modeles abandon et intrusion sur MM
Jerome Silva
15/02/2021
1 MM et abandon/intrusion
2 Données pour les modèles :
On a enlevé les intermédiaires
On avait 89 personnes ayant répondu au MM.
73 ont répondu au MM et avaient moins de 4 valeurs manquantes sur les autres variables nécessaires pour les modèles. C’est à dire les variables composant le score abandon :
PBI_soin_Mere , PBI_soin_Pere , CTQ_EN , CTQ_PN
et les variables composant le score intrusion :
PBI_control Pere , PBI control mere , CTQ_EA , CTQ_SA , CTQ_PA
On a imputé les quelques valeurs manquantes pour toutes ces variables, dans la mesure où la personne avait moins de 5 échelles manquantes. La méthode d’imputation est surement perfectible, mais pas sûr que ca change grand chose pour la suite.
Les scores Abandon et Intrusion utilisés ici ne sont pas les simples sommes , mais bien les première dimensions des ACPs faites à partir des “paniers” de variables présentés ci dessus. LEs résultats de ces ACP sont dans l’autre document Rpub en ligne.
3 modèle linéaire
Voici le premier modèle, qui suppose une relation linéaire entre le taux moyen de Succès au MM et les Dimensions Abandon et Intrusion.
Call:
glm(formula = MM_Succes ~ age + sexe + CSP_bin2 + Dim.Abandon +
Dim.Intrusion, data = DBi)
Deviance Residuals:
Min 1Q Median 3Q Max
-0.146120 -0.055298 0.006953 0.052949 0.099452
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 0.487061 0.118338 4.116 0.000107 ***
age 0.018796 0.007566 2.484 0.015443 *
sexe 0.042957 0.024087 1.783 0.078980 .
CSP_bin2 0.004414 0.019547 0.226 0.822036
Dim.Abandon 0.011573 0.006146 1.883 0.063983 .
Dim.Intrusion -0.027885 0.006003 -4.645 1.61e-05 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for gaussian family taken to be 0.0045019)
Null deviance: 0.45525 on 73 degrees of freedom
Residual deviance: 0.30613 on 68 degrees of freedom
AIC: -182.1
Number of Fisher Scoring iterations: 24 modèle log log
Dans ce modèle , appelé log-log, c’est l’elasticité qui est supposé constante, c’est à dire que les coefficients s’interpretent comme cela : pour 1% d’augmentation de Dim.Abandon, on a X % d’augmentation du taux de succès au MM.
Call:
lm(formula = log(MM_Succes) ~ log(age) + sexe + CSP_bin2 + log(Dim.Abandon +
3) + log(Dim.Intrusion + 3), data = DBi)
Residuals:
Min 1Q Median 3Q Max
-0.34552 -0.05762 0.01868 0.06633 0.13073
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -1.17461 0.44317 -2.650 0.009989 **
log(age) 0.35828 0.16329 2.194 0.031648 *
sexe 0.04473 0.03263 1.371 0.174887
CSP_bin2 0.01195 0.02625 0.455 0.650410
log(Dim.Abandon + 3) 0.05367 0.02597 2.066 0.042637 *
log(Dim.Intrusion + 3) -0.10877 0.02811 -3.870 0.000247 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 0.09013 on 68 degrees of freedom
Multiple R-squared: 0.2683, Adjusted R-squared: 0.2145
F-statistic: 4.987 on 5 and 68 DF, p-value: 0.0005981Ce modèle présente des caractéristiques statistiques plus satisfaisantes.
De plus , les effets de Abandon et Intrusion sont significatifs à 5%.
5 Ajout de Borderline
On ajoute le fait d’être Borderline ou Non dans le modèle. Ce n’est même pas significatif. Peut être le fait d’être borderline ou non est moins important que les scores abandon et intrusion.
