Estimation et inférence statistique
L'estimation et l'inférence statistique constituent la branche de la biostatistique qui s'intéresse à la formulation de conclusions sur une population à partir d'un échantillon fini et variable. Elles fournissent le cadre formel pour deux tâches complémentaires : l'estimation de quantités inconnues (telles qu'une moyenne, une proportion ou un effet de traitement) accompagnée d'une marge d'incertitude, et la vérification de la compatibilité des données observées avec une hypothèse énoncée. Ensemble, ces outils transforment les données brutes d'une étude en déclarations quantifiées et tenant compte de l'incertitude sur le monde.
Definition
L'inférence statistique est le processus qui consiste à utiliser un échantillon d'observations, associé à un modèle de probabilité décrivant la manière dont ces observations sont générées, pour estimer les paramètres d'une population et pour quantifier l'incertitude de ces paramètres, ou pour tester des hypothèses à leur sujet.
Scope
Ce domaine oriente le lecteur vers les idées fondamentales qui reviennent dans la recherche en santé : l'estimation ponctuelle et par intervalle, les intervalles de confiance, le cadre des tests d'hypothèse, les deux types d'erreurs de décision qu'il peut produire, ainsi que la puissance statistique et la taille d'échantillon nécessaires pour détecter les effets de manière fiable. Il les traite comme des sujets de référence méthodologiques pour l'évaluation et la conception d'études, et non comme des règles de décision clinique.
Sub-topics
Core questions
- Quelle est notre meilleure estimation ponctuelle d'une quantité de population inconnue, et quelle est son incertitude ?
- Quelle est la plage de valeurs plausiblement compatible avec les données observées ?
- Les données sont-elles compatibles avec une hypothèse nulle spécifiée, ou fournissent-elles des preuves contre celle-ci ?
- Quelle taille d'échantillon est nécessaire pour détecter un effet d'une taille donnée avec des taux d'erreur acceptables ?
Key concepts
- Paramètre de population versus statistique d'échantillon
- Distribution d'échantillonnage et erreur standard
- Estimation ponctuelle
- Estimation par intervalle et intervalle de confiance
- Hypothèses nulle et alternative
- Valeur p
- Erreur de type I et de type II
- Puissance statistique
- Détermination de la taille de l'échantillon
Key theories
- Théorie de la décision de Neyman-Pearson
- A encadré le test d'hypothèse comme une décision entre deux hypothèses régies par des taux d'erreur à long terme contrôlés, introduisant les notions formelles d'erreur de type I et de type II et le test le plus puissant pour un niveau de signification fixe.
- Paradigme de l'estimation avec incertitude
- Suggère que la communication des estimations d'effet avec des intervalles de confiance apporte plus qu'un simple verdict de signification, déplaçant l'accent de la question de l'existence d'un effet vers celle de sa taille plausible.
Mechanisms
L'inférence repose sur un modèle de probabilité reliant les données à des paramètres inconnus et sur l'idée d'une distribution d'échantillonnage : la dispersion des estimations qui résulteraient d'échantillons répétés. L'estimation résume cette distribution d'échantillonnage sous la forme d'une estimation ponctuelle accompagnée d'une mesure de précision (l'erreur standard), qui est ensuite transformée en un intervalle. Le test d'hypothèse reformule la même distribution comme un problème de décision, comparant les données observées à ce que l'hypothèse nulle prédit et contrôlant la probabilité de conclusions faussement positives et faussement négatives. Les valeurs p et les intervalles de confiance sont deux facettes de ce même calcul sous-jacent, et tous deux sont fréquemment mal interprétés, d'où l'importance d'une définition rigoureuse.
Clinical relevance
Presque toutes les découvertes quantitatives dans la littérature en santé – un rapport de risque, une différence moyenne, un chiffre de précision diagnostique – sont des énoncés inférentiels porteurs d'incertitude. Comprendre l'estimation et l'inférence est donc essentiel pour lire et évaluer les preuves, et pour juger si un effet rapporté est précis, plausible et suffisamment puissant. Ce domaine décrit comment de telles preuves sont générées et interprétées ; il ne constitue pas une base pour des décisions individuelles de diagnostic ou de traitement.
Evidence & guidelines
Des organismes professionnels ont émis des directives explicites pour limiter l'usage abusif courant des statistiques inférentielles. La déclaration de l'American Statistical Association de 2016 sur les valeurs p a énoncé des principes pour leur interprétation correcte, et un guide complémentaire de Greenland et ses collègues répertorie vingt-cinq interprétations erronées fréquentes des valeurs p, des intervalles de confiance et de la puissance. L'appel antérieur de Gardner et Altman à privilégier les intervalles de confiance par rapport aux simples valeurs p a façonné les conventions de rapport dans les revues médicales.
History
L'inférence moderne est née de deux traditions partiellement rivales au début du XXe siècle : les tests de signification et les valeurs p de Fisher, et le cadre de test décisionnel que Neyman et Pearson ont formalisé en 1933. L'intervalle de confiance, également dû en grande partie à Neyman, a fourni une vision complémentaire centrée sur l'estimation. Tout au long de la seconde moitié du XXe siècle, les statisticiens et les épidémiologistes ont de plus en plus critiqué la dépendance mécanique aux seuils de signification, ce qui a abouti à des déclarations de prudence formelles de la part de la communauté statistique dans les années 2010.
Debates
- Test de signification versus estimation
- Un débat de longue date questionne si les verdicts dichotomiques de signification sont trompeurs, de nombreux méthodologistes arguant que les estimations d'effet et les intervalles de confiance devraient avoir la priorité sur les seuils de valeur p.
Key figures
- Jerzy Neyman
- Egon Pearson
- Ronald A. Fisher
- Douglas G. Altman
- Sander Greenland
Related topics
Seminal works
- neyman-pearson-1933
- gardner-altman-1986
- wasserstein-lazar-2016
Frequently asked questions
- Quelle est la différence entre l'estimation et le test d'hypothèse ?
- L'estimation cherche à déterminer la taille d'une quantité inconnue et la précision avec laquelle nous la connaissons, produisant une estimation ponctuelle et un intervalle ; le test d'hypothèse demande si les données sont compatibles avec une affirmation spécifiée et aboutit à une décision ou une valeur p. Ce sont des vues complémentaires des mêmes statistiques sous-jacentes.
- Pourquoi l'inférence statistique est-elle nécessaire ?
- Parce que nous n'observons presque jamais une population entière ; nous travaillons avec un échantillon qui varie par hasard, nous avons donc besoin de méthodes formelles pour séparer le signal de la variabilité d'échantillonnage et pour associer une incertitude honnête à nos conclusions.