Fiche de révision : Introduction aux Contrastes Statistiques

📋 Plan du Cours

1. Marcos conceptuels pour psychologie et données
2. Décrire une variable selon son échelle
3. Interpréter un cas par rapport au groupe
4. Fondements de l’inférence statistique
5. Contraste d’hypothèses : règle de décision
6. Contrastes bilatéraux et unilatéraux
7. Erreurs de type I et II et puissance
8. Taille d’effet et distinction signification pertinence
9. Classification des contrastes selon variables et hypothèses
10. Étapes d’un contraste de l’hypothèse
11. Séquence des contrastes d’hypothèses

📖 1. Marcos conceptuels pour psychologie et données

🔑 Notions clés & Définitions

• Population : Une population est l’ensemble des individus sur lesquels on veut généraliser les conclusions statistiques.
• Paramètres : Les paramètres sont des valeurs numériques décrivant la population et correspondant aux quantités inconnues à estimer ou tester.
• Échantillon : Un échantillon est un sous-ensemble observé de la population utilisé pour calculer des statistiques.
• Statistique : Une statistique est une valeur calculée à partir de l’échantillon pour approcher ou tester un paramètre.
• Inférence statistique : L’inférence statistique est l’ensemble des méthodes qui permettent de tirer des conclusions sur la population à partir de l’échantillon.

📝 Points essentiels

• L’inférence relie des paramètres de population à des statistiques d’échantillon.
• Un test d’hypothèse sert à décider si une affirmation sur la population est maintenue ou rejetée.
• Un test conduit à deux issues : rejeter H0 ou ne pas la rejeter.
• Une estimation vise à fournir une valeur inconnue de la population, parfois sous forme d’intervalle de confiance.
• Les exemples de questions incluent la comparaison de moyennes et l’évaluation d’un nouveau procédé.
• Le schéma général est : population (paramètres) → échantillon (statistiques) → inférence (décision ou estimation).

💡 Astuce mémo

Population = vrai monde (paramètres) ; Échantillon = mesure (statistiques) ; Inférence = pont entre les deux.

📖 2. Décrire une variable selon son échelle

🔑 Notions clés & Définitions

• Échelle de mesure : L’échelle de mesure décrit le type de variable et détermine quelles descriptions et analyses sont adaptées.
• Variable qualitative : Une variable qualitative classe les individus dans des catégories plutôt que de mesurer une quantité numérique.
• Variable quantitative : Une variable quantitative mesure une grandeur numérique et permet des analyses basées sur des valeurs.
• Distribution : La distribution résume comment les valeurs ou catégories d’une variable se répartissent dans l’échantillon.
• Ressources tabulaires : Les ressources tabulaires sont des présentations en tableaux pour résumer le comportement d’une variable.

📝 Points essentiels

• La description d’une variable mobilise des ressources tabulaires, graphiques et analytiques.
• Le choix des outils dépend de l’échelle de mesure et de la distribution observée.
• Les variables qualitatives et quantitatives ne se décrivent pas de la même façon.
• Les variables ordinales et nominales relèvent de catégories ordonnées ou non ordonnées.
• Les variables d’intervalle/ratio correspondent à des mesures numériques avec des propriétés différentes selon l’échelle.
• La distribution sert de base pour comprendre le comportement de la variable avant toute inférence.

💡 Astuce mémo

Échelle → outils : qualitative/quantitative et nominal/ordinal/intervalle/ratio guident la description.

📖 3. Interpréter un cas par rapport au groupe

🔑 Notions clés & Définitions

• Cas : Un cas est une observation particulière à interpréter en la comparant au groupe de référence.
• Groupe de données de référence : Le groupe de référence est l’ensemble de données utilisé pour situer un cas par rapport à la population observée.
• Interprétation : L’interprétation consiste à donner un sens statistique à la position d’un cas dans le groupe.
• Position relative : La position relative décrit comment un cas se situe par rapport aux valeurs ou catégories du groupe.

📝 Points essentiels

• L’interprétation d’un cas s’appuie sur des ressources permettant de le situer dans le groupe.
• Le but est de comprendre si le cas est typique ou atypique au regard des données de référence.
• La comparaison se fait avec la distribution du groupe plutôt qu’avec une valeur isolée.
• Les outils de description (tableaux/graphes) servent aussi à contextualiser un cas.
• L’interprétation prépare la suite vers des questions d’inférence lorsque l’on veut généraliser.
• Le cadre général relie observation d’un cas et compréhension du comportement du groupe.