Call:
lm(formula = log(MM_Succes) ~ log(age) + sexe + CSP_bin2 + borderline +
log(Dim.Abandon + 3) + log(Dim.Intrusion + 3), data = DBi)
Residuals:
Min 1Q Median 3Q Max
-0.35128 -0.04926 0.01477 0.07146 0.14263
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -1.26712 0.45172 -2.805 0.00658 **
log(age) 0.38546 0.16527 2.332 0.02269 *
sexe 0.05454 0.03394 1.607 0.11278
CSP_bin2 0.01005 0.02629 0.382 0.70365
borderline -0.03022 0.02902 -1.041 0.30160
log(Dim.Abandon + 3) 0.06190 0.02714 2.281 0.02573 *
log(Dim.Intrusion + 3) -0.09596 0.03067 -3.129 0.00260 **
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 0.09007 on 67 degrees of freedom
Multiple R-squared: 0.28, Adjusted R-squared: 0.2155
F-statistic: 4.342 on 6 and 67 DF, p-value: 0.000927On voit qu’on a un effet n"gatif significatif du Score intrusion, et un effet positif, (p à 6%) du Score abandon. C’est encourageant, mais le modèle est très sommaire, et l’on peut améliorer sa spécification.
En effet celui -ci modélise une relation linéaire entre un taux moyen de succès au MM et un score Abandon/intrusion.
MAis le fait de passer de 10% à 20% de taux de succès, ou de 80% à 90% doit-il s’interpréter de la même façon ? Est-ce que le phénomène étudier suit bien cette linéarité ?
6 OUTLIER
1 individu a des valeurs TRES différentes par rapport aux autres, autant sur MM_Succès, que sur Dim.Intrusion. Il est icireprésenté en bleu clair.
Le problème est que son “poids” sur les régressions est important.
Si on reprend le modele Log-log , sur l’échantillon sans cet individu, les résultats sont perturbés :
Call:
lm(formula = log(MM_Succes) ~ age + sexe + CSP_bin2 + borderline +
log(Dim.Abandon + 3) + log(Dim.Intrusion + 3), data = DBi[which(DBi$MM_outlier ==
0), ])
Residuals:
Min 1Q Median 3Q Max
-0.171594 -0.053013 0.000975 0.061605 0.121832
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -0.624245 0.140055 -4.457 3.3e-05 ***
age 0.024255 0.008861 2.737 0.00795 **
sexe 0.068953 0.029330 2.351 0.02172 *
CSP_bin2 -0.002679 0.022894 -0.117 0.90720
borderline -0.038553 0.025154 -1.533 0.13013
log(Dim.Abandon + 3) 0.049205 0.023574 2.087 0.04073 *
log(Dim.Intrusion + 3) -0.046937 0.028320 -1.657 0.10219
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 0.07781 on 66 degrees of freedom
Multiple R-squared: 0.2707, Adjusted R-squared: 0.2044
F-statistic: 4.083 on 6 and 66 DF, p-value: 0.001526La question est celle-ci : cet individu malgré ses valeurs “extremes”, est-il aussi représentatif de l’échantillon, ou doit-il être exclu, au risque de se priver de cette information. C’est une question importante. notre modèle n’est malheureusement pas stable, et cela affecte sa qualité et limite la portée de ses résultats.
7 A propos des imputations
L’idée d’imputer les données manquantes était de récupérer quelques individus (car on en a 89 qui ont le MM), et notemment ceux avec des valeurs proche de notre individu “extreme”, afin que celui ci soit moins a part. malheureusement il semble que les individus proche de lui avaient + de 4 échelles manquantes, et du coup je n’ai pas pu les récupérer en imputant. J’en ai récupérer d’autres, les modèles au final sont basés sur 74 individus.
8 A propos de MM_Delai
Modeles lineaire MM_delai: aucun modele avec Dim.abandon ou Dim.intrusion significatif sur echantillon comprenant le outlier
modeles log log MM_delai aucun modele avec Dim.abandon ou Dim.intrusion significatif sur echantillon comprenant le outlier
9 A propos des différents scores Abandon
Après avoir fait tourner des dizaines de modèles, il apparait que la spécification du score Abandon joue relativement peu. De manière générale, plus on rajoute d’info ( TS, maladie, séparations), moins le score s’avère significatif dans les régressions avec Score intrusion en covariable.
10 Pistes pour améliorer le modèle
un modèles sur les Témoins, un sur les BL ?
penser à dichotomiser les variables MM : quel seuils ? pour fairte regression logistique, plus facilement interprétable, et dont les effets modéliser sont plus évident à lire.
