Statistiques

Est ce qu'il y a une interaction entre les deux facteurs. savoir la différence entre les deux groupe (malade et non malade) S’intéresse aux caractéristiques de L’Echantillon. ceux qui sont exposé et ceux qui ne sont pas exposési on a une proportion plus grade d’hommes ou de femmes dans notre échantillon ou pour voir s’il y a des différences au départ en termes de diagnostic des participants dans le groupe contrôle et le groupe qui reçoit l’intervention Facteur de risque et outcome clinique n'ont pas d'influence

H0= le facteur d'exposition n'as pas d'effet sur l'outcome clinique H1 = Les femmes aiment mieux le café sucré, alors que les hommes préfèrent le café sans sucre H0 = Il n’y a pas de différence entre hommes et femmes concernant la préférence pour le café sucré ou non   

si les variations sont du au hasard ou il y a un réel facteurprendre la somme de chaque case (la valeur observé - la théorie) diviser par la théorie--> On utilise le RR une fois que on a un test de chi 2 est significative

valeur indique combien de fois la chance d’avoir l’événement-cible est supérieure dans le groupe avec facteur de risque, par rapport au groupe de référence.

Tester l'hypothèse d'une liaison entre deux variables. 4 types de corrélation-->  De Pearson, Spearman, Kendall et Phi  Régression linéaire : exemple de la perche d'arbre du pomme :)

 Hypothèses du test de corrélation H0: Le coefficient de corrélation r ne diffère pas de 0 H1: Le coefficient de corrélation diffère de 0

-        r = 1 : corrélation positive parfaite  o (plus je suis vieux plus j’ai de rides) ➔ corrélation parfaite veut dire que chaque fois que je prend une année je sais exactement combien de rides en plus je vais avoir. -        r = -1 : corrélation négative parfaite o (plus je suis vieux moins je cours vite) -        r = 0 : aucune corrélation entre les deux variables  o (pas de lien entre l’âge et la taille des chaussures) 

Permet de prédire

 Hypothèses pour le modèle linéaire dans son ensemble (F stat.)H0: Le modèle estimé ne prédit pas mieux les données que le modèle nul H1: Le modèle estimé prédit mieux les données que le modèle nul Hypothèses pour chacun des paramètres (t student stat.)H0: Les paramètres de pente (resp. d’ordonnée_origine) ne diffèrent pas de 0 H1: Les paramètres de pente (resp. d’ordonnée_origine) diffèrent de 0

les test apparie--> plus précis que ceux qui ne le sont pas

o Ex. hypothèse = Les personnes plus âgées, en moins bonne santé physique, et avec un plus haut niveau de dépression auront plus de risque de développer une malnutrition. 

•        L’hypothèse nulle est la chose qu’on ne souhaite pas observer, c’est ce qui serait le plus improbable.  •        L’hypothèse alternative est la chose que l’on souhaite montrer, prouvé et qui serait la plus probable.