mémoire de fin d'étude, besoin de conseils

bonjour,

je fais une étude avec une population de 10 sujets sur les effets du Nordic Walking sur l'endurance et l'activité physique journalière. J'ai pris des mesures avant le début de l'entraînement et après 5 mois de pratique.
Mes variables sont:
- le poids, le tour de taille
- la distance parcourue lors d'un test de course de 12 minutes
- mesure de l'effort effectué par une personne sur une échelle de 6 à 20 (Borg)
- le nombre de pas journaliers effectué par la personne

Arrivé au bout de la partie pratique de mon étude, je me retrouve confronté à l'analyse des résultats.
N'étant pas très doué dans ce domaine, autant dire ignorant,j'aurais besoin de quelques conseils...
Quels tests statistique utiliser ? pourquoi ? avec quel programme ?
Quels tests de corrélation ?
Et finalement comment utiliser ces tests?

D'après ce que j'ai compris jusqu'à présent, le test à utiliser serait celui de Wilcoxon car ma population est très petite.

ça fait un peu beaucoup de questions, je sais, mais si quelcun à la patience de me donner quelques explications ou pistes, je lui en serais très reconnaissant.

Merci

Salut Vlad,

On ne sait pas trop quel est le sujet de ton mémoire. Qu'est ce que tu dois expliquer quelles sont tes variables expliquée et explicatives. Tu devrais d'abord définir clairement ta problématique et ensuite nous dire ce que tu as envie de faire.

salut,

Ce groupe de personnes à fait un entrainement de marche durant 5 mois,
alors je souhaite voir si l'entraînement effectué amène des améliorations sur l'endurance et l'activité physique journalière+ quelques autres
paramètres.
L'endurance est mesurée par un test de course de 12 min qui donne une distance parcourue en mètres.
L'effort fourni lors de ce test est mesuré au moyen d'une échelle verbale, l'échelle de Borg qui donne un score de 6 à 20.
L'activité physique journalière est mesurée au moyen d'un podomètre qui calcule le nombre de pas effectués par une personne en une journée.
Finalement j'ai aussi mesuré le poids et le tour de taille de ces personnes qui avérerait d'un changement physique.

Mon hypothèse de départ est qu'un entraînement régulier bi-hebdomadaire permet d'améliorer ces paramètres.

Donc j'ai fait 3 évaluations durant lesquelles j'ai pris ces mesures, maintenant je me retrouve avec les résultats sous forme de tableaux que je souhaite analyser. En fait j'aimerais comparer les résultats avant-après de chaque personne et du groupe en entier pour voire si je peux en conclure quelque chose. J'aimerais aussi comparer les résultats d'endurance avec l'activité physique pour voir si il y a un lien entre les changements. Puis je souhaiterais aussi savoir si les personnes qui ont perdu du poids ou du tour de taille sont celles qui ont fait les meilleures progrès ou si ça n'a rien à voir.

Je ne sais pas si ça répond à ta question, mais ce n'est pas plus clair que ça dans ma tete pour l'instant.

merci en tout cas pour ta réponse

salut vlad.

Tu ne peux pas utiliser de tests paramétriques car ton échantillon comporte peu d'individus donc la normalité des variables n'est pas forcément vérifiée.
Si ton échantillon est apparié (même population avant et après entrainement,ce dont il doit s'agir):
-test de signe (binomial)
-test des signes et des rangs de wilcoxon (plus élaboré):
exemple:
variable : nb metres parcourus en douze minutes
on teste:pas d'effet de l'entrainement contre: les individus courent plus après entrainement de 5 mois.

Tu dois donc travailler sur la série différenciée: pour chaque individu, calcule distance après - distance avant entrainement.
Tu testes donc: moyenne différenciel des distances =0 contre moyenne <> 0.

Procédure:

*range par ordre croissant et en valeur absolue les observations calculées précedemment,
*attribue à chaque observation un signe positif ou négatif suivant si l'écart est positif ou négatif,
* devant le signe, place le rang de l'observation.
*calcule la somme des rangs positifs et celle des rangs négatifs,
*prend la valeur minimum des deux,
*si cette valeur est supérieure à la statistique théorique (que tu liras dans la table de wilcoxon) alors on ne rejette pas Ho: pas d'effet de l'entrainement. Sinon, il y a un effet.
La variable distance est continue, il ne devrait pas y avoir d'ex aequo; si c'est le cas, saches que les ex aequo font l'objet d'un calcul particulier...

N'hésite pas à revenir vers nous en cas de soucis!

Bonjour à tous,
j'ai rencontré un statisticien qui m'a expliqué comment m'y prendre... Voici ce à quoi je suis parvenu. J'ai finalement utilisé un paired t test, est-ce correct ? Comment interpréter ces résultats ?
Merci si quelqu'un à le courage de me donner quelques explications...