11 modèles logistiques
On veut faire des modèles ou la réponse est binaire :
être meilleur que la moyenne des Témoins à un score MM: %Succès ( 83.9% ) ou Délai (28.57).
Modèles utilisant les scores Abandon et Intrusion
Call:
glm(formula = MM_succes_haut ~ age + sexe + CSP_bin2 + Score_abandon +
Score_intrusion + borderline, family = binomial(link = logit),
data = DBMM)
Deviance Residuals:
Min 1Q Median 3Q Max
-1.8814 -1.0563 -0.4422 1.0523 1.7808
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -8.0552 4.7099 -1.710 0.0872 .
age 0.4187 0.2970 1.410 0.1587
sexe 1.3404 0.8993 1.490 0.1361
CSP_bin2 0.1740 0.6676 0.261 0.7943
Score_abandon 0.4441 0.2589 1.715 0.0864 .
Score_intrusion -0.2757 0.2650 -1.040 0.2983
borderline -0.8820 0.7194 -1.226 0.2202
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 95.524 on 68 degrees of freedom
Residual deviance: 84.947 on 62 degrees of freedom
(20 observations deleted due to missingness)
AIC: 98.947
Number of Fisher Scoring iterations: 4
Call:
glm(formula = MM_delai_faible ~ age + sexe + CSP_bin2 + Score_abandon +
Score_intrusion + borderline, family = binomial(link = logit),
data = DBMM)
Deviance Residuals:
Min 1Q Median 3Q Max
-1.6855 -0.9001 -0.3073 0.8272 2.1597
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -2.863097 4.482799 -0.639 0.5230
age 0.239413 0.293473 0.816 0.4146
sexe -0.063061 0.855723 -0.074 0.9413
CSP_bin2 -1.590719 0.736131 -2.161 0.0307 *
Score_abandon -0.007903 0.260737 -0.030 0.9758
Score_intrusion 0.056151 0.268252 0.209 0.8342
borderline -1.976222 0.788812 -2.505 0.0122 *
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 95.640 on 68 degrees of freedom
Residual deviance: 80.314 on 62 degrees of freedom
(20 observations deleted due to missingness)
AIC: 94.314
Number of Fisher Scoring iterations: 4
Call:
glm(formula = MM_succes_haut ~ age + sexe + CSP_bin2 + Score_abandon +
Score_intrusion + borderline, family = binomial(link = logit),
data = DBi)
Deviance Residuals:
Min 1Q Median 3Q Max
-1.6517 -1.0653 -0.5573 1.0927 1.8078
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -4.7335 4.1196 -1.149 0.251
age 0.2073 0.2631 0.788 0.431
sexe 1.2923 0.9033 1.431 0.153
CSP_bin2 0.1542 0.6321 0.244 0.807
Score_abandon 0.4596 0.2434 1.888 0.059 .
Score_intrusion -0.3160 0.2531 -1.249 0.212
borderline -0.6346 0.6860 -0.925 0.355
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 102.099 on 73 degrees of freedom
Residual deviance: 92.892 on 67 degrees of freedom
AIC: 106.89
Number of Fisher Scoring iterations: 4
Call:
glm(formula = MM_delai_faible ~ age + sexe + CSP_bin2 + Score_abandon +
Score_intrusion + borderline, family = binomial(link = logit),
data = DBi)
Deviance Residuals:
Min 1Q Median 3Q Max
-1.6945 -0.9024 -0.3024 0.8520 2.1690
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -4.04368 4.25073 -0.951 0.34146
age 0.31500 0.28047 1.123 0.26139
sexe -0.14743 0.86120 -0.171 0.86408
CSP_bin2 -1.75997 0.73153 -2.406 0.01613 *
