Ce livre de statistiques dans R fournit un solide guide pratique étape par étape des analyses statistiques pour comparer les moyennes des groupes en utilisant le logiciel R. De plus, nous avons développé un package R nommé rstatix (https://rpkgs.datanovia.com/rstatix/), qui fournit un système simple et intuitif, cohérent avec la philosophie de conception tdyverse, pour calculer les analyses statistiques les plus courantes, dont le test t, le test de Wilcoxon, ANOVA, Kruskal-Wallis, les analyses de corrélation, l’identification des valeurs extrêmes et autres.

Ce livre est conçu pour vous permettre de faire les tests statistiques dans R le plus rapidement possible. Le livre se concentre sur la mise en œuvre et la compréhension des méthodes, sans avoir à lutter à travers des pages de démonstrations mathématiques.

Vous serez guidé à travers les étapes de synthèse et de visualisation des données, de vérification des hypothèses et de réalisation de tests statistiques dans R, d’interprétation et de reporting des résultats.

Principales caractéristiques de ce livre

Bien qu’il existe plusieurs bons livres sur les statistiques et les sujets associés, nous estimons que beaucoup d’entre eux sont trop théoriques. Notre but était de rédiger un guide pratique de statistiques dans R avec visualisation, interprétation et rapport des résultats.

Les principales parties du livre sont les suivantes:

• Tests statistiques et hypothèses pour la comparaison des moyennes des groupes,
• comparaison de deux moyennes,
  • t-test,
  • test de Wilcoxon,
  • Test des signes,
• comparaison de plusieurs moyennes,
  • ANOVA - Analyse des Variances pour les mesures indépendantes
  • ANOVA à mesures répétées,
  • ANOVA mixte,
  • ANCOVA et MANOVA,
  • Test de Kruskal-Wallis
  • test de Friedman

Le livre présente les principes de base de ces tâches et donne de nombreux exemples dans R. Ce livre offre de solides conseils en statistiques pour les étudiants et les chercheurs.

Caractéristiques principales:

• Couvre les tests statistiques et les implémentations
• Les hypothèses clés sont présentées et vérifiées
• Chapitres courts et complets avec des exemples pratiques. Cela signifie que vous n’avez pas besoin de lire les différents chapitres dans l’ordre.

Comment ce livre est organisé ?

Ce livre contient 3 parties. Après une rapide introduction à R (chapitre @ref(introduction-to-r)), la partie I présente quelques questions de recherche et les tests statistiques correspondants, ainsi que les hypothèses des tests. Bon nombre des méthodes statistiques, y compris le test t et l’analyse de variance (ANOVA), supposent certaines caractéristiques des données, notamment la normalité de la distribution des données et l’égalité des variances des groupes. Ces hypothèses doivent être prises au sérieux pour tirer une interprétation et des conclusions fiables de la recherche. Dans la Partie I, vous apprendrez comment évaluer la normalité à l’aide du test de Shapiro-Wilk (chapitre @ref(normality-test-in-r)) et comment comparer les variances dans R en utilisant le test de Levene et plus (chapitre @ref(homogeneity-of-variance)).

Exemples de formes de distribution

• Distribution normale

• Distributions asymériques

Dans la Partie II, nous examinons comment comparer deux moyennes en utilisant le test t (méthode paramétrique, chapitre @ref(t-test)) et le test de wilcoxon (méthode non paramétrique, chapitre @ref(wilcoxon-test)). Le contenu principal, inclut:

1. Comparaison de la moyenne d’un échantillon à une valeur théorique standard:
   • Test T pour échantillon Unique (paramétrique)
   • Test des Rangs Signés de Wilcoxon (non paramétrique)
2. Comparaison des moyennes de deux groupes indépendants:
   • Test T pour Echantillons Indépendants (paramétrique)
   • Test de la Somme des Rangs de Wilcoxon (non paramétrique)
3. Comparaison des moyennes des échantillons appariés:
   • Test T pour Echantillons Appariés (paramétrique)
   • Test des Rangs Signés de Wilcoxon sur Echantillons Appariés (non paramétrique)

Dans cette partie, nous avons également décrit comment vérifier les hypothèses du test t et comment calculer la taille de l’effet du test t (le d de Cohen). Vous apprendrez également comment calculer la taille de l’effet du test de Wilcoxon. De plus, nous présentons le test des signes (Chapitre @ref(sign-test)), une alternative au test t sur échantillons appariés et au test des rangs signés de Wilcoxon, dans le cas où la distribution des différences entre les valeurs des données appariées n’est ni normale (dans le test t) ni symétrique (dans le test de Wilcoxon).

La partie III décrit comment comparer plusieurs moyennes dans R en utilisant la méthode ANOVA (Analyse de variance) et les variantes (Chapitres @ref(anova-analysis-of-variance) - @ref(friedman-test)).

Le chapitre @ref(anova-analysis-of-variance) décrit comment calculer et interpréter les différents types d’ANOVA pour comparer les mesures indépendantes, notamment:

• ANOVA à un facteur, une extension du test t sur échantillons indépendants pour comparer les moyennes dans une situation où il y a plus de deux groupes.
• ANOVA à deux facteurs pour évaluer un effet d’interaction entre deux variables catégorielles indépendantes sur une variable-réponse continue.
• ANOVA à trois facteurs pour évaluer un effet d’interaction entre trois variables catégorielles indépendantes sur une variable de résultat continue.

Nous fournissons également un code R pour vérifier les hypothèses de l’ANOVA et effectuer des analyses post-hoc. De plus, nous présenterons le test de Kruskal-Wallis (Chapitre @ref(kruskal-wallis-test-in-r)), qui est une alternative non paramétrique au test ANOVA à un facteur.

Le chapitre @ref(repeated-measure-anova) présente l’ANOVA à mesures répétées, qui est utilisé pour analyser les données lorsque les mêmes sujets sont mesurés plus d’une fois. Vous apprendrez différents types d’ANOVA à mesures répétées, notamment:

• ANOVA à un facteur sur mesures répétées pour comparer les moyennes de trois niveaux ou plus d’une variable intra-sujets.
• ANOVA à deux facteurs sur mesures répétées utilisée pour évaluer simultanément l’effet de deux facteurs intra-sujets sur une variable-réponse continue.
• ANOVA à trois facteurs sur mesures répétées utilisées pour évaluer simultanément l’effet de trois facteurs intra-sujets sur une variable-réponse continue.

Vous apprendrez également comment calculer et interpréter le test de Friedman (Chapitre @ref(friedman-test)), qui est une alternative non paramétrique au test ANOVA à un facteur à mesures répétées.

Le chapitre @ref(mixed-anova) montre comment exécuter l’ANOVA mixte, qui est utilisé pour comparer les moyennes des groupes classés par au moins deux facteurs, l’un étant un facteur “intra-sujets” (mesures répétées) et l’autre un facteur “inter-sujets”.

Les chapitres @ref(ancova) et @ref(one-way-manova) décrivent, respectivement, quelques extensions avancées d’ANOVA, notamment:

• ANCOVA (analyse de la covariance), une extension de l’ANOVA à un facteur qui incorpore une covariable.
• MANOVA (multivariate analysis of variance ou analyse multivariée de la variance), une analyse de variance avec deux ou plusieurs variables-réponses continues.