Biostatistique

Marie Laure Delignette-Muller

20 octobre 2023

Table des matières

1 Introduction 4

2 La statistique descriptive 5

2.1 Objectifs pédagogiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

2.2 Quelques dénitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

2.2.1 Statistique descriptive et statistique inférentielle . . . . . . . . . . . . . . . . . . 5

2.2.2 Type de variable aléatoire étudiée . . . . . . . . . . . . . . . . . . . . . . . . . . 6

2.3 La représentation graphique des données . . . . . . . . . . . . . . . . . . . . . . . . . . 7

2.3.1 Quelques représentations classiques de la distribution d'une variable qualitative . . 7

2.3.2 La représentation classique de la distribution d'une variable quantitative discrète . 11

2.3.3 Quelques représentations classiques de la distribution d'une variable quantitative

continue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2.4 La réduction des données pour une variable quantitative . . . . . . . . . . . . . . . . . . 22

2.4.1 Les paramètres de position . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

2.4.2 Les paramètres de dispersion et l'intervalle de uctuation . . . . . . . . . . . . . 22

2.4.3 Les limites des paramètres statistiques classiques . . . . . . . . . . . . . . . . . . 24

1
3 La statistique inférentielle 26

3.1 Objectifs pédagogiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

3.2 Echantillonnage et théorème central limite . . . . . . . . . . . . . . . . . . . . . . . . . 26

3.2.1 Principe de l'échantillonnage et dénition de la distribution d'échantillonnage . . . 26

3.2.2 Théorème central limite (ou théorème de l'approximation normale) pour une moyenne 27

3.2.3 Théorème central limite (ou théorème de l'approximation normale) pour une fréquence 30

3.2.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

3.3 Estimation statistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

3.3.1 Estimation ponctuelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

3.3.2 Estimation par intervalle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

3.4 Test statistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

3.4.1 Le test de signication tel que proposé par R.A. Fisher . . . . . . . . . . . . . . . 38

3.4.2 Le test d'hypothèse tel que modié par [Link] et J. Neyman . . . . . . . . . . 42

3.4.3 L'utilisation raisonnée des tests statistiques recommandée aujourd'hui . . . . . . . 43

4 Comparaison de fréquences et de distributions d'une variable qualitative, ou méthodes

permettant de corréler deux variables qualitatives 47

4.1 Objectifs pédagogiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

4.2 Les tests du χ2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

2
4.2.1 Le test du χ d'ajustement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2
4.2.2 Le test du χ d'indépendance . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

4.2.3 Quand les conditions d'utilisation des tests du χ2 ne sont pas respectées . . . . . 53

4.3 Comparaison de fréquences sur séries dépendantes . . . . . . . . . . . . . . . . . . . . . 54

4.3.1 Séries indépendantes ou dépendantes ? . . . . . . . . . . . . . . . . . . . . . . . 54

4.3.2 Test de Mc Nemar et test de Cochran pour comparer respectivement deux ou

plusieurs fréquences sur des séries dépendantes . . . . . . . . . . . . . . . . . . . 54

5 Comparaison de moyennes ou méthodes permettant de corréler une variable quanti-

tative à une variable qualitative 57

5.1 Objectifs pédagogiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

5.2 Diérence entre les deux approches, paramétrique et non paramétrique . . . . . . . . . . 57

5.2.1 Approche paramétrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

5.2.2 Approche non paramétrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

5.2.3 Choix entre les deux approches . . . . . . . . . . . . . . . . . . . . . . . . . . . 62

5.3 Méthodes de comparaison de deux moyennes . . . . . . . . . . . . . . . . . . . . . . . . 64

5.3.1 Comparaison d'une moyenne observée à une moyenne théorique . . . . . . . . . . 64

5.3.2 Comparaison de deux moyennes sur des séries indépendantes . . . . . . . . . . . . 65

5.3.3 Comparaison de deux moyennes sur des séries appariées . . . . . . . . . . . . . . 65

5.4 Comparaison de plusieurs moyennes sur des séries indépendantes . . . . . . . . . . . . . . 68

5.4.1 Analyse de variance à un facteur (ANOVA 1) et méthode non paramétrique associée 68

5.4.2 Problématique des comparaisons multiples . . . . . . . . . . . . . . . . . . . . . 71

2
6 Corrélation linéaire et régression linéaire simple 75

6.1 Objectifs pédagogiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

6.2 La corrélation linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

6.2.1 Le test de corrélation linéaire de Pearson . . . . . . . . . . . . . . . . . . . . . . 75

6.2.2 Le test de corrélation de rangs de Spearman . . . . . . . . . . . . . . . . . . . . 78

6.2.3 Les limites des tests de corrélation . . . . . . . . . . . . . . . . . . . . . . . . . 80

6.3 Bilan, mise en garde et transition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82

6.4 La régression linéaire simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82

6.4.1 Modèle de la régression linéaire simple . . . . . . . . . . . . . . . . . . . . . . . 82

6.4.2 Prédiction et intervalles de conance . . . . . . . . . . . . . . . . . . . . . . . . 88

6.4.3 Régression et corrélation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90

6.5 Le modèle linéaire simple, une brique de base pour construire d'autres modèles plus complexes 91

7 Traduction anglaise des termes clefs qui ne sont pas évidents à traduire 92

8 Récapitulatif des principales fonctions R pour mettre en oeuvre les tests et la régression

linéaire - ne sera utile qu'au second semestre 93

3
1 Introduction

"La statistique est une méthode et non une science. Elle est une technique. Tantôt elle permet de

préciser certains phénomènes, tantôt elle donne des suggestions. Son rôle suggestif est particulièrement

important. Mais on doit aussi se méer d'elle."

Henri Berr (1935)

"Dans notre domaine les méthodes statistiques, qui peuvent être fécondes, peuvent facilement aussi

être dangereuses. Le biologiste doit avant tout rester biologiste, c'est-à-dire poser exactement les éléments

biologiques d'un problème que l'on veut traiter par la méthode statistique. L'appareil mathématique a ses

dangers, car souvent il est articiel en biologie. Les solutions qui résultent de sa mise en jeu découlent

automatiquement des mises en équations initiales. Si ces dernières correspondent vraiment à la réalité, la

solution est adéquate à celle-ci : s'il en est autrement les conclusions auxquelles on aboutit ne concernent

pas le problème réel et donnent une idée fausse des choses."

Maurice Caullery (1935)

"To consult the statistician after an experiment is nished is often merely to ask him to conduct a

post mortem examination. He can perhaps say what the experiment died of."

Ronald Aylmer Fisher (1938)

Après ces trois citations et avant de préciser les objectifs pédagogiques de cet enseignement de bio-

statistique de base, partons de trois constats :

 la méthode statistique est de plus en plus couramment utilisée dans les travaux publiés en médecine

vétérinaire et plus largement en biologie,

 rien n'est plus facile que de tirer des conclusions erronées à partir d'une mauvaise utilisation de la

méthode statistique ou d'une mauvaise interprétation de résultats statistiques et

 il est indispensable de rééchir bien en amont d'une collecte de données à leur analyse statistique

future et d'en discuter avec un statisticien si besoin, sans quoi les données risquent d'être peu

utilisables / informatives.

L'objectif de cet enseignement est triple :

1. vous amener à une compréhension susante de la méthode statistique pour vous permettre d'exer-

cer votre esprit critique à la lecture de publications scientiques,

2. vous donner une maîtrise susante des outils de base et de leur cadre d'utilisation pour vous

permettre si besoin d'analyser vous-mêmes des données biologiques dans les cas les plus simples et

3. vous donner un recul susant par rapport à l'utilisation de la méthode statistique pour savoir à quel

moment il devient nécessaire de se former à des méthodes plus sophistiquées et/ou de consulter

un statisticien.

4
 ? ? ? Dans ce polycopié vous trouverez des blocs encadrés en rouge comme celui-ci. Ils correspondent

à des questions auxquelles je vous demande de tenter de répondre au cours de votre lecture ou à des

petits exercices d'entrainement à réaliser pour s'assurer que vous avez bein compris un point clef.

Vous trouverez aussi des blocs sur fond jaune comme celui-ci. Ils soulignent des points importants,

et visent à vous éviter des erreurs fréquentes.

# Enfin les blocs sur fond gris comme celui-ci correspondent à des sorties
# et/ou du code R (code informatique écrit en langage R auquel nous vous initierons en S4
# des données sur ordinateur).

2 La statistique descriptive

Nous aborderons dans ce chapitre essentiellement les méthodes de réduction et de représentation des

données uniquement dans le cas univarié c'est-à-dire lorsqu'on s'intéresse à une seule variable observée. Les

méthodes utilisées dans les cas bivariés seront vues au fur et à mesure des cas étudiés dans les chapitres

suivants.

2.1 Objectifs pédagogiques

A l'issue de l'étude de ce chapitre vous devriez :

 savoir reconnaître le type d'une variable observée,

 savoir synthétiser et représenter graphiquement des données observées selon le type de la variable,

 être capable d'interpréter les représentations graphiques classiques (dans le cas univarié),

 savoir juger de la normalité d'une distribution à partir des représentations graphiques classiques,

 savoir calculer et interpréter les paramètres statistiques classiques et connaître leurs limites d'uti-

lisation,

 savoir dénir et calculer un intervalle de uctuation (par ex. pour déterminer des valeurs usuelles).

2.2 Quelques dénitions

2.2.1 Statistique descriptive et statistique inférentielle

La première étape d'une étude statistique est la collecte des données. Celle-ci implique généralement

un échantillonnage (Figure 1) : seul un échantillon de la population étudié fait l'objet de cette collecte de

données. L'analyse des données se déroule ensuite le plus souvent en deux étapes.

1. La première étape consiste à décrire les données obtenues sur l'échantillon, c'est-à-dire à les repré-

senter graphiquement et éventuellement à les résumer an d'en faciliter la prise de connaissance.

Il s'agit là de la statistique descriptive.

2. La seconde étape consiste à tenter de tirer des conclusions sur la population étudiée à partir des

résultats obtenus sur l'échantillon, c'est-à-dire à voir si l'on peut tirer des conclusions généralisables.

5
 Il s'agit là de la statistique inférentielle. Nous nous intéresserons dans ce premier chapitre

uniquement à la première étape de description des données.

Population

Echantillon

Echantillonnage

Inférence statistique
Conclusions sur Résultats
la population observés sur
l’échantillon

Figure 1  Echantillonnage et statistique inférentielle.

2.2.2 Type de variable aléatoire étudiée

Une variable aléatoire est un caractère qui est susceptible de varier d'un animal à l'autre, d'une

unité expérimentale à l'autre, d'un groupe à l'autre . . .. Ce caractère est parfois quantiable ou parfois

uniquement qualiable.

Une variable est dite qualitative si elle est décrite par une famille de modalités possibles. Lorsque

les modalités sont ordonnées, on parle de variable qualitative ordinale (ex. : variable  évolution de la

maladie  avec comme modalités  aggravation de l'état ,  état stationnaire  ou  amélioration de

l'état ). Lorsque les modalités ne sont pas naturellement ordonnées, on parle de variable qualitative

nominale (ex. : variable  couleur du poil de l'animal , variable  sexe de l'animal ).

Lorsque le caractère est quantiable, on parle de variable quantitative. Lorsque ce caractère ne

peut prendre qu'un nombre ni de valeurs (généralement entières), on parle de variable quantitative

discrète (ex. : variable  nombre de chiots par portée , variable  nombre d'animaux domestiques par

foyer ). Lorsque ce caractère peut en théorie prendre une innité de valeurs prises dans une série continue

de nombres réels, on parle de variable quantitative continue (ex. : variables  taille ,  poids ,

 âge ,  taux d'hémoglobine ). Lorsque l'on se demande si une variable quantitative est discrète ou

continue, on considère bien la nature même de cette variable et non la précision de sa mesure. Par exemple

une variable âge est une variable par nature continue, même si les âges observés ont été arrondis à l'année.

6
 Certaines variables sont dites semi-quantitatives soit parce qu'elles sont quantiables uniquement

sur une partie de leur domaine de dénition (par exemple du fait d'une limite de quantication de la

méthode de mesure, ce qui induit une censure d'un certains nombre de mesures : on sait qu'elles sont

situées en dessous de la limite de quantication, mais on ne sait pas à quelle valeur exactement) soit parce

qu'elles sont créées à partir d'observations qualitatives (comme un score clinique par exemple, qui sera

souvent considéré soit comme une variable quantitative discrète soit comme une variable qualitative

ordinale, en fonction notamment du nombre de valeurs que peut prendre le score).

Toute analyse de données nécessite au préalable de se poser la question de la nature

(qualitative ou quantitative ?) de chaque variable étudiée. Or si la diérence entre variable qua-

litative et quatitative semble assez triviale, il n'est pas rare que des erreurs soient commise lors de cette

étape préliminaire. An d'éviter ces erreurs, la bonne question à se poser est : quelle est la variable

observée sur chaque unité d'observation ?

Prenons quelques exemples pour illustrer la diculté parfois rencontrée :

 Lors de l'étude du poids de chiots à la naissance, si l'unité d'observation est le chiot, la variable

est le poids qui est une variable quantitative continue.

 Lors de l'étude du taux de mortalité des chiots à la naissance dans divers élevages, si l'unité d'ob-

servation est l'élevage, la variable observée est le taux de mortalité qui est une variable quantitative

continue.

 Lors de l'étude du taux de mortalité liée à une pathologie donnée sur un groupe de malades, si

l'unité d'observation est l'individu, la variable observée le statut de l'individu (mort / vivant) est

une variable qualitative nominale.

Au vu des deux derniers exemples on comprend bien qu'il est nécessaire de bien rééchir à la situation

pour savoir si on travaille sur une variable qualitative ou quantitative et que le seul repérage de mots

clefs (ex. taux de mortalité) ne permet pas de répondre à la question. Ce commentaire vaut pour

bien des étapes d'une analyse statistique. Il est bien plus important de comprendre le cas étudié que

de repérer des mots clefs.

2.3 La représentation graphique des données

La représentation graphique des données constitue une étape primordiale dans toute analyse de don-

nées, étape trop souvent omise ou négligée.

2.3.1 Quelques représentations classiques de la distribution d'une variable qualitative

Partons d'un exemple d'étude de la reproduction de chiens de race sur 423 élevages, extrait de la

thèse vétérinaire de Mathilde Poinssot (Maisons Alfort, 2011). Une des variables étudiées était le type de

fécondation, variable qualitative nominale à trois modalités : 1/ monte naturelle avec un mâle de

l'élevage, 2/ monte naturelle avec un autre mâle ou 3/ insémination articielle (cf. Table 1).

7
 ELEVAGE FECONDATION

elevage_1 autre_male

elevage_2 insemination

elevage_3 insemination

elevage_4 male_elevage

elevage_5 male_elevage

elevage_6 insemination

elevage_7 autre_male

elevage_8 insemination

elevage_9 insemination

elevage_10 male_elevage

Table 1  Dix premières lignes du chier des données brutes observées pour la variable "type de fécon-

dation".

Il est assez naturel de résumer ces données brutes par

 les eectifs dans chacune des classes,

##
## autre_male insemination male_elevage
## 197 102 124
 ou les fréquences correespondantes obtenues en divisant les eectifs par l'eectif total.

##
## autre_male insemination male_elevage
## 0.466 0.241 0.293
Une représentation bien connue de la distribution en fréquences d'une variable qualitative est le dia-

gramme en secteurs appelé communément  camembert  (cf. Figure 2 pour les données précédentes).

Néanmoins cette représentation est peu recommandée par les statisticiens. Il convient au moins d'éviter

les camemberts en trois dimensions, qui peuvent être très trompeurs (cf. Figure 3).

? ? ? Prenez le temps de bien analyser la gure 3 et demandez-vous pourquoi les scientiques

préfèrent généralement les diagrammes en bâton que les diagrammes en secteurs, et pourquoi

le diagramme en secteurs en relief sont à éviter.

Dans les écrits scientiques on aura donc tendance à privilégier des représentations de type diagrammes

en bâtons, notamment pour les variables qualitatives ordinales (cf. Figure 4). Dans un diagramme en bâtons

l'axe des ordonnées peut indiéremment être gradué en eectifs ou en fréquences.

Une représentation très proche du diagramme en secteur, mais qui reste sur une échelle linéaire plus

simple à lire que l'échelle angulaire, est la représentation dite en barres ou encore en bandes. Cette

représentation est souvent utilisée pour visualiser facilement plusieurs distributions sur un même graphe

(cf. Figure 5).

8
 autre mâle 47%

insémination artificielle 24%

mâle de l'élevage 29%

Figure 2  Diagramme en secteurs représentant la ditribution du type de fécondation à partir d'une

étude de la reproduction de chiens de race sur 423 élevages.

Figure 3  Distribution des animaux domestiques en France en 2014 sous diérentes formes, a) dia-

gramme en secteurs en relief (représentation peu recommandable), b) diagramme en secteurs classique,

c) diagramme en batons (la plus lisible).

9
 50
effectifs

30
0 10

passable AB B TB

Figure 4  Diagramme en bâtons représentant la distribution des mentions au baccalauréat des étudiants
ayant intégré le campus vétérinaire de Lyon en 2016.

chats chiens
autre
AVP
Cause du traumatisme

bataille
chute
inconnue

Espèce

Figure 5  Diagrammes en barres ou en bandes représentant la distribution de la cause du traumatisme

(inconnue, chute, bataille, Accident de la Voie Publique, autre) chez les chiens et les chats admis en

clinique sur le campus vétérinaire pour traumatisme en 1996.

10
2.3.2 La représentation classique de la distribution d'une variable quantitative discrète

Toujours dans la thèse vétérinaire (Mathilde Poinssot, Maisons Alfort, 2011) étudiant la reproduction

de chiens de race sur divers élevages, prenons l'exemple de la taille de la portée, i.e. le nombre de

chiots par portée, qui est une variable quantitative discrète (cf. Table 2).

PORTEE TAILLE

portee_1 6

portee_2 4

portee_3 13

portee_4 9

portee_5 7

portee_6 7

portee_7 7

portee_8 11

portee_9 5

portee_10 10

Table 2  Dix premières lignes du chier des données brutes observées pour la variable "taille de portée".

Comme pour une variable qualitative il est naturel de résumer ces données brutes par

 les eectifs pour chacune des valeurs observées (qui vont ici de 1 à 17 animaux par portée),

##
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
## 39 66 80 119 118 122 131 108 86 52 33 21 17 3 1 0 2
 ou les fréquences correspondantes obtenues en divisant les eectifs par l'eectif total.

##
## 1 2 3 4 5 6 7 8 9 10
## 0.03908 0.06613 0.08016 0.11924 0.11824 0.12224 0.13126 0.10822 0.08617 0.05210
## 11 12 13 14 15 16 17
## 0.03307 0.02104 0.01703 0.00301 0.00100 0.00000 0.00200
Le graphe le plus souvent utilisé pour représenter la distribution d'une variable quantitative discrète

est le diagramme en bâtons (cf. Figure 6)

On utilise aussi assez couramment, pour représenter la distribution d'une variable discrète, notamment

observée sur plusieurs groupes d'eectifs pas très grands mais avec beaucoup d'ex aequos, un graphique en

points (dit de type "stripchart" ou "dotplot" en anglais). Cela est notamment conseillé pour représenter

des scores cliniques observés pour deux groupes d'animaux ayant subi des traitements diérents. Dans la

gure 7 vous trouverez un exemple issu d'une enquête réalisée auprès d'étudiants vétérinaires en 2017.

11
 100
effectifs

60
0 20
1 3 5 7 9 11 13 15 17

nombre de chiots par portée

Figure 6  Diagrammes en bâtons de la distribution de la taille des portées de chiots observée sur 998

portées dans le cadre de la thèse de Mathilde Poinssot, Maisons Alfort, 2011

nb. d'UEs suivies à plus de 75% des CM

8
6
4
2
0

femme homme

genre

Figure 7  Représentation de la distribution du nombre d'UEs pour lesquelles les étudiants ayant intégré
le campus vétérinaire de Lyon en 2016 avaient suivi au moins 75% des cours en amphi au second semestre

2016-2017.

2.3.3 Quelques représentations classiques de la distribution d'une variable quantitative

continue

En ce qui concerne la représentation d'une variable aléatoire quantitative continue, quelques rappels

théoriques préliminaires s'imposent. Soit X une variable quantitative continue et a une valeur quantitative
quelconque, P r(X = a) = 0. Lorsque l'on dénit la fonction de densité de probabilité f de la variable

X, celle-ci ne permet donc pas de quantier la probabilité d'une valeur unique a, mais la probabilité d'un

intervalle [a; b], et cette probabilité correspond à l'aire sous la courbe de densité de probabilité entre a et
Rb
b (P r(a ≤ x ≤ b) = a f (t)dt, illustré Figure 8).

Toujours dans la thèse vétérinaire (Mathilde Poinssot, Maisons Alfort, 2011) étudiant la reproduction

de chiens de race sur divers élevages, prenons l'exemple de la durée de la gestation, qui est une variable

quantitative continue même si elle est exprimée en jours (cf. Table 3).

12
 0.4

0.3

0.2
f

0.1

a b
0.0

−3 −2 −1 0 1 2 3

Figure 8  Représentation de la probabilité de l'intervalle [a ; b] (aire sous la courbe coloriée en bleu)

sur l'exemple de la fonction de densité de probabilité de la loi normale centrée réduite.

PORTEE DUREE

portee_1 57

portee_2 62

portee_3 69

portee_4 61

portee_5 61

portee_6 66

portee_7 62

portee_8 63

portee_9 60

portee_10 62

Table 3  Dix premières lignes du chier des données brutes observées pour la variable "durée de la

gestation".

13
 Pour une variable continue, on ne peut résumer les données sous forme d'eectifs et/ou de fréquences

qu'en dénissant au préalable des classes. Dans cet exemple, sur les classes ]45, 50] ]50, 55] ]55, 60] ]60,

65] ]65, 70] ]70, 75] ]75, 80] ]80, 85] nous pouvons calculer

 les eectifs pour chacune des classes,

## ]45, 50] ]50, 55] ]55, 60] ]60, 65] ]65, 70] ]70, 75] ]75, 80] ]80, 85]
## 2 4 292 577 50 1 1 1
 ou les fréquences correspondantes obtenues en divisant les eectifs par l'eectif total.

## ]45, 50] ]50, 55] ]55, 60] ]60, 65] ]65, 70] ]70, 75] ]75, 80] ]80, 85]
## 0.00216 0.00431 0.31466 0.62177 0.05388 0.00108 0.00108 0.00108
A partir de ces eectifs ou fréquences on réalise un histogramme de fréquences (cf. Figure 9) qui

donne grossièrement la forme de la fonction de densité de probabilité estimée à partir des données.
600
400
effectifs

200
0

50 60 70 80

durée de gestation en jours

Figure 9  Histogramme de fréquences de la durée de gestation en eectifs, avec des classes de largeur
5 jours, à partir de l'observation de 928 portées dans le cadre de la thèse de Mathilde Poinssot, Maisons

Alfort, 2011

Il est très tentant sur ces données de dénir des classes plus petites an de visualiser plus nement la

forme de la distribution, ce que l'on peut se permettre de faire ici car l'eectif est grand mais qui poserait

plus de problème si l'eectif était petit.