A bientôt

Vlad


AGE:

x1<-c(64,64,52,50,38,55,57,45,48,59)
y1<-c(64,64,52,50,38,55,57,45,48,59)
z1<-c(64,64,52,50,38,55,57,45,48,59)

a<-c(rep(1,length(x1)),rep(2,length(y1)),rep(3,length(z1)))
boxplot(c(x1,y1,z1)~a)


TAILLE:

x2<-c(154,155,157,177,171,160,156,163,157,185)
y2<-c(154,155,157,176,171,160,156,162,157,185)
z2<-c(154,155,156,176,171,160,156,163,157,185)

a<-c(rep(1,length(x2)),rep(2,length(y2)),rep(3,length(z2)))
boxplot(c(x2,y2,z2)~a)



POIDS:

x3<-c(81,82,98,112,87,76,81,103,83,105)
y3<-c(80,83,100,114,87,76,78,105,86,103)
z3<-c(77,82,95,114,87,76,73,101,87,104)

a<-c(rep(1,length(x3)),rep(2,length(y3)),rep(3,length(z3)))
boxplot(c(x3,y3,z3)~a)


x3<-c(81,82,98,112,87,76,81,103,83,105)
y3<-c(80,83,100,114,87,76,78,105,86,103)
z3<-c(77,82,95,114,87,76,73,101,87,104)
boxplot(c(x3,y3,z3)~a)
t.test(y3,z3,paired=T)

Paired t-test
data: x3 and y3
t = -0.647, df = 9, p-value = 0.5338
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval: -1.7985588 0.9985588
sample estimates:
mean of the differences -0.4

Paired t-test
data: y3 and z3
t = 2.0969, df = 9, p-value = 0.06545
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval: -0.1261048 3.3261048
sample estimates:
mean of the differences 1.6


TOUR DE TAILLE:

x4<-c(118,115,132,118,106,98,107,120,113,115)
y4<-c(116,114,130,119,106,98,105,120,109,114)
z4<-c(113,118,132,120,107,96,101,113,103,113)

a<-c(rep(1,length(x4)),rep(2,length(y4)),rep(3,length(z4)))
boxplot(c(x4,y4,z4)~a)



x4<-c(118,115,132,118,106,98,107,120,113,115)
y4<-c(116,114,130,119,106,98,105,120,109,114)
z4<-c(113,118,132,120,107,96,101,113,103,113)
boxplot(c(x4,y4,z4)~a)
t.test(y4,z4,paired=T)

Paired t-test
data: x4 and y4
t = 2.4004, df = 9, p-value = 0.03987 ---‡ POURQUOI ???
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval: 0.06334936 2.13665064
sample estimates:
mean of the differences 1.1

Paired t-test
data: y4 and z4
t = 1.3299, df = 9, p-value = 0.2163
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval: -1.051551 4.051551
sample estimates:
mean of the differences 1.5


BMI:

x5<-c(34.15,34.2,39.76,35.75,29.75,29.69,33.08,38.77,33.67,30.68)
y5<-c(33.73,34.33,40.57,36.8,29.58,29.69,32.05,40.01,34.89,30.09)
z5<-c(32.48,34.13,39.03,36.8,29.75,29.88,30,38.01,35.3,30.39)

a<-c(rep(1,length(x5)),rep(2,length(y5)),rep(3,length(z5)))
boxplot(c(x5,y5,z5)~a)


x5<-c(34.15,34.2,39.76,35.75,29.75,29.69,33.08,38.77,33.67,30.68)
y5<-c(33.73,34.33,40.57,36.8,29.58,29.69,32.05,40.01,34.89,30.09)
z5<-c(32.48,34.13,39.03,36.8,29.75,29.88,30,38.01,35.3,30.39)
boxplot(c(x5,y5,z5)~a)
t.test(y5,z5,paired=T)

Paired t-test
data: x5 and y5
t = -0.8738, df = 9, p-value = 0.4049
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:-0.8038874 0.3558874
sample estimates:
mean of the differences -0.224

Paired t-test
data: y5 and z5
t = 1.8947, df = 9, p-value = 0.09066
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:-0.1157933 1.3097933
sample estimates: mean of the differences 0.597

