Statistiques inférentielles : tests statistiques, p-valeur et régressions

Les articles médicaux regorgent de « p < 0,05 », d’odds ratios ajustés et de coefficients de régression. La statistique inférentielle tire des conclusions sur une population à partir d’un échantillon, en tenant compte de l’incertitude. Elle repose sur un raisonnement inductif : on part d’observations particulières pour atteindre une conclusion générale.

Pourquoi un échantillon ?

Un recensement donne la « vérité » mais n’est faisable que pour de petites populations. Dans les autres cas, on prélève un échantillon représentatif (tirage au sort). Deux échantillons de même taille donnent des résultats différents : c’est la fluctuation d’échantillonnage. Le plan d’analyse commence donc toujours par la description, puis vient l’inférence.

Principe d’un test statistique

Exemple : traitement A et traitement B contre une infection urinaire. La différence de guérison observée est-elle réelle ou due au hasard ? Le test départage ces deux possibilités.

Les 4 étapes

  1. Formuler les hypothèses sur les populations : H0 (hypothèse nulle : pas de différence) et H1 (hypothèse alternative : il y a une différence, bilatérale ou unilatérale).
  2. Déduire ce que l’on observerait si H0 était vraie.
  3. Calculer la statistique de test et la p-valeur.
  4. Conclure : rejet ou non-rejet de H0, en comparant p au seuil α, classiquement 0,05.

Les deux risques d’erreur

  • Risque α (1re espèce) : rejeter H0 alors qu’elle est vraie, c’est-à-dire conclure à une différence qui n’existe pas (faux positif). Il est fixé à l’avance, à 5 % en santé.
  • Risque β (2e espèce) : ne pas rejeter H0 alors qu’elle est fausse (faux négatif). La puissance (1 − β) est la capacité de détecter une vraie différence.

Interpréter la p-valeur

  • p ≤ 0,05 : on rejette H0 ; il existe une différence statistiquement significative.
  • p > 0,05 : on ne rejette pas H0 ; on n’a pas mis en évidence de différence. Cela ne prouve pas que les groupes sont identiques : l’effectif est peut-être insuffisant (manque de puissance).

Attention : la p-valeur n’est pas la probabilité que l’hypothèse nulle soit vraie, et la significativité statistique ne dit rien de l’importance clinique.

Quel test choisir ?

Le choix dépend du nombre de groupes, de la nature des variables, de l’indépendance des échantillons, de la normalité et de la taille.

  • Deux proportions : Chi-2 ou test exact de Fisher (petits effectifs).
  • Deux moyennes : test t de Student (distribution normale) ou Mann-Whitney (non paramétrique, petits échantillons).
  • Plus de deux groupes : Chi-2 pour les proportions ; ANOVA ou Kruskal-Wallis pour les moyennes.
  • Échantillons appariés (avant/après) : t apparié ou Wilcoxon ; plus de deux séries : ANOVA à mesures répétées ou Friedman.

Les tests paramétriques, un peu plus puissants, exigent une distribution normale.

Les régressions : tenir compte de plusieurs facteurs

L’analyse multivariée identifie les facteurs indépendamment liés à un événement et corrige les facteurs de confusion (café, cancer du pancréas, tabac). C’est l’ajustement, qui complète la stratification. Le type de modèle dépend de la nature de la variable à expliquer.

Régression linéaire (variable quantitative)

Exemple : durée des soins = 5 + 1,5 × âge. Le coefficient β donne le sens et l’ampleur de l’effet : β > 0 augmente la valeur moyenne, β < 0 la diminue, β = 0 n’a pas d’effet. Si l’intervalle de confiance à 95 % de β ne contient pas 0, l’effet est significatif ; s’il le contient (β = 0,6 ; IC 95 % : −0,3 à 1,5), on ne peut pas conclure.

Régression logistique (variable binaire)

Elle explique la survenue d’un événement oui/non (fracture, réponse au traitement) et fournit des odds ratios, bruts en régression simple, ajustés en régression multiple. OR > 1 : facteur de risque ; OR < 1 : facteur protecteur ; OR = 1 : pas d’effet. Si l’intervalle de confiance de l’OR contient 1, la conclusion est impossible.

Démarche type : analyse univariée pour repérer les variables liées à l’événement, puis analyse multivariée pour déterminer lesquelles le restent de manière indépendante.

À retenir

  • L’inférence tient compte de l’incertitude : décrire d’abord, généraliser ensuite.
  • Un résultat non significatif n’est pas une preuve d’absence de différence.
  • Une régression s’interprète selon ses hypothèses et ses variables d’ajustement.

Sources : Pr Bouaiti, ouvrage pédagogique,.

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *