Understanding p-values via simulations | Research Utopia
As I mentioned in an earlier post, p-values in psychological research are often misunderstood. Ask students (and academics!) what the definition of the p-value is and you will likely get many different responses. To jog your memory, the definition of the p-value is the probability of observing a test statistic as extreme—or more extreme—than the one you have observed, assuming the null is true. Before we delve into the simulations, answer the following question. If you are like most, you will likely believe that the p-value of .9 is much more likely; how could .009 be more likely, as this represents a significant finding, but I told you the null was true!?! But, the p-value behaves much differently under the null (i.e. when the null is true) than many people appreciate. In this first simulation, we will examine the behaviour of the p-value when the difference between two groups is null. This produces the following histogram: Like this: Like Loading...
Comment le Big Data peut aider à comprendre les comportements
Carol Mann Carol Mann est une sociologue, anthropologue et écrivaine, spécialiste des conflits armés (en particulier la Bosnie et l’Afghanistan). En 2001, elle créé FEMAID, une association qui vient en aide aux femmes afghanes : soutien aux enseignantes et aux orphelins dans les provinces les plus démunies, alphabétisation pour femmes adultes, aides aux réfugiés… fév 2010 La malédiction des femmes en Afghanistan Carol Mann revient sur la vie et la place des femmes en Afghanistan. Jean-Michel Raimond Jean-Michel Raimond, professeur de physique à l’Université Paris 6 et à l'Ecole Normale Supérieure, est un spécialiste de physique atomique et d’optique quantique. Promenade dans le monde quantique Jean-Michel Raimond, ex-directeur de l’ENS Physique, nous invite à une promenade dans le monde étrange de la physique quantique. Shlomo Sand déc 2009 Comment le peuple juif fut inventé ? Charles Gave Euro / Ligne Maginot : même logique, même résultats Anne Vincent-Salomon jan 2014 Que sont les cancers du sein
Regression Modelling | R Statistics.Net
"Linear Regression is used predict or estimate the value of a response variable by modeling it against one or more explanatory variables. The variables must be pairwise, continuous and are assumed to have a linear relationship between them. This technique is widely popular in predictive analysis." Assumptions of a Linear Regression The residuals, calculated as the difference between actuals and predicted values measured along Y-axis, should follow a normal distribution (bell shaped curve).No heteroscedasticity exists. This means the error terms has the same variance across all observations.No multicollinearity exists amongst the predictor variables. How To Fit Linear Regression Models ? Use the lm() function to fit linear models as shown below. In the example code below, the variable to be predicted (dependent variable) is named as “responseVar” and the explanatory variable as “pred1″, “pred2″, etc. The model object here is ‘lmMod’. Modelling Diagnostics Step 1: The p-Value Cross Validation
Big data et action publique algorithmique sont-ils solubles dans les valeurs de services publics
« Gouverner à l’ère du big data – Promesses et périls de l’action publique algorithmique » : le titre de la dernière note de l’Institut de l’entreprise, publiée le 7 mai, fleure bon l’exercice de prospective qu’affectionnent les gros cabinets de conseils, vendeurs d’avenirs radieux qui ne verront jamais le jour. Au final, la réflexion menée par Elisabeth Grosdhomme Lulin sur les conséquences, pour l’action publique, de notre société numérisée, s’avère plus équilibrée qu’on pouvait le craindre. A deux écueils près : elle tient pour acquis que l’administration sait produire des données exploitables et réutilisables, ce qui est loin d’être encore le cas, a fortiori si l’on prend en compte les collectivités locales ;elle n’évite pas toujours le techno solutionisme dénoncé par Evgueny Morozov, pourtant bien identifié dans la note comme l’un des périls de la gouvernance algorithmique. Action publique personnalisée, prédictive, préventive, participative Pourquoi ? Philipp K.
Simple Linear Regression: A complete introduction with numeric example | R Statistics.Net
Linear regression is a predictive modelling technique that aims to predict the value of an outcome variable based on one or more input predictor variables. The aim is to establish a linear relationship (a mathematical formula) between the predictor variable(s) and the response variable, so we can use it to estimate the value of the response, when predictors values are known. Introduction For this analysis, we will use the ‘cars’ dataset that comes with R by default. head(cars) # display the first 6 observations ## speed dist ## 1 4 2 ## 2 4 10 ## 3 7 4 ## 4 7 22 ## 5 8 16 ## 6 9 10 Graphical Analysis The aim of this exercise is to build a simple regression model that we can use to predict Distance (dist) by establishing a statistically significant linear relationship with Speed (speed). Typically, for each of the independent variables (predictors), the following plots are drawn to visualize the followiing behaviour: Let us see how to make each one of them. Scatter Plot Correlation
Le Quantified self, pivot de la révolution des données
Il y a bientôt trois ans, j'avais chroniqué le Guide pratique du quantified self de mon ami Emmanuel Gadenne, l'un des explorateurs acharnés de cette tendance qui, petit à petit, se fait mouvement. Il y a un an environ, Pierre Guyot et Camille Gicquel m'ont contacté pour me demander une préface à un nouvel ouvrage sur cette question passionnante, beaucoup plus spéculatif cette fois...J'ai accepté, tout d'abord parce qu'il s'agit d'un très bon ouvrage, que je vous conseille vivement, qui ne méconnaît aucune des dimensions et des questions sous-jacentes à un évolution qui, insensiblement envahit notre quotidien, qui s'appuie sans aucun doute sur des forces profondes, dans nos psychologies mêmes et dans les nouvelles logiques du marché.J'ai accepté aussi parce que cette tendance, insuffisamment analysée, me semble effectivement mériter toute notre attention. C’est la révolution qu’on n’avait pas vue venir… A chaque fois, c’est une nouvelle histoire qui s’écrit.
Advanced Linear Regression: A Case study | R Statistics.Net
It is possible to build multiple regression models for just one set of response and predictor variables. When you are manually building the models, it can be a herculean task to build even one valid statistically significant regression model especially when you are new to the data/problem. It can be rather frustrating if you later find out there is multi-collinearity or that your model does not perform equally well when cross validated on random samples or does not have good prediction accuracy on test data, or worse. What if we have the flexibility to build all choicest statistically valid models, see their prediction accuracy, cross-validate on random samples, compare all important diagnostic parameters from one place and finally pick the best one that suits your case?. The details that follow will attempt to solve this. If you need to learn the fundamentals, the basics of regression modelling will offer more details on this subject. Problem description Load the packages
métadonnées | Déjà Vu
Une image envoyée sur Facebook peut ensuite être “likée”, commentée, ou partagée par vos amis. Lorsqu’une image est partagée, le réseau social connaît alors parfaitement sa circulation et sa diffusion, les analystes de la plate-forme peuvent étudier sa viralité à l’intérieur du site, construire des graphes de propagation, etc. Mais qu’en est-il lorsque l’image est récupérée depuis Facebook et qu’elle quitte le site pour être utilisée ailleurs ? Il semble bien que les ingénieux ingénieurs de Facebook aient récemment développé une fonctionnalité permettant d’apporter un début de réponse à cette question. En effet, lorsque l’on télécharge une image sur Facebook, des informations sont presque systématiquement ajoutées à l’intérieur du fichier image en ligne. Lire la suite