Score_abandon -0.02234 0.25456 -0.088 0.93007
Score_intrusion 0.12086 0.25547 0.473 0.63615
borderline -2.05036 0.77203 -2.656 0.00791 **
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 102.53 on 73 degrees of freedom
Residual deviance: 85.26 on 67 degrees of freedom
AIC: 99.26
Number of Fisher Scoring iterations: 4Modèles utilisant les dimensions ACP de Abandon et Intrusion
% Succes
Call:
glm(formula = MM_succes_haut ~ age + sexe + CSP_bin2 + log(Dim.Abandon +
3) + log(Dim.Intrusion + 3), family = binomial(link = logit),
data = DBi)
Deviance Residuals:
Min 1Q Median 3Q Max
-1.7602 -1.0199 -0.5256 1.0720 2.0048
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -3.3569 3.8886 -0.863 0.3880
age 0.1451 0.2477 0.586 0.5580
sexe 1.1471 0.8804 1.303 0.1926
CSP_bin2 0.2014 0.6184 0.326 0.7446
log(Dim.Abandon + 3) 1.4502 0.6702 2.164 0.0305 *
log(Dim.Intrusion + 3) -1.7073 0.7454 -2.290 0.0220 *
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 102.099 on 73 degrees of freedom
Residual deviance: 91.306 on 68 degrees of freedom
AIC: 103.31
Number of Fisher Scoring iterations: 4
Call:
glm(formula = MM_succes_haut ~ age + sexe + CSP_bin2 + log(Dim.Abandon +
3) + log(Dim.Intrusion + 3) + borderline, family = binomial(link = logit),
data = DBi)
Deviance Residuals:
Min 1Q Median 3Q Max
-1.7575 -0.9806 -0.5099 1.0551 2.0894
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -4.4966 4.1091 -1.094 0.2738
age 0.1889 0.2553 0.740 0.4593
sexe 1.3989 0.9344 1.497 0.1344
CSP_bin2 0.1689 0.6264 0.270 0.7874
log(Dim.Abandon + 3) 1.6846 0.7228 2.331 0.0198 *
log(Dim.Intrusion + 3) -1.4551 0.7878 -1.847 0.0648 .
borderline -0.6832 0.7001 -0.976 0.3292
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 102.099 on 73 degrees of freedom
Residual deviance: 90.339 on 67 degrees of freedom
AIC: 104.34
Number of Fisher Scoring iterations: 4- sans le LOG
Call:
glm(formula = MM_succes_haut ~ age + sexe + CSP_bin2 + Dim.Abandon +
Dim.Intrusion, family = binomial(link = logit), data = DBi)
Deviance Residuals:
Min 1Q Median 3Q Max
-1.8679 -1.0676 -0.5165 1.0831 1.8340
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -4.0850 3.9613 -1.031 0.3024
age 0.1716 0.2497 0.687 0.4920
sexe 1.1784 0.8697 1.355 0.1754
CSP_bin2 0.1522 0.6155 0.247 0.8046
Dim.Abandon 0.3578 0.2140 1.672 0.0945 .
Dim.Intrusion -0.4880 0.2527 -1.931 0.0535 .
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 102.099 on 73 degrees of freedom
Residual deviance: 93.001 on 68 degrees of freedom
AIC: 105
Number of Fisher Scoring iterations: 4
Call:
glm(formula = MM_succes_haut ~ age + sexe + CSP_bin2 + Dim.Abandon +
Dim.Intrusion + borderline, family = binomial(link = logit),
data = DBi)
Deviance Residuals:
Min 1Q Median 3Q Max
-1.8843 -1.0774 -0.4913 1.0784 1.8874
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -4.6120 4.0627 -1.135 0.2563
age 0.2084 0.2570 0.811 0.4175
sexe 1.3634 0.9068 1.503 0.1327
CSP_bin2 0.1378 0.6214 0.222 0.8245
Dim.Abandon 0.4267 0.2296 1.859 0.0631 .
