🧬Les mercredis de la science : Statistiques 101

Qu’est-ce qu’une valeur p ?

Dans le monde de la recherche et des statistiques, le mot « significatif » a une acception particulière. En général, un résultat est considéré comme significatif s’il y a peu de chances qu’il puisse s’expliquer par le hasard et qu’il est donc dû à ce qui est testé. Le calcul d’une valeur p lors de l’analyse d’un ensemble de données permet de déterminer si les résultats sont significatifs.

Pour qu’une valeur p ait un sens, une partie du processus de conception de l’étude doit inclure la définition d’un niveau de signification. Il s’agit généralement d’une valeur autour de 0,05, et une valeur p inférieure au niveau de signification indique que les résultats sont significatifs.

Qu’est-ce qu’une analyse de régression ?

Une analyse de régression est un moyen d’analyser la relation entre une variable dépendante et au moins une variable indépendante. En d’autres termes, une analyse de régression tente de prédire un paramètre (la variable dépendante) sur la base d’un autre paramètre (la variable indépendante). 

En poussant l’analyse de régression un peu plus loin, les statistiques peuvent également décrire la force de la relation entre les variables à l’aide d’un coefficient de corrélation. Les coefficients de corrélation vont de -1 à 1. Un coefficient de -1 signifie que les variables sont parfaitement corrélées négativement : lorsque la variable indépendante augmente d’une unité, la variable dépendante diminue d’une unité. Une corrélation positive parfaite, lorsque le coefficient est égal à 1, signifie que les variables indépendante et dépendante évoluent dans le même sens, et un coefficient de 0 indique qu’il n’y a pas de relation entre les variables.

Qu’est-ce qu’un intervalle de confiance ?

Un intervalle de confiance est la plage de valeurs dans laquelle un paramètre est susceptible de se situer si vous répétez le test. Par exemple, pour un intervalle de confiance de 95 %, vous seriez sûr à 95 % qu’un nouveau test produirait une valeur comprise dans la plage spécifiée. Cet intervalle peut donc être un moyen de décrire les données, y compris leur variabilité ou leur dispersion.

Qu’est-ce que cela signifie pour l’évaluation et la compréhension des résultats de recherche ?

Différents types de tests statistiques sont nécessaires pour différents types de recherche, et il existe de nombreuses façons d’introduire un biais dans les statistiques, ce qui complique l’analyse appropriée. Pour comprendre si une étude de recherche a utilisé les tests statistiques appropriés, une ligne directrice générale est la suivante : le nombre de groupes comparés a une grande incidence sur le choix du test approprié. Par exemple, un test t ne doit être utilisé que pour comparer les moyennes de deux groupes, mais la comparaison de trois groupes ou plus nécessite un test différent, tel qu’une analyse de la variance (ANOVA). Il existe de nombreux types de tests statistiques et de nuances à prendre en compte, mais cette règle peut au moins servir de point de départ.

Dans le monde de la recherche sur l’EM/SFC et la COVID longue, l’analyse des données est encore compliquée par le concept de tests multiples. Tester plusieurs hypothèses à la fois ou examiner des sous-ensembles peut introduire un biais dans les statistiques. Par conséquent, les études de recherche effectuant des tests multiples devraient soit utiliser un niveau de signification plus strict (inférieur à la valeur typique de 0,05), soit intégrer des corrections a posteriori pour leurs valeurs p (par exemple, la correction de Bonferroni).

Le Centre de recherche informatique sur les maladies complexes de l’OMF, dirigé par le Dr Wenzhong Xiao, possède une vaste expertise en statistiques, en particulier dans le contexte de la recherche biomédicale. Le fait de disposer de cette expertise dans le cadre du modèle de recherche collaborative de l’OMF contribue à la rigueur scientifique du portefeuille de recherche de l’OMF. Pour en savoir plus sur le centre informatique consultez notre site web.