? ? ? Prenez le temps de bien analyser la gure 10 et demandez-vous pourquoi on ne voit pas

souvent des histogrammes de fréquences dans les articles publiés dans le domaine des sciences de

l'animal.

Dans un histogramme de fréquences, qui est une représentation de la fonction de densité de probabilité,

sur chaque classe est représenté un rectangle d'aire proportionnelle à la fréquence ou à l'eectif de la classe.

An que cette fréquence (ou cet eectif ) puisse être lue sur l'axe des ordonnées on choisit généralement

des classes de taille identique de sorte que la surface des rectangles soit proportionnelle à leur hauteur.

Il est néanmoins possible de tracer un histogramme avec des classes de diérentes largeurs, mais celui-ci

ne pourra par être présenté classiquement avec l'axe des Y gradué en eectifs ou fréquences, mais sera

représenté avec l'axe des Y gradué en densité de probabilité (cf. Figure 11).

14
 a) b)

150
250
effectifs

effectifs

100
150

50
0 50

0
50 60 70 80 50 60 70 80

durée de gestation en jours durée de gestation en jours

7
c) d)
8

6
5
6
effectifs

effectifs

4
4

3
2
2

1
0

50 60 70 80 50 60 70 80

durée de gestation en jours durée de gestation en jours

Figure 10  Histogramme de fréquences de la durée de gestation en eectifs, avec des classes de largeur
diérentes 2.5 jours pour a) et c) et 1 jour pour b) et d), à partir de l'observation des 928 portées pour

a) et b) ou d'un sous-échantillon de 30 portées tirées au hasard parmi les 928 pour c) et d)

densité de probabilité

0.15
0.10
0.05
0.00

50 60 70 80

durée de gestation en jours

Figure 11  Histogramme de fréquences de la durée de gestation en densité de probabilité à partir de

l'observation des 928 portées.

15
 ? ? ? Dans une représentation d'une distribution sous forme de fonction de densité de probabilité,

comme dans la gure 8 ou l'histogramme 11, on ne peut donner aucune interprétation simple

aux ordonnées des points sur la courbe (ou des hauteurs des rectangles pour un histogramme),

qui dépendent de la gamme des valeurs de la variable étudiée. Pourquoi les valeurs de densité de

probabilité dépendent-elles de la gamme des valeurs de la variable étudiée ?

 Le terme histogramme est souvent utilisé à tort pour désigner d'autres graphes, alors

qu'il doit être réservé uniquement à ce type de graphe visant à représenter, à partir de

données observées d'une variable quantitative continue, la forme de sa fonction de densité

de probabilité.

 Par ailleurs, une erreur courante, consiste à réaliser un diagramme en batons à partir d'une

variable quantitative (discrète ou continue) comme s'il s'agissait d'une variable qualitative,

comme dans la gure 12. Cette erreur peut induire des conclusions erronées sur la forme de

la distribution.
effectifs

100
50
0

45 50 55 60 65 70 75 80

durée de gestation en jours

100 150
effectifs

50
0

46 53 56 58 60 62 64 66 68 70 77

durée de gestation en jours

Figure 12  Comparaison de l'histogramme de fréquences de la durée de gestation à partir de l'obser-

vation des 928 portées au diagramme en batons réalisé sur les mêmes données sans prendre en compte, à

tort, le caractère quatitatif de la variable.

? ? ? Prenez le temps d'analyser la gure 12 pour comprendre en quoi les deux graphes dièrent et

en quoi la non prise en compte de la nature quantitative de la variable peut induire en erreur.

16
 Pour une variable quantitative continue, on dénit aussi sa fonction de répartition F (cf. Figure 13).

La valeur de cette fonction de répartition en un point donné x correspond à la probabilité pour que la

variable soit inférieure ou égale à x soit à l'aire sous la courbe de densité de probabilité f à gauche de x :
Rx
F (x) = P r(t ≤ x) = −∞ f (t)dt.

0.4 1.0
a) b)
0.8
0.3
0.6
0.2

F
f

0.4
0.1
0.2
x
0.0 0.0

−3 −1 1 2 3 −3 −1 1 2 3

t x

Figure 13  Représentation de la fonction de répartition sur l'exemple de la fonction de densité de

probabilité de la loi normale centrée réduite :a) valeur de F pour une valeur de x, aire sous la courbe à

gauche de x coloriée en rouge, b) courbe de F pour toutes les valeurs de x .

Le représentation de la fonction de répartition à partir de données, qu'on appelle aussi le diagramme

des fréquences cumulées, ne nécessite pas de dénir des classes (intervalles). On classe les N obser-

vations par ordre croissant, on attribue à chaque observation xi son rang i dans le classement,
i
et on peut alors dire que F (xi ) = P r(t ≤ xi ) = N
(proportion d'observations inférieures ou égales à xi ).
Néanmoins la dénition de la fonction de répartition empirique (c'est-à-dire calculée à partir de

données observées) n'est pas unique. Pour la plupart des lois théoriques, dans la dénition de la fonction

de répartition l'utilisation du signe ≤ ou < importe peu, car la probabilité associée à un point est nulle
Rx
(F (x) = P r(t ≤ x) = P r(t < x) = −∞ f (t)dt). Néanmoins si on utilise le signe < pour dénir la
i−1
fonction de répartition empirique on aura alors comme F (xi ) = P r(t < xi ) = N
Souvent on utilise encore une troisième dénition qui prend la moyenne entre les valeurs de F dénies

précédemment pour représenter le diagramme des fréquences cumulées. Elle présente l'avantage de donner
i−0.5
une graphe qui part au-dessus de 0 et arrive en dessous de 1 : F (xi ) = N
. Ce choix n'a pas beaucoup

d'impact si le nombre total d'observations est grand (cf. Figure 14) mais en a s'il est petit (cf. Figure 15).

? ? ? Attardez-vous sur la gure 15 pour vous assurer que vous avez bien compris et que vous

sauriez construire un diagramme des fréquences cumulées à la main à partir de données observées

(vous pouvez essayer de refaire le graphe rouge à partir des valeurs observées qui sont en légende

de la gure).

17
 0.0 0.2 0.4 0.6 0.8 1.0
F

50 60 70 80

durée de gestation en jours

Figure 14  Diagramme des fréquences cumulées (représentation de la fonction de répartition empirique)

de la durée de gestation à partir de l'observation de 928 portées dans le cadre de la thèse de Mathilde

Poinssot, Maisons Alfort, 2011

0.8

F(xi) = i/N
F(xi) = (i − 1)/N
F

0.4

F(xi) = (i − 0.5)/N
0.0

50 60 70 80

durée de gestation en jours

Figure 15  Diagramme des fréquences cumulées pour un petit nombre de valeurs observées égales

(valeurs classées par ordre croissant à 60, 61, 62, 62, 63, 63, 64, 64, 65, 65) suivant les trois dénitions

de la fonction de répartition empirique.

18
 Une autre représentation couramment utilisée pour une variable quantitative continue est le dia-

gramme en boîte, ou diagramme en boîte à moustache. On y représente en théorie les trois

quartiles observés et des valeurs minimale et maximale (cf. Figure 16). Pour calculer les quartiles (quan-

tiles à 25, 50 et 75%) on attribue à chaque observation xi sa fréquence cumulée comme précédemment
i−0.5
(classiquement F (xi ) = N
) et on dénit les valeurs de x correspondant à F (x) = 0.25, 0.5 et 0.75.

 Premier quartile : F (Q0.25 ) = 0.25

 Deuxième quartile (médiane) : F (Q0.5 ) = 0.50
 Troisième quartile : F (Q0.75 ) = 0.75
Diverses méthodes sont utilisables pour calculer les quartiles, notamment utilisant ou non une inter-

polation de la courbe de fonction de répartition empirique. La méthode que vous avez vue au lycée est

une méthode simple possible, sans interpolation.

max
66
durée de gestation en jours

64

Q0.75
62

Q0.5
Q0.25
60
58

min

Figure 16  Diagramme en boîte de la durée de gestation sur 30 portées prises au hasard parmi les 928

En pratique, la plupart des logiciels proposent par défaut une variante de cette représentation visant

à représenter de façon séparée les valeurs considérées comme extrêmes, en les dénissant par exemple

comme indiqué en rouge dans la gure 17.

? ? ? Tracez un diagramme en boîte pour chacune des deux séries de valeurs suivantes : série 1) 2,

5, 12, 17, 26, 78, 127, 301 et 500, série 2) 60, 60, 62, 63, puis répondez aux questions suivantes :

 A partir du premier diagramme en boîte, pensez-vous que la distribution dont a été tirée la

série 1 soit normale (Gaussienne) ?

 Quel sont d'après vous les avantages du diagramme en boîte par rapport à l'histogramme de

fréquences ?

 Pensez-vous qu'il est raisonnable de tracer un diagramme en boîte avec un tout petit nombre

d'observations ? Que représenteriez-vous à la place dans un tel cas (cf. série 2) ?

 Pensez-vous que des diagrammes en boîte seraient adaptés pour représenter les deux distri-

butions représentées sur la gure 7 ? Argumentez votre réponse.

Le dernier graphe que nous allons présenter est très souvent utilisé sur des variables quantitatives

continues, mais plus rarement montré dans les publications. Il s'agit du diagramme quantile-quantile.

Il est utilisé lorsque l'on veut vérier la normalité d'une distribution, ou du moins que la distribution

19
 80
75
durée de gestation en jours
Q0.75 + 1.5 * (Q0.75 − Q0.25)

70
65
60
55
Q0.25 − 1.5 * (Q0.75 − Q0.25)
50
45

Figure 17  Diagramme en boîte de la durée de gestation sur les 928 portées, avec individualisation des
valeurs considérées comme extrêmes, c'est-à-dire ici dépassant les seuils indiqués en rouge.

observée ne s'écarte pas trop d'une distribution normale.

Pour le construire, on attribue à chaque observation xi de rang i sa fréquence cumulée suivant la

i−0.5
dénition F (xi ) = N
, puis pour chaque valeur de i on regarde quelle valeur de ui dans la loi normale

centrée réduite N (0, 1) possède la même valeur de F : FN (0,1) (ui ) = F (xi ). Ensuite pour chaque valeur

de i on reporte sur le graphe un point d'abscisse ui (quantile de la loi normale) et d'ordonnée xi

(quantile observé). Si la loi observée est normale les points sont à peu près alignés.

? ? ? Cette description vous paraît peut-être un peu abstraite. Pour bien la comprendre, entraînez-

vous à refaire le diagramme quantile-quantile de la gure 18 à partir des valeurs observées données

dans sa légende et des quantiles Q de la loi normale pour les valeurs de F utiles donnés ci-dessous :

F 0.05 0.15 0.25 0.35 0.45 0.55 0.65 0.75 0.85 0.95

Q -1.64 -1.04 -0.674 -0.385 -0.126 0.126 0.385 0.674 1.04 1.64

Lorsque l'on réalise le diagramme quantile-quantile de la durée de gestation sur l'ensemble des 928

portées (cf. Figure 19) on s'aperçoit que la plupart des points sont alignés, sauf les points les plus extrêmes.

On observe donc ici un faible écart à la normalité de la distribution sur ces deux queues de distribution

(ici valeurs un peu plus extrêmes qu'attendu avec une loi normale puisque les quantiles observés sont plus

éloignés du centre de la distribution qu'attendu).

? ? ? Peut-être que vous vous demandez pourquoi les points d'un diagramme quantile-quantile sont

alignés si la distribution observée est normale. Pour vous aider à intuiter cela, demandez-vous sur

quelle droite les points du graphe devraient être alignés si la distribution était normale et que les

données avaient été centrées (centrer = enlever la moyenne) et réduites (réduire = diviser par l'écart

type) avant de faire le graphe.

20
 65
64
x (quantiles observés)

63
62
61
60
59

−1.5 −1.0 −0.5 0.0 0.5 1.0 1.5

u (quantiles loi normale)

Figure 18  Diagramme quantile-quantile réalisé sur la série de valeurs suivante : 59, 59, 61, 61, 61,

62, 63, 63, 64, 65.

80
75
70
quantiles observés

65
60
55
50
45

−3 −2 −1 0 1 2 3

quantiles de la loi normale

Figure 19  Diagramme Quantile-Quantile de la durée de gestation sur les 928 portées avec une droite
attendue ajoutée, obtenue en reliant les points des deux quartiles à 25 et 75%.

21
 Nous avons vu diverses représentations pour le cas d'une variable quantitaive continue. Voici un

petit récapitulatif de celles-ci avec quelques éléments à retenir concernant leur utilisation

 Histogramme de fréquences

Vision ne de la densité de probabilité - grand nombre de points et dénition appropriée de

classes nécessaires.

 Diagramme des fréquences cumulées ("ECDF plot")

Visualisation de la fonction de répartition empirique.

 Diagramme en boîte (boxplot)

Visualisation synthétique de la densité de probabilité - possible même avec un nombre de

points modéré (si nombre trop faible, représentation directe des points)

 Diagramme Quantile-Quantile (QQ-plot)

Vérication de la normalité d'une distribution.

2.4 La réduction des données pour une variable quantitative

La réduction des données consiste à réduire ou résumer les données par un ou plusieurs paramètres

statistiques comme la moyenne. Nous ne traiterons dans ce chapitre que de la réduction des données pour

une variable quantitative.

2.4.1 Les paramètres de position

Les paramètres de position visent à localiser le centre de la distribution observée, qu'on appellera

parfois la tendance centrale. Le plus courant est la moyenne arithmétique (appelée plus couramment
1 PN
moyenne) dénie pour une variable aléatoire x par : x = N k=1 xi , N représentant la taille de l'échantillon

sur lequel ont été observées les valeurs xi .

On utilise parfois aussi la médiane (deuxième quartile Q0.5 ) our localiser le centre de la distribution.

La médiane est un paramètre statistique plus robuste que la moyenne au sens où il est moins sensible aux

valeurs extrêmes observées.

Enn, on parle parfois du mode de la distribution qui correspond au pic de la distribution. La valeur

numérique de ce dernier paramètre est plus dicile à estimer. Si on la dénit par exemple comme le centre

de la classe de plus forte fréquence dans un histogramme de fréquences, elle dépend des classes utilisées

pour représenter l'histogramme de fréquences. De ce fait, ce dernier paramètre est rarement précisément

quantié mais plutôt cité oralement pour décrire une distribution observée. Par exemple une distribution

avec deux pics de densité de probabilité sera appelée bi-modale (c'est le cas par exemple de la distribution

observée du nombre d'UEs pour lesquelles les étudiantes vétérinaires avaient suivi au moins 70% des CMs,

représentée en gure 7.

2.4.2 Les paramètres de dispersion et l'intervalle de uctuation

Les paramètres de dispersion visent à décrire comment les valeurs observées se dispersent autour de

la valeur centrale. Les paramètres de dispersion le plus classiquement utilisés sont :

1 PN
 la variance V (x) = N k=1 (xi − x)2 ,

22
  l'écart type (noté généralement SD pour `Standard Deviation' en anglais) et qui n'est autre que
q
la racine carrée de la variance ( SD = V (x)),
 et enn le coecient de variation noté CV qui représente l'écart type en valeur relative à la
SD
moyenne (CV = est souvent exprimé souvent en %).
x

? ? ? Il est important d'avoir en tête la formule de la variance, pour bien comprendre de quoi il

s'agit et comprendre pourquoi il est plus facile d'interpréter l'écart type que la variance. La variance

représente la moyenne des carrés des écarts à la moyenne. A partir de sa dénition essayez

d'expliquer :

 pourquoi dans cette dénition on a pris la somme des carrés des écarts à la moyenne et non

pas simplement la somme des écarts à la moyenne, et

 pourquoi de ce fait l'écart type est plus facile à interpréter que la variance ?

Lorsque l'on souhaite décrire la dispersion d'une distribution à l'aide d'un paramètre plus robuste que

les paramètres précédents, on peut utiliser l'écart interquartile noté EIQ déni comme l'écart entre le

troisième et le premier quartile (EIQ = Q0.75 − Q0.25 ). Notons que l'écart inter-quartile n'est autre que

la longueur de la boîte dans le diagramme en boîte.

On dénit l'intervalle de uctuation à k% comme l'intervalle dans lequel se trouve k% de la

k
distribution (plus précisément en supposant qu'on a
2
% de la distribution au-dessus et k2 % en-dessous de
l'intervalle). On utilise un tel intervalle dans le domaine de la biologie médicale notamment lorsque l'on

veut dénir un intervalle de référence pour une variable biologique dans la population saine (ex.

Exemple : valeurs usuelles du taux d'hémoglobine chez le chat sain). L'intervalle de référence est souvent

déni comme l'intervalle de uctuation à 95%. Deux méthodes sont alors classiquement utilisées pour

estimer cet intervalle de uctuation à 95% :

 lorsque le nombre d'observations est grand (plus d'une centaine) on calcule cet intervalle de

uctuation à partir des quantiles à 2.5 et 97.5% ([Q0.025 , Q0.975 ]),

 et lorsque le nombre d'observations est modéré (quelques dizaines) et que la distribution est

proche d'une loi normale, on utilise la moyenne et l'écart type et le quantile à 97.5% de la loi

normale (égal à 1.96, cf. Table 4) ce qui permet de dénir l'intervalle comme [x − 1.96 × SD, x +
1.96 × SD] qui est souvent approché par [x − 2 × SD, x + 2 × SD].

Rappelons que si x suit une loi normale, l'intervalle [x − 1.96 × SD, x + 1.96 × SD] est l'intervalle

de uctuation à 95% et que l'intervalle [x − SD, x + SD] est l'intervalle de uctuation à 68%. Ce

dernier intervalle est souvent utilisé sans que ces utilisateurs aient en tête qu'il s'agit d'un intervalle

qui ne contient que 68% des valeurs (cf. Figure 20).

? ? ? Pour voir si vous avez bien compris, calculez l'intervalle de référence (= intervalle de uctuation

à 95%) de la température corporelle du chat, en supposant que la distribution de cette variable chez

les chats sains est normale et qu'on a estimé à partir d'un échantillon de 144 chats sains une moyenne

à 39 degrés celsius et un écart type à 0.25.

23
 0.20
16% 68% 16% moyenne

densité de probabilité
moyenne ± SD

0.10
0.00
50 60 70 80

durée de gestation en jours

0.20

2.5% 95% 2.5% moyenne

densité de probabilité

moyenne ± 2SD
0.10
0.00

50 60 70 80

durée de gestation en jours

Figure 20  Intervalles de uctuations à 68 et 95% estimés à partir de la moyenne et de l'écart type

des durées de gestation en approchant la distribution par une loi normale

2.4.3 Les limites des paramètres statistiques classiques

Bien que le calcul des paramètres statistiques classiques que sont la moyenne et la variance ou l'écart

type soit toujours possible dès que l'on dispose d'au moins deux observations, il est important d'avoir à

l'esprit que ces paramètres ne fournissent pas toujours un bon résumé de la distribution observée. Ces

paramètres caractérisent très bien les données issues d'une loi proche d'une loi normale, mais dès que

la loi observée s'éloigne de cette loi classique, et notamment lorsqu'elle est fortement dissymétrique, ils

deviennent beaucoup moins pertinents pour caractériser la loi.

? ? ? Pour vous en convaincre, observez bien les diérents graphes de la gure 21 et au cas par cas

déterminez s'il serait raisonnable de résumer les données par une moyenne et un écart type, en vous

justiant, et le cas échéant proposez d'autres paramètres résumés plus pertinents.

En imaginant la forme que peut avoir la distribution des salaires des français, pensez-vous qu'il est

pertinent de donner une moyenne comme résumé statistique de cette distribution, comme cela est

souvent fait dans les médias ? Justiez votre réponse.

24
 200
150
effectifs

100
50
0

0 2 4 6 8 10

Age des chiennes à la mise bas en années

30
effectifs

20
10
5
0

0 5 10 15 20

Note sur 20 au partiel de biostatistique en 2014

10 20 30 40 50 60 70

moyenne
médiane
moyenne ± 2SD
effectifs

−1000 0 1000 2000 3000 4000 5000

Coût maximum jugé acceptable par des étudiants vétos pour des soins vétérinaires

Figure 21  Trois exemples de distributions représentées sous forme d'histogrammes de fréquences, avec
ajout d'indications utilisant les moyennes, écarts-types et médianes.

La description des données observées est une étape importante qui doit IMPERATIVEMENT

commencer par une bonne représentation graphique de la distribution étudiée.

Il convient ensuite de bien rééchir avant de calculer les paramètres statistiques classiques

(moyenne, variance ou écart type) : Décrivent-ils bien la distribution observée ?

Il est parfois plus raisonnable de ne pas résumer les données (cas des très petis eectifs par exemple)

ou d'utiliser des paramètres descriptifs alternatifs comme la médiane (cas de distributions avec

valeurs extrêmes susceptibles d'avoir une inuence importante sur la moyenne par exemple).

25
3 La statistique inférentielle

Nous aborderons dans ce chapitre les grands principes et concepts de la statistique inférentielle.

3.1 Objectifs pédagogiques

A l'issue de l'étude de ce chapitre et de la réalisation des deux premiers TD de S3, vous devriez :

 Savoir dénir les notions suivantes : inférence statistique, échantillonnage aléatoire simple, distri-

bution d'échantillonnage, estimation, estimation sans biais, test de signication, test d'hypothèse,

test d'équivalence, diérence signicative, risques d'erreur de première et deuxième espèces, p-value

(valeur de p ou degré de signication), puissance d'un test d'hypothèse.

 Savoir ce que représentent SD et SE (ou SEM).

 Avoir bien compris le théorème de l'approximation normale.

 Savoir juger de l'applicabilité de ce théorème et vérier les conditions d'utilisation des divers

intervalles de conance.

 Savoir ce que représente un intervalle de conance et ce qui le diérencie d'un intervalle de uc-

tuation.

 Savoir calculer à la main (avec une calculatrice) un intervalle de conance sur une moyenne et sur

une fréquence.

 Savoir réaliser à la main un test à partir de sa che technique.

 Savoir interpréter le résultat d'un test de signication et notamment avoir les idées claires sur les

conclusions qu'on peut tirer d'un test.

 Savoir réaliser un test d'équivalence et en interpréter les résultats.

