top banner top banner
index
RegularArticles
ReplicationStudies
SpecialIssues
Vignettes
EditorialBoard
Instructions4Authors
JournalGuidelines
Messages
Submission

Search publications

Une introduction aux modèles de régressions multiniveaux avec R

Full text PDF
Bibliographic information: BibTEX format RIS format XML format APA style
Cited references information: BibTEX format APA style
Doi: 10.20982/tqmp.18.2.p168

Duplessis-Marcotte, Félix , Lapointe, Raphaël , Caron, Pier-Olivier
168-180
Keywords: Régression , Régression multiniveau , R , modélisation
Tools: R
(no sample data)   (no appendix)

La crise de reproductibilité en psychologie est en partie causée par l'utilisation d'analyses statistiques inadaptées aux données récoltées. Les données ont souvent des caractéristiques importantes à considérer, comme lorsque celles-ci sont nichées dans différents groupes (p. ex. recruter plusieurs élèves dans différentes classes). Dans ce cas, cela fait en sorte que le postulat de normalité des modèles linéaires généraux n'est pas respecté. Ignorer ce postulat d'indépendance en utilisant un modèle linéaire général peut mener à des résultats erronés, comme des faux positifs, des biais ou une perte de puissance. Les analyses de régressions multiniveaux répondent à ce problème et assurent la validité des résultats obtenus. Cet article se veut un tutoriel couvrant les principes généraux sous-jacents aux régressions multiniveaux pour analyser des données nichées. Des données pseudoaléatoires sont générées avec R et analysées avec des régressions multiniveaux afin de démontrer la valeur ajoutée de considérer la hiérarchisation des données quant à la validité des résultats. De plus, cet article fournit, étape par étape, la syntaxe R pour faciliter l'utilisation des analyses multiniveaux et l'adaptation de celles-ci aux données des lecteurs.


Pages © TQMP;
Website last modified: 2025-02-11.
Template last modified: 2022-03-04 18h27.
Page consulted on .
Be informed of the upcoming issues with RSS feed: RSS icon RSS