Syntaxe: La prparation des donnes

1
Syntaxe La préparation des données

• PSY6002_Cours 2

2
Lentrée de données et létendue

• Létendue des items
• Tous les scores sont-ils plausibles?
• Quoi faire? Enlevez les scores impossibles et
  trouvez le vrai score (si possible).
• Les recodes
• Les computes

FREQUENCIES VARS varfi1 varfi2
varfi3 /statsall.
3
La préparation des données

• Les items utilisés pour créer les variables
  représentant les sous-échelles peuvent maintenant
  être ignorés.
• Utilisez et vérifiez seulement les variables à un
  item et les variables représentant les
  sous-échelles que vous avez créés avec les
  computes.

4
La préparation des données

• Létendue des variables
• Est-ce que létendue est suffisante?
• Si seulement un ou deux scores sont endossés,
  vous avez un effet de plancher ou un effet de
  plafond.
• Quoi faire?
• Enlevez les variables problématiques
• Rappelez-vous que les corrélations avec ces
  variables sont mal estimées
• Les données manquantes
• Les distributions de fréquences
• Les scores extrêmes univariés et multivariés

5
Les données manquantes

• Le nombre de données manquantes
• Moins de 5 peu problématique
• Sinon, cela limite la généralisation des
  résultats
• Où se situent ces données manquantes?
• Si les données manquantes sont distribuées de
  façon aléatoire peu problématique
• Sinon, cela limite la généralisation des
  résultats
• Analysez les données manquantes
• Y a-t-il des différences entre ceux qui ont des
  données manquantes et les autres?

6
Quoi faire?

• Enlevez les participants avec des données
  manquantes
• Peu et distribués aléatoirement
• (Pairwise ou analysis) versus listwise
• Enlevez les variables problématiques
• Peu et de moindre importance
• Estimez les données manquantes
• Moyenne de léchantillon ou de son groupe
  dappartenance (sil y a lieu)
• Utilisez les données manquantes comme des données
  dintérêt
• Créer une variable dichotomique (manquant vs non
  manquant)
• Répétez les analyses avec et sans les personnes
  ayant des données manquantes
• Pour le cours Vous pouvez ignorer vos données
  manquantes, mais expliquez létat de votre banque
  de données dans votre travail et interprétez vos
  résultats en conséquence.

7
Pour ceux et celles qui sont plus avancé(e)s 
Comment remplacer les données manquantes par la
moyenne
Recode varfi (missingxxxxxx).
Recode phar (missing4.82).
8
Pour ceux et celles qui sont plus avancé(e)s
Comment créer une variable dichotomique (manquant
vs non manquant)
Do if not missing (varfi). Compute nomvar
1. ELSE. Compute nomvar 2. END IF. Execute.
Do if not missing (abc). Compute misabc
1. ELSE. Compute misabc 2. END IF. Execute.
9
Les distributions de fréquences des variables
continues

• Les scores de Skewness et Kurtosis devraient être
  entre 1 et -1.
• Certains acceptent des skewness et kurtosis entre
  3 et -3 (voir Kline, 1998).
• Revisez les postulats des analyses à chaque fois,
  certaines sont robustes.
• Overall, univariate values of kurtoses and
  skewness were generally adequate, most values
  ranging from 1.0 to 1.0, with a mean skewness
  of .51 and a mean kurtosis of .23 (Muthén
  Kaplan, 1985)
• ? Muthén, B., Kaplan, D. (1985). A
  comparison of methodologies for the factor
  analysis of non-normal Likert variables. British
  Journal of Mathematical and Statistical
  Psychology, 38, 171-189.
• Réfléchissez à la distribution de vos données et
  tentez de comprendre.

10
Lhistogramme Les distributions de fréquences
GRAPH /HISTOGRAM(NORMAL)varfi .
GRAPH /HISTOGRAM(NORMAL)age .
11
Quoi faire?