3.2 Echantillonnage et théorème central limite

3.2.1 Principe de l'échantillonnage et dénition de la distribution d'échantillonnage

L'échantillonnage concerne la première étape d'une étude statistique qui est la collecte des données (Fi-

gure 1). Il s'agit dans cette étape d'obtenir un échantillon représentatif de la population qui nous intéresse

appelée souvent population cible. Le principal enjeu de cette étape est d'éviter tout biais d'échantillonnage

qui pourrait conduire à des conclusions erronées sur la population cible. La méthode la plus classiquement

utilisée pour éviter ces biais est l'échantillonnage aléatoire simple. Celle-ci implique que le choix de

chaque individu ou unité de l'échantillon fait l'objet d'un tirage au hasard et que les tirages des dié-

rents individus ou unités de l'échantillon sont indépendants les uns des autres et que chaque individu ou

unité a la même probabilité d'être tiré. Généralement une analyse statistique de données observées sur un

échantillon vise non seulement à décrire ce qui a été observé sur l'échantillon mais aussi à en tirer des

conclusions sur la population dont a été tiré l'échantillon : c'est ce qu'on appelle l'inférence statistique

(Figure 1). L'inférence statistique consiste donc à déduire de ce que l'on a observé sur un échantillon des

conclusions sur la population dont il a été tiré.

Lorsque l'on veut estimer un paramètre caractérisant la population étudiée à partir d'un échantillon

de cette population, la valeur estimée du paramètre dépend néanmoins de l'échantillon. En eet si l'on

26
pouvait tirer un nouvel échantillon dans la même population on trouverait une valeur estimée du para-

mètre quelque peu diérente de celle obtenue sur le premier échantillon. On parlera des uctuations

d'échantillonnage de ce paramètre pour désigner ces uctuations potentielles d'un paramètre estimé

d'un échantillon à l'autre. Si l'on tire un grand nombre d'échantillons, on peut représenter la distribution

en fréquences des valeurs estimées du paramètre pour chaque échantillon. On appellera cette distribution

la distribution d'échantillonnage du paramètre (cf. Figure 22 pour l'exemple de la moyenne d'une

variable quantitative continue).

Figure 22  Schéma illustrant la notion de distribution d'échantillonnage d'une moyenne.

Bien entendu, lors d'une étude statistique, il est rare que l'on dispose de plusieurs échantillons. Mais

ce raisonnement sur plusieurs échantillons potentiels est à la base de tout ce qui va suivre. Pour bien

comprendre la suite, il faut donc s'eorcer d'imaginer ce cadre théorique où l'on pourrait obtenir plusieurs

échantillons d'une population.

3.2.2 Théorème central limite (ou théorème de l'approximation normale) pour une moyenne

Le théorème central limite que nous appelerons aussi théorème de l'approximation normale

est à la base de très nombreuses méthodes utilisées couramment en statistique inférentielle, et c'est

pourquoi il est nécessaire de bien le comprendre. La première version du théorème décrit la distribution

d'échantillonnage d'une moyenne :

Théorème central limite pour une moyenne

Pour des échantillons aléatoires simples de taille N, la moyenne X de l'échantillon varie autour de

la moyenne µ de la population avec une erreur standard σX = √σ noté SE ou SEM (Standard

N
Error of the Mean ), σ étant l'écart type de la population.

 Lorsque la distribution de X dans la population est normale, X suit la loi N (µ, √σN ).
 Quelle que soit la distribution de X, lorsque l'eectif N est susamment grand, la loi de X
s'approche de la loi normale N (µ, √σN ).

Le point le plus intéressant de ce théorème est bien sûr le dernier qui dit que quelle que soit la

distribution de la variable X, lorsque la taille des échantillons N est susamment grande la distribution

de X tend vers une loi normale. Une illustration de ce théorème pour diérentes lois de la variable X

27
est proposée sur les gures 23 à 25. Pour chacune des gures, des échantillons de tailles croissantes ont

été tirés aléatoirement dans la distribution initiale et les distributions d'échantillonnage de la moyenne

correspondantes ont été représentées.

0.4
a) b) N= 5
0.6
0.3
0.2 0.4
f

f
0.1 0.2

0.0 0.0

−3 −1 0 1 2 3 −3 −1 0 1 2 3

X moyenne de X
1.2
1.0 c) N = 10 d) N = 30
1.5
0.8
0.6 1.0
f

f
0.4
0.5
0.2
0.0 0.0

−3 −1 0 1 2 3 −3 −1 0 1 2 3

moyenne de X moyenne de X

Figure 23  Illustration du théorème central limite pour la moyenne d'une variable distribuée suivant

une loi normale. a) loi de départ suivie par X. b) à d) histogrammes de la distribution d'échantillonnage

de la moyenne pour diérentes tailles N d'échantillons, obtenus à partir de 5000 échantillons de taille N
tirés dans la loi de départ.

0.20
a) 0.5 b) N= 5
0.15 0.4
0.10 0.3
f

0.2
0.05
0.1
0.00 0.0

−3 −1 0 1 2 3 −3 −1 0 1 2 3

X moyenne de X

1.4
0.6 c) N = 10 1.2 d) N = 30
1.0
0.4 0.8
f

0.6
0.2 0.4
0.2
0.0 0.0

−3 −1 0 1 2 3 −3 −1 0 1 2 3

moyenne de X moyenne de X

Figure 24  Illustration du théorème central limite pour la moyenne d'une variable distribuée suivant

une loi uniforme. a) loi de départ suivie par X. b) à d) histogrammes de la distribution d'échantillonnage

de la moyenne pour diérentes tailles N d'échantillons, obtenus à partir de 5000 échantillons de taille N
tirés dans la loi de départ.

28
 0.6 a) N= 5
0.5 0.15
0.4
0.10

f
0.3
0.2 0.05
0.1 b)
0.0 0.00

0 5 10 15 0 5 10 15

X moyenne de X

0.5
N = 10 0.5 N = 30
0.4 0.4
0.3 0.3
f

f
0.2 0.2
0.1 0.1
c) d)
0.0 0.0

0 5 10 15 0 5 10 15

moyenne de X moyenne de X

Figure 25  Illustration du théorème central limite pour la moyenne d'une variable distribuée suivant une
loi lognormale. a) loi de départ suivie par X. b) à d) histogrammes de la distribution d'échantillonnage

de la moyenne pour diérentes tailles N d'échantillons, obtenus à partir de 5000 échantillons de taille N
tirés dans la loi de départ.

? ? ? Ce théorème indique une convergence asymptotique de la loi de X vers la loi normale, c'est-

à-dire lorsque la taille N de l'échantillon devient grande, mais en pratique à partir de quelle valeur

de N peut-on l'appliquer ? Certains vieux ouvrages indiquent qu'il est applicable dès que N > 30.
Examinez bien les gures 23 à 25 et posez-vous la question de la pertinence de dénir une valeur

de N à partir de laquelle ce théorème serait applicable.

Il est impossible de juger de l'applicabilité du théorème de l'approximation normale sans regarder la

forme de la distribution de X dans l'échantillon. En eet comme on le voit dans les trois exemples,

plus la loi de X s'écarte de la loi normale, plus N doit être grand pour appliquer le dernier point du

théorème.

29
3.2.3 Théorème central limite (ou théorème de l'approximation normale) pour une fré-

quence

La deuxième version du théorème décrit la distribution d'échantillonnage d'une fréquence :

Théorème central limite pour une fréquence

Pour des échantillons aléatoires simples de taille N , la fréquence F d'un caractère étudié varie autour
q
π0 (1−π0 )
de la proportion π0 de ce caractère dans la population, avec une erreur standard σF = N
.

Lorsque l'eectif N est susamment grand, la loi de F s'approche de la loi normale

q
π0 (1−π0 )
N (π0 , N
).

Cette deuxième version du théorème, que vous avez certainement déjà vue dans un cours de probabilités

sous la forme de la convergence de la loi binomiale vers la loi normale, peut être présenté comme découlant

directement de la première : il sut dans la version précédente de dénir X comme une variable quantitative
prenant la valeur 1 si le caractère étudié est observé et 0 s'il ne l'est pas (par exemple dans le cas où l'on

veut estimer la proportion d'animaux malades dans une population X=1 si l'animal est malade, X=0
s'il est sain) et de réaliser que la fréquence d'animaux malades n'est autre que la moyenne de X dans ce

cas. Ce théorème est illustré par les gures 26 et 27.

20
1.0 a) N = 10
0.8 15
0.6 10
f

0.4
5
0.2
b)
0.0 0

0 (non malade) 1 (malade) 0.0 0.2 0.4 0.6 0.8 1.0

X fréquence de malades

8 N = 50 12 N = 100
10
6 8
f

4 6
4
2 2
c) d)
0 0

0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0

fréquence de malades fréquence de malades

Figure 26  Illustration du théorème central limite pour la fréquence F d'un caractère étudié en sup-

posant la proportion π0 de ce caractère égale à 10% dans la population. a) loi de départ suivie par X
codant pour la présence ou non du caractère. b) à d) histogrammes de la distribution d'échantillonnage

de la fréquence observée du caractère pour diérentes tailles N d'échantillons, obtenus à partir de 5000

échantillons de taille N tirés dans la loi de départ.

L'eectif requis pour pouvoir appliquer le théorème de l'approximation normale pour l'estimation de

la fréquence F d'un caractère étudié dépend de la proportion π0 de ce caractère dans la population. Plus

π0 est proche de 0 (caractère rare) ou de 1 (caratère très répandu), plus N devra être grand.

30
 1.0 a) 80 N = 10
0.8
60
0.6

f
40
0.4
0.2 20
b)
0.0 0

0 (non malade) 1 (malade) 0.00 0.10 0.20 0.30

X fréquence de malades

120
N = 50 60 N = 100
100
80
60 40
f

f
40 20
20 c) d)
0 0

0.00 0.10 0.20 0.30 0.00 0.10 0.20 0.30

fréquence de malades fréquence de malades

Figure 27  Illustration du théorème central limite pour la fréquence F d'un caractère étudié en sup-

posant la proportion π0 de ce caractère égale à 1% dans la population. a) loi de départ suivie par X
codant pour la présence ou non du caractère. b) à d) histogrammes de la distribution d'échantillonnage

de la fréquence observée du caractère pour diérentes tailles N d'échantillons, obtenus à partir de 5000

échantillons de taille N tirés dans la loi de départ.

3.2.4 Conclusion

De très nombreux outils statistiques (intervalles de conance et tests statistiques) sont basés sur

le théorème de l'approximation normale. Leur utilisation nécessite donc la vérication au préalable des

conditions d'utilisation de ce théorème. Il est donc indispensable, pour une bonne utilisation de ces outils,

d'avoir bien compris ce théorème et d'avoir des notions relatives à ses conditions d'utilisation.

3.3 Estimation statistique

Fixons tout d'abord le cadre général de l'estimation statistique.

 On s'intéresse à un paramètre θ caractérisant la population cible

(par exemple la moyenne d'une variable biologique quantitative continue, ou sa médiane, ou son

écart type, . . ., dans la population cible, ou encore si la variable est qualitative binaire, la proportion

du caractère étudié dans la population cible).

 θ est supposé xe, mais inconnu du fait qu'on n'a pas accès à la population cible entière mais

seulement à un échantillon aléatoire de cette population.

 On souhaite donner la meilleure estimation possible de θ (répondre à la question "Que sait-on

sur θ dans la population cible ?" à partir de ce que l'on a observé dans un échantillon.

3.3.1 Estimation ponctuelle

Quand on parle d'estimation ponctuelle, cela veut dire l'estimation du paramètre θ par une valeur

ponctuelle. On notera l'estimation ponctuelle de θ à partir d'un échantillon θ̂. On appelera T l'estimateur

31
de θ, c'est-à-dire la fonction mathématique qui est appliquée aux données observées sur l'échantillon pour
calculer θ̂ : θ̂ = T(données observées sur l'échantillon).

On exige souvent d'un estimateur T de θ qu'il soit sans biais, c'est-à-dire qu'en moyenne il

ne se trompe pas, autrement dit que la moyenne de la distribution d'échantillonnage de T soit égale à θ :

E(T ) = θ. Cela revient à dire que si l'on pouvait disposer d'un nombre inni d'échantillons, si on estimait
θ sur chacun d'eux à l'aide de l'estimateur T, la moyenne des valeurs obtenues serait égale à θ.
D'après les deux versions du théorème de l'approximation normale que nous avons vues auparavant,

nous pouvons dire que la moyenne X est une estimation sans biais la moyenne µ dans la

population dans le cas d'une variable quantitative continue car E(X) = µ, et que la fréquence

observée F d'un caractère étudiée est une estimation sans biais de la proportion π0 du

caractère étudié dans la population car E(F ) = π0 .

Prenons l'exemple de l'estimation de la fréquence de chats FIV positifs à partir d'un échantillon de 50

chats sur lesquels 7 sont détectés FIV positifs. On obtient une fréquence observée de f = 14% de chats

FIV positifs. On estimera la fréquence de chats FIV positifs dans la population correspondante à 14% et

on notera πˆ0 = f = 0.14.

Pour obtenir un estimateur sans biais de la variance, une petite correction est nécessaire. En eet,

on peut montrer (nous ne ferons pas de démonstration mathématique dans ce cours, pour ne pas le

surcharger de formalisme mathématique) que l'espérance de la variance V (X) n'est pas tout à fait égale
(N −1)×σ 2
à la variance de X dans la population σ 2 , mais que E(V (X)) =
N
. Si l'on estimait sans correction

σ2 par V (X), l'estimation serait donc biaisée. On sous-estimerait σ 2 , et ce d'autant plus que N , la taille
de l'échantillon, est petit. On utilisera donc comme estimation sans biais de la variance, la variance
N ×V (X) 1 PN
corrigée : σ̂ 2 = N −1
= N −1 k=1 (Xi − X)2 . Cette correction a été calculée de manière à ce que

E(σ̂ 2 ) = σ 2 .

3.3.2 Estimation par intervalle

Quand on estime un paramètre statistique à partir d'un échantillon, on associe généralement une

estimation par intervalle à l'estimation ponctuelle, dans le but de donner une indication quant à la précision

de l'estimation ponctuelle et d'indiquer ainsi quelle conance peut-on accorder à l'estimation à partir du

seul échantillon dont on dispose, mais en prenant en compte les uctuations d'échantillonnage. Pour

répondre à cette question sans avoir à répéter l'échantillonnage, on construit classiquement un intervalle

de conance autour de l'estimation.

On utilise le plus couramment un intervalle de conance bilatéral, tel que déni ci-dessous et illustré

Figure 28.

32
Dénition d'un intervalle de conance bilatéral

Intervalle [t1 ; t2 ] construit de façon à ce qu'en terme de distribution d'échantillonnage

(sous-entendu si on répétait l'échantillonnage)

α
P r(t1 ≥ θ) = P r(t2 ≤ θ) = 2
donc P r(t1 ≤ θ ≤ t2 ) = 1 − α

t1 et t2 sont appelées les limites de conance et 1−α est appelé le seuil de conance.

Généralement α est xé à 5% et l'on parle d'intervalles de conance à 95%.

q Valeur inconnue du paramètre

Proba a/2
t1
[ ]t
2

t1
[ ]t Proba a/2
2

t1
[ ]t Proba 1 - a
2

Figure 28  Illustration de la dénition d'un intervalle de conance bilatéral.

Intervalles de conance sur une moyenne et une fréquence A partir du théorème de l'ap-

proximation normale et/ou d'autres résultats de la statistique théorique des intervalles de conance

ont été proposés pour les cas classiques, notamment :

 l'intervalle de conance bilatéral autour d'une fréquence F

q
π0 = F ± u1− α2 × F (1−F
N
)

α
avec u1− α2 le quantile à 1− de la distribution normale
2
N (0, 1) (pour α = 0.05, u1− α2 = 1.96,
cf. Table 4

utilisable si N F ≥ 20 et N (1 − F ) ≥ 20,
 l'intervalle de conance bilatéral autour d'une moyenne X
µ = X ± tN −1;1− α2 × √σ̂
N
α
avec tN −1;1− α2 le quantile à 1− 2
de la distribution de Student de degré de liberté N −1
(TN −1 ),

cf. Table 5

utilisable si le théorème de l'approximation normale est applicable.

33
 La loi normale ainsi que la loi de Student pour quelques valeurs de degrés de liberté vous sont repré-

sentées dans la gure 29. Pour rappel la loi de Sudent est plus piquée et avec des queues de distribution

plus lourdes que la loi normale lorsque son degré de liberté est faible, et tend vers la loi normale lorsque

que son degré de liberté augmente.

0.4
ddl = 1
ddl = 2
ddl = 5
ddl = infini
0.3
0.2
f

0.1
0.0

−4 −2 0 2 4

Figure 29  Représentation de la loi de Student pour quelques degrés de liberté et de la loi normale

vers laquelle elle tend pour un degré de liberté inni.

alpha 0.1000 0.0500 0.0100 0.0010 0.0001

Q 1.645 1.960 2.576 3.291 3.891

Table 4  Quantiles à 1− α
2
de la loi normale centrée réduite N(0,1) pour quelques valeurs de α.

34
 alpha 0.1000 0.0500 0.0100 0.0010 0.0001

1 6.314 12.706 63.657 636.619 6366.198

2 2.920 4.303 9.925 31.599 99.992

3 2.353 3.182 5.841 12.924 28.000

4 2.132 2.776 4.604 8.610 15.544

5 2.015 2.571 4.032 6.869 11.178

6 1.943 2.447 3.707 5.959 9.082

7 1.895 2.365 3.499 5.408 7.885

8 1.860 2.306 3.355 5.041 7.120

9 1.833 2.262 3.250 4.781 6.594

10 1.812 2.228 3.169 4.587 6.211

11 1.796 2.201 3.106 4.437 5.921

12 1.782 2.179 3.055 4.318 5.694

13 1.771 2.160 3.012 4.221 5.513

14 1.761 2.145 2.977 4.140 5.363

15 1.753 2.131 2.947 4.073 5.239

16 1.746 2.120 2.921 4.015 5.134

17 1.740 2.110 2.898 3.965 5.044

18 1.734 2.101 2.878 3.922 4.966

19 1.729 2.093 2.861 3.883 4.897

20 1.725 2.086 2.845 3.850 4.837

21 1.721 2.080 2.831 3.819 4.784

22 1.717 2.074 2.819 3.792 4.736

23 1.714 2.069 2.807 3.768 4.693

24 1.711 2.064 2.797 3.745 4.654

25 1.708 2.060 2.787 3.725 4.619

26 1.706 2.056 2.779 3.707 4.587

27 1.703 2.052 2.771 3.690 4.558

28 1.701 2.048 2.763 3.674 4.530

29 1.699 2.045 2.756 3.659 4.506

30 1.697 2.042 2.750 3.646 4.482

inni 1.645 1.960 2.576 3.291 3.891

Table 5  Quantiles à 1− α
2
de la loi de Student pour quelques valeurs de α et des degrés de liberté

croissant de 1 à 30 et leurs valeurs limites pour un degré de liberté inni (la loi tend alors vers loi normale).

35
 Reprenons l'exemple de l'échantillon de 50 chats parmi lesquels 7 sont FIV positifs. Nous avions déduit

auparavant de ces chires une estimation ponctuelle de 14% de chats FIV positifs dans la population. Pour
pouvoir utiliser la formule précédente de calcul d'un intervalle de conance sur une fréquence, il faudrait

au moins 20 chats FIV positifs. Imaginons qu'on ait eu par exemple 70 chats FIV positifs sur 500, on
q q
0.14×0.86 0.14×0.86
aurait pu utiliser cette formule, qui nous aurait donné [0.14−1.96× 500
; 0.14+1.96× 500
] =
[0.14 − 0.03; 0.14 + 0.03] = [11%; 17%]. Sur notre exemple avec 7 chats sur 50 FIV positifs, comme les

conditions d'utilisation ne sont pas respectées, on utilise un calcul plus complexe (on verra au second

semestre comme la réaliser via le logiciel R sur ordinateur) qui utilise la loi binomiale sans approximation

par la loi normale et donne l'intervalle de conance [6%; 27%].

Lors de la première séance de travaux dirigés, nous verrons sur un exemple comment il est possible

d'obtenir ce type de formules de calcul d'intervalle de conance à partir de résultats de statistique théorique.

A ce stade assurez-vous surtout de comprendre ce que représente un intervalle de conance

et de savoir le calculer à partir des formules données précédemment pour une fréquence et une moyenne,

après avoir vérié leurs conditions d'utilisation.

En terme d'interprétation d'un intervalle de conance, étant donné qu'en pratique on calcule un

intervalle de conance sur un seul échantillon, on n'a aucun moyen de savoir si cet intervalle de

conance contient bien la vraie valeur du paramètre. On peut juste se dire qu'en moyenne,

lorsqu'on calcule des intervalles de conance à 95%, on se trompe une fois sur 20 (5% des

échantillons).

Avant d'utiliser un intervalle de conance, il est impératif d'en vérier ses conditions

utilisation, sans quoi on risque de raconter n'importe quoi. Il est très important de savoir juger, à partir

d'un échantillon, du respect des conditions d'application du théorème de l'approximation normale. De très

nombreux outils statistiques (estimateurs ponctuels et par intervalle, test statistiques) sont basés sur le

théorème de l'approximation normale et nécessitent donc la vérication au préalable de ses conditions d'uti-

lisation. Il est IMPORTANT de se souvenir que la vérication des ces conditions d'utilisation,

dans le cas d'une variable quantitative, ne peut pas se faire en regardant uniquement la taille

de l'échantillon. L'examen de la distribution sera indispensable (nous nous y entraînerons en

travaux dirigés).

Dans l'exemple précédent (7 chats FIV positifs sur 50), si l'on avait appliqué à tort la formule précédente
q
0.14×0.86
utilisant la loi normale, on aurait obtenu comme intervalle de conance [0.14 − 1.96 × 50
; 0.14 +
q
0.14×0.86
1.96 × 50
] = [0.14 − 0.096; 0.14 + 0.096] = [4.4%; 23.6%] au lieu de [6%; 27%]. Avec un eectif

encore plus petit (ex. 2 chats FIV positifs sur 15, soit 13.3% en estimation ponctuelle, on aurait même

obtenu l'intervalle [−3.9%; 30.5%], contenant des valeurs négatives, ce qui n'a bien entendu pas de sens

pour l'estimation d'une proportion - n'hésitez pas à vérier le calcul par vous-même, cela vous entraînera).

Dans certains cas particuliers on dénira des intervalles de conance unilatéraux (une seule limite

de conance, cf Figure 30) ayant toujours une probabilité 1−α de contenir la vraie valeur du paramètre.

Voici deux exemple classiques d'utilisation d'un intervalle de conance unilatéral :

 calcul du seuil au dessous duquel on veut pouvoir dire avec une conance de 95% que se trouve

36
 une proportion d'animaux malades dans un pays (intervalle du type [0, t]),
 calcul du seuil au dessus duquel on veut pouvoir dire avec une conance de 95% que se trouve la

sensibilité d'un test diagnostique (intervalle du type [t, 1]).

q Valeur inconnue du paramètre

] Proba a
t
Proba 1 - a
]
t

Figure 30  Illustration de la dénition d'un intervalle de conance unilatéral dans le cas d'un intervalle
de type [0, t] : P r(t ≥ θ) = α donc P r(t ≤ θ) = 1 − α.

