1 / 57

POL1803: Analyse des techniques quantitatives

POL1803: Analyse des techniques quantitatives. Cours 10. L ’ analyse multivariée. L ’ analyse causale. La relation causale. « Une association statistique ne peut être interprétée, sans de grandes précautions, comme une relation causale» (Raymond Boudon). La relation causale.

mary
Télécharger la présentation

POL1803: Analyse des techniques quantitatives

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. POL1803: Analyse destechniques quantitatives Cours 10

  2. L’analyse multivariée L’analyse causale

  3. La relation causale • « Une association statistique ne peut être interprétée, sans de grandes précautions, comme une relation causale» (Raymond Boudon).

  4. La relation causale • Deux variables peuvent être associées statistiquement, peuvent bouger ensemble, sans que l’une soit la cause de l’autre. • Ex: Cigognes et bébés, Altitude et bénévolat

  5. La relation causale • Trois conditions nécessaires pour qu’il y ait une relation causale entre X et Y: 1) La variable indépendante X survient avant la variable dépendante Y.

  6. La relation causale • Trois conditions nécessaires pour qu’il y ait une relation causale entre X et Y: 2) Il y a une association statistique entre X et Y.

  7. La relation causale • Trois conditions nécessaires pour qu’il y ait une relation causale entre X et Y: 3) L’association entre X et Y n’est pas due à une troisième variable.

  8. La relation causale • Donc, la troisième condition implique qu’il faut: • douter de notre explication / hypothèse initiale, • trouver des explications alternatives de l’association statistique observée • et tenter de prouver que notre raisonnement initial était erroné.

  9. Le modèle causal • « L’explication d’une association statistique consiste à introduire des variables supplémentaires de manière à dégager le modèle causal dans lequel elle s’insère» (Raymond Boudon).

  10. Le modèle causal • Schéma initial: X Y • Schéma causal complet: Z X Y

  11. L’introduction d’une variable contrôle: deux cas de figure Ajout d’une variable contrôle antécédente

  12. L’introduction d’une variable contrôle: deux cas de figure • 1) Ajout d’une variable contrôle antécédente B C A B ? C • A Variable contrôle antécédente • B Variable indépendante • C Variable dépendante

  13. L’introduction d’une variable contrôle: deux cas de figure • 1) Ajout d’une variable contrôle antécédente Scolarité (B) Inform. pol. (C) Q. I. (A) Scolarité (B) ? Inform. pol. (C) • A Variable contrôle antécédente • B Variable indépendante • C Variable dépendante

  14. Variable contrôle antécédente: trois scénarios • Scénario A: B C A B C • Nom du scénario: relation fallacieuse entre les variables indépendante et dépendante.

  15. Variable contrôle antécédente: trois scénarios • Scénario A: Cigognes (B) Naissances (C) Urbanisation (A) Cigognes (B) Naissances (C) • Exemple: l’urban. affecte les cigognes et les naiss., mais les cig. n’affectent pas les naiss.

  16. Variable contrôle antécédente: trois scénarios • Scénario A: Altitude (B) Bénévolat (C) Revenu (A) Altitude (B) Bénévolat (C) • Exemple: le revenu affecte l’altitude et le bénév., mais l’altitude n’affecte pas le bénév.

  17. Variable contrôle antécédente: trois scénarios • Scénario B: B C A B C • Nom du scénario: relation causale directe confirmée

  18. Variable contrôle antécédente: trois scénarios • Scénario B: B C A B C • Nom du scénario: relation causale directe confirmée

  19. Variable contrôle antécédente: trois scénarios • Scénario B: B C A B C • Nom du scénario: relation causale directe confirmée

  20. Variable contrôle antécédente: trois scénarios • Scénario B: B C A B C • Nom du scénario: relation causale directe confirmée

  21. Variable contrôle antécédente: trois scénarios • Scénario B: Scolarité (B) Inform. pol. (C) Q. I. (A) Scolarité (B) Inform. pol. (C) • Exemple: même après l’ajout du contrôle, la scolarité affecte malgré tout l’information.

  22. Variable contrôle antécédente: trois scénarios • Lorsque l’on confirme une relation causale directe entre B et C: • on peut parler de reproduction de la relation initiale lorsque la force de celle-ci est demeurée la même dans le modèle causal. • on peut parler d’affaiblissement de la relation initiale lorsque la force de celle-ci est plus faible dans le modèle causal.

  23. Variable contrôle antécédente: trois scénarios • Scénario C: B C A B C • Nom du scénario: relation spécifiée ou effet d’interaction (lien causal B-C varie selon A).

  24. Variable contrôle antécédente: trois scénarios • Scénario C: Intérêt (B) Participation (C) Âge (A) Intérêt (B) Participation (C) • Exemple: l’intérêt affecte la participation, mais ce lien varie selon le niveau d’âge.

  25. Variable contrôle antécédente: trois scénarios • Lorsque l’on découvre un effet d’interaction à la suite de l’introduction d’une variable contrôle antécédente alors qu’il y avait une association nulle initialement entre B et C: • on peut parler de variable dissimulatrice pour décrire la variable contrôle antécédente.

