Sylvain Hanneton

COVID19 : Le confinement semble produire ses effets (France)

Voici un graphique représentant une comparaison entre :

ce qu’il était possible de prédire le 19 mars concernant l’évolution de l’épidémie du covid-19 avec un modèle simple (modèle exponentiel, représenté par les courbes en pointillés)
le nombre avéré de personnes infectées et décédées depuis le 19 mars jusqu’au 23 mars 2020

Attention il s’agit là de courbes représentant les nombres cumulés de personnes infectées et décédées (source des données : European Centre for Disease Prevention and Control).

Les deux modèles exponentiels (courbes en pointillés) prennent en compte les données du 8 au 19 mars 2020. Pourquoi ce choix ? Parce que le nombre de personnes décédées le 8 mars 2020 est égal à 10 et l’on peut alors considérer que l’on dispose d’assez de données pour que l’on puisse faire des prédictions. Les petits points situés sur les courbes en pointillés après le 19 mars correspondent aux prévisions du modèle.

La courbe en pointillés noirs représente les prédictions pour les personnes infectées, et la courbe en pointillés rouges représente les prédictions pour les personnes décédées.

Donc le 19 mars, les modèles prédisaient pour le 23 mars :

Un nombre de personnes infectées proche de 25 000
Un nombre cumulé de personnes décédées proche de 800

Mais le nombre de cas réels estimé au 23 mars s’avère finalement de :

16 015 personnes infectées
674 personnes décédées

Donc le confinement semble bien produire ses effets… surtout sur le nombre de personnes infectées, et c’est une bonne nouvelle.

NB : Pour les spécialistes, les coefficients de détermination des deux modèles exponentiels sont respectivement de 0,995 (personnes infectées) et de 0,989 (personnes décédées).

MANOVA à deux facteurs avec R / Two between subjects factors MANOVA using R

Présentation des données / Data

Exemple de réalisation d’une MANOVA avec R. Le fichier contient le résultat d’un groupe de patient et d’un groupe contrôle qui ont passé deux tests (questionnaires) concernant l’image du corps (le questionnaire BAS-2 et le questionnaire ISP 25). Les résultats des tests (scores globaux) sont indiqués dans deux colonnes (nommées BAS2 et ISP). Ce sont les variables dépendantes. Les autres colonnes concernent des variables indépendantes et notamment les deux facteurs que nous allons étudier : le genre (GENRE) et l’appartenance au groupe contrôle ou patient (GROUP). Attention ces données contiennent des cases vides.

Example of a MANOVA with R. The file contains the result of a patient group and a control group who have passed two tests (questionnaires) concerning the body image (the BAS-2 questionnaire and the questionnaire ISP 25). The results of the tests (overall scores) are indicated in two columns (named BAS2 and ISP). These are the dependent variables. The other columns concern independent variables and in particular the two factors that we will study: gender (GENRE) and membership in the control or patient group (GROUP). Warning, there are some empty cases in the data.

Important : cliquer sur les cases noires pour voir le code / Please click on black boxes to see the code

Les conditions pour utiliser une MANOVA / Assumptions of MANOVA

Il y a des conditions sur les données pour pouvoir effectuer une MANOVA

Les variables dépendantes doivent être distribuées normalement dans les groupes.
Les variances doivent être homogènes dans tous les niveaux des facteurs
La linéarité doit être vérifiée entre toutes les paires de variables dépendantes, et dans tous les couples possibles de variable-covariate.

MANOVA can be used in certain conditions:

The dependent variables should be normally distribute within groups. The R function mshapiro.test( )[in the mvnormtest package] can be used to perform the Shapiro-Wilk test for multivariate normality. This is useful in the case of MANOVA, which assumes multivariate normality.
Homogeneity of variances across the range of predictors.
Linearity between all pairs of dependent variables, all pairs of covariates, and all dependent variable-covariate pairs in each cell.

Lecture de donnees / Read data in data file

D <- read.table("manova-data.csv",sep=";",dec=",",header=TRUE) ;
head(D) ;

	ID <int>	GENRE <fctr>	GROUP <fctr>	BAS <int>	ISP <int>
1	1	WOMAN	PATIENT	35	0
2	2	WOMAN	PATIENT	45	31
3	3	MAN	PATIENT	35	47
4	4	MAN	PATIENT	43	38
5	5	WOMAN	PATIENT	43	30
6	6	MAN	PATIENT	38	16

Mise en forme des facteurs / Independant variables as factor

Le variables D $G E N R E e t D$ GROUP doivent être transformées car elles n’ont pas le type facteur. On crée deux nouveaux facteurs en changeant le type.

The variables D $ GENRE and D $ GROUP must be transformed because they do not have the factor type. Two new factors are created by changing the type.

group <- factor(D$GROUP) ;
genre <- factor(D$GENRE) ;

Manova

On donnera les résultats avec la statistique de Pillai (conseillée, plus robuste) et la statistique de Wils (plus couramment utilisée).

The results will be given with the Pillai statistic (recommended, more robust) and the Wils statistic (more commonly used).

res.man <- manova(cbind(D$BAS,D$ISP) ~ genre*group, data = iris)
summary.manova(res.man)

            Df   Pillai approx F num Df den Df  Pr(>F)  
genre        1 0.151127   4.9849      2     56 0.01018 *
group        1 0.052965   1.5660      2     56 0.21790  
genre:group  1 0.026223   0.7540      2     56 0.47519  
Residuals   57                                          
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

summary.manova(res.man,"Wilks")

            Df   Wilks approx F num Df den Df  Pr(>F)  
genre        1 0.84887   4.9849      2     56 0.01018 *
group        1 0.94704   1.5660      2     56 0.21790  
genre:group  1 0.97378   0.7540      2     56 0.47519  
Residuals   57                                         
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Effets univariés / Univariate effects

summary.aov(res.man)

 Response 1 :
            Df Sum Sq Mean Sq F value  Pr(>F)  
genre        1  222.8 222.776  3.9443 0.05185 .
group        1   46.4  46.384  0.8212 0.36863  
genre:group  1   57.7  57.665  1.0210 0.31656  
Residuals   57 3219.4  56.480                  
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

 Response 2 :
            Df Sum Sq Mean Sq F value Pr(>F)
genre        1   60.0  60.000  0.3884 0.5356
group        1   54.1  54.057  0.3499 0.5565
genre:group  1    1.7   1.656  0.0107 0.9179
Residuals   57 8805.3 154.480               

5 observations deleted due to missingness

ANOVA 2 facteurs de mesures répétées avec R

Voici un exemple de réalisation d’ANOVA à mesures répétées avec R. Les résultats obtenus ont été vérifiés avec le logiciel JASP, qui utilise également R pour faire ses calculs.

Example of processing of an ANOVA with repeated measurements with R. The results obtained were verified with the JASP software, which also uses R to make its calculations.

NB : Cliquer sur les boutons noirs pour voir le code ! Click on black boxes to see the code

Lecture des données / Read data

Il s’agit ici d’un fichier comprenant des mesures de temps de réaction soit visuels (TRV) soit auditifs (TRA) chez 20 personnes de tout âge. Dans le fichier, on a relevé l’âge du participant, son genre, le fait qu’il soit sportif ou non. Chaque personne a testé son temps de réaction visuel et son temps de réaction auditif. Cette variable (temps de réaction) est donc une mesure répétée. On a également deux variables potentielles de groupement : le genre, et la pratique d’un sport.

This is a file comprising reaction time measurements, either visual (TRV) or auditory (TRA) in 20 people of all ages. In the file, we noted the age of the participant, his gender, whether he was athletic or not. Each person tested their visual reaction time and their auditory reaction time. This variable (reaction time) is therefore a repeated measurement. We also have two potential grouping variables: gender, and the practice of a sport.