? ? ? A partir de la formule qui vous est donnée dans ce chapitre, calculez l'intervalle de conance

à 95% sur la température corporelle moyenne des chats sains, en supposant que la distribution de

cette variable chez les chats sains est normale et qu'on a estimé sur un échantillon de 144 chats

sains une moyenne à 39 degrés celsius et un écart type à 0.25 (on prendra les quantiles de la loi

normale dans ce calcul en considérant que pour un degré de liberté de plus de 30 on peut approcher

la loi de Student par la loi normale).

Refaites le même calcul d'intervalle de conance à 95% sur la température corporelle moyenne des

chats sains, en supposant cette fois que les mêmes moyenne et écart type estimé ont été obtenus

sur 25 chats. Comparez cet intervalle de conance au précédent.

Comparez ces deux intervalles à l'intervalle de uctuation à 95% que vous aviez obtenu à partir des

mêmes données observées dans la section 2.4.2. Ce dernier dépendait-il de l'eectif observé ?

ATTENTION à ne pas confondre la notion d'intervalle de conance visant à quantier

l'incertitude associée à l'estimation d'un paramètre statistique à partir d'un échantillon (ex.

moyenne, proportion) et l'intervalle de uctuation visant à décrire l'intervalle dans lequel uc-

tuent la plus grande partie (95% si l'intervalle est calculé à 95%) des valeurs observées dans un

échantillon (notion vue dans la section 2.4.2).

3.4 Test statistique

Partons d'un petit exemple introductif simple.

37
 ? ? ? Imaginez qu'on tire au sort aléatoirement n étudiants vétérinaires sur lesquels on estime la

fréquence de lles. A partir des données observées (sans utiliser de connaissance a priori ) peut-

on conclure que la fréquence de lles parmi les étudiants vétérinaires est diérente de

50%, autrement dit que le ratio lles / garçons n'y est pas équilibré ?

Imaginons 5 cas :

1. 2 lles sur n = 2 : 100%

2. 6 lles sur n = 10 : 60%
3. 15 lles sur n = 20 : 75%
4. 37 lles sur n = 50 : 74%
5. 68 lles sur n = 100 : 68%
Tentez de répondre à la question dans chaque cas en utilisant juste votre intuition et votre bon sens

et notez votre réponse pour y revenir plus tard.

Vous vous rendez compte sur cet exemple qu'il n'est pas toujours évident de répondre à ce type de

question, et qu'il est certainement utile de prendre en considération à la fois la taille de l'échantillon et

la valeur de la diérence observée entre la fréquence de lles et la valeur théorique attendue de 50%.
C'est l'objet des tests statistiques de xer un cadre théorique associé à ce type de questionnement et

d'y donner une réponse objective. Ce cadre n'étant pas des plus simple à bien comprendre, et faisant

régulièrement l'objet d'abus d'interprétation, nous allons faire un petit retour 100 ans auparavant pour

bien en comprendre l'historique.

3.4.1 Le test de signication tel que proposé par R.A. Fisher

Dans les années 1920, Ronald Aylmer Fisher a popularisé un concept proposé quelque temps auparavant

par Karl Pearson, le concept de "p-value" ou en français "valeur de p", qui est depuis très couramment

utilisé. Introduisons le en nous basant sur l'exemple précédent.

Nous dénirons tout d'abord l'hypothèse nulle H0 qui est l'hypothèse de diérence nulle. Dans

notre exemple on compare une fréquence observée (f fréquence de lles) à une valeur de référence de 50%
et donc H0 est l'hypothèse selon laquelle la proportion de lles parmi les étudiants vétérinaires est de 50%
(H0 : π0 = 0.5). L'objectif du test de signication va être d'évaluer si les données nous permettent

de réfuter cette hypothèse. Pour cela on va confronter les données à H0 et se poser la question :

"les données sont-elles probables sous H0 ?" Autrement dit, "est-il probable, sous H0 , d'observer une telle
diérence, sous-entendu une diérence aussi grande (en valeur absolue) ?"

La réponse à cette question est une probabilité qu'on appelle la "p-value" ou "valeur de p" en français.

On lui donne aussi parfois le nom de degré de signication. La p-value est donc la probabilité, si

on est sous H0 , d'observer une diérence au moins aussi grande que celle observée sur les

données. Si on veut formaliser la p-value dans le cas d'un test de signication d'une diérence d (dans cet
exemple la diérence entre la fréquence de lles observée et 50%), elle correspond à P r(|d| > |dobs ||H0 ).

Si p est faible on rejette H0 et on en conclut qu'il existe bien une diérence, sous entendu que la

diérence observée n'est pas uniquement due aux uctuations d'échantillonnage mais est le reet d'une

38
diérence réelle dans la population. Il est devenu d'usage de xer un seuil de 5% pour la valeur de p (à

noter que R.A. Fisher n'avait pas proposé de seuil particulier) et si p < 5% de dire que la diérence est

signicative mais cet usage est actuellement remis en cause par un grand nombre de statisticiens ( cf.

Wasserstein et al. (2019)), et vous comprendrez plus tard pourquoi.

A ce stade, je vous demande non pas d'apprendre par coeur une règle de décision sans vraiment la

comprendre, mais de bien comprendre ce qu'est la p-value. C'est la réponse à la question : "sous

l'hypothèse H0 de diérence nulle, quelle est la probabilité d'observer une diérence au moins aussi

grande (en valeur absolue) que celle que l'on a observé sur cet échantillon ?". Ou encore à retenir

en plus court,

"sous l'hypothèse H0 , quelle est la probabilité d'observer une telle diérence ? ! ! !".

On comprend alors bien que plus la p-value est petite, plus on a d'arguments pour rejeter H0 et

donc conclure à une diérence.

Gardons en tête que nous sommes dans le même cadre théorique que celui décrit en partie 3.3 où le

paramètre d'intérêt (ici π0 la proportion de lles dans la population d'étudiants vétérinaires) est supposé

xe mais inconnu car on n'a accès qu'à un échantillon de la population. Lorsque l'on parle de probabilité

d'observer sous H0 une diérence au moins aussi grande que celle qu'on a observé sur notre unique échan-

tillon, c'est sous-entendu "si on pouvait disposer de plein d'échantillons sous H0 ". Le terme probabilité

a donc ici le sens de fréquence d'occurences sur un grand nombre d'échantillons tirés au hasard dans la

population sous l'hypothèse nulle.

Maintenant que vous avez compris le sens de la p-value, voyons sur ce cas de comparaison d'une

fréquence observée f à une fréquence de référence (dite aussi fréquence théorique) π0 , comment il est
possible de calculer la p-value à partir de ce qu'on appelle une variable de décision. Le théorème
q
π0 (1−π0 )
de l'approximation normale, s'il est applicable (N assez grand) nous dit : F ∼ N (π0 , N
).
Donc la variable centrée réduite u = q πF −π 0
(1−π
∼ N (0, 1)
0 0)
N

On va utiliser u comme variable de décision :

 on calcule la variable de décision u sur les données observées : uobs = q πf −π0

(1−π
,
0 0)
N
puis

 on confronte uobs à la loi qu'elle est censée suivre sous H0 pour quantier la

p-value (cf. Table 4).

Appliquons cette procédure à notre exemple dans le cas 3 (15 lles sur n = 20 : 75% → uobs = 2.24).
Visualisons la valeur la p-value (aire sous la courbe en bleu) dans la gure 31 qui représente la densité

de probabilité de la loi N (0, 1) (loi attendue de la variable de décision u sous H0 ). uobs = 2.24 étant

compris entre les quantiles de la loi normales (quantiles qu'on trouve dans la table 4, u1− 0.05 = 1.96 et
2

u1− 0.01 = 2.576), on en déduit que 0.01 < p < 0.05 et donc qu'on a assez d'arguments au vu des données
2

pour réfuter H0 si l'on utilise le seuil classiquement utilisé de 5%.

39
 0.4
a)

0.3 uobs

0.2
f

0.1
p 2 p 2
0.0

−3 −2 −1 0 1 2 3

0.4
b)

0.3 uobs

0.2
f

0.1
0.05 2 0.05 2
0.0

−3 −2 −1 0 1 2 3

0.4
c)

0.3 uobs

0.2
f

0.1
0.01 2 0.01 2
0.0

−3 −2 −1 0 1 2 3

Figure 31  Représentation a) de la p-value (aire sous la courbe en bleu) dans le cas de la comparaison
d'une fréquence observée de 0.75 sur un eectif de 20, à une proportion théorique de 0.5 (ce qui donne

uobs = 2.24), et comparaison cette p-value à b) 5% (sachant que u1− 0.05 = 1.96) et à c) 1% (sachant
2

que u1− 0.01 = 2.576).

2

40
 ? ? ? Si nous appliquons un test de signication aux autres cas sur le même exemple nous obtenons

les résultats suivants.

 Cas 1 : 2 lles sur n=2 : 100%

→ p > 0.05 (autre test adapté aux petits eectifs) → non rejet de H0
 Cas 2 : 6 lles sur n = 10 : 60%
→ p > 0.05 (autre test adapté aux petits eectifs) → non rejet de H0
 Cas 3 : 15 lles sur n = 20 : 75%
→ uobs = 2.24 → 0.01 < p < 0.05 → rejet de H0
 Cas 4 : 37 lles sur n = 50 : 74%
→ uobs = 3.39 → 0.0001 < p < 0.001 → rejet de H0
 Cas 5 : 68 lles sur n = 100 : 68%
→ uobs = 3.60 → 0.0001 < p < 0.001 → rejet de H0

A partir de ces exemples, et avant de lire la suite, je vais vous demander de faire quelques petits

exercices de calcul et de réexion en suivant les points ci-dessous :

 refaites vous même les calculs pour les cas 3, 4 et 5 an de vérier que vous avez bien compris

le principe et la procédure d'encadrement de la p-value,

 pour chacun des cas, comparez la conclusion que l'on obtient en terme de rejet ou non

de H0 (avec le seuil classique de 5%) avec la décision que vous aviez donnée en utilisant

votre intuition en début de chapitre. Avez-vous tendance, dans des cas comme ceux-ci, à

rejeter plus facilement ou plus dicilement H0 que la procédure classique que l'on vient de

présenter ?

 en vous basant notamment sur les deux premiers cas, pensez-vous qu'on peut tirer une

conclusion d'une p-value élevée, supérieure à 5% ?

Alors peut-on accepter H0 lorsque p est élevé ? J'espère que vous êtes convaincu, notamment à partir

des cas 1 et 2 de l'exemple que non. Voici une citation de R.A. Fisher à ce sujet : The null hypothesis

is never proved or established, but it is possibly disproved, in the course of experimentation , autrement

dit un test de signication peut conduire à rejeter H0 dans certains cas, mais en aucun cas

à l'accepter.

A RETENIR !

Objectif du test de signication : déterminer si une diérence observée est le reet d'une vraie

diérence et non le simple reet des uctuations d'échantillonnage)

Principe :

 on fait l'hypothèse d'une diérence nulle (H0 ),

 à l'aide d'une variable de décision on calcule la p-value (p), i.e. la probabilité d'observer, sous

H0 , une diérence au moins aussi grande que celle observée sur l'échantillon,

 si p est faible on rejette H0 (il est d'usage si p < 0.05 de dire que la diérence est signicative),
 plus p est petit, plus on a d'arguments pour rejeter H0 .
 On ne peut jamais accepter H0 seulement à partir de la p-value

41
3.4.2 Le test d'hypothèse tel que modié par [Link] et J. Neyman

Une deuxième vision a été proposée par Jerzy Neyman et Egon Pearson en 1928 et présentée comme une

amélioration du test de signigication. Ils ont proposé l'utilisation de la p-value pour un test d'hypothèse,

outil décisionnel permettant de choisir entre deux hypothèses, l'hypothèse nulle H0 l'hypothèse alternative

H1 de diérence non nulle. Le principe est de choisir H0 si p > 0.05 et H1 si p < 0.05.

Dans une telle procédure on a deux risques d'erreur :

 le risque de 1ère espèce α maîtrisé (α = 0.05), risque de se tromper en rejetant H0 et

 le risque de 2ème espèce β non maîtrisé, risque de se tromper en acceptant H0

On appelle 1−β la puissance du test. La gure 32 illustre les concepts de risque α et β et montre

comment, pour un α donné, xé dans la gure classiquement à 5%, β dépend de H1 , donc de la vraie

diérence. Plus elle grande et plus β est petit, donc plus le test est puissant.

Pour illustrer cette fois l'impact de l'eectif sur la puissance d'un test (en reprenant l'exemple du test

de comparaison de la fréquence de lles à 50%), nous avons réalisé des simulations de 1000 échantillons

d'étudiants vétérinaires (en faisant varier la taille des échantillons) en supposant que la proportion de lles

dans cette population est de 70% et noté le nombre de rejets de H0 .

 sur 1000 échantillons de taille 10 : 161 rejets de H0
 sur 1000 échantillons de taille 20 : 415 rejets de H0
 sur 1000 échantillons de taille 50 : 784 rejets de H0
 sur 1000 échantillons de taille 100 : 977 rejets de H0
Comme on pouvait aisément l'imaginer, à diérence théorique xée, plus l'eectif est grand, plus la

puissance est grande.

Dans le cadre de la réalisation d'un test d'hypothèse, on souhaite avoir un risque β faible donc une

puissance 1−β forte, mais β peut être élevé (donc la puissance faible) du fait :

 d'une faible diérence théorique (H1 proche de H0 ),

 d'une grande incertitude sur le paramètre estimé (faible eectif, forte variabilité si on travaille sur

une variable quantitative continue)

On ne peut raisonnablement utiliser un test d'hypothèse que si la puissance est maîtrisée donc si

un calcul de puissance a priori a été réalisé :

Il s'agit d'un calcul a priori d'eectifs nécessaires pour atteindre une puissance donnée, c'est-

à-dire une probabilité donnée de détecter une diérence dépassant un seuil d'intérêt prédéni (nous verrons

comment faire ce type de calcul au second semestre lors des travaux dirigés sur ordinateurs).

Néanmoins il est important de savoir ce qu'écrivait R.A. Fisher dans une lettre au magazine Nature

en 1935 au sujet du test d'hypothèse et du risque de deuxième espèce :

Errors of the second kind are committed only by those who misunderstand the nature

and the application of tests of signicance

42
 0.4
Rejet de H0 Rejet de H0

0.3
H0 H1

0.2
f

0.1
0.0 α 2 β α 2

−4 −2 0 2 4 6

u
0.4

Rejet de H0 Rejet de H0
0.3

H0 H1
0.2
f

0.1

α 2 β α 2
0.0

−4 −2 0 2 4 6

u
0.4

Rejet de H0 Rejet de H0
0.3

H0 H1
0.2
f

0.1

α 2 β α 2
0.0

−4 −2 0 2 4 6

Figure 32  Représentation des risques de première et deuxième espèce pour diérentes hypothèses

alternatives H1

3.4.3 L'utilisation raisonnée des tests statistiques recommandée aujourd'hui

On comprend bien à la lecture de la citation précédente de R.A. Fisher, la discorde profonde entre

lui d'un côté et J. Neyman et E. Pearson de l'autre. R.A. Fisher craignait sans doute, à raison, que les

tests soient utilisés de façon abusive pour valider une hypothèse en l'absence de preuve permettant de

la réfuter, sans s'être donné les moyens d'obtenir susamment de preuves (via un calcul de puissance a

priori ). Par analogie avec ce qui se passe lors d'un procès, accepter H0 à partir de peu de données, juste

parce que la p-value est supérieure à 5%, c'est comme relaxer un inculpé après un jour d'enquête juste

parce qu'on n'a pas trouvé de preuve de sa culpabilité durant cette enquête minimale.

La mauvaise utilisation des tests, venant en partie de l'amalgame entre les tests de signication (version

R.A. Fisher) et les tests d'hypothèse (version [Link] et E. Pearson), est trop fréquente et a fait couler

43
beaucoup d'encre dans tous les domaines d'application des statistiques depuis des décennies, avec des

titres comme "Faut-il brûler les tests de signication statistique ?", "What Your Statistician Never Told

You about P-Values ?", "A Dirty Dozen : Twelve P-Value Misconceptions". Le débat est même abordé

dans les revues de vulgarisation, comme dans l'article publié dans la revue Pour la science en avril 2020 et

intitulé "La valeur-p : un problème siginicatif. Les méthodes statistiques pour jauger la pertinence d'un

résultat expérimental sont attaquées de toute part. Résisteront-elles ?"

Pour un bon usage des tests à l'heure actuelle, on peut s'appuyer sur un article publié en 2016 dans le

journal The American Statistician (Wasserstein and Lazar (2016)), référence très citée et qui fait consensus

auprès des statisticiens. Cette référence décline les six points suivants :

1. P-values can indicate how compatible the data are with a specied statistical model.

En eet plus la valeur de p est petite et plus l'incompatibilité statistique entre les données et

l'hypothèse nulle est grande. On peut voir la valeur de p comme un indicateur de discordance

entre les données et l'hypothèse nulle.

2. P-values do not measure the probability that the studied hypothesis is true.

C'est-à-dire que la valeur de p ne doit surtout pas être interprétée comme la probabilité de l'hy-

pothèse nulle connaissant les données, même si cela est très tentant. On ne peut pas inverser les

probabilités aussi facilement !

Si un jour vous en êtes tenté pensez au cas 1 de notre exemple (avec deux lles sur un échantillon

aléatoire de deux étudiants vétérinaires en concluriez-vous que la probabilité pour qu'il y ait autant

de lles que de garçons parmi les étudiants vétérinaires est forte ?)

3. Scientic conclusions and decisions should not be based only on whether a p-value

passes a specic threshold.

Actuellement les scientiques donnent souvent trop de poids à la valeur de p et au résultat du test en

terme de diérence signicative ou non, parfois sans même regarder la diérence estimée. Il convient

plutôt de considérer le test juste comme un garde fou, nous empêchant d'interpréter

hâtivement une diérence qui ne serait pas signicative.

4. Proper inference requires full reporting and transparency.

 Les résultats de tous les tests réalisés doivent être repor-

tés, et non les seuls résultats signicatifs.

 En moyenne dans tous les cas où H0 est vraie, une fois sur 20

on a p < 0.05. A force de chercher on nit par trouver !

5. A p-value does not measure the size of an eect or the importance of a result.

Une valeur de p petite n'implique pas forcément la mise en évidence d'une diérence d'intérêt

44
 biologique : une diérence importante peut ne pas apparaître signicative du fait du manque de

puissance de l'analyse (par ex. en cas d'eectifs faibles). Et inversement, une diérence biologique

importante peut ne pas apparaître signicative du fait de faibles eectifs. Il est donc capital, dans

tous les cas, d'interpréter in ne l'estimation de la diérence (estimation ponctuelle et

intervalle de conance lorsque celui-ci est calculable).

6. By itself, a p-value dose not provide a good measure of evidence regarding a hypo-

thesis.

On ne doit jamais utiliser un test d'hypothèse pour montrer une hypothèse et en particulier pour

montrer une équivalence mais privilégier les tests d'équivalence basés sur les intervalles de conance

dans ce cas.

Le principe des tests d'équivalence (cf. Figure 33) est de dénir a priori une zone d'équivalence,

sur des critères biologiques (quelle diérence maximum sera considérée comme négligeable ?) puis

de conclure à l'équivalence si l'intervalle de conance sur la diérence observée est entièrement

contenu dans cette zone.

? ? ? Pour voir si vous avez bien compris la diérence entre test d'équivalence et test d'hypothèse,

essayez de répondre aux questions posées dans l'exemple suivant.

Une étude comparative de deux produits traitant l'otite externe du chien a été réalisée sur 140

chiens atteints par cette pathologie. Les deux produits comparés associent antibiotique et anti-

inammatoire. L'un des deux produits est un traitement de référence considéré comme ecace mais

pouvant entraîner des eets secondaires. Le but de l'étude est de montrer que le nouveau produit

est aussi ecace que le produit de référence (par un test d'équivalence). Sur ce type de traitement

l'équivalence a été dénie auparavant par une diérence entre les 2 fréquences de guérison inférieure

à 0.2 (20%). A l'issue de l'étude randomisée la fréquence de guérison observée était de 58.3% avec

le nouveau produit et de 41.2%, avec une diérence estimée de 17.1% et un intervalle de conance

à 95% sur cette diérence de [−0.6%; 34.9%].

 D'après ce résultat peut-on conclure à l'équivalence d'ecacité entre les deux traitements ?

 En admettant que la diérence est signicative si et seulement si son intervalle de conance

à 95% ne contient pas la valeur 0, concluerait-on ici à une diérence signicative d'ecacité

entre les deux produits ?

45
 20

Zone d'équivalence définie a priori

a) non rejet de H0
15

non acceptation de l'équivalence

b) non rejet de H0
acceptation de l'équivalence
−13:10

10

c) rejet de H0
acceptation de l'équivalence

d) rejet de H0
non acceptation de l'équivalence
5

e) rejet de H0
rejet de l'équivalence
0

−10 −5 0 5 10

Différence étudiée (par ex. entre deux moyennes ou deux fréquences)

Figure 33  Illustration du principe du test d'équivalence et conclusions comparées des tests de signi-

cation et d'équivalence sur 5 exemples. Nous montrerons sur un exemple en travaux dirigés qu'on peut

rejeter l'hypothèse de diérence si et seulement si l'intervalle de conance sur la diérence ne contient

pas la valeur 0.

46
 En 2019, un numéro spécial de la même revue, The American statistician, présente les points de

vue d'un grand nombre de statisticiens de renom au sujet de l'utilisation et/ou de l'abandon des tests

statistiques (Wasserstein et al. (2019)). Sans bannir complètement l'utilisation de la p-value, ils préconisent

l'abandon pur et simple des terminologies "diérence signicative", "statistiquement signicatif", . . .. Il

m'est dicile pour le moment de les bannir complètement de mon enseignement car elles sont encore

beaucoup utilisées, mais j'espère pouvoir le faire un jour. Nous verrons comment les façons de faire

évolueront dans les années à venir.

Ce chapitre est de loin le plus compliqué du cours de biostatistique d'un point de vue conceptuel

et il est capital que vous ayez compris toutes les notions qui y sont abordées. En ce qui concerne

l'utilisation très controversée des tests de signication ou d'hypothèse, nous nous en tiendrons à la

présentation qui en a été faite par R.A. Fisher, en prenant soin de ne jamais conclure à l'acceptation

de H0 à partir de la p-value, et, à chaque fois que cela est possible, nous compléterons le calcul de

la p-value par le calcul de l'estimation ponctuelle et par intervalle de l'eet étudié (ex. diérence

entre deux moyennes ou deux fréquences).

4 Comparaison de fréquences et de distributions d'une va-

riable qualitative, ou méthodes permettant de corréler deux

variables qualitatives

4.1 Objectifs pédagogiques

A l'issue de l'étude de ce chapitre et de la réalisation du deuxième TD de S3, vous devriez :

 A partir de la description de séries d'observations et de leur processus d'acquisition, savoir dire si

les séries sont indépendantes ou dépendantes (c'est-à-dire appariées dans le cas de deux séries).

 Savoir repérer dans quels cas on doit utiliser un test du χ2 d'ajustement, un test du χ2 d'indépen-

dance, un test de Mc Nemar, et un test de Cochran-Mantel-Haenszel.

 Savoir vérier les conditions d'utilisation de ces tests et en interpréter les résultats.

 Savoir réaliser à la main les tests du χ2 (ajustement et indépendance) et le test de McNemar.

4.2 Les tests du χ2

4.2.1 Le test du χ2 d'ajustement

Prenons l'exemple d'un échantillon aléatoire de 15 étudiants vétérinaires sur lequel on compte 4 garçons

et 11 lles. Peut-on dire à partir de cet échantilllon qu'il y a plus de lles que de garçons dans la population

des étudiants vétérinaires ? Autrement dit peut-on rejeter l'hypothèse selon laquelle la proportion de lles

est égale à 50% ?

Pour répondre à cette question nous pouvons utiliser la variable de décision présentée précédemment

au chapitre 3.4.1 ou la statistique du χ2 en réalisant la procédure suivante :

47
Procédure de réalisation d'un test du χ2 d'ajustement

1. Calcul des eectifs théoriques sous H0 :  diérence nulle c'est-à-dire πf illes = 0.5
 Eectifs observés notés Oi : lles 11, garçons 4

 Eectifs théoriques (attendus sous H0 ) notés Ci : lles 7.5, garçons 7.5

2. Calcul de la variable de décision suivante de comparaison des Oi et des Ci :

2 Pk (Oi −Ci )2 Pk Oi2

χ = i=1 Ci =( i=1 Ci ) −N
avec

 k le nombre de classes de la variable qualitative (ici 2, lles et garçons),

 N le nombre total d'observations (ici 15).

Dans notre exemple la valeur observée est χ2obs = 3.267.

3. Calcul de la valeur de p

Si les conditions d'utilisation du test du χ2 d'ajustement sont respectées, c'est-à-dire si tous

les Ci sont supérieurs à 5 (c'est le cas ici), on peut considérer que la variable de décision suit

à peu près la loi du χ2 de degré de liberté k−1 (cf. Table 6 et Figure 34).

Au vu de la loi du χ2 à un degré de liberté et de la valeur observée χ2obs = 3.267 (Figure 35 et

Table 6), la p-value est supérieure à 5% (entre 5% et 10%) et on ne peut donc pas conclure

à une proportion plus importante de lles à partir de ce seul échantillon.

0.5

ddl = 1
ddl = 2
ddl = 4
0.4

ddl = 6
0.3
f

0.2
0.1
0.0

0 2 4 6 8

χ2

Figure 34  Représentation de la loi du χ2 pour quelques degrés liberté

48
 alpha 0.1000 0.0500 0.0100 0.0010 0.0001

1 2.706 3.841 6.635 10.828 15.137

2 4.605 5.991 9.210 13.816 18.421

3 6.251 7.815 11.345 16.266 21.108

4 7.779 9.488 13.277 18.467 23.513

5 9.236 11.070 15.086 20.515 25.745

6 10.645 12.592 16.812 22.458 27.856

7 12.017 14.067 18.475 24.322 29.878

8 13.362 15.507 20.090 26.124 31.828

9 14.684 16.919 21.666 27.877 33.720

10 15.987 18.307 23.209 29.588 35.564

11 17.275 19.675 24.725 31.264 37.367

12 18.549 21.026 26.217 32.909 39.134

13 19.812 22.362 27.688 34.528 40.871

14 21.064 23.685 29.141 36.123 42.579

15 22.307 24.996 30.578 37.697 44.263

16 23.542 26.296 32.000 39.252 45.925

17 24.769 27.587 33.409 40.790 47.566

18 25.989 28.869 34.805 42.312 49.189

19 27.204 30.144 36.191 43.820 50.795

20 28.412 31.410 37.566 45.315 52.386

21 29.615 32.671 38.932 46.797 53.962

22 30.813 33.924 40.289 48.268 55.525

23 32.007 35.172 41.638 49.728 57.075

24 33.196 36.415 42.980 51.179 58.613

25 34.382 37.652 44.314 52.620 60.140

26 35.563 38.885 45.642 54.052 61.657

27 36.741 40.113 46.963 55.476 63.164

28 37.916 41.337 48.278 56.892 64.662

29 39.087 42.557 49.588 58.301 66.152

30 40.256 43.773 50.892 59.703 67.633

Table 6  Quantiles à 1 − α de la loi du χ2 pour quelques valeurs de α et des degrés de liberté croissant
de 1 à 30.

49
 1.2
1.0
χ2obs
0.8
0.6
f

0.4 α = 5% correspond à χ2 = 3.84 (cf. table 6)

0.2
0.0

0 2 4 6 8 10

χ2

Figure 35  Illustration de l'estimation de la p-value pour un test du χ2 d'ajustement utilisé dans

l'exemple pour la comparaison d'une fréquence observée à une fréquence théorique (à partir de la loi du

χ2 à un degré de liberté).

Ce même test du χ2 d'ajustement peut être utilisé non seulement pour comparer une fréquence

observée à une fréquence théorique (dans ce cas il est équivalent au test utilisant la loi normale présentée

au chapitre 3.4.1) mais aussi la distribution observée d'une variable qualitative à k classes (quel que soit

la valeur de k ), à une distribution théorique.

? ? ? Pour voir si vous avez bien compris le principe du test du χ2 d'ajustement, essayez de l'appliquer
à l'exemple suivant :

On cherche à savoir si une maladie donnée est liée au groupe sanguin, autrement dit si certains

groupes sanguins sont plus touchés que d'autres. Sur 200 malades observés, on a dénombré 104

sujets du groupe O, 76 du groupe A, 18 du groupe B et 2 du groupe AB. On admettra que dans la

population générale la répartition entre les groupes est : 47% de O, 43% de A, 7% de B et 3% de

AB. Peut-on dire à partir de cette observation que la répartition des groupes sanguins est diérente

chez les sujets malades et chez les sujets sains. Il s'agit bien de comparer une distribution observée

sur un échantillon, ici la distribution des groupes sanguins chez les malades, à une distribution de

référence, ici la distribution des groupes sanguins dans la population générale.

Vériez la cohérence des résultats que vous obtenez avec les sorties que vous donnerait le logiciel R

à l'issue de ce test (cf. ci-dessous), soit dans l'ordre :

 la valeur du χ2 observé,

 la valeur du degré de liberté (df pour "degree of freedom") de la loi du χ2 à utiliser et

 la p-value associée.

##
## Chi-squared test for given probabilities
##
## data: [Link]
## X-squared = 6.036, df = 3, p-value = 0.11

50
4.2.2 Le test du χ2 d'indépendance

Prenons un exemple de comparaison de plusieurs fréquences observées sur des échantillons indépen-

dants à partir de données tirées de la thèse d'exercice vétérinaire de Mathilde Poinssot (Maisons Alfort,

2011).

A partir d'un échantillon de 999 chiennes d'élevage on voudrait savoir si la fréquence d'intervention

de l'éleveur ou du vétérinaire pendant leur mise-bas dépend de la taille des races (variable qualitative à

4 classes qu'on notera ainsi : races géantes (XL), randes races (L), races moyennes (M) et petites races

(S)). Autrement dit, on se demande si les fréquences d'intervention sont diérentes entre les 4 groupes

de taille de race, ou encore si la variable "intervention" est corrélée à la variable "taille de race".

Dans un exemple de ce type les données observées sont présentées sous la forme d'une table de

contingence (cf. Table 7), et on calcule généralement les fréquences associées (ici fréquences d'intervention

associées à chacun des 4 groupes : 0.681 0.423 0.423 0.497 resp. pour les groupes ou séries XL, L, M,et S).

On peut y associer une représentation graphique sous forme de diagramme en barres comme en Figure 36.

Taille de race XL L M S Total

Intervention

NON 29 183 146 170 528

OUI 62 134 107 168 471

Total 91 317 253 338 999

Table 7  Table de contingence décrivant la distribution jointe observée des variables "intervention" et

"taille des races" sur les 999 chiennes.

XL L M S
sans intervention
avec intervention

Figure 36  Représentation en barres de la distribution jointe observée des variables "intervention" et

"taille des races" sur les 999 chiennes.

51
 Pour comparer globalement les quatre fréquences, autrement dit savoir si l'on peut conclure

à une corrélation entre les variables "intervention" et "taille des races", on va utiliser le test

du χ2 d'indépendance en suivant la procédure suivante :

Procédure de réalisation d'un test du χ2 d'indépendance

1. Calcul des eectifs théoriques sous H0 :  indépendance entre les deux variables (inter-

vention et taille de races) ce qui équivaut à diérence nulle entre les fréquences.

On calcule les eectifs théoriques Cij à partir des totaux Ci. et C.j
Cij C.j
Sous H0 , les probabilités marginales et conditionnelles sont les mêmes, c'est-à-dire Ci.
= N
C.j
donc Cij = Ci. × N
Dans l'exemple de calcul de l'eectif théorique pour la cellule OUI et L, on utilise le fait que

sous H0 la fréquence d'intervention attendue pour la taille de classe L est la même que celle

attendue pour toutes les autres tailles et est donc aussi la fréquence marginale, i.e. toutes
471
tailles confondues, égale à :
999
Taille de race XL L M S Total

Intervention

NON 528
471
OUI 999
× 317 471

Total 91 317 253 338 999

Eectifs théoriques obtenus sur toutes les cellules de la table de contingence :

Taille de race XL L M S Total

Intervention

NON 48.1 167.5 133.7 178.6 528

OUI 42.9 149.4 119.3 159.4 471

Total 91 317 253 338 999

2. Calcul de la variable de décision suivante :

2
2 Pk Pl (Oij −Cij )2 Pk Pl Oij
χ = i=1 j=1 Cij =( i=1 j=1 Cij ) −N
avec

 k le nombre de lignes de la table de contingence (nombre de classes de la variable en

ligne),

 l le nombre de colonnes de la table de contingence (nombre de classes de la variable en

colonne),

 et N le nombre total d'observations.

Dans notre exemple la valeur observée est χ2obs = 22.38 (dans le calcul il convient de garder

au moins une décimale sur les eectifs théoriques).

3. Calcul de la valeur de p

Si les conditions d'utilisation du test du χ2 d'indépendance sont respectées, c'est-à-dire si

tous les Cij sont supérieurs à 5 (c'est le cas ici), on peut considérer que la variable de décision

suit à peu près la loi du χ2 de degré de liberté (k − 1) × (l − 1) ce qui nous permet

comme précédemment d'encadrer la p-value à partir des valeurs données dans la table 6.

52
 Dans notre exemple, au vu de la loi du χ2 de degré de liberté 3 (Table 6) et de la valeur observée

χ2obs = 22.38, la p-value est inférieure à 0.0001, et l'on peut donc conclure à une diérence globale entre

les quatre fréquences, c'est-à-dire à une corrélation entre la taille des races et l'intervention lors de la mise

bas. Même si le test ne nous donne qu'une réponse globale (diérence globale entre les 4 fréquences),

au vu de la gure 36, nous pouvons au moins en conclure que les chiennes de très grande taille ont plus

souvent besoin de l'intervention de l'éleveur ou du vétérinaire durant la mise bas que les chiennes de taille

inférieure.

Ce test du χ2 d'indépendance est utilisé pour corréler deux variables qualitatives observées sur les

individus d'un échantillon (exemple historique exposé par Karl Pearson : corrélation entre la couleur des

cheveux et la couleur des yeux) et pour comparer plusieurs fréquences observées sur des échantillons

indépendants. Dans le cas de la comparaison de deux fréquences sur deux échantillons indépendants, il

est équivalent au test utilisant la loi normale pour le calcul de la p-value, mais la statistique de la loi

normale permet en plus de donner un intervalle de conance sur la diérence entre les deux fréquences

(nous verrons des exemples en travaux dirigés).

? ? ? : Pour vous assurer que vous avez bien compris le principe du test du χ2 d'indépendance,

essayez de l'utiliser pour comparer les fréquences d'étudiants vétérinaires vivant avec un animal de

compagnie parmi les lles et parmi les garçons, à partir des données obtenues via une enquête réalisée

début 2017 auprès d'étudiants ayant intégré le cursus vétérinaire en automne 2016 : 8 étudiants sur

19 (soit 40.5%) vivaient avec un animal de compagnie contre 44 sur 74 chez les étudiantes (soit

57.9%). La diérence entre ces deux fréquences observées est-elle signicative ?

Vériez la cohérence des résultats que vous obtenez avec les sorties que vous donnerait le logiciel R

à l'issue de ce test (cf. ci-dessous), soit dans l'ordre :

 la valeur du χ2 observé,

 la valeur du degré de liberté (df pour "degree of freedom") de la loi du χ2 à utiliser et

 la p-value associée.

Si vous vous souvenez bien du chapitre précédent, peut-on conclure à partir de cette p-value qu'il

n'y a pas de corrélation entre le genre des étudiants vétérinaires et le fait qu'ils vivent ou non avec

un animal de compagnie ? Justiez votre réponse.

##
## Pearson's Chi-squared test
##
## data: [Link]
## X-squared = 1.85, df = 1, p-value = 0.17

4.2.3 Quand les conditions d'utilisation des tests du χ2 ne sont pas respectées

Les tests du d'ajustement et d'indépendance ne peuvent être utilisés que si tous les eectifs calculés

sont supérieurs à 5. Que peut-on faire lorsque ce n'est pas le cas ? Considérons tout d'abord les cas de

comparaison de deux fréquences. Pour un test d'ajustement (comparaison d'une fréquence observée

53
à une fréquence théorique), on peut faire un calcul exact de la p-value à partir de la loi binomiale

et pour un test d'indépendance de comparaison de deux fréquences observées, on peut aussi faire

un calcul exact de la p-value à partir du test de Fisher. La plupart des logiciels statistiques permettent

ces calculs (on les utilisera lors des travaux dirigés sur ordinateur). Une alternative facile à utiliser même

sans logiciel statistique est de calculer le critère du χ2 avec une correction de continuité dite correction
Pk Pl |−0.5)2
(|Oij −Cij Pk (|Oi −Ci |−0.5)2
de Yates (χ2cor = i=1 j=1 Cij
pour un test d'indépendance ou χ2cor = i=1 Ci
pour un test d'ajustement) puis de réaliser le test habituel à partir de cette valeur corrigée (alternative

valable si tous les eectifs théoriques restent supérieurs à 2).

En ce qui concerne la comparaison de distributions dénies sur plus de deux classes ou de plus de deux

fréquences (tables de contingence de dimensions supérieure à 2×2), la solution la plus raisonnable,

lorsqu'elle a un sens, est de regrouper des classes entre elles an d'augmenter les eectifs des classes les

moins représentées. Mais la meilleure solution est encore de penser à ce problème potentiel en amont et

de ne pas travailler avec des classes qui risquent d'être peu représentées. Il existe d'autres alternatives qui

font appel aux techniques de tests par permutation qui sont un peu plus délicates à utiliser et que nous

ne décrirons pas dans ce cours.

4.3 Comparaison de fréquences sur séries dépendantes

4.3.1 Séries indépendantes ou dépendantes ?

Lorsque l'on compare des moyennes ou fréquences estimées sur plusieurs séries d'observations (issues

de plusieurs échantillons / groupes), pour choisir le bon test il est important de savoir si les séries sont

indépendantes ou dépendantes. Pour bien comprendre ce point plaçons-nous dans le cas simple de deux

séries. Dire que deux séries sont dépendantes est la même chose que dire qu'elles sont

appariées, i.e. qu'on a des paires d'observations. Pour savoir si deux séries sont appariées, imaginez-vous

les deux séries d'observations (pour chacun des deux groupes) et demandez-vous si les deux séries les

observations sont reliées par paires.

 Dans un exemple de comparaison de deux fréquences, imaginons deux tests diagnostiques utilisés

en parallèle sur les mêmes souris. Si on regarde les deux séries d'observations (résultat du test 1 et

résultat du test 2 sur chaque souris), les observations y sont reliées par paires, qui correspondent

aux réponses obtenues sur un même animal.

 Imaginons un exemple de comparaison de moyennes, où l'on comparerait deux aliments diérents

sur la prise de poids de jeunes animaux. Imaginons que l'expérimentation consiste à prendre systé-

matiquement deux animaux par portée, sur diverses portées échantillonnées, et à donner à l'un des

deux animaux l'aliment A, et à l'autre l'aliment B. Là encore on aurait deux séries d'observations

appariées, les paires étant constituées les prises de poids des deux animaux d'une même portée

(plus susceptibles de se ressembler que des animaux de portées diérentes).

4.3.2 Test de Mc Nemar et test de Cochran pour comparer respectivement deux ou plu-

sieurs fréquences sur des séries dépendantes

Examinons un cas de la comparaison de 2 fréquences observées sur 2 échantillons appariés.

54
 On dispose de 2 tests A et B pour détecter la présence d'une maladie donnée chez des souris. Les 2

tests sont utilisés en parallèle sur 100 souris que l'on sait malades de façon certaine. On souhaite comparer

les sensibilités (probabilité de réponse positive chez un malade) des 2 tests.

Il s'agit bien de comparer deux fréquences (les sensibilités) sur 2 séries appariées. Dans un exemple de

ce type, on présentera les données sous la forme d'une table de concordance (cf. Table 8), à ne pas

confondre avec une table de contingence : la table de concordance croise ici "test A (+ ou -)" avec "test

B (+ ou -)", alors qu'une table de contingence sur les mêmes données croiserait "Test (A ou B)" avec

"résultat du test (+ ou -)".

Résultat du test B positif négatif

Résultat du test A

positif 70 6

négatif 18 6

Table 8  Table de concordance décrivant les résultats des deux tests sur les souris testées.

70+6
A partir de cette table de concordance on peut calculer les deux sensibilités observées (SeA = =
100
70+18
0.76 et SeB = 100
= 0.88).
Pour comparer ces deux fréquences, le test de Mc Nemar se base uniquement sur les nombres

de résultats discordants, et utilise une variable de décision qui compare les eectifs des deux types

de discordances, c'est-à-dire les nombres de résultats A+B- (ici 6) et A-B+ (ici 18). On comprend bien

que les deux fréquences dièrent si et seulement si ces deux nombres dièrent.

Principe du test de Mc Nemar

Le test de Mc Nemar est basé sur la comparaison de la proportion de discordances d'un des deux

types (indiéremment A+B- ou A-B+ dans cet exemple) à la fréquence théorique de 50% attendue
sous l'hypothèse nulle d'égalité des fréquences. En pratique on note f et g les deux nombres de

discordances obtenus dans la table de concordance, et on utilise comme variable de décision

(|f −g|−1)2
z= f +g
qui suit une loi du χ2 de degré de liberté 1 lorsque f +g le nombre total de discordances
est supérieur à 10.

? ? ? : Essayez de faire le test de Mc Nemar sur l'exemple précédent, donc avec f =6 et g = 18 et

vériez la cohérence de ce que vous obtenez avec les sorties que vous donnerait R pour ce test (cf.

ci-dessous).

##
## McNemar's Chi-squared test with continuity correction
##
## data: [Link]
## McNemar's chi-squared = 5.04, df = 1, p-value = 0.025

55
 ? ? ? pour les plus matheux d'entre vous (en option) : On peut assez facilement montrer

que réaliser le test de Mc Nemar revient en fait à réaliser un test du χ2 d'ajustement pour comparer

à la fréquence théorique de 50% l'une des proportions de discordances (n'importe laquelle des deux
f g
f +g
ou
f +g
), en faisant la correction de continuité de Yates dans la formule du χ2 .
Vous pouvez essayer de le démontrer si le formalisme mathématique ne vous fait pas peur.

Le test de Mc Nemar permet uniquement de comparer 2 fréquences et en aucun cas de juger de

la concordance entre les tests. Pour caractériser la concordance entre deux tests, la statistique du

Kappa de Cohen serait utilisable, mais nous ne la verrons pas dans le cadre de ce cours.

? ? ? : Avez-vous bien compris le paragraphe précédent et en êtes-vous convaincu ? Pour vous en

convaincre, imaginez un exemple de table de concordance correspondant à un cas où les deux tests

seraient très discordants mais caractérisés par deux sensibilités identiques.

Repartons de l'exemple que nous venons de traiter, et supposons que nous n'avons pas seulement

deux tests diagnostiques à comparer mais trois. Il s'agit donc de comparer plusieurs fréquences sur des

séries dépendantes. Le test de Cochran-Mantel-Haenszel permet le calcul de la p-value dans ce cadre.

Nous ne décrirons pas la variable de décision utilisée par ce test, ni dans le cours ni en travaux dirigés

du premier semestre, mais nous serons amenés à l'utiliser lors de nos travaux dirigés sur ordinateurs au

second semestre. L'essentiel pour vous à ce stade est de savoir dans quel cadre il convient de l'utiliser.

Voici un petit récapitulatif qui pourra vous aider pour le choix du bon test lors de la comparaison de

fréquences, auquel j'ai ajouté, pour vous aider lors des travaux dirigés du second semestre, le nom

des fonctions du langage R que nous utiliserons.

 Un seul échantillon

test du χ2 d'ajustement de comparaison d'une fréquence observée à une fréquence théorique

ou d'une distribution observée à une distribution théorique ([Link]()) ou test exact

utilisant la loi binomiale ([Link]())

 Deux ou plusieurs échantillons indépendants

test du χ2 d'indépendance de comparaison de plusieurs fréquences observées ou plusieurs

distributions observées ([Link]() et dans le cas de deux fréquences [Link]() pour

obtenir l'intervalle de conance sur la diérence entre les 2 fréquences et [Link]()
pour le test exact)

 Deux échantillons dépendants (appariés)

test de Mc Nemar de comparaison de deux fréquences observées ([Link]())

 Plusieurs échantillons dépendants

test de Cochran-Mantel-Haenszel de comparaison de plusieurs fréquences observées

([Link]())

56
5 Comparaison de moyennes ou méthodes permettant de

corréler une variable quantitative à une variable qualita-

tive

5.1 Objectifs pédagogiques

A l'issue de l'étude de ce chapitre et de la réalisation du deuxième TD de S3, vous devriez :

 Avoir compris les diérences entre un test paramétrique et un test non paramétrique

 Savoir réaliser à la main les deux tests de Student (séries indépendantes ou appariées) et avoir bien

compris l principe des tests non paramétriques associés (somme des rangs et rangs signés).

 Connaître le principe de l'analyse de variance

 Connaître le principe des méthodes de comparaisons multiples et leurs limites

 Savoir interpréter les résultats d'un test de normalité et d'un test de comparaison de variances et

en connaître les limites.

 Savoir choisir le test adapté pour comparer deux ou plusieurs séries d'une variable quantitative en

fonction de la question posée, du plan d'expérience et des données, et en interpréter les résultats.

5.2 Diérence entre les deux approches, paramétrique et non paramé-

trique
Partons d'un exemple.

Un essai randomisé a été réalisé sur 18 chiens, an d'évaluer l'ecacité d'un supplément alimentaire

contre la formation de tartre sur les dents de l'animal. Neuf chiens reçoivent une alimentation supplémentée

(groupe supplément) et neuf chiens ne reçoivent aucune supplémentation (groupe témoin). La formation

de tartre est quantiée par un index combinant la proportion de dents atteintes et l'épaisseur de la couche

de tartre formée. On se demande si le supplément alimentaire diminue globalement l'index de tartre (ce

qui est attendu/souhaité).

Il s'agit d'un exemple de comparaison de deux moyennes (ou plus généralement deux tendances cen-

trales) sur deux séries indépendantes (on n'a pas de paires d'observations). Les données vous ont été

représentées sous deux formes en Figure 37.

5.2.1 Approche paramétrique

Une approche paramétrique classique sur ce type d'exemple va supposer que le théorème de l'ap-

proximation normale s'applique et que les variances sont égales (même dispersion dans les deux

groupes). Elle visera à comparer les deux moyennes observées qui sont ici respectivement de 0.747 pour

le groupe supplément et de 1.089 pour le groupe témoin.

57
 1.6

1.6
1.4

1.4
1.2

1.2
index de tartre

index de tartre
1.0

1.0
0.8

0.8
0.6

0.6
0.4

0.4
0.2

0.2
supplément témoin supplément témoin

Figure 37  Deux représentations des distributions observées de l'index de tartre sur les deux séries.

Principe du test de Student de comparaison de deux moyennes sur séries indépendantes

Voici la variable de décision utilisée pour réaliser le test de Student de comparaison des deux

moyennes et la loi approchée sous H0 si l'on peut supposer le théorème de l'approximation normale

applicable chacun des deux groupes et qu'il est raisonnable de supposer les écarts types égaux dans

les deux groupes :

t = qx1 −x
1
2
1
∼ T (n1 + n2 − 2)
σ̂ n1
+n
2

r
(n1 −1)σˆ1 2 +(n2 −1)σˆ2 2
avec σ̂ = n1 +n2 −2
2 2
où σˆ1 et σˆ2 représentent les écarts types estimés sur chacun des deux groupes,

et T (n1 + n2 − 2) représente la loi de Student de degré de liberté n1 + n2 − 2 (cf. Table 5 et

Figure 29).

A partir de cette variable de décision que l'on peut calculer sur les données (dans notre exemple

tobs = −1.84), on peut calculer la valeur de la p-value comme une aire sous la courbe, comme nous

l'avons vu précédemment dans le chapitre 3.4.1 et comme illustré Figure 38 (ici 0.1 > p > 0.05 ).

Intervalle de conance associé au test de Student de comparaison de deux moyennes

sur séries indépendantes

La statistique de Student utilisée pour calculer la p-value peut aussi être utilisée pour calculer un

intervalle de conance autour de la diérence entre les deux moyennes :

q
1 1
µ1 − µ2 = x1 − x2 ± tn1 +n2 −2;1− α2 × σ̂ × n1
+ n2

avec tn1 +n2 −2;1− α le quantile à

2
1− α2 de la loi de Student de degré de liberté n1 +n2 −2 ([Link] 5).

Lors du premier TD, nous montrerons comment obtenir cet intervalle de conance à partir du résultat

précédent, et nous montrerons que dire que la p-value est inférieure à 5% (donc qu'on conclut

58
 0.4
zone de zone de
0.3 rejet de H0 tobs − tobs rejet de H0
pour α = 5% pour α = 5%
0.2
f

0.1

0.0

−3 −2 −1 0 1 2 3

Figure 38  Illustration du calcul de la p-value (aire sous la courbe de densité de probabilité de la loi

coloriée en violet) dans le test de Student de comparaison des distributions observées de l'index de tartre

sur les deux séries.

à une diérence signicative entre les deux moyennes) est équivalent à dire que l'intervalle

de conance à 95% sur la diérence entre les 2 moyennes ne contient pas la valeur 0. Mais

cet intervalle de conance est plus informatif que la p-value et il est donc important de le donner.

Dans cet exemple la diérence est estimée à -0.34 avec son intervalle de conance à 95% de [−0.74; 0.05].
Ce résultat ne permet donc pas de mettre en évidence une diérence, et il est alors courant dans ce cas

de dire que la diérence est non signicative, mais on gardera en tête qu'il convient de se méer de cette

terminologie (cf. Wasserstein et al. (2019)) et que cela ne permet en aucun cas de conclure qu'il n'y

a pas de diérence. On n'aurait d'ailleurs pas envie de le faire en regardant ce que nous dit l'intervalle

de conance (cf. Figure 39) qui n'est pas en faveur d'une diérence nulle, à moins que l'on considère

comme négligeable une diérence de -0.74 (peu probable pour un index qui est d'environ 1 dans le groupe

témoin).
2.0
−1:1

1.0
0.0

−1.0 −0.5 0.0 0.5 1.0

Différence entre les deux moyennes d'index de tartre (supplément − témoin)

Figure 39  Visualisation de l'estimation de la diérence entre les deux moyennes d'index de tartre dans
notre exemple

? ? ? Vous trouvez ci-dessous la sortie de R pour ce test. Observez-la bien pour y repérer tous les

résultats calculés que l'on a calculé sur cet exemple (valeur observée de la variable de décision, degré

de liberté de la loi suivie par cette variable sous H0 , p-value associée, moyennes observées, intervalle
de conance sur la diérence entre les deux moyennes).

59
##
## Two Sample t-test
##
## data: d$index by d$traitement
## t = -1.84, df = 16, p-value = 0.085
## alternative hypothesis: true difference in means between group supplement and group tem
## 95 percent confidence interval:
## -0.741977 0.053088
## sample estimates:
## mean in group supplement mean in group temoin
## 0.74667 1.09111

5.2.2 Approche non paramétrique

Dans une aproche paramétrique, la variable de décision du test est calculée à partir d'un paramètre

statistique caractérisant chaque loi observée (ici la moyenne) et cette variable de décision n'est de

loi connue (ici la loi de Student) que si certaines hypothèses fortes peuvent être faites sur les lois observées.

Dans une approche non paramétrique, on n'utilise plus directement de paramètre caractérisant chaque

loi observée (ici on n'utilise plus la moyenne) et on ne fait plus d'hypothèse forte quant à la forme des lois

observées. Les approches non paramétriques les plus courantes sont basées sur des statistiques de rang,

qui n'utilisent comme information que l'ordonnancement des observations entre elles. Ces statistiques sont

dites plus robustes, au sens moins sensibles aux valeurs extrêmes.

Principe du test de la somme des rangs de Mann-Whitney-Wilcoxon

Sur l'exemple précédent, voici le principe du test de Mann-Whitney-Wilcoxon de la somme

des rangs, qui est aussi illustré en Figure 40.

1. On classe globalement les observations

et on aecte son rang à chaque observation

en moyennant les rangs des ex aequos

(dans l'exemple on en a deux à la 15ème position, on leur aecte le rang 15.5 et on continue

ensuite au rang 17),

2. on calcule la somme des rangs de chacun des groupes

(dans l'exemple Tsupplement = 66.5 et Ttemoin = 104.5)

3. on compare les 2 sommes des rangs

à l'aide d'une variable de décision adaptée qui n'est pas incluse dans ce polycopié

(seul le principe du test est à connaître).

Dans l'exemple on obtient une valeur de p > 0.10 ce qui ne nous permet pas de conclure à une

diérence. On utilisera R au second semestre pour réaliser ce test, et il vous sut à ce stade d'avoir

bien compris le principe du test, et de savoir retrouver et interpréter sa p-value dans la sortie de R (cf.

ci-dessous pour notre exemple) .

60
 18

1.6
17

1.4
15.5 15.5
14
1.2

Ttémoin = 104.5
index de tartre

13 12
1.0

11
10
9
0.8

Tsupplément = 66.5 8
7
6
0.6

5
4
3
0.4

1
0.2

supplément témoin

Figure 40  Calcul des rangs des observations et de la somme des rangs dans notre exemple

##
## Wilcoxon rank sum test with continuity correction
##
## data: d$index by d$traitement
## W = 21.5, p-value = 0.1
## alternative hypothesis: true location shift is not equal to 0

Nous obtenons, dans ce cas (ce n'est pas systématique bien sûr), la même conclusion qu'avec l'ap-

proche paramétrique, mais nous ne pouvons pas donner plus d'information qui pourrait nous aider dans

l'interprétation du résultat. Eectivement, comme cette approche ne se base pas sur l'estimation d'un

paramètre (pas d'estimation des moyennes ni de leur diérence), elle ne peut fournir d'indication sur

l'estimation (intervalle de conance).

61
 ? ? ? Pour vous assurer que vous avez bien compris le principe du test de la somme des rangs,

calculez les sommes des rangs de chacun des deux groupes pour l'exemple suivant. Dans le cadre

d'un essai randomisé on évalue l'eet de deux traitements sur la charge parasitaire (mesurée en

nombre d'oeufs par gramme de fèces après 10 jours de traitement).

Les résultats obtenus sur 13 animaux sont répertoriés dans le tableau suivant :

traitement A A A A A A B B B B B B B

[Link] 22 38 42 190 1200 3000 0 0 0 2 15 32 48

Dans un deuxième temps interprétez la sortie de R associé à ce test sur cet exemple (cf. ci-dessous).

Notez que le message d'alerte ne nous empêche pas d'interpréter la p-value. Il indique juste qu'en

présence d'ex aequos dans les données (ce qui est le cas ici) le calcul de la p-value n'est pas exact

mais approché.

A votre avis pourquoi a-t-on choisi une approche paramétrique dans un tel cas ?

## Warning in [Link](x = DATA[[1L]], y = DATA[[2L]], ...): impossible de

calculer la p-value exacte avec des ex-aequos

##
## Wilcoxon rank sum test with continuity correction
##
## data: dantipara$charge by dantipara$traitement
## W = 38, p-value = 0.02
## alternative hypothesis: true location shift is not equal to 0

? ? ? La terminologie "test non paramétrique de comparaison de deux moyennes" pour désigner le

test de la somme des rangs que l'on vient de présenter est assez courante et nous l'utiliserons parfois

même si elle est impropre. En quoi est-elle impropre ?

5.2.3 Choix entre les deux approches

Pour vous aider à choisir entre les deux approches, sur chaque cas pratique, résumons les avantages

et inconvénients de chacune.

 Approche paramétrique

Hypothèse forte sur la forme des distributions.

Conditions d'utilisation assez restrictives.

Intervalle de conance associé pouvant s'avérer très informatif surtout en cas de non rejet de H0 .
 Approche non paramétrique

Pas d'hypothèse forte quant à la forme des distributions,

Dégradation de l'information initiale qui peut induire à une perte de puissance.

Pas d'intervalle de conance associé.

62
 Vous comprendrez bien à partir de ce bilan que l'approche paramétrique à privilégier, si possible, c'est-

à-dire si ses conditions d'utilisation sont vériées, éventuellement après transformation de la variable pour

que ses conditions soient respectées (on verra notamment des exemples de tranformation logarithmique

en travaux dirigés).

Revenons à l'exemple. Peut-on utiliser une approche paramétrique sur cet exemple ? Peut-on appliquer

le théorème de l'approximation normale ? La variable est un index combinant diverses informations (variable

de type score). Rien ne garantit donc à l'avance la normalité de sa distribution. Les eectifs ne sont pas

très grands (deux groupes de 9). L'observation des données ne conduit pas à remettre en cause l'hypothèse

de normalité des distributions (en plus des diagrammes en boîte de la Figure 37 où l'on voit que les boîtes

sont à peu près symétriques, sans valeurs extrêmes, on peut voir sur les diagrammes Quantile-Quantile

de la Figure 41 que les points sont à peu près alignés), néanmoins les eectifs ne sont vraiment pas très

grands. On est ici dans un cas un peu limite ou certains choisiraient une démarche paramétrique et

d'autres une démarche non paramétrique. Dans le cas du choix d'une démarche paramétrique, il serait

raisonnable de supposer les variances égales (écarts types du même ordre de grandeur, 0.37 pour

le groupe supplément et 0.42 pour le groupe témoin et dispersions comparables d'après les diagrammes

en boîte).
1.4

groupe supplément groupe témoin

1.6
1.2

1.4
quantiles observés

quantiles observés
1.0

1.2
0.8

1.0
0.6

0.8
0.4

0.6
0.2

−1.5 −0.5 0.0 0.5 1.0 1.5 −1.5 −0.5 0.0 0.5 1.0 1.5

quantiles de la loi normale quantiles de la loi normale

Figure 41  Diagrammes Quantile-Quantile de l'index de tartre sur chacune des deux séries.

Le choix entre approche paramétrique et non paramétrique se fera essentiellement à partir

de l'examen visuel des distributions, visant à évaluer si le théorème de l'approximation normale est

applicable. Vous verrez en travaux dirigés que bien souvent le choix s'impose de lui-même. Mais il est

pour certains frustrants de ne pas disposer d'une méthode plus "objective" pour choisir entre les deux

approches, et il n'est pas rare de voir, dans des articles, l'utilisation de tests de normalité et d'égalité des

variances pour vérier les conditions d'utilisation du test de Student montré précédemment.

 Les tests de normalité, dont le test de Shapiro Wilk que nous pourrons être amenés à utiliser

au second semestre à l'aide du langage R, ont comme hypothèse nulle H0 : "la distribution est

normale".

 Le test de Fisher de comparaison de variances, que nous utiliserons au second semestre,

a comme hypothèse nulle H0 : "les variances sont égales". Nous l'utiliserons lorsque notre

63
 objectif sera de mettre en évidence une diérence entre deux séries d'observations en terme de

dispersion.

Mais l'utilisation de ces deux tests (test de normalité et test d'égalité des variances) ne permet pas

à eux seuls de vérier ni la normalité ni l'égalité des variances, et l'examen visuel des distributions

est indispensable pour vérier les conditions d'utilisation d'une approche paramétrique de type test

de Student.

? ? ? Si vous avez bien compris le principe des tests, vous devez être capable de justier ce que nous

venons d'énoncer. Prenez le temps d'y rééchir et de trouver les bons arguments pour le justier.

5.3 Méthodes de comparaison de deux moyennes

Dans ce chapitre sont présentées les méthodes de comparaison de deux moyennes. Avant d'analyser

ce type de données, il est important de bien caractériser le cas étudié. S'agit-il de comparer une moyenne

observée sur un échantillon à une moyenne de référence (ou moyenne théorique), de comparer deux

moyennes observées sur deux échantillons et dans ce dernier cas, il conviendra de bien évaluer si les séries

sont indépendantes ou appariées (cf. chapitre 4.3.1 pour cette notion).

Dans ce chapitre nous ne détaillerons pas tous les aspects techniques de réalisation des tests (seuls

certains d'entre eux seront vus dans le détail dans les travaux dirigés de S3, et tous seront utilisés en

travaux dirigés sur ordinateurs en S4, mais le calcul sera alors du ressort du logiciel utilisé), mais nous

présenterons les éléments permettant de comprendre le principe de chacun des tests.

5.3.1 Comparaison d'une moyenne observée à une moyenne théorique

Prenons un exemple.

Un laboratoire d'analyse indique comme valeur moyenne de l'urée plasmatique chez les chats sains,

une valeur de 8.5 mmol/l. Suite à un remplacement de ses appareils de mesure, le laboratoire dose l'urée

sur un échantillon aléatoire de 140 chats en bonne santé. On obtient comme statistiques résumées : m =

9.7 mmol/l et SD = 2.6 mmol/l. Peut-on en conclure que la moyenne de l'urée plasmatique chez les chas

sains a bougé suite au remplacement des appareils ?

Il s'agit d'un problème de comparaison d'une moyenne (ou tendance centrale) observée sur un échan-

tillon à une moyenne théorique, ou de référence (non associée à un échantillon mais supposée connue).

Voici les approches paramétriques et non paramétriques utilisables sur un tel exemple :

 Approche paramétrique

test de conformité de Student si le théorème de l'approximation normale s'applique et/ou

calcul de l'intervalle de conance autour de la moyenne observée (à l'aide de la formule donnée au

chapitre 3.3.2). Si l'intervalle de conance à 95% sur la moyenne observée ne contient

pas la moyenne théorique, c'est que la p-value est inférieure à 5%.

 Approche non paramétrique

test de la médiane sinon

64
 Ce test revient à se poser la question : la valeur théorique est-elle au milieu des observations ?

Pour y répondre on compte les eectifs observés de part et d'autre de la valeur théorique, et on les

compare aux eectifs théoriques 50% - 50%, à l'aide d'un test du χ2 d'ajustement (cf. comparaison

d'une fréquence observée à une théorique au chapitre 4.2.1).

5.3.2 Comparaison de deux moyennes sur des séries indépendantes

Nous avons traité du cas de la comparaison de deux moyennes sur des séries indépendantes dans le

chapitre introductif 5.2. Voici en format condensé les approches possibles dans un tel cas :

 Approches paramétriques

si le théorème de l'approximation normale s'applique

 test de Student avec variances égales et intervalle de conance associé s'il est raison-

nable de supposer les écarts types égaux

 test de Welch appelé aussi test de Student avec variances inégales, et intervalle de conance

associé, si les écarts types semblent diérents et qu'il reste intéressant de comparer les moyennes

(nous verrons au second semestre comment le mettre en oeuvre avec R).

 Test non paramétrique

test de la somme des rangs de Mann-Whitney-Wilcoxon

5.3.3 Comparaison de deux moyennes sur des séries appariées

Pour aborder ce dernier cas nous allons prendre un nouvel exemple.

On souhaite comparer une nouvelle méthode de dosage de l'urée urinaire (méthode 2) à la méthode

de référence (méthode 1). Pour cela on a dosé l'urée par les 2 méthodes chez 12 animaux (cf. résultats

en g/24h dans le tableau ci-dessous).

meth1 20.4 25.4 25.6 25.6 26.6 28.6 28.7 29 29.8 30.5 30.9 31.1

meth2 21.7 26.3 26.8 28.1 26.2 27.3 29.5 32 30.9 32.3 32.3 31.7

Il s'agit bien de séries appariées, puisque sur chaque animal on dispose des résultats des deux méthodes

(paire d'observations). Visualisons les données brutes en matérialisant ces paires (cf. Figure 42).

Lorsque l'on a des séries appariées, on peut calculer une diérence par paire d'observations (cf. Figure 43

et tableau ci-dessous).

meth1 20.4 25.4 25.6 25.6 26.6 28.6 28.7 29 29.8 30.5 30.9 31.1

meth2 21.7 26.3 26.8 28.1 26.2 27.3 29.5 32 30.9 32.3 32.3 31.7

di_meth2_meth1 1.3 0.9 1.2 2.5 -0.4 -1.3 0.8 3 1.1 1.8 1.4 0.6

Dans le cadre d'une approche paramétrique, on souhaite comparer les moyennes des 2 groupes. Or

la diérence des moyennes est aussi la moyenne des diérences. Comparer les 2 moyennes (donc tester

l'égalité de leur diérence à 0) revient donc à comparer la moyenne des diérences à 0. Dans ce but

on peut donc utiliser un test de comparaison d'une moyenne observée sur un échantillon (moyenne des

diérences) à 0 ce qui nous ramène à une technique vue précédemment.

65
 32
30
urée en g / 24h

28
26
24
22
20

méthode1 méthode 2

Figure 42  Représentation des paires d'observation de l'urée avec les deux méthodes dans notre exemple,
avec les paires associées à une diérence méthode2 - méthode1 coloriées en rouge (entre cercles vides) et

les autres en bleu (entre cercles pleins).

3

3
différences meth2 − meth1

différences meth2 − meth1

2

2
1

1
0

0
−1

−1

Figure 43  Représentation de la distribution des diérences méthode2 - méthode1 en coloriées en rouge

si elles sont positives (cercles vides) et en bleu sinon (cercles pleins) (pour la gure de gauche).

Principe du test de Student de comparaison de séries appariées

Dans le cadre d'une approche paramétrique, il sura de calculer l'intervalle de conance sur

la moyenne des diérence

en se servant de la formule donnée au chapitre 3.3.2, et de regarder s'il contient ou non 0.

Les conditions d'utilisation sont que l'on puisse appliquer le théorème de l'approximation normale

sur la série des diérences par paire, (cf. Figure 43) et non sur chacune des deux séries.

66
 ? ? ? Pour vous assurer que vous avez bien compris le principe de ce test, reprenez les données

de l'exemple, calculez l'intervalle de conance sur la moyenne des diérences et interprétez-le, puis

retrouvez vos résultats dans les sorties de R ci-dessous correspondant à la mise en oeuvre de l'ap-

proche paramétrique sur notre exemple. Pour vous simplier les calculs on vous donne la moyenne

et l'écart type estimé de ces diérences (resp. 1.075 pour la moyenne et 1.151 pour l'écart type

estimé)

##
## Paired t-test
##
## data: meth2 and meth1
## t = 3.23, df = 11, p-value = 0.008
## alternative hypothesis: true mean difference is not equal to 0
## 95 percent confidence interval:
## 0.34345 1.80655
## sample estimates:
## mean difference
## 1.075

Dans le cadre d'une approche non paramétrique, basée sur les statistiques de rangs, nous utiliserons

le test des rangs signés de Wilcoxon dont voici le principe.

Principe du test des rangs signés de Wilcoxon

Le principe de ce test consiste à classer les diérences en valeur absolue

(toujours en associant un rang moyen en cas de diérences ex aequos)

puis à comparer la somme des rangs T+ des diérences positives

à la somme des rangs T- des diérences négatives

(comme illustré sur la Figure 44)

avec une variable de décision adaptée. Comme pour le test de la somme des rangs, nous ne vous

donneront pas la dénition de cette variable de décision, mais nous vous demandons uniquement de

connaître le principe de ce test.

67
 12

3
11

valeurs absolues des différences

T+ = 69.5

2
différences meth2 − meth1
10
7.5967.5
5 T− = 8.5
1

1
34
2
1
0

0
−1

−1
−2

−2
Figure 44  Illustration du principe du test des rangs signés de Wilcoxon.

? ? ? Pour vous assurer que vous avez bien compris le principe de ce test, tentez de recalculer à

partir des données les valeurs de T+ et T- qui vous sont reportées dans la gure 44.

Vous trouvez ci-dessous les sorties de R correspondant à la mise en oeuvre de l'approche non

paramétrique sur notre exemple. Interprétez l'information intéressante qui apparaît dans cette sortie.

##
## Wilcoxon signed rank test with continuity correction
##
## data: meth1 and meth2
## V = 8.5, p-value = 0.019
## alternative hypothesis: true location shift is not equal to 0

5.4 Comparaison de plusieurs moyennes sur des séries indépendantes

5.4.1 Analyse de variance à un facteur (ANOVA 1) et méthode non paramétrique associée

Dans le cadre de ce cours, nous n'aborderons le cas de la comparaison de plus de deux

moyennes uniquement sur des séries indépendantes. Le cas des séries dépendantes ne sera abordée

que dans l'enseigement personnalisé d'introduction à la modélisation, comme un cas particulier de la prise

en compte de facteurs aléatoires (chapitre modèle linéaire mixte).

