Analyse statistique d’un mémoire : construire une démarche reproductible

Choisissez une analyse à partir de la question de recherche, du processus de conception et de mesure plutôt que d'un paquet de logiciels préféré. Définissez la population, le résultat, la comparaison et l'estimation avant d'examiner les résultats. Identifier quelles conclusions le design de l'échantillon et de l'étude peut soutenir.

Préparez un dictionnaire de données et conservez le dataset original en toute sécurité. Unités d'enregistrement, conventions de codage, règles de valeur manquante et critères d'exclusion. Séparer les identifiants des données d'analyse et suivre les arrangements éthiques et de gestion des données approuvés. Ne jamais placer les informations des participants dans des exemples publics ou dans un repository ouvert.

Décrivez les données avant d’appliquer un modèle. Vérifiez les distributions, les valeurs inhabituelles et la quantité et le modèle de défaut. Un avertissement logiciel devrait conduire à l'enquête; il n'est pas une raison de supprimer les observations désagréables. Le document a justifié les corrections et a maintenu un trajet reproduisable.

Choisissez les méthodes et les diagnostics appropriés au résultat et au design. Les hypothèses d’État et les évaluer en utilisant des preuves pertinentes. Rapporte les estimations d'effet et l'incertitude, ainsi que tout test d'hypothèse. Une petite valeur p seule ne détermine pas l’importance pratique, la cause ou une étude bien conçue.

Dans R, gardez les scripts et les versions de paquets ; dans SPSS, sauvez le syntaxe ainsi que la sortie. Lien des tables et des chiffres à l'analyse documentée plutôt que d'éditer les résultats manuellement. Distinguer les analyses planifiées des vérifications d'exploration et décrivez de multiples comparaisons et analyses de sensibilité honnêtement.

La thèse devrait expliquer ce qui a été fait assez bien pour que le lecteur informé puisse l'évaluer. Recherchez une revue méthodologique qualifiée lorsque le design est complexe ou que les conséquences sont importantes. Le soutien académique devrait renforcer votre propre compréhension et l'intégrité de la recherche, pas fabriquer des données, des résultats ou l'auteur.