💡 Astuce mémo

Cas isolé → comparaison au groupe : on “situe” avant de conclure.

📖 4. Fondements de l’inférence statistique

🔑 Notions clés & Définitions

• Inférence statistique : L’inférence statistique permet de généraliser à la population à partir des données observées sur un échantillon.
• Contraste d’hypothèse : Un contraste d’hypothèse est une procédure de décision sur une affirmation concernant la population.
• Hypothèse nulle : L’hypothèse nulle, notée H0, représente l’affirmation de départ à tester.
• Hypothèse alternative : L’hypothèse alternative, notée H1, exprime ce qui est envisagé si H0 n’est pas soutenue.
• Estimation de paramètres : L’estimation de paramètres vise à obtenir une valeur plausible d’un paramètre de population inconnu.

📝 Points essentiels

• Le contraste sert à décider si une affirmation sur la population peut être maintenue ou doit être rejetée.
• L’estimation vise à déterminer une valeur de population inconnue.
• Un test aboutit à une décision : rejeter ou ne pas rejeter une hypothèse.
• Les exemples de questions couvrent des moyennes et des effets de méthodes nouvelles.
• Le contraste et l’estimation répondent à des objectifs différents : décision vs valeur estimée.
• Le résultat d’une estimation peut inclure un intervalle de confiance.

💡 Astuce mémo

Inférence = deux familles : décider (contraste) ou estimer (paramètres/IC).

📖 5. Contraste d’hypothèses : règle de décision

🔑 Notions clés & Définitions

• Hypothèse nulle H0 : H0 est l’hypothèse de départ utilisée comme référence pour la décision statistique.
• Statistique de contraste : La statistique de contraste est la quantité calculée à partir de l’échantillon pour évaluer la compatibilité avec H0.
• Région critique : La région critique est l’ensemble des valeurs de la statistique menant au rejet de H0.
• Valeur p : La valeur p mesure la compatibilité des données observées avec H0, en quantifiant le risque d’obtenir au moins aussi extrême.
• Niveau de signification α : Le niveau de signification α fixe le seuil de risque utilisé pour décider du rejet de H0.

📝 Points essentiels

• La règle de décision rejette H0 quand la valeur p tombe dans la zone de rejet.
• La règle de décision maintient H0 quand la valeur p correspond à la zone d’acceptation.
• Le niveau critique ou la valeur p sert de base à la décision.
• La région critique est définie à partir de la distribution de l’échantillon sous H0.
• Le rejet correspond à des données peu compatibles avec H0.
• Le maintien correspond à des données proches de ce que H0 prévoit.

💡 Astuce mémo

p < α ⇒ rejet ; sinon maintien : la règle est un seuil.

📖 6. Contrastes bilatéraux et unilatéraux

🔑 Notions clés & Définitions

• Contraste bilatéral : Un contraste bilatéral teste une différence dans n’importe quelle direction par rapport à H0.
• Contraste unilatéral : Un contraste unilatéral teste une incompatibilité avec H0 dans une direction précise.
• Direction des alternatives : La direction des alternatives indique si H1 autorise une différence à gauche, à droite ou dans les deux sens.
• Zone de rejet : La zone de rejet est la partie de la distribution où les résultats conduisent au rejet de H0.

📝 Points essentiels

• Un contraste bilatéral ne suppose pas de direction préalable pour les résultats incompatibles avec H0.
• Un contraste unilatéral s’appuie sur une information préalable sur la direction attendue des incompatibilités.
• Dans un contraste bilatéral, H1 correspond à une différence non nulle sans préciser le sens.
• Dans un contraste unilatéral, H1 impose un sens (par exemple supérieur ou inférieur).
• Le choix bilatéral/unilatéral modifie la forme de la région de rejet.
• Les exemples incluent des tests sur une moyenne et sur une proportion ou une corrélation.

💡 Astuce mémo

Bilatéral = “peu importe le sens” ; Unilatéral = “sens attendu”.

📖 7. Erreurs de type I et II et puissance

🔑 Notions clés & Définitions

• Erreur de type I : Une erreur de type I consiste à rejeter H0 alors que H0 est vraie.
• Erreur de type II : Une erreur de type II consiste à ne pas rejeter H0 alors que H0 est fausse.
• Puissance d’un contraste : La puissance est la probabilité de rejeter H0 quand H1 est vraie.
• Niveau de signification α : α est la probabilité associée à l’erreur de type I dans le cadre du test.
• Probabilité β : β est la probabilité associée à l’erreur de type II dans le cadre du test.

📝 Points essentiels

• Si H0 est vraie, la probabilité de rejet correspond à α (erreur de type I).
• Si H0 est fausse, la probabilité de non-rejet correspond à β (erreur de type II).
• La probabilité correcte quand H0 est vraie vaut 1−α.
• La probabilité correcte quand H0 est fausse vaut 1−β.
• La puissance (1−β) est la probabilité de détecter une situation où H1 est vraie.
• Le cours relie sensibilité à 1−β et spécificité à 1−α dans le schéma présenté.

💡 Astuce mémo

Type I = “faux rejet” (H0 vraie) ; Type II = “faux maintien” (H0 fausse) ; Puissance = 1−β.

📖 8. Taille d’effet et distinction signification pertinence

🔑 Notions clés & Définitions

• Taille d’effet : La taille d’effet quantifie l’ampleur d’une différence, d’une association ou d’une proportion de variance liée au phénomène étudié.
• Signification statistique : La signification statistique décrit si les données sont compatibles avec H0 selon le test et son seuil.
• Pertinence pratique : La pertinence pratique correspond à l’importance réelle du résultat pour l’interprétation dans le contexte.
• Intensité de la relation : L’intensité de la relation décrit la force d’une association entre variables.
• Magnitude de la différence : La magnitude de la différence décrit l’ampleur d’un écart entre groupes ou conditions.

📝 Points essentiels

• La taille d’effet mesure l’écart entre la valeur de la population sous H0 et la valeur vraie sous H1.
• La taille d’effet sert à estimer la puissance d’un contraste et à choisir une taille d’échantillon adaptée.
• La taille d’effet aide à séparer “significatif” de “pertinent”.
• Les tailles d’effet facilitent la comparaison et la synthèse entre études via des méta-analyses.
• Les tailles d’effet sont des statistiques descriptives dans leur formulation habituelle.
• Quand elles sont présentées sans intervalles de confiance ni tests associés, elles décrivent la magnitude dans l’échantillon plutôt qu’un paramètre de population.

💡 Astuce mémo

Significatif ≠ important : la taille d’effet répond à “combien ?”.

📖 9. Classification des contrastes selon variables et hypothèses

🔑 Notions clés & Définitions

• Nombre de variables : Le nombre de variables indique si le contraste porte sur une seule variable ou sur la relation entre deux variables.
• Niveau de mesure : Le niveau de mesure précise si les variables sont nominales, ordinales, d’intervalle ou de ratio, ce qui conditionne le choix du test.
• Nature des groupes : La nature des groupes décrit si les groupes sont indépendants ou liés (appariés) et combien de groupes sont comparés.
• Respect des hypothèses : Le respect des hypothèses regroupe les conditions nécessaires pour appliquer correctement un test statistique.
• Contraste de paramètres : Un contraste de paramètres vise à tester une valeur de paramètre de population à partir des données.

📝 Points essentiels

• La classification des contrastes dépend du nombre de variables, du niveau de mesure, de la nature des groupes et du respect des hypothèses.
• Le cours relie des questions de recherche à des types de contrastes et à des tests spécifiques.
• Pour une variable, les choix de tests dépendent du type de variable et du nombre de groupes/conditions.
• Pour deux variables, le choix dépend de la combinaison qualitative/quantitative et du type de relation testée.
• Le cours associe des tests à des cas où les hypothèses sont respectées ou non.
• La classification sert de guide pour sélectionner la procédure adaptée avant d’exécuter le contraste.

💡 Astuce mémo

Choisir un test = classer : variables (1/2) + mesure (nominal/ordinal/intervalle/ratio) + groupes (indépendants/ liés) + hypothèses.