  26. L’introduction d’une variable contrôle: deux cas de figure Ajout d’une variable contrôle intermédiaire

  27. L’introduction d’une variable contrôle: deux cas de figure • 2) Ajout d’une variable contrôle intermédiaire A C A B ? C • A Variable indépendante • B Variable contrôle intermédiaire • C Variable dépendante

  28. L’introduction d’une variable contrôle: deux cas de figure • 2) Ajout d’une variable contrôle intermédiaire Scolarité (A) Inform. pol. (C) Scolarité (A) Intérêt pol. (B) ? Inform. pol. (C) • A Variable indépendante • B Variable contrôle intermédiaire • C Variable dépendante

  29. Une mise en pratique Un protocole pour l’analyse tabulaire multivariée

  30. Ajout d’une variable contrôle antécédente • B C A B C • A Variable contrôle antécédente • B Variable indépendante • C Variable dépendante

  31. 5 tableaux croisés, 5 gammas, 5 chi-carrés • B C A B C • Relation initiale: B-C • Relations de contrôle: A-B, A-C • Relation initiale contrôlée: A- B-C, A+ B-C

  32. 5 tableaux croisés, 5 gammas, 5 chi-carrés • On résume les résultats en les inscrivant sur les deux schémas. • Lorsqu’une association est nulle, on ne place pas de flèche entre les deux variables concernées. Le reste du temps, il y a une flèche. • On place les gammas sur les flèches. • On place une étoile à côté des gammas statistiq. significatifs (chi-carré > 3,84).

  33. Un exemple • Schéma initial: Scolarité (B) Inform. pol. (C) • Schéma causal complet: Q. I. (A) Scolarité (B) Inform. pol. (C)

  34. Un exemple • Relation initiale (B-C): • Gamma: 0,69 Chi-carré: 4,8

  35. Un exemple • Schéma initial: Scolarité (B) 0,69* Inform. pol. (C) • Schéma causal complet: Q. I. (A) Scolarité (B) Inform. pol. (C)

  36. Un exemple • Relation de contrôle (A-B): • Gamma: 0,69 Chi-carré: 4,8

  37. Un exemple • Schéma initial: Scolarité (B) 0,69* Inform. pol. (C) • Schéma causal complet: Q. I. (A) 0,69* Scolarité (B) Inform. pol. (C)

  38. Un exemple • Relation de contrôle (A-C): • Gamma: 0,69 Chi-carré: 4,8

  39. Un exemple • Schéma initial: Scolarité (B) 0,69* Inform. pol. (C) • Schéma causal complet: Q. I. (A) 0,69* Scolarité (B) 0,69* Inform. pol. (C)

  40. Un exemple • Relation initiale contrôlée (A-, B-C): - Quotient intel. faible • Gamma: 0,57 Chi-carré: 4,1

  41. Un exemple • Schéma initial: Scolarité (B) 0,69* Inform. pol. (C) • Schéma causal complet: Q. I. (A) 0,69* Scolarité (B) 0,57* 0,69* Inform. pol. (C)

  42. Un exemple • Relation initiale contrôlée (A+, B-C): - Quotient intel. élevé • Gamma: 0,57 Chi-carré: 4,1

  43. Un exemple • Schéma initial: Scolarité (B) 0,69* Inform. pol. (C) • Schéma causal complet: Q. I. (A) 0,69* Scolarité (B) 0,57*0,57* 0,69* Inform. pol. (C)

  44. 5 tableaux croisés, 5 gammas, 5 chi-carrés • Exemple de la représentation des résultats: une relation fallacieuse. • B 0,6* C A 0,8* B 0,7* C

  45. 5 tableaux croisés, 5 gammas, 5 chi-carrés • Exemple de la représentation des résultats: une relation quasi-fallacieuse. • B 0,6* C A 0,8* B 0,2 0,3 0,7* C

  46. 5 tableaux croisés, 5 gammas, 5 chi-carrés • Exemple de la représentation des résultats: un lien causal direct confirmé. • B 0,6* C A 0,8* B 0,4*0,4* 0,7* C

  47. 5 tableaux croisés, 5 gammas, 5 chi-carrés • Exemple de la représentation des résultats: un effet d’interaction. • B 0,6* C A 0,8* B 0,30,8* 0,7* C

  48. 5 tableaux croisés, 5 gammas, 5 chi-carrés • Exemple de la représentation des résultats: un effet d’interaction. • B 0,6* C A 0,8* B 0,4*0,8* 0,7* C

  49. Interprétation: étape par étape • B C A B C • 1) D’abord, la relation initiale (B-C): Quel type d’association statistique existe entre les variables indépendante et dépendante (direction, force)? Est-elle statistiquement significative?

  50. Interprétation: étape par étape • B C A B C • 2) Puis, les relations de contrôle (A-B, A-C): Quel type d’associations statistiques existent entre la variable contrôle et les variables indépendante et dépendante (direction, force)? Sont-elle significatives?

More Related