Partons d'un exemple à partir de données tirées de la thèse d'exercice vétérinaire de Mathilde Poinssot

(Maisons Alfort, 2011). A partir d'un échantillon de 928 chiennes d'élevage, on voudrait savoir si la durée

de gestation (variable quantitative) dépend de la taille des races (variable qualitative à 4 modalités -

XL, L, M et S - que nous avons déjà manipulée). Il s'agit de corréler une variable quantitative à

une variable qualitative, ce qui revient à comparer les moyennes (ou plus généralement les

tendances centrales) obtenues pour les quatre groupes de taille de races. Les données observées

on été représentées sous forme de diagrammes en boîte sur la gure 45.

68
 70
durée de la gestation en jours

65
60
55

XL L M S

taille de race

Figure 45  Diagrammes en boîte des durées de gestation pour les quatre tailles de races

Si le théorème de l'approximation normale s'applique et que les variances peuvent être supposées

égales, on peut réaliser une analyse de variance à un facteur (ANOVA 1), généralisation du test

de Student avec variances égales. Une variante de l'ANOVA 1 ne supposant pas les variances

égales existe et nous l'utiliserons au cours des travaux dirigés sur ordinateurs sans donner plus de détails

techniques. Si le théorème de l'approximation normale ne s'applique pas, nous pourrons utiliser le test de

la somme des rangs de Kruskal-Wallis, qui est une généralisation du test de Mann-Whitney-Wilcoxon

basé exactement sur le même principe (ce pourquoi nous le détaillerons pas ici). Nous allons donc dans la

suite présenter uniquement le principe de l'ANOVA 1.

On appelle facteur la variable qualitative dénissant les groupes (ici la taille de race). L'ANOVA

1 est basé sur le modèle suivant pour décrire les observations xij de la variable quantitative, i indiquant le
numéro du groupe, donc de la modalité du facteur étudié et j indiquant le numéro de l'observation dans

le groupe :

xij = µ + αi + ϵij avec ϵij ∼ N (0, σ)

L'hypothèse nulle de l'ANOVA 1 est :

H0 : α1 = α2 = . . . = αk = 0.

Sous H0 on a tous les αi nuls donc une seule distribution N (µ, σ), alors que sous H1 : au moins un

des αi est non nul donc on a plusieurs distributions N (µ + αi , σ) (cf. illustration des deux hypothèses sur

la gure 46).

L'ANOVA, qui est, comme son nom ne l'indique pas, une méthode de comparaison globale

de plusieurs moyennes, se base sur une décomposition de la variance totale en une variance

intra-groupe (résiduelle) et une variance inter-groupe (factorielle) et sur la comparaison de ces 2

composantes de la variance.

Décomposition de la variation totale (ou somme des carrés des écarts totale) :

Pp Pni
SCET = i=1 j=1 (xij − x)2 =

69
 H0 H1 xij

durée de la gestation en jours

70
xi

65
60
55 x

toutes tailles XL L M S

taille de race

Figure 46  Illustration de l'hypothèse nulle de l'ANOVA 1

Pp Pni Pp Pni
i=1 j=1 (xij − xi )2 + i=1 j=1 (xi − x)2 =
SCER + SCEA

avec p le nombre de modalités du facteur A (nombre de groupes) et ni l'eectif du groupe i.

A partir de ces deux sommes des carrés des écarts, on va estimer les variances intra-groupe et inter-

groupe appelés aussi carrés moyens

Pp Pni Pp
(x −x )2 (n −1)σ̂i2
CMR = PpSCER = i=1 Pp j=1 ij i = i=1 i
(ni −1) (n −1) N −p
i=1 Pp Pnii=1 i 2 Pp
SCEA i=1 j=1
(xi −x) ni (xi −x)2
CMA = p−1
= p−1
= i=1
p−1

Le principe de l'ANOVA est ensuite de comparer ces variances intra-groupe et inter-groupe en prenant
CMA
comme variable de décision leur rapport F, qu'on appelle la statistique de Fisher. Sous H0 , F = CMR
suit la loi F (p − 1, N − p) de Fisher et Snédécor de degrés de liberté p−1 et N − p. On rejettera

donc H0 quand CMA ≫ CMR ce qui sera associé à une p-value faible.

Nous ne vous demanderons à aucun moment de réaliser à la main les calculs présentés ci-dessus (cal-

culs un peu lourds et chronophages). Nous vous demandons juste d'essayer de comprendre le principe de

cette méthode, an de savoir interpréter les résultats que nous obtiendrons lors des travaux dirigés sur

ordinateurs.

A titre d'exemple, voici la sortie que nous obtenons avec le langage R lors de l'analyse des données

de notre exemple (les variables sont codées duree et taille dans cette sortie) avec en sus le calcul des

moyennes et écarts types pour les quatre groupes.

70
## Analysis of Variance Table
##
## Response: d$duree
## Df Sum Sq Mean Sq F value Pr(>F)
## d$taille 3 46 15.23 2.65 0.048
## Residuals 924 5317 5.75

Moyennes estimées sur les quatre groupes

## XL L M S
## 62.2 61.4 61.8 61.5

Ecarts types estimés sur les quatre groupes

## XL L M S
## 2.74 1.96 2.62 2.48

? ? ? Pour voir si vous avez bien compris, essayez d'interpréter la sortie informatique ci-dessus en

reliant tous les résultats qui y sont donnés aux notions théoriques que nous venons de développer.

Voici enn la sortie de R pour le test de la somme des rangs de Kruskal-Wallis appliqué à cet

exemple. Interprétez le résultat de ce test non paramétrique.

##
## Kruskal-Wallis rank sum test
##
## data: d$duree by d$taille
## Kruskal-Wallis chi-squared = 7, df = 3, p-value = 0.06

5.4.2 Problématique des comparaisons multiples

Suite à la mise en évidence d'une diérence globale signicative entre plusieurs moyennes (par ANOVA

ou test de Kruskal-Wallis), on souhaite parfois comparer les moyennes 2 à 2. La méthode basique dite

PLSD de Fisher (protected least signicant dierence) utilise la statistique de Student pour chaque test

mais avec comme σ la valeur commune estimée à partir de l'ensemble des groupes (soit la racine carrée du

CMR de l'ANOVA). Le problème majeur associé à ce type de comparaisons multipes est la répétition

des tests qui induit une ination du risque α global (n'oublions pas, en prenant un risque α pour

chaque test à 5%, quand on est sous H0 on s'autorise dans un cas sur 20 à rejeter H0 ).
Si l'on veut maîtriser le risque α global (risque α global = probabilité de détecter au moins une diérence

signicative parmi toutes celles testées si on est sous H0 ), il apparaît donc nécessaire de corriger le

risque α (ou de façon équivalente les valeurs de p).

71
 Deux méthodes classiques de correction du risque α sont les suivantes :

 La méthode de Bonferroni :

elle est utilisable après la mise en évidence d'une diérence globale signicative entre plusieurs

moyennes (par ANOVA ou test de Kruskal-Wallis). Le principe est, pour chaque test, de corriger
0.05
α en le divisant par k le nombre de tests réalisés (αcor = k
) ou de façon équivalente de corriger

chaque p-value en la multipliant par le nombre de tests (pcor = p × k ). Cela permet d'être sûr que

αglobal < 5%. Le problème de cette méthode est qu'elle est très conservative lorsque le nombre

de groupes augmente, c'est-à-dire qu'elle rejette peu de diérences. Il arrive alors souvent qu'une

diérence globale soit signicative sans qu'aucune diérence 2 à 2 n'apparaisse signicative.

 La méthode de Bonferroni-Holm :

Une amélioration de cette méthode a été proposée, qui est aujourd'hui souvent préférée. Elle moins

conservative, car la correction est moins drastique, tout en garantissant un risque αglobal < 5%. Le
principe est de :

 classer les valeurs de p par ordre croissant (p1 , p2 , . . ., pk ) et

 corriger chaque pi en le multipliant par k + 1 − i ([Link] = pi × (k + 1 − i))

Les logiciels donnent en général comme sortie des comparaisons multiples les valeurs de p-value corri-

gées, qui ne peuvent plus vraiment être interprétées comme des probabilités, mais sont comparées à 5%
pour savoir si l'on peut rejeter l'hypothèse nulle pour chaque diérence.

Voici à titre d'exemple les sorties de R correspondant aux comparaisons multiples sur notre exemple,

réalisées sans correction, puis avec les corrections de Bonferroni et Bonferroni-Holm.

##
## Pairwise comparisons using t tests with pooled SD
##
## data: d$duree and d$taille
##
## XL L M
## L 0.01 - -
## M 0.17 0.09 -
## S 0.03 0.53 0.25
##
## P value adjustment method: none
##
## Pairwise comparisons using t tests with pooled SD
##
## data: d$duree and d$taille
##
## XL L M
## L 0.07 - -
## M 1.00 0.54 -
## S 0.17 1.00 1.00

72
##
## P value adjustment method: bonferroni
##
## Pairwise comparisons using t tests with pooled SD
##
## data: d$duree and d$taille
##
## XL L M
## L 0.07 - -
## M 0.52 0.36 -
## S 0.15 0.53 0.52
##
## P value adjustment method: holm

? ? ? Essayer d'interpréter les sorties obtenues avec ces trois méthodes, et demandez-vous à quoi

correspondent en réalité les valeurs à 1.00.

Il existe d'autres méthodes de correction de p-value, dont voici un petit récapitulatif dans un cadre

un peu plus général de tests répétés (pas forcément uniquement de comparaisons multiples suite à une

comparaison globale de moyennes) :

p(p−1)
 Comparaisons 2 à 2 : k= comparaisons
2
de très nombreuses autres méthodes disponibles (Tukey, Duncan, Rodger, Scheé, Dunn-Sidak,

. . .), avec prédominance actuelle de la méthode Bonferroni-Holm.

 Comparaisons à un groupe témoin : k =p−1 comparaisons

méthode paramétrique de Dunnett couramment employée : statistique de Student avec estimation

d'un σ global et correction des valeurs de p adaptée à ce cas particulier.

 Tests répétés avec maîtrise du taux de fausses découvertes : méthode de Benjamini-

Hochberg (méthode couramment utilisée par exemple en transcriptomique - analyse de l'expres-

sion d'un très grand nombre de gènes, avec un test statistique par gène).

Certaines de ces méthodes peuvent être utilisées pour la comparaison d'autres paramètres statistiques

que des moyennes, notamment à l'issue d'un test de comparaison de plusieurs fréquences sur séries indé-

pendantes.

Les comparaisons multiples ne sont pas du tout une obligation à l'issue d'une comparaison globale de

moyennes, et souvent elles n'apportent pas grand chose de plus qu'une bonne représentation graphique.

Retenons les points suivants quant à leur utilisation :

 Il est indispensable de vérier que la diérence globale est signicative avant de faire des

comparaisons multiples (origine du terme "protected" dans PLSD de Fisher).

 Il faut corriger le risque α lors de la réalisation de comparaisons multiples si l'on souhaite

limiter le nombre de faux positifs (rejets à tort de H0 ).

 Les comparaisons multiples suite à une comparaison globale ne sont pas à préconiser systéma-

tiquement : elles n'apportent souvent pas grand chose à l'analyse globale et sont souvent diciles

à interpréter.

73
 NE JAMAIS OUBLIER qu'une diérence non signicative ne permet pas de conclure à une non

diérence.

 TOUJOURS PENSER à interpréter les eets (diérences entre groupes) : ne pas rester

au niveau des valeurs de p.

Voici un petit récapitulatif qui pourra vous aider pour le choix du bon test lors de la comparaison

de moyennes, auquel j'ai ajouté, pour vous aider lors des travaux dirigés du second semestre, le nom

des fonctions du langage R que nous utiliserons.

 Un seul échantillon

test de conformité de Student ([Link]()) ou test de la médiane

 Deux échantillons indépendants

test de Student avec variances égales ou non (test de Welch - [Link]()) ou test de la

somme des rangs de Mann-Whitney-Wilcoxon ([Link]())

 Deux échantillons dépendants (appariés)

test de Student des séries appariés ([Link]()) ou test des rangs signés de Wilcoxon

([Link]())

 Plusieurs échantillons indépendants

ANOVA ([Link]())ou test de la somme des rangs de Kruskal-Wallis

([Link]())

Et souvenez-vous, il est capital de bien examiner visuellement la ou les distributions

observées an de choisir entre une approche paramétrique et une approche non para-

métrique.

74
6 Corrélation linéaire et régression linéaire simple

6.1 Objectifs pédagogiques

A l'issue de l'étude de ce chapitre, vous devriez :

 Connaître la dénition et les conditions d'utilisation du coecient de corrélation linéaire (de Pear-

son).

 Connaître le principe et les conditions d'utilisation des tests paramétriques et non paramétriques

de corrélation ainsi que les limites de ces tests.

 Savoir identier dans la pratique les cas où l'utilisation d'un test de corrélation n'est pas approprié

et dans les autres cas savoir faire le choix entre le test paramétrique et le test non paramétrique,

et réaliser ces tests.

 Savoir interpréter les conclusions de ces tests.

 Connaître le modèle utilisé en régression linéaire simple et la méthode d'estimation de ses para-

mètres à partir de données.

 Savoir expliquer ce que représente la valeur de r2 dans le cadre de la régression linéaire.

 Savoir identier les cas sur lesquels il convient d'utiliser une régression linéaire et dans ces cas

identier la variable indépendante (explicative) et la variable dépendante (à expliquer).

 Savoir interpréter les résultats d'une régression linéaire issus d'un logiciel et vérier ses conditions

d'utilisation.

 Savoir utiliser un modèle de régression linéaire en prédiction (avec distinction entre les deux inter-

valles de conance associés).

 Savoir ce qui distingue régression et corrélation linéaire.

6.2 La corrélation linéaire

Dans ce chapitre nous allons aborder les méthodes visant à mettre en évidence une corrélation entre

deux variables quantitatives. Partons d'un exemple tiré de la littérature (Figure 47).

Plus classiquement, nous représentons ce type données par un nuage de points, représentation

appelée aussi diagramme de dispersion (cf. Figure 48).

6.2.1 Le test de corrélation linéaire de Pearson

Le test de corrélation linéaire de Pearson vise à montrer une corrélation linéaire entre deux variables

quantitatives continues. Supposons x et y 2 variables aléatoires observées sur un échantillon aléatoire

simple et distribuées suivant une loi normale bivariée (cf. Figure 49), et dénissons le coecient de

corrélation linéaire de la façon suivante :

1
PN
Cov(x,y) (xi −x)(yi −y)
r=√ = q PN N i=1
V (x)V (y) 1 1
(xi −x)2 × N
PN
(yi −y)2
N i=1 i=1

r peut être considéré comme un "indicateur unidirectionnel de l'allongement du nuage de points" :

−1 ≤ r ≤ 1 et plus les points sont alignés et plus |r| est proche de 1.

75
Figure 47  Figure extraite de Messerli (2012), Chocolate Consumption, Cognitive Function, and Nobel
Laureates, the New England Journal of Medicine
30
nb. de prix Nobel pour 107 hab.

25
20
15
10
5
0

2 4 6 8 10 12

consommation de chocolat en kg par an et par habitant

Figure 48  Représentation classique sous forme de nuage de points (ou diagramme de dispersion) des

données de l'exemple

76
 f

x
x
y y

Figure 49  Représentation de la densité de probabilité de deux distributions normales bivariées, à gauche

sans corrélation entre x et y (r = 0) et à droite avec une forte corrélation entre x et y (r = 0.9)

Sous l'hypothèse nulle (H0 : "absence de corrélation entre x et y "),

q
r2 (N −2)
t= 1−r2
∼ T (N − 2)

avec N le nombre de points observés.

Nous pourrons donc utiliser t ainsi déni comme variable de décision pour tester la corrélation linéaire

entre x et y. Ce test étant très peu robuste, en particulier très sensible aux valeurs extrêmes (un seul

point éloigné des autres pourra modier de façon très importante la valeur du coecient de corrélation),

il est indispensable de bien vérier ses conditions d'utilisation avant de l'utiliser. Il est généralement très

dicile de représenter la distribution conjointe de x et y comme dans la Figure 49 (cela nécessiterait un

très grand nombre de points observés), mais si la distribution est normale bivariée le nuage de points est

de type elliptique (cf. Figure 50 pour un exemple) et c'est ce que nous vérierons avant d'appliquer le test

de corrélation linéaire dans ce contexte.

77
 x[, 2]

x[, 2]
Figure 50  Exemples de nuages de points issus de lois normales bivariées à gauche sans corrélation
x[, 1] x[, 1]
(r = 0), à droite avec une forte corrélation (r = 0.9)

? ? ? Interprétez les résultats du test de corrélation de Pearson réalisé sur les données de notre

exemple avec R (cf. ci-dessous).

Pensez-vous que ce test est applicable sur ces données ?

##
## Pearson's product-moment correlation
##
## data: d$Chocolate and d$Nobels
## t = 6, df = 21, p-value = 6e-06
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## 0.567 0.909
## sample estimates:
## cor
## 0.794

6.2.2 Le test de corrélation de rangs de Spearman

Revenons à notre exemple. Au vu de la gure 48, il semble dicile de considérer le nuage de points

comme elliptique, et il serait imprudent d'utiliser le test de corrélation linéaire de Pearson. Dans un tel

cas, lorsque la relation entre les deux variables observées semble monotone mais que le nuage de points

n'est pas elliptique, le test de corrélation de rangs de Spearman peut être adapté. Son principe est

très simple. On classe les valeurs de x d'un côté, et celle de y de l'autre et on associe à chaque point du

nuage le rang de x et le rang de y, puis on calcule le coecient de corrélation linéaire sur les rangs des x
et les rangs des y . On appelle ce coecient le coecient de rangs de Spearman et on pourra faire un test
à partir de celui-ci (cf. illustration Figure 51). Nous n'aborderons pas les détails techniques de ce test dans

ce cours, la compréhension de son principe nous susant. On comprend bien, notamment, que le fait de

78
 calculer un coecient sur les rangs des observations rend le test beaucoup plus robuste par rapport aux

éventuelles valeurs extrêmes.

rangs des données de nb. de prix Nobel

ρ = 0.902
23 − 23
15 − 22
30
nb. de prix Nobel pour 107 hab.

20
25

18 − 21
17 − 20
20 − 19

15
20

21 − 18
15

10
19 − 17 22 − 16
11.5 − 15
10

13 − 14
10 − 12 14 − 13
16 − 11
9 −11.5
10 − 9

5
5

8 −− 87
6.5
3−46−5
2 − 3 6.5 − 4
0

1 − 1.5 5 − 1.5

2 4 6 8 10 12 5 10 15 20

conso. de chocolat en kg par an et par hab. rangs des données de conso. de chocolat

Figure 51  Illustration du principe du calcul du coecient de corrélation de rangs de Spearman

? ? ? Interprétez les résultats du test de corrélation de rangs de Spearman réalisé sur les données

de notre exemple avec R (cf. ci-dessous).

##
## Spearman's rank correlation rho
##
## data: d$Chocolate and d$Nobels
## S = 198, p-value = 4e-09
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
## rho
## 0.902

A partir de ces résultats on conclut donc à une corrélation signicative entre la consommation in-

dividuelle de chocolat dans les états et le nombre de prix Nobel pour 10 millions d'habitants. MAIS

ATTENTION ! On n'en déduira bien entendu pas de lien de causalité. Une corrélation entre 2

variables observées n'implique pas forcément un lien de causalité. Une corrélation peut être :

 due à un facteur de causalité commun (ex. de la corrélation entre vente de glaces et noyades, cause

commune : la chaleur)

 due à une causalité dans le sens opposé à celui présenté (ex. : myopie des enfants et veilleuse,

eet cigogne, ... cf [Link] et https:

//[Link]/la-zetetique/effets-cigogne-correlation-vs-causalite/),

79
  complètement fortuite (cf. site qui montre des corrélations fortuites entre deux variables suivies au

cours du temps ([Link]

En réponse à l'étude de Messerli (chocolat / prix Nobel), des chercheurs ont d'ailleurs montré une corré-

lation entre la consommation de chocolat et le nombre de tueurs en séries que le pays engendre).

6.2.3 Les limites des tests de corrélation

Une grande prudence s'impose dans le cadre de l'utilisation et de l'interprétation des coecients de

corrélation. Retenons ces diérents points.

 Le test de corrélation de Pearson n'est pas adapté en cas de corrélation non linéaire (ex. Figure 52

a) sur lequel un test de corrélationde rangs serait plus adapté).

 Le test de corrélation de Pearson n'est pas du tout robuste (très inuencé notamment par les

valeurs extrêmes) et ne doit donc surtout pas être utilisé sur un nuage de points comme représenté

Figure 52 b) sur lequel un test de corrélation de rangs serait plus adapté)

 Les tests de corrélation (Pearson et Spearman) ne sont pas adaptés en cas de corrélation non

monotone (ex. Figure 52 c) ou les coecients de corrélation seraient proches de 0, bien qu'il y ait

une relation non monotone entre les deux variables) et plus généralement de nuage de points non

elliptique (ex. Figure 52 d) pour lequel la relation ne peut pas être décrite sous forme de corrélation

simple : on a plus l'impression que plus x est grand et plus y est variable)

 Les tests de corrélation (Pearson et Spearman) ne sont pas adaptés en cas de nuage de points

formé de sous-nuages (sous-groupes se distinguant comme en Figure 52 e) et e bis) avec couleurs

et remplissage diérentiel des points - l'ex. ctif représente le poids du bagage en y et le poids du

voyageur en x, avec les hommes en cercles vides bleu et les femmes en cercles pleins rouge).

On ne devrait donc jamais reporter une valeur de r (coecient de corrélation linéaire de

Pearson) ou de ρ (coecient de corrélation de rangs de Spearman) non assortie du nuage

de points, ni interpréter une valeur de r ou de ρ tant qu'on n'a pas vu le nuage de points

associé !

? ? ? Examinez de plus près le dernier exemple de la gure 52. Si l'on eectuait "bêtement" les

tests de corrélation sur ce nuage de points on obtiendrait r = −0.47 (p < 0.0001) et ρ = −0.52
(p < 0.0001). Qu'en concluerait-on quand à la corrélation entre le poids du bagage et le poids du

voyageur ?

Maintenant si l'on eectue ces tests sur chacun des deux sous-groupes, on obtient r = 0.48 (p <
0.0001) pour les femmes et r = 0.41 (p < 0.0001) pour les hommes. Qu'en conclut-on ?

Nous nous sommes placés dans ce chapitre dans le cas où les deux variables quantitatives à corréler

sont toutes les deux observées, c'est-à-dire qu'aucune des deux n'est contrôlée (valeurs xées par l'ex-

périmentateur). Les tests de corrélation peuvent aussi s'appliquer dans le cas où l'une des variables est

contrôlée, et nous aborderons ce cas dans le chapitre suivant.

