Analyse des sondages

salut à tous,

J'analyse des sondages dont le mode de recrutement se fait via internet.
Parmi les variables qui m’intéressent, il y a en une qui est qualitative et à quatre modalités.
Elle permet de savoir si:
- l'interrogé a fini son questionnaire en allant jusqu'au bout et en répondant à toutes les questions, dans ce cas, la variable vaut 1
- Dans le cas où l’interrogé abandonne, la variable vaut 2,...

J'ai un échantillon de 39 sondages (petit exemple en fichier-joint), et pour chaque sondage, je fais le tri à plat de cette variable qualite (i.e je calcule le % pour chaque modalité: les var. commençant par P dans le fichier exemple).

J'ai besoin de votre aide pour mieux faire mes analyses et surtout mieux étudier la variable à quatre modalités.

merci

Bonjour,

Si j'ai bien compris, votre variable quali prend la valeur 1 quand les personnes ont répondu à tout le questionnaire, et les valeurs 2, 3 ou 4 quand ce n'est pas le cas, c'est bien cela?

Si oui, pourquoi ne pas créer, à partir de cette variable, une nouvelle variable binaire qui prendrait les valeurs 1 si questio complet et 0 sinon, et ensuite effectuer une régression logistique avec cette variable comme variable à expliquer?

C'est juste une idée comme ça qui m'est venue à la lecture de votre message.
Si vous avez des questions concernant la méthode de régression logistique avec R, n'hésitez pas :)

Bonne continuation :)


Cordialement,

A.D.


PS: Que vous donniez un exemple de vos données est une très bonne chose, mais il faudrait penser à décrire un peu plus les variables pour que nous puissions mieux les comprendre.

Merci AD
c'est ce je me disais , si j'avais à analyser un seul sondage mais là j'ai 39 études de sondages et de tailles différentes du coup je suis un peu bloqué.

sinon pour compter les observations:
je dois par exemple compter le nombre de complets par exemple pour chaque sondage ou considérer le taux de questionnaires complets vu que les sondages n'ont pas les mêmes tailles d’échantillon

Re-bonjour,

Alors, tout d'abord, petite remarque un peu "hs", il est possible (et préférable ;) ) d'éditer un précédent message plutôt que d'en reposter un second à la suite.

Sinon, concernant le fait qu'il s'agisse de 39 études, si vous disposez de données présentées comme le modèle suivant :

INDIVIDU ETUDE QUALI
id1 1 1
id2 1 0
id3 1 1
id1 2 0
id2 2 1

Il est possible alors d'effectuer une régression logistique sur ces données avec la variable QUALI comme variable à expliquer et d'intégrer la variable ETUDE comme variable explicative (ça permettra de voir s'il y a un effet "étude").


Sinon, pour calculer par exemple le nombre de complets (ie. variable quali = 1) par étude (et avec des données de la forme de celles ci-dessus), il est possible d'avoir recours à la fonction by.
Petit exemple pour y voir un peu plus clair :

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

quali<-sample(1:4,50,replace=TRUE) etude<-c(rep(1,10),rep(2,10),rep(3,10),rep(4,10),rep(5,10))   X<-cbind(quali,etude)   X<-apply(X,2,as.factor) X<-as.data.frame(X)     complet<-function(x) { nb<-length(which(x==1)) nb }   by(X$quali,X$etude,FUN=complet)

---

En espérant que ceci vous donne quelques pistes.
Bonne continuation :)


Cordialement,

A.D.

Merci AD
L'idée est excellente, mais c'est parce qu'au départ j'avais 161000 individus, et pour avoir les infos de ces individus, il me faut explorer 161000+39 fichiers parce que la connexion de chaque individu génère un fichier qui stocke ses infos de connexion, et le problème est que je maîtrise pas les bases de données et les langages de scripts pour extraire toutes ces données et je ne me suis contenté que des données moyennes par étude, mais je vais m'y lancer.
Merci

Citation:

---

Envoyé par A. D.

Re-bonjour,

Sinon, concernant le fait qu'il s'agisse de 39 études, si vous disposez de données présentées comme le modèle suivant :

INDIVIDU ETUDE QUALI
id1 1 1
id2 1 0
id3 1 1
id1 2 0
id2 2 1

Il est possible alors d'effectuer une régression logistique sur ces données avec la variable QUALI comme variable à expliquer et d'intégrer la variable ETUDE comme variable explicative (ça permettra de voir s'il y a un effet "étude").


Sinon, pour calculer par exemple le nombre de complets (ie. variable quali = 1) par étude (et avec des données de la forme de celles ci-dessus), il est possible d'avoir recours à la fonction by.
Petit exemple pour y voir un peu plus clair :

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

quali<-sample(1:4,50,replace=TRUE) etude<-c(rep(1,10),rep(2,10),rep(3,10),rep(4,10),rep(5,10))   X<-cbind(quali,etude)   X<-apply(X,2,as.factor) X<-as.data.frame(X)     complet<-function(x) { nb<-length(which(x==1)) nb }   by(X$quali,X$etude,FUN=complet)

---

En espérant que ceci vous donne quelques pistes.
Bonne continuation :)


Cordialement,

A.D.

