Errata disponible sous l'onglet "Compléments" (dernier fichier)

Sous l'onglet "Compléments", téléchargez également des exercices d'entraînement : données et programmes SAS et SPSS

• Principes, applications et interprétations de différentes techniques de modélisation statistique, classiques ou avancées, linéaires ou non linéaires, incluant les modèles par les moindres carrés ordinaires, les modèles logit (logistiques), les modèles multiniveaux (hiérarchiques)
• Méthodologie progressive, avec de nombreux exemples
• Logiciels utilisés : MLwin et SAS (transposables en SPSS)
• Illustré par des tableaux et des captures d’écrans
• Nouvelle édition incluant en téléchargement des exercices d’entraînement sur les bases de données et les programmes SAS ou SPSS de mise en œuvre des analyses

Destiné aux étudiants et chercheurs en sciences de l’éducation, économie, psychologie, STAPS (sciences et techniques des activités physiques et sportives), méthodologie statistique, sociologie, démographie, géographie, agronomie et biologie.

Avant-propos

Chapitre 1 Esquisse d'une épistémologie de la modélisation statistique en sciences sociales

1.1 Formalisme et modélisation

1.2 La modélisation statistique

Chapitre 2 Modéliser des relations simples

2.1 Différentes échelles de mesure

2.2 Déterminer la fonction qui lie Y à X

2.3 La droite de régression par les moindres carrés ordinaires (MCO)

2.4 Un cas appliqué d'analyse de régression simple

2.5 Annexe au chapitre 2

Chapitre 3 Modéliser des relations multiples

3.1 Intérêts de la régression multiple

3.2 Expression formalisée du modèle de régression multiple

3.3 Hypothèses liées à la régression multiple

3.4 Signification des hypothèses et conséquences de leur violation

3.5 Pouvoir explicatif du modèle et gain de variance expliquée

3.6 Inférence statistique

3.7 Une variable explicative est quantitative, les autres sont qualitatives : analyse de la covariance

3.8 Plusieurs variables explicatives sont quantitatives

3.9 Coefficients de régression standardisés

3.10 Mauvaise spécification de modèle, par un choix erroné dans les variables explicatives

3.11 Diagnostics et remédiation

3.12 Un cas appliqué d'analyse de régression multiple

3.13 Conclusion du chapitre : la démarche de spécification des modèles

3.14 Annexe au chapitre 3

Chapitre 4 Modéliser des interactions et des non-linéarités

4.1 Modéliser des interactions

4.2 Modéliser des non-linéarités

4.3 Annexe au chapitre 4

Chapitre 5 Modéliser des variables-réponses qualitatives : la régression logistique

5.1 Le modèle linéaire de probabilité

5.2 Le modèle linéaire généralisé

5.3 Le modèle logistique pour variables-réponses dichotomiques ou modèle logit binaire

5.4 Le modèle logistique pour variables-réponses polytomiques

5.5 Le modèle logistique pour variables-réponses ordinales

5.6 Annexe au chapitre 5

Chapitre 6 Modéliser des données hiérarchisées : les modèles multiniveaux

6.1 L'analyse de contexte

6.2 Les modèles utilisant les moindres carrés ordinaires : des a priori inadaptés à l'analyse des effets de contexte

6.3 Les modèles multiniveaux : une solution adéquate à l'analyse des effets de l'environnement sur les individus

6.4 Le pouvoir explicatif du modèle

6.5 Inférence statistique

6.6 Analyser la validité des modèles multiniveaux

6.7 Quelques problèmes dans l'estimation des modèles multiniveaux

6.8 Un cas appliqué d'analyse multiniveau

6.9 Dans quels cas les modèles multiniveaux sont-ils vraiment nécessaires ?

6.10 Annexe au chapitre 6

Chapitre 7 Modéliser des données complexes : les extensions des modèles multiniveaux

7.1 Modéliser une variance complexe au niveau 1

7.2 Le modèle à trois niveaux (ou plus)

7.3 Les modèles aléatoires croisés

7.4 Les modèles de croissance

7.5 Modéliser des variables-réponses qualitatives : les modèles logit multiniveaux

7.6 Annexe au chapitre 7

Bibliographie

Index des auteurs

index des termes

Liste des tableaux

Liste des figures

Table des matières