2. ANOVA 2

Question 1

plan factoriel : objectif

Answer 1

tester l’effet de plusieurs variables indépendantes catégorielles (facteurs) sur une variable dép

Question 2

plan factoriel : avantages

Answer 2

• plus de précision pour estimer les effets principaux
• possible d’étudier les interactions

Question 3

V ou F : dans le plan factoriel, tous les niveaux de chaque facteur sont testés

Answer 3

V

Question 4

plan factoriel : A vs a

Answer 4

A : facteur
a : niveaux du facteur

Question 5

plan factoriel : pourquoi on se limite à 2 facteurs

Answer 5

l’expérience est plus complexe quand on augmente le nbr de facteurs

Question 6

plan factoriel : hypothèses à tester

Answer 6

1. H0 : interaction entre chaque niv de ab = 0 (H1 : au moins 1 interaction ab égale pas 0)
2. effet du facteur A = 0 (H1 : alpha égale pas 0 pour au moins un niveau)
3. effet du facteur b = 0 (H1 : béta égale pas 0 pour au moins 1 niveau)

Question 7

interaction - modification de l’effet

Answer 7

• l’effet de A diffère quand au niveau de B
• facteur A a un effet, mais dépend du niveau de B

Question 8

interaction médicamenteuse

Answer 8

• l’effet conjoint de 2 facteurs sur une certaine variable réponse
• interaction se manifeste par un chgmt dans la magnitude de la réponse

Question 9

types d’interactions médicamenteuse

Answer 9

• synergique : effet conjoint des 2 med est supérieur à la somme des effets individuels
• antagoniste : effet conjoint des 2 med est inférieur à la somme des effets individuels

Question 10

devis utilisé pour évaluer les interactions med

Answer 10

chassé croisé car permet de voir les effets individuels et effet conjoint

Question 11

devis de williams

Answer 11

chassé croisé qui permet d’observer l’effet conjoint (I+S), mais aussi S seul et I seul (donc 3 périodes)

Question 12

devis de williams : avantage

Answer 12

permet de mesurer l’effet de la formulation en contrôlant pour les autres facteurs nuisibles (période, sq)

Question 13

devis de williams : déterminer les sources de variabilité (modèle linéaire) (5)

Answer 13

1. effet du sujet
2. effet de la séquence
3. effet de la période
4. effet de la formulation
5. erreur intra-sujet

Question 14

Devis de Williams : nb de période minimal

Answer 14

1/facteur + effet conjoint des facteurs (donc si 3 facteurs, 4 périodes)

Question 15

Devis de Williams : nb de séquences

Answer 15

nbr de période factoriel (ex : si 4 périodes, sq –> 4!)

Question 16

utilité de la régression linéaire

Answer 16

explique la variation d’une variable dep (réponse) continue à partir d’une variable indep continue ou catégorique

Question 17

régression linéaire : relation supposée entre les variables dépendantes et indépendantes

Answer 17

linéaire

Question 18

V ou F : la régression linéaire permet de comparer 2+ groupes à la fois et décrire la relation entre la moyenne de la variable dep et indep

Answer 18

V

Question 19

suppositions faites pour déterminer les valeurs des paramètres de régression (B0 et B1)

Answer 19

échantillon aléatoire (sujets indep)

Question 20

régression linéaire : droite qui s’ajuste le mieux aux sujets

Answer 20

celle minimisant les différences/distances (résidus) entre la droite estimée et chaque observation

Question 21

méthode des moindres carrés

Answer 21

méthode dans laquelle on veut la droite avec la somme de carré des résidus la plus faible

Question 22

B0

Answer 22

ordonnée à l’origine (valeur moyenne de Y lorsque X = 0)

Question 23

B1

Answer 23

pente de la droite (taux de chgmt de Y pour une unité de x)

Question 24

lien entre ANOVA et régression

Answer 24

en régression, on peut construire une décomposition en somme des carrés (SS)

