📈Interprétation critique des résultats statistiques
pass
Chapitre 1 / 425%
🔍
Au-delà du p
p < 0,05 ne suffit pas
Un test statistique fournit une p-value qui indique la probabilité d’observer les données (ou des données plus extrêmes) si l’hypothèse nulle est vraie. Une p-value inférieure à 0,05 est conventionnellement considérée comme statistiquement significative, mais cela ne renseigne pas sur l’importance clinique du résultat. Un effet peut être significatif tout en étant trop faible pour avoir un impact en pratique. L’interprétation critique exige de toujours confronter la signification statistique à la pertinence clinique, en examinant la taille de l’effet et le contexte médical.
📖 Définition
La p-value est la probabilité d’obtenir un résultat au moins aussi extrême que celui observé, sous l’hypothèse nulle. Elle ne mesure pas la probabilité que l’hypothèse nulle soit vraie.
📢 Rappel
Le seuil alpha (souvent 5 %) est le risque accepté de conclure à tort à une différence (erreur de type I).
💡 À retenir : Un résultat statistiquement significatif peut être cliniquement négligeable.
Complète la phrase
Une p-value de 0,03 signifie qu’il y a % de chances d’observer une telle différence si l’hypothèse nulle est vraie.
📏
L’intervalle de confiance à 95 %
IC 95 % : précision et signification
L’intervalle de confiance à 95 % (IC 95 %) fournit une plage de valeurs plausibles pour le paramètre estimé. Si l’IC 95 % d’une différence de moyennes exclut 0, ou si celui d’un risque relatif exclut 1, le résultat est statistiquement significatif au seuil de 5 %. La largeur de l’intervalle renseigne sur la précision de l’estimation : un IC étroit indique une estimation précise, souvent liée à un grand échantillon. Un IC large incite à la prudence dans l’interprétation clinique.
📖 Définition
L’intervalle de confiance à 95 % signifie que si l’on répétait l’étude 100 fois, 95 intervalles contiendraient la vraie valeur du paramètre.
🔍 Exemple
Un risque relatif de 1,5 avec IC 95 % [1,1 ; 2,0] est significatif car l’intervalle exclut 1. Un IC [0,8 ; 1,4] n’est pas significatif.
💡 À retenir : Un IC étroit témoigne d’une estimation précise.
🔋
Risque d’erreur de type II
Puissance statistique : détecter un effet réel
La puissance d’une étude est sa capacité à mettre en évidence une différence si elle existe réellement. Elle dépend de la taille de l’échantillon, de la taille de l’effet et du seuil alpha. Une étude de faible puissance peut ne pas détecter un effet pourtant cliniquement important, conduisant à un résultat faussement négatif. Face à un résultat non significatif, il est essentiel de vérifier si l’étude avait une puissance suffisante avant de conclure à l’absence d’effet.
📖 Définition
La puissance (1 – β) est la probabilité de rejeter l’hypothèse nulle quand elle est fausse. Une puissance ≥ 80 % est généralement recherchée.
📢 Rappel
Le risque β est le risque de ne pas détecter une différence existante (erreur de type II).
💡 À retenir : L’absence de preuve n’est pas la preuve de l’absence.
⚠️
Validité interne et externe
Biais : quand les résultats trompent
Un résultat statistiquement significatif peut être dû à un biais ou à un facteur de confusion plutôt qu’à un lien causal. Les biais de sélection, de mesure ou de publication peuvent fausser les conclusions. Un facteur de confusion est une variable liée à la fois à l’exposition et à l’événement, créant une association artificielle. L’interprétation critique exige d’analyser la méthodologie de l’étude pour juger de la validité interne et de la généralisabilité des résultats.
📖 Définition
Un facteur de confusion est une variable tierce qui brouille la relation entre l’exposition et l’issue, pouvant créer une fausse association.
🔍 Exemple
Une étude observationnelle trouve un lien entre consommation de café et cancer du poumon, mais le tabagisme (facteur de confusion) pourrait expliquer cette association.
💡 À retenir : Un résultat significatif peut être dû à un biais, pas à une causalité.