Chi2 MN et Chi2 données appariées

Bonjour,

J'ai vérifié et a priori cette question n'a pas été posée. Je comprenais parfaitement la différence entre les 2 jusqu'à ce que cet exercice me pose problème et me fasse douter !
Je pensais que le Chi2 pour données appariées se faisait dans le cas où on analysait les données divergentes pour/contre et contre/ pour, et que le Ch2 mac nemar était utilisé pour analyser les différences entre 2 jugements. Est-ce que je me trompe et en fait on pourrait utiliser les 2 dans le cas de pour/contre et contre/ pour ?

Je vous mets l'énoncé qui m'a fait douter de moi (colles 2010) même si je pose ici une question en lien avec le cours cela me permettra de mieux comprendre la différence :
Exercice 2 Des médecins souhaitent évaluer l’influence du stress sur la mise en route de la consommation de tabac chez des étudiants entre le début et la fin de l’année. Parmi les 488 étudiants 244 ne fument pas en début d’année. A la fin de l’année, 24 fumeurs ont cessé de consommer et 46 non fumeurs ont commencé la consommation de tabac. Interprétez et commentez ces données?

J'ai ici fait un Chi2 pour données appariées en ne prenant que en compte les données divergentes, mais dans la correction ils réalisent un Chi2 MN, est-ce que mon raisonnement est complétement faux ?

Merci de votre précieuse aide !!

HI !

Je me permets de relancer le post, car j'ai rencontré e même type de problème pour mon Ed le prof utilise un X2 de MN a la place du X2 pour donnée appariée .. ce qui rend les choses flous pour moi ..

Salut !

Il faut savoir que mathématiquement ces 2 méthodes reviennent exactement à la même chose car on compare des données appariées discordantes à une répartition théorique 50/50.
Ainsi certains profs vont mélanger les 2 , sans vraiment donner de raisons.
Mais normalement les 2 méthodes doivent donner un peu près la même chose.
En général pour que ce soit plus clair , utilises le Chi² de Mac Nemar pour la concordance et le Chi² des données appariées dans les autres situations
Don non ton raisonnement n'est pas faux !
Bon courage