 -14.441686 0.0e+00
## Positive-Control 3.108001 1.582639 4.633362 5.7e-06
## Positive-Negative 19.075048 17.549687 20.600410 0.0e+00
Comment lire ce résultat?
- diff : la différence de moyenne entre les deux groupes (le premier groupe nommé moins le second).
- lwr et upr : les bornes inférieure et supérieure de l’intervalle de confiance à 95 % de cette différence.
- p adj : la valeur p, ajustée pour tenir compte du fait qu’on effectue plusieurs comparaisons.
Interprétation :
- Le groupe négatif a un thermomètre des sentiments inférieur de 15,97 points en moyenne à celui du groupe contrôle, et cette différence est statistiquement significative (p < 0,001).
- Le groupe positif a un thermomètre des sentiments supérieur de 3,11 points en moyenne à celui du groupe contrôle, et cette différence est aussi statistiquement significative (p ≈ 0,0000057).
- Le groupe positif a un thermomètre des sentiments supérieur de 19,08 points en moyenne à celui du groupe négatif, et cette différence est aussi statistiquement significative (p < 0,001).
Règle de décision : on utilise habituellement un seuil de 0,05.
- Si p < 0,05 : on rejette H0. La différence est statistiquement significative.
- Si p ≥ 0,05 : on ne rejette pas H0. On ne peut pas conclure qu’il existe une différence dans la population.
4. Le test t
3.1 L’idée
Pour montrer comment effectuer un test t, mettons ce jeu de données de côté un instant et imaginons un scénario fictif : deux groupes de 10 personnes sont assignés aléatoirement à voir une publicité du Parti conservateur du Canada (traitement) ou à ne pas la voir (contrôle). On s’intéresse à l’appréciation de ce parti sur une échelle de 1 à 10 (1 = n’aime pas du tout ce parti, 10 = aime beaucoup ce parti).
# Scores des personnes qui ont vu la publicité
SawAd <- c(6,7,5,8,6,5,4,7,6,6)
# Scores des personnes qui n'ont pas vu la publicité
DidntSeeAd <- c(3,5,6,4,3,5,6,5,3,5)
# Afficher les scores
SawAd
## [1] 6 7 5 8 6 5 4 7 6 6
DidntSeeAd
## [1] 3 5 6 4 3 5 6 5 3 5
# Moyenne de chaque groupe
mean(SawAd)
## [1] 6
mean(DidntSeeAd)
## [1] 4.5
Comment savoir si la différence entre les deux groupes est statistiquement significative? On peut effectuer un test t, qui associe une valeur p à la différence entre les moyennes des deux groupes. La valeur p correspond à la probabilité d’observer une différence au moins aussi grande que celle-ci par le seul fait du hasard (c’est-à-dire si l’hypothèse nulle était vraie).
- Hypothèse nulle (H0) : les deux moyennes sont égales dans la population (aucune différence).
- Hypothèse alternative (H1) : les deux moyennes sont différentes.
3.2 Effectuer un test t avec t.test()
Comme nos données sont ici stockées dans deux vecteurs distincts
(plutôt que dans un jeu de données), on fournit simplement les deux
vecteurs à la fonction t.test().
# Effectuer un test t
t.test(SawAd, DidntSeeAd)
##
## Welch Two Sample t-test
##
## data: SawAd and DidntSeeAd
## t = 2.8749, df = 17.993, p-value = 0.01008
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## 0.4038129 2.5961871
## sample estimates:
## mean of x mean of y
## 6.0 4.5
Comment lire ce résultat?
- Les moyennes (mean of x et mean of y) : les personnes qui ont vu la publicité donnent en moyenne une note de 6,0 au parti, contre 4,5 pour les autres.
- La statistique t : elle mesure la taille de la différence par rapport à la variabilité des données. Plus elle est éloignée de 0, plus la différence est « nette ».
- La valeur p : si elle est inférieure à 0,05, la différence de moyennes est statistiquement significative.
- L’intervalle de confiance à 95 % : il contient les valeurs plausibles de la vraie différence entre les deux groupes. S’il ne contient pas 0, la différence est significative au seuil de 0,05.
Voilà! Vous savez maintenant analyser des résultats expérimentaux en R.
4. Exercices
Les solutions sont cachées par défaut : cliquez sur le bouton « Voir la solution » seulement après avoir essayé par vous-même!
Traitement anti-COVID \(\rightarrow\) Bien-être
Imaginez une expérience dans laquelle 600 patientes et patients atteints de la COVID-19 admis au CHUM reçoivent aléatoirement soit un nouveau médicament anti-COVID (« treatment A »), soit une tasse de thé chaud au citron, au gingembre et au rhum (la recommandation de ma grand-mère) (« treatment B »), soit uniquement un comprimé placebo (« control »).
(a) Chargez le fichier medicalData.csv, disponible sur STUDIUM.
(b) À l’aide d’une ANOVA, vérifiez si la condition expérimentale a eu un effet statistiquement significatif sur le nombre de jours passés à l’hôpital (la variable days).
(c) Si c’est le cas, déterminez quelles paires de conditions diffèrent significativement l’une de l’autre.
Voir la solution
# Solution (a)
medicalData <- read.csv("medicalData.csv", fileEncoding = "UTF-8-BOM")
# Solution (b)
modelMed <- aov(days ~ condition, data = medicalData)
summary(modelMed)
## Df Sum Sq Mean Sq F value Pr(>F)
## condition 2 41.4 20.691 10.51 3.26e-05 ***
## Residuals 597 1175.1 1.968
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
# Solution (c)
TukeyHSD(modelMed)
## Tukey multiple comparisons of means
## 95% family-wise confidence level
##
## Fit: aov(formula = days ~ condition, data = medicalData)
##
## $condition
## diff lwr upr p adj
## Treatment A-Control -0.2924783 -0.6221151 0.03715854 0.0938557
## Treatment B-Control -0.6424305 -0.9720673 -0.31279366 0.0000169
## Treatment B-Treatment A -0.3499522 -0.6795890 -0.02031537 0.0343887
# Si la valeur p de l'ANOVA est inférieure à 0,05, on rejette l'hypothèse
# nulle : au moins une des conditions a un nombre moyen de jours
# d'hospitalisation différent des autres. Le test de Tukey indique ensuite,
# pour chaque paire, la différence moyenne (diff) et si elle est
# significative (p adj < 0,05). Une différence négative signifie que le
# premier groupe nommé est resté MOINS longtemps à l'hôpital que le second.
# Ici, seul le remède de ma grand-mère (option B) est efficace.