📖 10. Étapes d’un contraste de l’hypothèse

🔑 Notions clés & Définitions

• Hypothèse nulle H0 : H0 est l’hypothèse de départ formalisée avant de calculer la statistique de contraste.
• Hypothèse alternative H1 : H1 décrit la proposition concurrente à H0 et peut être bilatérale ou unilatérale.
• Niveau de signification α : α est le seuil de risque utilisé pour définir la région critique ou comparer à la valeur p.
• Statistique de contraste : La statistique de contraste est calculée sur l’échantillon pour situer le résultat par rapport à la région critique.
• Région critique : La région critique est la zone de valeurs conduisant au rejet de H0.

📝 Points essentiels

• On commence par établir H0 comme hypothèse de départ.
• On établit ensuite H1, en précisant si le contraste est bilatéral ou unilatéral.
• On choisit un niveau de signification α, ce qui fixe le niveau critique.
• On choisit une statistique de contraste adaptée au problème.
• On détermine la région critique à partir de la distribution de la statistique sous H0.
• On calcule la statistique sur l’échantillon puis on décide selon qu’elle tombe dans la région critique ou d’acceptation.

💡 Astuce mémo

H0/H1 → α → statistique → région critique → calcul → décision.

📖 11. Séquence des contrastes d’hypothèses

🔑 Notions clés & Définitions

• Séquence de décision : La séquence de décision organise l’enchaînement des contrastes et des décisions à partir des données disponibles.
• Comparaison : La comparaison consiste à confronter des groupes ou des conditions pour tester une affirmation sur la population.
• Étude de relations : L’étude de relations cherche à tester une association entre variables à partir de l’échantillon.
• Transfert à la population : Le transfert à la population correspond à la généralisation des résultats de l’échantillon vers la population d’origine.

📝 Points essentiels

• La logique générale est de comparer et d’étudier des relations avec les données disponibles.
• Les résultats obtenus sur l’échantillon sont ensuite transférés à la population d’où proviennent les données.
• La séquence s’inscrit dans le cadre des principes généraux de l’analyse inférentielle.
• Le contraste d’hypothèse fournit une décision (rejeter ou ne pas rejeter) qui alimente l’interprétation.
• La séquence dépend du type de question et du type de variables considérées.
• Le cours relie cette séquence à l’inférence statistique et aux choix de tests adaptés.

💡 Astuce mémo

Données → comparaison/relations → décision → généralisation à la population.

📊 Tableaux de synthèse

Bilatéral vs unilatéral

Décision et erreurs

⚠️ Pièges & confusions fréquents

1. Confondre α et β : α correspond à l’erreur de type I, tandis que β correspond à l’erreur de type II.
2. Croire que “ne pas rejeter H0” signifie “H0 est vraie” : cela signifie seulement que les données ne permettent pas de rejeter H0.
3. Choisir un contraste bilatéral alors qu’une direction est justifiée (ou l’inverse), ce qui modifie la région de rejet.
4. Interpréter une taille d’effet comme une preuve de généralisation à la population : sans intervalles de confiance/tests, elle décrit surtout la magnitude dans l’échantillon.
5. Oublier que la puissance (1−β) dépend aussi du choix de α et de la distance entre les valeurs sous H0 et H1.
6. Confondre valeur p et niveau critique : la décision se fait en comparant p à α (ou via la région critique).

✅ Checklist Examen

1. Savoir définir population, paramètres, échantillon, statistique et inférence statistique.
2. Être capable de décrire une variable en reliant les outils (tabulaires/graphes/analytiques) à son échelle et à sa distribution.
3. Savoir expliquer comment interpréter un cas en le situant par rapport au groupe de référence.
4. Connaître la différence entre contraste d’hypothèse (décision) et estimation de paramètres (valeur/IC).
5. Savoir formuler H0 et H1 et appliquer la règle de décision via la valeur p et le niveau α.
6. Savoir distinguer contraste bilatéral et unilatéral et relier chaque type à la direction de H1.
7. Savoir associer erreur de type I à α et erreur de type II à β, puis relier la puissance à 1−β.
8. Savoir expliquer le rôle de la taille d’effet et la distinction entre signification statistique et pertinence pratique.
9. Savoir classer un contraste selon nombre de variables, niveau de mesure, nature des groupes et respect des hypothèses.
10. Savoir dérouler toutes les étapes d’un contraste : H0/H1, choix de α, statistique, région critique, calcul, décision.
11. Savoir décrire la logique de séquence : comparer/étudier relations avec les données puis transférer les résultats à la population.