80
 a) b)
y

c) d)
x x
y

x x
poids du bagage en kg

poids du bagage en kg

e) e bis)

Figure 52 poids
Illustration de quelques
du voyageur en kg
nuages de points qui devraient nous imposer la prudence !
poids du voyageur en kg

81
6.3 Bilan, mise en garde et transition
Nous avons vu dans le cours jusque là toutes les méthodes qui permettent de mettre en corrélation

deux variables :

 deux variables qualitatives : chapitre 4

 une variable qualitative, une variable quantitative : chapitre 5

 deux variables quantitatives : chapitre 6

Etant donné que la majorité des test vus précédemment visent à démontrer l'existence d'une corré-

lation entre deux variables, il serait bien imprudent de penser que vous allez trouver le test adapté

dans le chapitre "corrélation linéaire" dès que vous voyez le terme "corrélation" dans la question

posée !

Encore une fois, en statistique l'important est la compréhension des méthodes, et le simple repérage

de mots clefs risquerait fort de vous induire en erreur.

Nous allons maintenant aborder, sur un exemple encore très simple à deux variables, un thème plus

général qui est à la base de très nombreuses approches qui permettent d'aborder des cas plus complexes :

la modélisation.

6.4 La régression linéaire simple

La régression linéaire simple est une méthode de modélisation, par une relation linéaire, de la

relation entre une variable quantitative observée et une variable quantitative contrôlée. Comme

toute démarche de modélisation, elle peut être utilisée pour mieux caractériser / comprendre cette relation

et/ou pour l'utiliser en prédiction. Elle est parfois utilisée à la marge de ce cadre, avec des variables

quantitatives toutes deux observées, mais qui ont des statuts diérents (contrairement au cadre du chapitre

précédent) : on veut expliquer / prédire l'une d'entre elle en fonction de l'autre.

Partons d'un exemple inspiré de la littérature (Roomi et al. 2011, Nutrient mixture inhibits in vitro

and in vivo growth of human acute promyelocytic leukemia HL-60 cells, Experimental Oncology ).

Cette publication étudie l'impact, in vitro, d'un mélange de nutriments (acide ascorbique, extrait de

thé vert, lysine, proline, . . .) sur la prolifération de cellules tumorales. La variable contrôlée est la dose de
−1
nutriments en concentration dans le milieu (µ[Link] ) et la variable observée est la prolifération cellulaire

quantiée en pourcentage de celle observée sans nutriments dans le milieu de culture. Les données sont

représentées dans la gure 53, à gauche en données brutes, et à droite avec la dose en logarithme décimal.

6.4.1 Modèle de la régression linéaire simple

En régression linéaire simple on utilise donc un modèle linéaire pour expliquer une variable à

expliquer Y appelée aussi variable dépendante (toujours une variable observée) en fonction d'une

variable explicative notée X (souvent contrôlée mais pas toujours), appelée aussi variable variable

indépendante.

82
 100 100
prolifération en % du contrôle

prolifération en % du contrôle
80 80

60 60

40 40

20 20

0 200 400 600 800 1000 1.0 1.5 2.0 2.5 3.0

dose en µ[Link]−1 dose en log10(µ[Link]−1)

Figure 53  Diagrammes de dispersion présentant les données de l'exemple, à gauche en données brutes,
à droite avec la variable explicative transformée en logarithme décimal, en vue de linéariser la relation dans

ce cas particulier.

Le modèle théorique de la régression linéaire simple, illustré Figure 54 est le suivant :

Yi = α + βXi + ϵi avec ϵi ∼ N (0, σ)

On a dans ce modèle

 une partie déterministe sous forme de relation linéaire et

 une partie stochastique sous forme de modèle Gaussien avec des ϵi aléatoires, indépendants, suivant

une loi normale (loi de Gauss) de variance résiduelle σ2 constante.

Pour estimer les paramètres de ce modèle à partir des données observées, on utilise la méthode de

maximisation de la vraisemblance (maximisation de P r(Y | α, β, σ), les données Y étant connues),

qui revient, dans le cadre du modèle Gaussien, à minimiser la Somme des Carrés des Ecarts (SCE, cf.

illustration Figure 54) :

Pn 2
SCE = i=1 ei avec ei = Yi − Ŷi = Yi − (α̂ + β̂Xi ).

Les estimations ponctuelles des paramètres du modèle linéaire Gaussien, obtenues par moindres carrés,

sont les suivantes :

cov(X,Y )
 Pente (ou coecient de régression) : β̂ = V (X)
 Ordonnée à l'origine (intercept en anglais) : α̂ = Y − β̂ × X
q
SCE
 Ecart type résiduel (residual standard error en anglais) : σ̂ = n−2

83
 prolifération en % du contrôle
d$proliferation

Yi = α + β Xi
ei
Yi

Figure 54  Illustration des hypothèses du modèle linéaire Gaussien

log10(d$dose) (à log
dose en gauche) et de la méthode des
10(µg/ml)

moindres carrés associée (à droite)

Si l'on utilise R pour estimer ces paramètres sur notre exemple, on obtient la sortie suivante dans

laquelle il vous faudra savoir repérer les diérents résultats importants décrits en-dessous de la sortie R

(n'hésitez pas à annoter cette sortie R sur votre polycopié pour bien savoir vous repérer à l'avenir) :

##
## Call:
## lm(formula = proliferation ~ log10(dose), data = d)
##
## Residuals:
## Min 1Q Median 3Q Max
## -15.57 -4.67 1.43 5.33 10.22
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 136.18 6.37 21.4 1.6e-11
## log10(dose) -33.20 2.90 -11.5 3.6e-08
##
## Residual standard error: 8.01 on 13 degrees of freedom
## Multiple R-squared: 0.91,Adjusted R-squared: 0.903
## F-statistic: 131 on 1 and 13 DF, p-value: 3.64e-08

 la pente (slope or regression coecient) qui est présentée dans la sortie de R avec comme indication

le nom de la variable explicative associée : β̂ = −33.2

 l'ordonnée à l'origine (intercept) : α̂ = 136
 écart type résiduel (residual standard error) : σ̂ = 8.01

84
  et le coecient de détermination (carré du coecient de corrélation linéaire, dont on expliquera le

sens plus loin) : r2 = 0.91

Avant de tirer des conclusions des résultats du modèle, il conviendra de vérier a posteriori les condi-

tions d'utilisation du modèle. On utilise pour cela les résidus ei , résidus qu'on ne peut calculer d'une fois

le modèle ajusté, d'où la vérication a posteriori. Ces résidus seront représentés sous deux formes pour

vérier les hypothèses quant à leur distribution, sous forme d'un graphe de résidus représentant les

résidus ei en fonction des valeurs prédites Ŷi (cf. Figure 55) et d'un diagramme Quantile-Quantile des

résidus (cf. Figure 56)). Ces deux graphes sont complémentaires et permettent de s'assurer visuellement

que les résidus sont bien indépendants les uns des autres et distribués suivant une loi normale

centrée en 0 et d'écart type σ constant.

On peut remarquer sur la sortie R précédente, que les premiers résultats donnés sont des statistiques

descriptives des résidus, qui permettent aussi de se faire une idée rapide de leur distribution globale.

85
 a) b)

20
5 10

10
résidus ei

résidus ei
−5 0

0
−20
−15

40 60 80 100 30 50 70

valeurs prédites Yi valeurs prédites Yi

150

c) d)
2000

50
résidus ei

résidus ei
0

−50 0
−4000

−150

0 2000 6000 60 70 80 90 100

valeurs prédites Yi valeurs prédites Yi

Figure 55  Graphes des résidus a) dans le cadre de notre exemple où les conditions d'utilisation du

modèle ne sont pas remises en cause et dans trois autres cas où ces conditions d'utilisation sont clairement

non respectées, en b) car les résidus ne sont pas aléatoires, en c) à cause d'un écart type des résidus non

constant (hétéroscédasticité des résidus caractérisés par un eet "entonnoir") et en d) à cause d'un résidu

extrême. Les lignes vertes représentent en trait plein la valeur 0 attendue pour la moyenne des résidus, et

en pointillés −2σ̂ et −2σ̂ , la bande censée contenir à peu près 95% des résidus.

86
 a) b)
Sample Quantiles

Sample Quantiles

Theoretical Quantiles Theoretical Quantiles

c) d)
Sample Quantiles

Sample Quantiles

Theoretical Quantiles Theoretical Quantiles

Figure 56  Diagramme Quantile-Quantile des résidus a) dans le cadre de notre exemple où les condi-

tions d'utilisation du modèle ne sont pas remises en cause et dans les trois autres cas où ces conditions

d'utilisation sont non respectées (cf. Figure 55), ce qui n'apparaît clairement sur ce graphe que sur les

cas c) ou la distribution des résidus n'apparaît pas normale et d) à cause d'un résidu extrême.

87
6.4.2 Prédiction et intervalles de conance

Une fois les conditions d'utilisation du modèle linéaire Gaussien vériées, on utilise parfois directement

les résultats de la régression linéaire par exemple pour estimer un paramètre biologique correspondant à l'un

des paramètres du modèle (par exemple un taux de croissance microbien estimé comme la pente d'une

courbe de croissance microbienne exprimée en logarithme de la concentration microbienne en fonction

du temps). Il est alors important d'associer à leur estimation ponctuelle un intervalle de conance, an

de quantier leur incertitude. On utilisera une fonction R très simple pour obtenir les intervalles de

conance l'ordonnée à l'origine et la pente (cf. sortie ci-dessous sur notre exemple).

## 2.5 % 97.5 %
## (Intercept) 122.4 149.9
## log10(dose) -39.5 -26.9

Il est aussi possible d'utiliser le modèle ajusté aux données pour prédire une valeur de Y0 pour une

valeur donnée X = X0 prise dans le domaine étudié (couvert par le jeu de données). On prédit la valeur

de Y pour X = X0 dans le domaine étudié, par Yˆ0 = α̂ + β̂X0 et on peut associer à une telle prédiction

deux intervalles de conance (cf. Figure 57 :

 l'intervalle de conance sur la moyenne des Y pour X = X0 qui quantie l'incertitude sur la droite

estimée,

 et l'intervalle de prédiction qui quantie l'incertitude sur une observation individuelle prédite de Y
pour X = X0 et prend en compte non seulement l'incertitude sur la droite estimée, mais aussi la

variabilité des observations autour de la droite suivant la loi N (Y0 , σ). L'intervalle de prédiction à

95% est souvent approché par défaut par Ŷ0 ± 2 × σ̂ (en pointillés sur la Figure 57), ce qui revient à

négliger l'incertitude sur la droite estimée, et qui sera d'autant plus raisonnable qu'on a beaucoup

de points observés et que X0 se trouve proche du centre du domaine des X étudié.

A titre d'exemple, la sortie R ci-dessous vous indique dans l'ordre

 l'intervalle de conance à 95% sur la moyenne prédite de prolifération cellulaire pour une dose de

200 µ[Link]−1 ,
 puis l'intervalle de prédiction à 95% pour cette même dose.

Pour chacun des intervalles, il faut lire en premier l'estimation ponctuelle de la prédiction, puis les bornes

inférieure ("lower") et supérieure ("upper") de l'intervalle.

## fit lwr upr

## 1 59.8 55.1 64.5
## fit lwr upr
## 1 59.8 41.8 77.7

88
 100

prolifération en % du contrôle
80

Y0
60

40

X0
20

1.0 1.5 2.0 2.5 3.0

dose en log10(µg/ml)

Figure 57  Illustration des deux intervalles de conance associés à une prédiction en régression linéaire,
l'intervalle de prédiction sur une moyenne prédite (en rouge) et l'intervalle de prédiction, c'est-à-dire

l'intervalle de conance sur une prédiction individuelle (en bleu) ainsi que son approximation par défaut

(en bleu pointillé).

Lorsque l'on vise l'utilisation d'un modèle linéaire Gaussien en prédiction, on calcule souvent

le coecient de détermination r2 qui n'est autre que le carré du coecient de corrélation déni

au chapitre 6.2.1. Pourquoi donne-t-on son carré plutôt que le r lui-même ? Tout simplement parce qu'on

peut en donner une interprétation en terme de part de variation de Y expliquée par le modèle. On peut

en eet montrer mathématiquement que :

Pn 2
r = 2 cov(X,Y )2
= Pni=1 (Ŷi −Ȳ )2 = variation de Y expliquée / variation de Y totale
V (X)V (Y ) (Yi −Ȳ )
i=1

Interprétation du r2
Le coecient de détermination (carré du coecient de corrélation linéaire de Pearson) est sou-

vent exprimé en pourcentage et donc interprété comme le pourcentage de la variation de

Y qu'on pourra prédire à partir du modèle connaissant la variation de X (dite couramment

la part de variation expliquée par le modèle, la part restante étant la variation résiduelle).

Comme en corrélation, la valeur de r2 ne permettra pas à elle seule de vérier que le modèle est de

bonne qualité, et il sera impératif de visualiser le graphe d'ajustement (points ajustés à la droite) et les

graphes des résidus (on peut avoir un r2 très proche de 1 avec des données qui ne respectent pas les

conditions d'utilisation de la régression linéaire).

89
6.4.3 Régression et corrélation

Revenons maintenant au chapitre sur la corrélation et posons-nous deux questions.

 Peut-on réaliser un test de corrélation linéaire dans le cadre de la régression linéaire ?

OUI,

Celui-ci correspond au test d'égalité à 0 de la pente, aché classiquement dans le résumé de la

régression et appelé test de signication de la pente. Il répond à la question : "y a-t-il un eet

signicatif de X sur Y ?"

 Peut-on tracer une droite de régression dans le cadre de la corrélation linéaire, si X

et Y sont deux variables observées qui ont des rôles symétriques ? NON.

Le choix de la variable de contrôle (X ) a un impact sur la droite de régression (cf. Figure 58),

donc si X et Y ont des rôles symétriques, aucune des 2 droites n'a de justication.

Cette erreur est pourtant très fréquente !

100
30
nb. de prix Nobel pour 107 hab.
prolifération en % du contrôle

25

80
20
15

60
10

40
5
0

20

1.0 1.5 2.0 2.5 3.0 2 4 6 8 10 12

dose en log10(µ[Link]−1) conso. de chocolat en kg par an et par hab.

Figure 58  Illustration de l'impact du choix de X et Y sur la droite de régression (en orange la droite de

régression de Y en fonction de X et en vert la droite de régression de X en fonction de Y ). Comparaison

des 2 droites sur notre exemple à gauche et sur l'exemple que nous avions pris dans le chapitre corrélation

à droite.

? ? ? En reprenant la dénition de la méthode des moindres carrés utilisée pour estimer les para-

mètres du modèle en régression linéaire, expliquez pourquoi le choix des variables X et Y a une

inuence sur la droite de régression.

90
6.5 Le modèle linéaire simple, une brique de base pour construire d'autres
modèles plus complexes
Dans ce chapitre nous avons abordé le modèle linéaire simple qui est une brique de base pour construire

d'autres modèles plus complexes. Les notions que nous avons vues seront donc capitales pour quelqu'un

qui voudrait aborder des modèles plus complexes. Parmi les complexications du modèle dont nous aurons

souvent besoin en médecine vétérinaire ou plus largement en biologie, citons-en quelques-uns :

 prise en compte de plus d'une variable explicative (régression linéaire multiple)

par exemple si l'on veut décrire l'eet à la fois de la température (variable explicative quantitative)

et du pH (seconde variable explicative quantitative) sur un taux de croissance microbien (variable

à expliquer quantitative),

 prise en compte de variables explicatives quantitatives et qualitatives (modèle linéaire,

ANOVA à plusieurs facteurs )

par exemple si l'on veut comparer la croissance d'animaux (sur la base d'une variable à expliquer

quantitative) nourris avec des aliments diérents (variable explicative qualitative) en prenant en

compte l'âge des animaux (variable explicative quantitative),

 modélisation d'une variable à expliquer non pas quantitative mais qualitative binaire (régres-

sion logistique )

par exemple si l'on veut évaluer l'impact sur le risque de maladie (variable binaire observée sur

chaque animal : malade / non malade) de diverses variables explicatives qualitatives et/ou quan-

titatives,

 prise en compte de facteurs aléatoires (modèles mixtes )

par exemple si l'on doit prendre en compte le fait que les observations ne sont pas indépendantes

les unes des autres parce que plusieurs observations sont réalisées sur chaque animal (mesures

répétées, généralisation des séries appariées).

Les modèles associés (et d'autres encore) ne sont pas au programme de ce cours mais vous pourrez

vous y former au sein du campus vétérinaire de Lyon dans le cadre de l'enseignement optionnel de A6

([Link]

91
7 Traduction anglaise des termes clefs qui ne sont pas évi-

dents à traduire

Terme français Terme anglais

comparaison deux à deux pairwise comparisons

coecient de corrélation correlation coecient

coecient de détermination coecient of determination (often simply called R-squared)

diagramme de dispersion ou nuage de point scatter plot

diagramme en bâtons bar chart of barplot

diagramme en boîte à moustaches boxplot

diagramme en secteurs pie chart

diagramme quantile-quantile QQ plot

écart type standard deviation (SD)

écart type résiduel residual standard error

eectifs frequency counts (ATTENTION, faux ami !)

erreur standard de la moyenne standard error of the mean (SEM)

fonction de densité de probabilité density function

fonction de répartition empirique empirical cumulative distribution fonction (ECDF)

intervalle de conance condence interval

intervalle de uctuation uctuation interval

ordonnée à l'origine intercept

pente ou coecient de régression slope or regression coecient

test de signication signicance test OR Null Hypothesis Signicance Testing (NHST)

test d'hypothèse hypothesis test

test d'équivalence equivalence test

test de la somme des rangs rank sum test

test des rangs signés signed rank test

test de Student T test

valeurs extrêmes outliers

Table 9  Table de traduction des termes clef en anglais.

92
8 Récapitulatif des principales fonctions R pour mettre en

oeuvre les tests et la régression linéaire - ne sera utile qu'au

second semestre

Voici la liste des fonctions utilisées pour réaliser les diérents tests au programme et ajuster un modèle

linéaire, dans leur ordre d'apparition dans le guide R qui vous sera fourni uniquement en format életronique

au second semestre, avec la spécication de leurs arguments, et leur nom en anglais donné dans la sortie

de R.

Test de normalité de Shapiro-Wilk (Shapiro-Wilk normality test)

[Link](variable_quanti)

Test de Student de conformité à une moyenne théorique (One Sample t-test)

[Link](variable_quanti, mu = moyenne_theorique)

Test du χ2 d'ajustement (Chi-squared test for given probabilities)

[Link](vecteur_effectifs_obs, p = vecteur_proportions_theo)

Test exact (utilisant la loi binomiale) de comparaison d'une fréquence observée à une

fréquence théorique (Exact binomial test)

[Link](nb_realisations_evenement, nb_tirages_total, p = proportion_theo)

Test de Student de comparaison de 2 moyennes sur séries indépendantes avec variances

égales (Two Sample t-test)

[Link](variable_quanti ~ groupe_variable_quali, paired = FALSE, [Link] = TRUE)

Test de Welch de comparaison de 2 moyennes sur séries indépendantes avec variances

inégales (Welch Two Sample t-test)

[Link](variable_quanti ~ groupe_variable_quali, paired = FALSE, [Link] = FALSE)

Test non paramétrique de la somme des rangs de Mann-Whitney-Wilcoxon de comparai-

son de séries indépendantes (Wilcoxon rank sum exact test)

[Link](variable_quanti ~ groupe_variable_quali, paired = FALSE)

Test de Fisher de comparaison de 2 variances (F test to compare two variances)

93
[Link](variable_quanti ~ groupe_variable_quali)

Test du χ2 d'indépendance réalisé à partir de la table de contingence (Pearson's Chi-squared

test)

[Link](table_contingence)
# Fonction aussi utilisable pour la comparaison de 2 fréquences sur séries
# indépendantes qui donne en plus l'intervalle de confiance sur la différence
# entre les 2 fréquences comparées - ATTENTION de bien vérifier
# que les fréquences affichées en sorties (prop 1 et prop 2)
# sont bien celles sur lesquelles vous voulez calculer cette différence
[Link](table_contingence)

Test exact de comparaison de 2 fréquences sur séries indépendantes ( Fisher's Exact Test

for Count Data)

[Link](table_contingence)

Test de Student de comparaison de 2 moyennes sur séries appariées (Paired t-test)

[Link](variable_quanti_1, variable_quanti_2, paired = TRUE)

Test non paramétrique de Wilcoxon des rangs signés de comparaison de séries appariées

(Wilcoxon signed rank test)

[Link](variable_quanti_1, variable_quanti_2, paired = TRUE)

Test de Mc Nemar de comparaison de 2 fréquences sur séries appariées, à partir de la

table de concordance (McNemar's Chi-squared test)

[Link](table_concordance)

Test de comparaison de plusieurs moyennes sur séries indépendantes en supposant les

variances égales - analyse de variance classique avec variances égales (One-way analysis of

means)

[Link](variable_quanti ~ groupe_variable_quali, [Link] = TRUE)

Test de comparaison de plusieurs moyennes sur séries indépendantes sans supposer les

variances égales extension du test de Welch - analyse de variance classique avec variances

inégales (One-way analysis of means (not assuming equal variances))

94
[Link](variable_quanti ~ groupe_variable_quali, [Link] = FALSE)

Test non paramétrique de la somme des rangs de Kruskal-Wallis de comparaison de séries

indépendantes (Kruskal-Wallis rank sum exact test)

[Link](variable_quanti ~ groupe_variable_quali)

Test de comparaison de plusieurs variances (Bartlett test of homogeneity of variances)

[Link](variable_quanti ~ groupe_variable_quali)

Test de Cochran-Mantel-Haenszel de comparaison de plusieurs fréquences sur séries dé-

pendantes (Cochran-Mantel-Haenszel test)

[Link](variable_quali_A, variable_quali_B, identifiant)

Test de corrélation linéaire de Pearson (Pearson's product-moment correlation)

[Link](variable_quanti_A, variable_quanti_B, method = "pearson")

Test non paramétrique de corrélation de rangs de Spearman (Spearman's rank correlation

rho)

[Link](variable_quanti_A, variable_quanti_B, method = "spearman")

Régression linéaire simple (simple linear model)

# Spécification du modèle
modele <- lm(variable_quanti_Y_a_expliquer ~ variable_quanti_X_explicative,
data = jeu_de_donnes)
# Graphes des résidus
plot(predict(modele), residuals(modele))
qqnorm(residuals(modele))
# Paramètres estimés et diverses statistiques résumées
summary(modele)
# Intervalle de confiance sur les paramètres estimés
confint(modele)
# Intervalles de confiance sur les moyennes prédites pour des valeurs de X données
predict(modele, [Link](variable_quanti_A_expliquer = vecteur_valeurs_X),
interval = "confidence")
# Intervalles de confiance sur des prédictions individuelles pour
# des valeurs de X données
predict(modele, [Link](variable_quanti_A_expliquer = vecteur_valeurs_X),
interval = "prediction")

95
Références

Wasserstein, R. L. and Lazar, N. A. (2016). The asa's statement on p-values : context, process, and

purpose. The American Statistician, 70(2) :129133.

Wasserstein, R. L., Schirm, A. L., and Lazar, N. A. (2019). Moving to a world beyond p< 0.05. The

American Statistician, 73(sup1) :119.

96