Question 25

régression linéaire simple: dans quel cas utiliser le test T

Answer 25

tester si un des B est différent d'une valeur prédéfinie

Question 26

régression linéaire simple : dans quel cas le test T est équivalent au test F

Answer 26

dans le cas où on cherche à tester si le coefficient est différent de 0

Question 27

lien ANOVA-régression : décomposer le SS

Answer 27

SSy = SSreg + SSe

Question 28

lien ANOVA-régression : que représente SSe

Answer 28

somme des erreurs résiduelle erreur d'une donnée y par rapport à la valeur estimée y pour un niveau

Question 29

hypothèses du test T

Answer 29

H0 : Bi = Bi' (égale à la valeur estimée) H1 : Bi n'égale pas B'i

Question 30

coefficient de détermination (R2)

Answer 30

- mesure de la proportion de la variance expliquée par la régression - permet de quantifier l'adéquation de la droite de régression (mesure à quel point la droite est représentative des données)

Question 31

valeurs possibles de R2

Answer 31

entre 0-1

Question 32

R^2 = 0

Answer 32

l'équation de la droite de régression explique aucunement le nuage de points

Question 33

R^2 = 1

Answer 33

équation de la droite de régression est capable de déterminer à 100% la distribution des points (droite se confond avec le nuage de points)

Question 34

R^2 considéré adéquat

Answer 34

> 0,7

Question 35

coefficient de corrélation

Answer 35

√R^2 = R

Question 36

valeurs possibles de R

Answer 36

-1 à 1

Question 37

interprétation de r = 1

Answer 37

proche de 1 : indique que la droite représente les données positif : la droite est croissante

Question 38

interprétation de R = -1

Answer 38

proche de 1 : indique que la droite représente les données négatif : la droite est décroissante

Question 39

régression linéaire multiple

Answer 39

explique une variable dep à l'aide de 2+ variables indep

Question 40

Régression linéaire multiple : ^Bj

Answer 40

différence de moyenne en Y pour une différence d'une unité de X (en supposant que l'effet de Xj est ajusté pour les autres variables inclues dans le modèle)

Question 41

pourquoi est-il recommandé d'utiliser le R^2 ajusté pour les régressions multiples ?

Answer 41

- car plus de variables = R^2 plus élevé (fausse impression d'un ajustement adéquat) - R^2 ajusté tient compte du nbr de variables indep

Question 42

V ou F : R^2 et R^2 ajusté ont la même interprétation

Answer 42

F, R^2 ajusté sert de mesure d'adéquation (comparaisons de modèles)

Question 43

postulats du modèle de régression linéaire

Answer 43

- Y = variable continue - résidus suivent une loi normale - observations provenant de l'échantillons sont indep et identiquement distribuées - relation entre Y et chaque X est linéaire

Question 44

régression polynomiale

Answer 44

relation entre la variable dép et explicative est pas linéaire

Question 45

régression polynomiale : quoi faire pour avoir un bon R^2

Answer 45

capturer la non-linéarité

Question 46

régression polynomiale : cmt capturer la non-linéarité

Answer 46

introduire des termes polynomiaux

Question 47

V ou F : dans la régression polynomiale, le coefficient B2 est + difficilement interprétable

Answer 47

V

Question 48

régression polynomiale : pour déterminer s'il y a proportionnalité de dose, nommer les 2 questions auxquelles il faut répondre

Answer 48

1. s'il y une relation linéaire (Cmax-dose) 2. si la relation Cmax-dose est proportionnelle

Question 49

régression polynomiale : comment tester s'il y a une relation linéaire Cmax-dose

Answer 49

utiliser un modèle polynomial

Question 50

régression polynomiale : il y a linéarité dans quel cas

Answer 50

si B2 (coeff de la composante quadratique) est pas significativement différent de 0 (déterminé avec test student)

Question 51

régression polynomiale : comment déterminer si la relation linéaire Cmax-dose est proportionnelle ?

Answer 51

utilisation du modèle polynomiale on cherche à voir si B1 est différent de 0

Question 52

régression polynomiale : il y a proportionnalité dans quel cas

Answer 52

si B1 est différent de 0

Question 53

régression polynomiale : il y a proportionnalité directe dans quel cas

Answer 53

- B1 est différent de 0 - B0 n'est pas significativement différent de 0