• Vérifiez vos scores extrêmes
• Laissez tomber la variable problématique
• Effectuez des transformations (voir TF, p. 86)
• Attention! Certaines transformations ont pour
  effet dinverser vos scores (p.ex., 1/varfi).
• Vérifier la distribution de la variable
  transformée, les transformations ne sont pas
  toujours efficaces.
• Linterprétation des résultats devient plus
  difficile.

12
Les scores extrêmes univariés

• Pour les variables dichotomiques, la taille des
  groupes ne devrait pas être plus différente
  quune proportion de 9010.
• Examiner les scores z les scores extrêmes se
  situent au-delà et en deçà de /-3.29 (plt.001,
  test bilatéral).
• Si léchantillon est très grand, on peut
  sattendre à en retrouver sans que cela soit
  problématique si la variable est normale.

Descriptives vars varfi /save. Frequencies
vars zvarfi.
13
Les scores Z
Moyenne
Fréquence
É-T
É-T
É-T
É-T
Scores
14
Quoi faire?

• Enlevez les participants ayant des scores
  extrêmes.
• Créez un nouveau fichier, appelez lancien
  fichier cyclismePSY6002_avant1_avecoutliersunivar
  iés.sav (Noubliez pas votre back up)
• Pour ceux et celles qui sont plus avancé(e)s
  Remplacez les scores extrêmes par des scores
  situés à la limite de z /-3.29
• Score limite moyenne /-3.29(écart-type)
• Exemple Score limite 4.35 3.29(.91)
• Exemple Score limite 7.34

Do if (varfi lt scorelimite). Compute varfi
scorelimite. End if. Execute.
15
Les scores extrêmes multivariés
Énergie
Négativité
Intelligence
16
Les scores extrêmes multivariés

• Assurez-vous de vous occuper des scores extrêmes
  univariés avant.

regression vars id phar pobs sat vita etc
/statistics collin /dependent id /method
enter /residualsoutliers (mahal) id(id).
17
Les scores extrêmes multivariés
regression vars id phar pobs sat vita etc
/statistics collin /dependent id /method
enter /residualsoutliers (mahal) id(id).
18
Enlevez les scores extrêmes multivariés

• Créez un autre fichier et appelez lancien
  cyclisme_avant2_avecoutliersmultivaries.sav
  (Noubliez pas de faire un back up) et enlevez
  les participants ayant des scores extrêmes de la
  banque de données à la main.
• Lorsque les participants ayant des scores
  extrêmes ont été enlevés, refaites lanalyse. Il
  est courant que certains scores extrêmes soient
  masqués par les scores encore plus extrêmes.
• Le nombre de variables doit être limité, sinon il
  y aura trop de scores extrêmes.
• Si vous devez enlever plus de 5 de
  léchantillon, est-ce vraiment des scores
  extrêmes?
• Pour les besoins du cours, incluez toutes vos
  variables et enlevez un maximum de 10
  participants ayant des scores extrêmes multivariés

19
Les sources daide

• Notes de cours du professeur Cousineau
• Disponible sur le site du cours
• Manuel de SPSS
• Pour trouver la commande et ses explications
• spssbase.pdf
• Disponible sur le site du cours

20
Fichier pdf, disponible sur le site du cours
21
Commande
Coisissez votre commande
Explication
22
(No Transcript)
23
Pour ceux et celles qui sont plus avancé(e)s
Comment filtrer des participants
FILTER BY variable.
FILTER OFF.

• Les participants ayant un score de 0 sur la
  variable spécifiée seront exclus.
• Attention à la commande select dans la syntax
  qui enlève vos données de façon permanente!

24
(No Transcript)
25
Pour ceux et celles qui sont plus avancé(e)s
Comment filtrer des participants
Do if (id xx) and (idxx). Compute nomvar
0. ELSE. Compute nomvar 1. END
IF. Execute. Filter by nomvar.
Do if not missing (abc). Compute misabc
1. ELSE. Compute misabc 0. END
IF. Execute. Filter by misabc.
26
Commande utile Vérification des données pour
chaque personne
list varfi varfi. execute.
list id abc. execute.
Note Lorsque le output est incomplet, cliquez
dessus pour pouvoir dérouler le texte et voir le
reste.