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
- Formuler les hypothèses sur les populations : H0 (hypothèse nulle : pas de différence) et H1 (hypothèse alternative : il y a une différence, bilatérale ou unilatérale).
- Déduire ce que l’on observerait si H0 était vraie.
- Calculer la statistique de test et la p-valeur.
- 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,.