D <- read.table("temps_de_reaction.csv",sep=";",dec=",",header=TRUE) ;
summary(D)

       S         GENRE       AGE        SPORT         TRV             TRA       
 Min.   : 1.00   F: 8   Min.   : 9.00   Non: 9   Min.   :240.4   Min.   :261.3  
 1st Qu.: 5.75   M:12   1st Qu.:18.75   Oui:11   1st Qu.:289.2   1st Qu.:300.4  
 Median :10.50          Median :34.00            Median :307.1   Median :327.2  
 Mean   :10.50          Mean   :38.80            Mean   :322.2   Mean   :341.5  
 3rd Qu.:15.25          3rd Qu.:55.00            3rd Qu.:348.1   3rd Qu.:376.1  
 Max.   :20.00          Max.   :81.00            Max.   :454.8   Max.   :497.3

head(D) ;

	S <int>	GENRE <fctr>	AGE <int>	SPORT <fctr>	TRV <dbl>	TRA <dbl>
1	1	F	9	Oui	306.79	297.31
2	2	M	10	Oui	265.76	270.84
3	3	M	10	Oui	301.58	324.12
4	4	M	11	Non	344.04	316.64
5	5	M	12	Non	284.04	313.97
6	6	F	21	Oui	290.92	322.64

Remise en forme des données / Reshape data

-> Les données doivent être transformées pour que cela corresponde au format attendu par la fonction aov(). En effet, les conditions (TRA,TRV) doivent être codées dans une colonne spécifique unique. On renomme ensuite la colonne de la variable dépendante qui est par défaut appelée “variable” par R.

-> The data must be transformed so that it corresponds to the format expected by the aov () function. In fact, the conditions (TRA, TRV) must be coded in a specific single column. We then rename the column of the dependent variable which is by default called “variable” by R.

library(reshape) ;
DM <- melt(D,id = c("S","GENRE","AGE","SPORT"))  ;
colnames(DM) <- c("S","GENRE","AGE","SPORT","STIM","TR") ;
head(DM)

	S <int>	GENRE <fctr>	AGE <int>	SPORT <fctr>	STIM <fctr>	TR <dbl>
1	1	F	9	Oui	TRV	306.79
2	2	M	10	Oui	TRV	265.76
3	3	M	10	Oui	TRV	301.58
4	4	M	11	Non	TRV	344.04
5	5	M	12	Non	TRV	284.04
6	6	F	21	Oui	TRV	290.92

Seulement le facteur “STIM” comme facteur de mesures répétées / Only STIM as repeated measures factor

Important : On reconstruit une table spécifique pour l’analyse. En effet, les colonnes STIM (visuel ou auditif) et SUJET (le numéro du participant) doivent être de type “facteur” et non de type “entier” ou “string” car sinon cela conduit à des erreurs (nombre de degrés de liberté incorrect). Si l’on ne fait pas cela, alors les résultats de l’analyse ne seront pas corrects.

Important: We reconstruct a specific table for analysis. Indeed, the columns STEM (visual or auditory) and SUBJECT (the number of the participant) must be of type “factor” and not of type “whole” or “string” because if not that that leads to errors (number of degrees of freedom incorrect). If this is not done, then the results of the analysis will not be correct.

DA1 <- data.frame(sujet = factor(DM$S),stim = factor(DM$STIM),vd = DM$TR) ;
head(DA1)

	sujet <fctr>	stim <fctr>	vd <dbl>
1	1	TRV	306.79
2	2	TRV	265.76
3	3	TRV	301.58
4	4	TRV	344.04
5	5	TRV	284.04
6	6	TRV	290.92

A1 <- with(DA1,aov(vd ~ stim + Error(sujet/stim))) ;
summary(A1)


Error: sujet
          Df Sum Sq Mean Sq F value Pr(>F)
Residuals 19 115123    6059               

Error: sujet:stim
          Df Sum Sq Mean Sq F value  Pr(>F)   
stim       1   3745    3745   8.198 0.00995 **
Residuals 19   8680     457                   
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Le facteur STIM a une influence significative. Cela veut dire que le temps de réaction moyen est influencé par le type de stimulation (visuelle ou auditive).

STIM et GENRE / STIM and GENRE

DA2 <- data.frame(sujet = factor(DM$S),genre = factor(DM$GENRE),stim = factor(DM$STIM),vd = DM$TR) ;
head(DA2)

	sujet <fctr>	genre <fctr>	stim <fctr>	vd <dbl>
1	1	F	TRV	306.79
2	2	M	TRV	265.76
3	3	M	TRV	301.58
4	4	M	TRV	344.04
5	5	M	TRV	284.04
6	6	F	TRV	290.92

A2 <- with(DA2,aov(vd ~ genre * stim + Error(sujet/stim))) ;
summary(A2)


Error: sujet
          Df Sum Sq Mean Sq F value Pr(>F)
genre      1   3502    3502   0.565  0.462
Residuals 18 111621    6201               

Error: sujet:stim
           Df Sum Sq Mean Sq F value Pr(>F)  
stim        1   3745    3745   8.061 0.0109 *
genre:stim  1    318     318   0.684 0.4191  
Residuals  18   8362     465                 
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Le facteur STIM reste significatif, mais l’on voit que l’effet fixe (effet between subject) n’est pas significatif. Le genre du participant n’a pas d’influence significative sur le temps de réaction moyen.

the STIM factor remains significant, but we see that the fixed effect (between subject factor) is not significant. The gender of the participant has no significant influence on the average reaction time.

Conférence « tendre l’oreille pour mieux voir »

Lundi 2 mars 2020

Conférence débat Pop’Conf menée sur la péniche Pop, incubateur artistique et citoyen (Paris quai de Loire). J’ai remplacé au pied levé mon cher collègue Maxime Ambard qui avait un empêchement.

Débat animé par le musicologue, journaliste et auteur Antoine Pecqueur, avec Séverin Favriau, designer sonore, superviseur sonore et compositeur de musique.

L’enregistrement du débat est disponible sur les podcasts d’Arte Radio :

Vous pouvez l’écouter ici :

NB : Les Pop Conf’ sont des rendez-vous qui réunissent le plus souvent un.e scientifique-expert.e et un.e artiste autour d’une question a priori banale, mais qui concerne tout le monde, et dont la réponse est loin d’être évidente. Durant un peu plus d’une heure, les intervenant.e.s explorent une thématique en lien avec l’univers sonore et/ou musical et font le tour de la question.

Animés par le musicologue, journaliste et auteur Antoine Pecqueur, ces rendez-vous font référence à la pop philosophie, notion et approche initiées par le philosophe Gilles Deleuze.

Ainsi les intervenant.e.s ne traitent jamais de sujets pointus, réservés aux spécialistes, mais de questions par essence pluridisciplinaires qui concernent le grand public. Espaces de rencontres et de débats, ces Pop Conf’ réunissent a minima deux regards, souvent complémentaires et portés par une démarche de recherche, celui de l’artiste et celui du.de la scientifique.

L’activation du corps vivant. Émersions, Hybridations, Remédiation

Je suis très heureux de partager avec vous l’annonce de la publication du numéro spécial de la revue Intellectica : « L’activation du corps vivant. Émersions, Hybridations, Remédiation » coordonné par Bernard Andrieu et moi-même.

Une thématique originale, au carrefour de la psychologie, de la philosophie, des neurosciences, des sciences cognitives et des sciences du mouvement humain. On y parle arts du cirque, football, philosophie occidentale et orientale, handicap et mutants homme-machines…

Mais quoi de commun à tout cela ? Un grand merci aux experts relecteurs et aux auteurs. Et aussi au comité de rédaction de la revue (http://intellectica.org)

Marie AGOSTINUCCI Alexandre Oboeuf Marie-Philippine Séba Alain Mille Magali Ollagnier-Beldame, Magali philosophie sciencescognitives psychologie enaction neurosciences philosophie cognition perception

Création de l’I3SP

L’institut des Sciences du Sport-Santé de Paris (EA3625) a été créé au premier janvier 2019. Ce laboratoire travaille au sein de l’Université Paris Descartes et est hébergé au sein de l’UFR STAPS (1 rue Lacretelle, Paris). Je posterai très vite un article décrivant plus en détail l’activité de recherche et la structuration de ce laboratoire.