---

En fait j'ai essayé cette méthode, mais le problème est que les autres variables sont des variables d’étude, comme NQ: le nombre de question, NP, le nombre de page, T_ech la taille de l’échantillon, DRT la durée du terrain,..
vu que les autres variables sont des variables d’études, je crois que la régression logistique n'est pas appropriée.
Je pars pour faire une ACP sur les variables d’études et mettre par exemple le nombre de complet, le nombre d'abandon pour chaque en variables supplémentaires.

Bonjour,

Citation:

---

Envoyé par arm3366

En fait j'ai essayer cette methode, mais le probleme est que les autres variables sont des variables d'etude,(...) vu que les autres variables sont des variables d'etudes, je crois que la regression logistique n'est appropriée.

---

Le problème je crois ici est que vous devez DECIDER de l'approche à avoir.
Vous pouvez effectuer une première recherche au niveau "questionnaire" avec la variable à 4 modalités dont vous parliez dans votre premier message, ou bien effectuer une recherche au niveau "global" avec des variables propres à une étude (et non plus à un répondant), et cette fois vous devrez effectivement passer par une variable "nombre d'abandon" par exemple.

Cela dit, il est toujours possible d'avoir recours à des modèles de régression avec comme variable à expliquer le nombre d'abandon (ce qui donnera peut-être des résultats plus "utilisables" qu'une ACP).

A mon avis, il y a pas mal d'approches et de méthodes possibles, le tout étant de bien clarifier votre problématique, notamment en décidant des variables à étudier.

Bonne continuation :)


Cordialement,

A.D.

Merci A.D

Vous avez peu près résumé les choses, mais en gros je veux faire une étude globale, mon souci était l'approche à avoir pour étudier en même temps le nombre de complet , d'abandon,...et que les études n'ont pas les mêmes tailles

en gros la question qui m'a été posée est la suivante:

Voila, vous avez des études, on veut que vous les quantifiiez et les qualifiiez:

j'ai commencé par choisir mes variables, faire une analyse univariée, étudier les corrélations des variables qui définissent à peu près une étude comme le nombre de questions, le nombre de pages, la taille de l’échantillon d’étude, la durée du terrain et une ACP pour dresser un profil d'étude.
Après, j'ai voulu aller plus loin et essayant de voir ce que je pouvais faire d'autre comme établir des modèles prédictifs,..

Re bonjour,

Citation:

---

Envoyé par arm3366

etudier en meme temps le nombre de complet , d'abandon,...et que les etudes n'ont pas les memes tailles

---

Le nombre de complet et le nombre d'abandon ne sont-ils pas complémentaires? C'est-à-dire que si j'ai 100 répondants et 25 abandons, cela ne signifie-t-il pas qu'il y a 75 questionnaires complets? Auquel cas, pas besoin d'avoir 2 variables pour ces éléments là.
Sinon, pour ce qui est des études qui n'ont pas la même taille, peut-être qu'il est possible d'éviter ce "problème" en étudiant le pourcentage d'abandon (ou de questio complets).

Citation:

---

Envoyé par arm3366

j'ai commencé par choisir mes variables, faire une analyse univariée, etudier les correlations des variables qui definissent à peu prés une etude comme le nombre de question, le nombre de page, la taille de l'echantillon d'etude, la durée du terrain et une ACP pour dresser une profile etude.
apres j'ai voulu aller plus loin et essayant de voir ce que je pouvais faire d'autres comme etablir des modeles predicfs,..

---

Je pense que regarder les corrélations entre variables afin d'affiner votre choix de variables explicatives est une bonne idée. En effet, par exemple le nombre de questions et le nombre de pages sembleraient a priori être corrélés (à vérifier bien sûr).
Ensuite, je ne vois pas bien ce que vous entendez par "profil étude" mais cela peut être une première approche intéressante.
Sinon, spontanément comme ça, je me serais tournée vers des modèles prédictifs (puisque cela semble être l'objectif) de type régression, avec comme variable à expliquer par exemple le taux d'abandon.

Bonne continuation :)


Cordialement,

A.D.

merci, A.D
mais les % ne sont pas parlants parce que ces mesure relatives (i.e ils sont mesurés pour une étude donnée et 75% de 1200 est très différent de 75% de 1300).
Pour le les nombres de pages et de questions, il est important de savoir si le nombre de pages par question est important pour un bon taux de retours des questionnaires.

Les modèles prédictifs j'en ai construits ne sont pas trop parlants même avec des transformations de variables, ça donne des R² très faibles ou des coeff pas très significatifs.

je suis plutôt penché vers les analyses factorielles et en jouant sur les métriques, individus et variables supplémentaires,
merci