Analyse quantitative

Résumé du document

Ce document est une analyse quantitative qui vous servira d'exemple et de modèle à suivre pour vos futures études du genre.

Extraits

[...] Catégorie Corrélati Student P-valeur Significati on vité A 0,317 2,214 0,032 B 0,338 1,798 0,084 * C 0,015 0,034 0,974 Total 0,341 3,207 0,002 Légende * 10% On observe que pour l'échantillon total d'individus interrogés, le coefficient de corrélation s'élève à ρ = 0,341. Afin de vérifier si ce résultat est statistiquement significatif, on calcule la statistique de Student, qui s'élève à 3,21. En cherchant la probabilité correspondante dans la distribution de student, on trouve une très faible p-valeur, inférieure à 1%. Quelque soit le seuil de ou on rejette toujours l'hypothèse nulle que le coefficient de corrélation est nul. [...]

[...] Les résultats du test de Student et ceux de la dernière régression multivariée confirment qu'il y a une différence significative des hommes et des femmes dans l'échantillon quant à la question du changement climatique – les femmes sont significativement plus enclines à être d'accord qu'il y a un changement climatique que les hommes. Les histogrammes construits sur la base des données d'âge et de chiffre d'affaires montrent qu'il y a une forte concentration dans le second autour des petites entreprises (à chiffre d'affaire inférieur à 1 Million) et une distribution plus homogène pour la première, où l'âge modal est de 51 ans. Pour une raison étrange, les catégories de régions ne sont pas discrètes. Les données sont modifiées pour refléter cela. [...]

[...] On observe que les valeurs prédites ne sont pas toujours comprises entre 0 et ce qui est une limite de l'estimation MCO pour une variable binaire. On peut utiliser à la place une régression de type PROBIT ou LOGIT, qui consiste à transformer les données de telle sorte à ce que les valeurs prédites soient toujours comprises en 0 et 1. PROBIT : les valeurs sont reprises à partir d'une loi normale LOGIT : les données sont transformée en utilisant l'expression suivante ce qu'on appelle les Odds' ratio. [...]

[...] La corrélation entre l'âge et le chiffre d'affaires est de 0,341 pour l'ensemble de l'échantillon. C'est une corrélation positive, qu'on testera ensuite pour vérifier si elle est statistiquement significative. En d'autres termes, on pose l'hypothèse nulle qu'on cherche à vérifier : H0 : ρ = 0 la corrélation est nulle. H1 : ρ 0 la corrélation est différente de zéro. On construit la statistique de Student à partir de la formule suivante : où n est le nombre d'observations, et ρ le coefficient de corrélation. [...]

[...] Par conséquent, on peut dire qu'il y a une corrélation positive significative entre l'âge et le chiffre d'affaires de la firme. Lorsque les secteurs économiques des firmes sont pris en considération, les résultats sont plus nuancés. En effet, seul le secteur A (Trade & Manufacturing) exhibe une corrélation statistiquement significative au seuil de 5%. Pour les catégories B et les coefficients ne sont pas significatifs au même seuil. Un calcul similaire[1] par origine géographique donne les résultats suivants : Région Corrélati Student P-valeur Significati on vité 1 0,343 1,503 0,150 2 0,298 1,432 0,166 3 0,432 1,727 0,106 4 0,332 1,614 0,121 Total 0,341 3,207 0,002 Légende * 10% On observe que la répartition par région géographique ne donne pas de corrélation significatives. [...]