TEST 12 MINUTES:

x6<-c(1155,1170,930,1470,935,1215,1160,980,1065,1289)
y6<-c(1115,1140,975,1495,995,1165,1225,925,1145,1315)
z6<-c(1230,1180,1120,1480,970,1385,1290,1055,1250,1455)

a<-c(rep(1,length(x6)),rep(2,length(y6)),rep(3,length(z6)))
boxplot(c(x6,y6,z6)~a)




x6<-c(1155,1170,930,1470,935,1215,1160,980,1065,1289)
y6<-c(1115,1140,975,1495,995,1165,1225,925,1145,1315)
z6<-c(1230,1180,1120,1480,970,1385,1290,1055,1250,1455)
boxplot(c(x6,y6,z6)~a)
t.test(y6,z6,paired=T)

Paired t-test
data: x6 and y6
t = -0.7718, df = 9, p-value = 0.46
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval: -49.53194 24.33194
sample estimates: mean of the differences -12.6

Paired t-test
data: y6 and z6
t = -3.8197, df = 9, p-value = 0.004092
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval: -146.48518 -37.51482
sample estimates:
mean of the differences -92


EVALUATION DE BORG:

x7<-c(15,15,16,15,13,13,13,15,14,11)
y7<-c(14,15,13,16,13,11,13,15,15,11)
z7<-c(15,13,13,16,11,12,14,11,13,11)

a<-c(rep(1,length(x7)),rep(2,length(y7)),rep(3,length(z7)))
boxplot(c(x7,y7,z7)~a)


x7<-c(15,15,16,15,13,13,13,15,14,11)
y7<-c(14,15,13,16,13,11,13,15,15,11)
z7<-c(15,13,13,16,11,12,14,11,13,11)
boxplot(c(x7,y7,z7)~a)
t.test(y7,z7,paired=T)

Paired t-test
data: x7 and y7
t = 1, df = 9, p-value = 0.3434
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval: -0.5048629 1.3048629
sample estimates:
mean of the differences 0.4

Paired t-test
data: y7 and z7
t = 1.2999, df = 9, p-value = 0.2259
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval: -0.5182089 1.9182089
sample estimates: mean of the differences 0.7


PODOMETRIE:

x8<-c(14121,11054,7003,6860,6257,5475,10309,6928,8401,6667)
y8<-c(6841,12098,9039,7375,4792,9556,6389,12061,6990,6675)
z8<-c(8468,10746,7032,8237,4966,9523,9847,12588,10120,8000)

a<-c(rep(1,length(x8)),rep(2,length(y8)),rep(3,length(z8)))
boxplot(c(x8,y8,z8)~a)



x8<-c(14121,11054,7003,6860,6257,5475,10309,6928,8401,6667)
y8<-c(6841,12098,9039,7375,4792,9556,6389,12061,6990,6675)
z8<-c(8468,10746,7032,8237,4966,9523,9847,12588,10120,8000)
boxplot(c(x8,y8,z8)~a)
t.test(y8,z8,paired=T)

Paired t-test
data: x8 and y8
t = 0.1087, df = 9, p-value = 0.9159
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval: -2495.408 2747.208
sample estimates:
mean of the differences 125.9

Paired t-test
data: y8 and z8
t = -1.4047, df = 9, p-value = 0.1937
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval: -2012.8747 470.6747
sample estimates:
mean of the differences -771.1


CORRELATIONS:

- Borg/test de 12 min.

Call:
lm(formula = w7 ~ w6)

Residuals:
Min 1Q Median 3Q Max
-2.5310 -0.5075 -0.4754 1.5019 2.5273

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 1.337e+01 2.194e+00 6.094 1.42e-06 ***
w6 1.112e-04 1.847e-03 0.060 0.952
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 1.685 on 28 degrees of freedom
Multiple R-Squared: 0.0001293, Adjusted R-squared: -0.03558
F-statistic: 0.003622 on 1 and 28 DF, p-value: 0.9524


- Podomètre/test 12 min

Call:
lm(formula = w8 ~ w6)

Residuals:
Min 1Q Median 3Q Max
-3730.2 -1639.6 -295.1 1590.5 5635.6

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 8750.7869 3144.9709 2.782 0.00955 **
w6 -0.2298 2.6479 -0.087 0.93147
---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 2415 on 28 degrees of freedom
Multiple R-Squared: 0.0002688, Adjusted R-squared: -0.03544
F-statistic: 0.007529 on 1 and 28 DF, p-value: 0.9315


- Borg/podométrie

Call:
lm(formula = w8 ~ w7)

Residuals:
Min 1Q Median 3Q Max
-3585.1 -1847.6 -542.1 1705.4 5329.9

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 5685.8 3645.6 1.560 0.130
w7 207.0 268.1 0.772 0.446

Residual standard error: 2390 on 28 degrees of freedom
Multiple R-Squared: 0.02085, Adjusted R-squared: -0.01412
F-statistic: 0.5963 on 1 and 28 DF, p-value: 0.4465


-> Pas de corrélations observées !!!