Dim.Intrusion -0.4209 0.2609 -1.613 0.1067
borderline -0.5771 0.6700 -0.861 0.3890
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 102.099 on 73 degrees of freedom
Residual deviance: 92.253 on 67 degrees of freedom
AIC: 106.25
Number of Fisher Scoring iterations: 4- Delai
Call:
glm(formula = MM_delai_faible ~ age + sexe + CSP_bin2 + log(Dim.Abandon +
3) + log(Dim.Intrusion + 3), family = binomial(link = logit),
data = DBi)
Deviance Residuals:
Min 1Q Median 3Q Max
-1.6284 -1.0752 -0.4728 1.0361 2.0917
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -0.9193 3.7920 -0.242 0.8085
age 0.1940 0.2503 0.775 0.4384
sexe -0.8086 0.7878 -1.026 0.3047
CSP_bin2 -1.4544 0.6865 -2.119 0.0341 *
log(Dim.Abandon + 3) -0.5306 0.6240 -0.850 0.3952
log(Dim.Intrusion + 3) -0.7900 0.6853 -1.153 0.2490
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 102.532 on 73 degrees of freedom
Residual deviance: 92.011 on 68 degrees of freedom
AIC: 104.01
Number of Fisher Scoring iterations: 4
Call:
glm(formula = MM_delai_faible ~ age + sexe + CSP_bin2 + log(Dim.Abandon +
3) + log(Dim.Intrusion + 3) + borderline, family = binomial(link = logit),
data = DBi)
Deviance Residuals:
Min 1Q Median 3Q Max
-1.7419 -0.9152 -0.2991 0.8385 2.2535
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) -4.20476 4.25641 -0.988 0.3232
age 0.33899 0.27775 1.221 0.2223
sexe -0.25191 0.86947 -0.290 0.7720
CSP_bin2 -1.75209 0.73528 -2.383 0.0172 *
log(Dim.Abandon + 3) -0.06874 0.67505 -0.102 0.9189
log(Dim.Intrusion + 3) -0.03269 0.75158 -0.043 0.9653
borderline -1.83952 0.76133 -2.416 0.0157 *
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 102.532 on 73 degrees of freedom
Residual deviance: 85.469 on 67 degrees of freedom
AIC: 99.469
Number of Fisher Scoring iterations: 4- Résumé :
les modèles logit avec les scores (abandon et intrusion) ne donnent pas d’effets significatifs des scores.
les modèles avec les scores basés sur les ACPs ont de meilleurs résultats (pour Succès haut), et notamment quand les dimensions sont passées en logarithmes (abandon 3% intrusion 2%). Quand on rajoute borderline , les effets restent solides, mais intrusion à 6% et abandon à 2%
12 Borderline bons au MM
[1] 169 241
12.1 comparaisons Témoins / BL
| Temoins | BL au dessus moyenne T | BL en dessous moyenne T | |
|---|---|---|---|
| BL_succes_haut | 0.00 | 1.00 | 2.00 |
| MM_Succes | 0.84 | 0.90 | 0.76 |
| MM_Delai | 28.57 | 30.84 | 33.46 |
| DSQ_mature | 53.77 | 59.83 | 49.29 |
| DSQ_immature | 211.33 | 257.50 | 272.50 |
| DSQ_nevrotique | 94.90 | 123.00 | 118.47 |
| TAS1 | 16.18 | 23.23 | 23.26 |
| TAS2 | 14.45 | 16.23 | 18.21 |
| TAS3 | 19.34 | 17.15 | 20.53 |
| Evt_Maladie | 0.09 | 0.38 | 0.28 |
| Evt_TS | 0.07 | 0.00 | 0.22 |
| Evt_Separations | 0.02 | 0.31 | 0.37 |
| PBI_soin_Mere | 28.27 | 23.69 | 25.18 |
| PBI_soin_Pere | 25.05 | 11.75 | 17.06 |
| PBI_surpro_Mere | 12.18 | 14.46 | 16.53 |
| PBI_surpro_Pere | 9.64 | 13.67 | 15.38 |
| CTQ_EN | 9.70 | 14.77 | 13.82 |
| CTQ_PN | 6.30 | 7.77 | 8.41 |
| CTQ_EA | 6.98 | 14.00 | 12.71 |
| CTQ_PA | 5.57 | 5.38 | 7.29 |
| CTQ_SA | 5.80 | 6.00 | 8.44 |
| RQ_Craintif | 2.73 | 4.31 | 4.21 |
| RQ_Secure | 3.80 | 3.38 | 2.47 |
| RQ_Preoccupe | 3.18 | 4.69 | 4.58 |
| RQ_Detache | 2.43 | 1.69 | 3.32 |
| RQ_mod_autr | 1.82 | 2.08 | -0.47 |
| RQ_mod_soi | 0.32 | -3.92 | -3.00 |
| Temoins | BL < delai moyen T | BL > delai moyen T | |
|---|---|---|---|
| BL_delai_faible | 0.00 | 1.00 | 2.00 |
| MM_Delai | 28.57 | 23.69 | 34.47 |
| MM_Succes | 0.84 | 0.87 | 0.80 |
| DSQ_mature | 53.77 | 58.33 | 52.90 |
| DSQ_immature | 211.33 | 283.14 | 259.11 |
| DSQ_nevrotique | 94.90 | 123.29 | 119.50 |
| TAS1 | 16.18 | 25.12 | 22.62 |
| TAS2 | 14.45 | 15.62 | 18.00 |
| TAS3 | 19.34 | 16.38 | 20.08 |
| Evt_Maladie | 0.09 | 0.38 | 0.30 |
| Evt_TS | 0.07 | 0.00 | 0.17 |
| Evt_Separations | 0.02 | 0.12 | 0.42 |
| PBI_soin_Mere | 28.27 | 19.00 | 26.55 |
| PBI_soin_Pere | 25.05 | 15.00 | 14.70 |
| PBI_surpro_Mere | 12.18 | 15.00 | 15.86 |
| PBI_surpro_Pere | 9.64 | 15.62 | 14.25 |
| CTQ_EN | 9.70 | 15.25 | 13.86 |
| CTQ_PN | 6.30 | 8.38 | 8.05 |
| CTQ_EA | 6.98 | 14.25 | 12.91 |
| CTQ_PA | 5.57 | 6.38 | 6.50 |
| CTQ_SA | 5.80 | 6.00 | 7.77 |
| RQ_Craintif | 2.73 | 4.38 | 4.21 |
| RQ_Secure | 3.80 | 2.62 | 2.92 |
| RQ_Preoccupe | 3.18 | 4.75 | 4.58 |
| RQ_Detache | 2.43 | 2.00 | 2.88 |
| RQ_mod_autr | 1.82 | 1.00 | 0.42 |
| RQ_mod_soi | 0.32 | -4.50 | -3.00 |
12.2 comparaisons BL bons/ pas bons
| Variables | BL % succes meilleur que T | BL % succes pire que T | tests |
|---|---|---|---|
| CTQ Emotional Abuse | t-test p-value | ||
| moyenne | 14 | 12.7 | 0.44204 |
| CTQ Emotional Neglect | t-test p-value | ||
| moyenne | 14.8 | 13.8 | 0.54836 |
| CTQ Physical Abuse | t-test p-value | ||
| moyenne | 5.4 | 7.3 | 0.07791 |
| CTQ Physical Neglect | t-test p-value | ||
| moyenne | 7.8 | 8.4 | 0.5415 |
| CTQ Sexual Abuse | t-test p-value | ||
| moyenne | 6 | 8.4 | 0.17424 |
| SIDP_Score_total | t-test p-value | ||
| moyenne | 63.6 | 68.5 | 0.42842 |
| MM_Delai | t-test p-value | ||
| moyenne | 30.8 | 33.5 | 0.16891 |
| MM_Succes | t-test p-value | ||
| moyenne | 0.9 | 0.8 | 0 |
| DSQ_mature | t-test p-value | ||
| moyenne | 59.8 | 49.3 | 0.06011 |
| DSQ_immature | t-test p-value | ||
| moyenne | 257.5 | 272.5 | 0.33068 |
| DSQ_nevrotique | t-test p-value | ||
| moyenne | 123 | 118.5 | 0.58038 |
| TAS1 | t-test p-value | ||
| moyenne | 23.2 | 23.3 | 0.98744 |
| TAS2 | t-test p-value | ||
| moyenne | 16.2 | 18.2 | 0.18261 |
| TAS3 | t-test p-value | ||
| moyenne | 17.2 | 20.5 | 0.08341 |
| Evt_Maladie | t-test p-value | ||
| moyenne | 0.4 | 0.3 | 0.55289 |
| Evt_TS | t-test p-value | ||
| moyenne | 0 | 0.2 | 0.0416 |
| Evt_Separations | t-test p-value | ||
| moyenne | 0.3 | 0.4 | 0.73154 |
| PBI_soin_Mere | t-test p-value | ||
| moyenne | 23.7 | 25.2 | 0.63705 |
| PBI_soin_Pere | t-test p-value | ||
| moyenne | 11.8 | 17.1 | 0.13943 |
| PBI_surpro_Mere | t-test p-value | ||
| moyenne | 14.5 | 16.5 | 0.47693 |
| PBI_surpro_Pere | t-test p-value | ||
| moyenne | 13.7 | 15.4 | 0.51413 |
| RQ_Craintif | t-test p-value | ||
| moyenne | 4.3 | 4.2 | 0.88125 |
| RQ_Secure | t-test p-value | ||
| moyenne | 3.4 | 2.5 | 0.11171 |
| RQ_Preoccupe | t-test p-value | ||
| moyenne | 4.7 | 4.6 | 0.88165 |
| RQ_Detache | t-test p-value | ||
| moyenne | 1.7 | 3.3 | 0.00125 |
| RQ_mod_autr | t-test p-value | ||
| moyenne | 2.1 | -0.5 | 0.06861 |
| RQ_mod_soi | t-test p-value | ||
| moyenne | -3.9 | -3 | 0.4915 |
| Variables | BL delai meilleur que T | BL delai pire que T | tests |
|---|---|---|---|
| CTQ Emotional Abuse | t-test p-value | ||
| moyenne | 14.2 | 12.9 | 0.44822 |
| CTQ Emotional Neglect | t-test p-value | ||
| moyenne | 15.2 | 13.9 | 0.31617 |
| CTQ Physical Abuse | t-test p-value | ||
| moyenne | 6.4 | 6.5 | 0.91202 |
| CTQ Physical Neglect | t-test p-value | ||
| moyenne | 8.4 | 8 | 0.77507 |
| CTQ Sexual Abuse | t-test p-value | ||
| moyenne | 6 | 7.8 | 0.26932 |
| SIDP_Score_total | t-test p-value | ||
| moyenne | 68 | 66.4 | 0.83487 |
| MM_Delai | t-test p-value | ||
| moyenne | 23.7 | 34.5 | 0 |
| MM_Succes | t-test p-value | ||
| moyenne | 0.9 | 0.8 | 0.0174 |
| DSQ_mature | t-test p-value | ||
| moyenne | 58.3 | 52.9 | 0.4075 |
| DSQ_immature | t-test p-value | ||
| moyenne | 283.1 | 259.1 | 0.17649 |
| DSQ_nevrotique | t-test p-value | ||
| moyenne | 123.3 | 119.5 | 0.71896 |
| TAS1 | t-test p-value | ||
| moyenne | 25.1 | 22.6 | 0.29958 |
| TAS2 | t-test p-value | ||
| moyenne | 15.6 | 18 | 0.21027 |
| TAS3 | t-test p-value | ||
| moyenne | 16.4 | 20.1 | 0.02966 |
| Evt_Maladie | t-test p-value | ||
| moyenne | 0.4 | 0.3 | 0.73987 |
| Evt_TS | t-test p-value | ||
| moyenne | 0 | 0.2 | 0.04262 |
| Evt_Separations | t-test p-value | ||
| moyenne | 0.1 | 0.4 | 0.089 |
| PBI_soin_Mere | t-test p-value | ||
| moyenne | 19 | 26.5 | 0.01327 |
| PBI_soin_Pere | t-test p-value | ||
| moyenne | 15 | 14.7 | 0.92588 |
| PBI_surpro_Mere | t-test p-value | ||
| moyenne | 15 | 15.9 | 0.75955 |
| PBI_surpro_Pere | t-test p-value | ||
| moyenne | 15.6 | 14.2 | 0.59156 |
| RQ_Craintif | t-test p-value | ||
| moyenne | 4.4 | 4.2 | 0.83898 |
| RQ_Secure | t-test p-value | ||
| moyenne | 2.6 | 2.9 | 0.6915 |
| RQ_Preoccupe | t-test p-value | ||
| moyenne | 4.8 | 4.6 | 0.87 |
| RQ_Detache | t-test p-value | ||
| moyenne | 2 | 2.9 | 0.2057 |
| RQ_mod_autr | t-test p-value | ||
| moyenne | 1 | 0.4 | 0.767 |
| RQ_mod_soi | t-test p-value | ||
| moyenne | -4.5 | -3 | 0.3004 |