{"id":16217,"date":"2022-04-28T11:20:08","date_gmt":"2022-04-28T09:20:08","guid":{"rendered":"https:\/\/convergences.online\/hemato\/?p=16217"},"modified":"2022-04-28T11:20:08","modified_gmt":"2022-04-28T09:20:08","slug":"la-p-value","status":"publish","type":"post","link":"https:\/\/www.hematostat.net\/en\/la-p-value\/","title":{"rendered":"LA P-VALUE !"},"content":{"rendered":"
\n
\n
\n
\n

Dans le monde des tests statistiques, le principe est de fournir \u00e0 l\u2019investigateur une r\u00e9ponse \u00e0 une question en situation d\u2019incertitude. En effet, les tests ne sont jamais r\u00e9alis\u00e9s sur l\u2019ensemble de la population concern\u00e9e (par exemple l\u2019ensemble des patients hypertendus ou atteints d\u2019un cancer). Les r\u00e9sultats d\u2019une \u00e9tude (un essai randomis\u00e9 par exemple) sont toujours entach\u00e9s d\u2019une incertitude car r\u00e9alis\u00e9s sur un \u00e9chantillon, soumis \u00e0 des fluctuations. Le principe g\u00e9n\u00e9ral des tests est donc de r\u00e9pondre \u00e0 la question existe-t-il une r\u00e9elle diff\u00e9rence entre un traitement X et un traitement Y dans la population d\u2019ou est tir\u00e9 l\u2019\u00e9chantillon ou les r\u00e9sultats sont-ils li\u00e9s au hasard ?<\/span><\/p>\n

En pratique on pose une hypoth\u00e8se dite nulle (H0) qui est l\u2019hypoth\u00e8se d\u2019absence de diff\u00e9rence entre 2 traitements. On construit alors un test sur le don- n\u00e9s observ\u00e9es pour mesurer s\u2019il y a suffisamment de preuves contre cette hypoth\u00e8se nulle. Il s\u2019agit donc d\u2019un principe de r\u00e9futation dans lequel on adopte une r\u00e8gle de d\u00e9cision qui am\u00e8ne \u00e0 rejeter ou \u00e0 ne pas rejeter H0. Au terme de toute \u00e9tude, par exemple un essai randomis\u00e9, la d\u00e9cision de rejeter ou non H0 est fond\u00e9e sur les donn\u00e9es observ\u00e9es et leur compatibilit\u00e9 ou non par rapport \u00e0 l\u2019hypoth\u00e8se nulle ; H0 \u00e9tant l\u2019affirmation de l\u2019absence de diff\u00e9rence, H0 peut \u00eatre vraie ou fausse. Dans le cas d\u2019un essai randomis\u00e9, le p (ou risque alpha ou risque de premi\u00e8re esp\u00e8ce ou erreur de type I) est le risque d\u2019affirmer qu\u2019un traitement est meilleur qu\u2019un autre alors qu\u2019en r\u00e9alit\u00e9 c\u2019est faux. L\u2019un des probl\u00e8mes majeur est la valeur habituelle utilis\u00e9e pour ce p (p-value) qui est de 5%. On consid\u00e8re que si l\u2019on a moins de 5% de chance de voir une diff\u00e9rence entre les 2 traitements dans l\u2019essai, cette diff\u00e9rence sera consid\u00e9r\u00e9e comme statistiquement significative. Ce que ce degr\u00e9 de signification veut dire est que, si on le consid\u00e8re par exemple \u00e0 0.02, si l\u2019on r\u00e9alisait un tr\u00e8s grand nombre de fois l\u2019essai, sous l\u2019hypoth\u00e8se que les 2 traitements ne sont pas diff\u00e9rents, on observerait la diff\u00e9rence observ\u00e9e dans 2 cas sur 100. Le choix de ce seuil est parfaitement arbitraire et ne repose pas sur une base \u00abstatistique\u00bb, mais sur un consensus dont l\u2019origine remonte aux \u00e9crits du statisticien Anglais Fischer. Attention, on vous le r\u00e9p\u00e8te toujours, mais n\u2019oubliez pas qu\u2019il ne faut pas confondre statistiquement et cliniquement significatif ! La valeur de p n\u2019est que le ni- veau de confiance que l\u2019on peut avoir dans le fait que la diff\u00e9rence observ\u00e9e ne soit pas simplement due au hasard. Cette valeur n\u2019est en aucun cas la mesure de l\u2019importance de l\u2019effet (ou taille d\u2019effet). Plus p est petit, plus notre certitude (ou confiance) augmente, mais cela ne dit rien de la force de cette diff\u00e9rence. L\u2019autre grand pi\u00e8ge autour du degr\u00e9 de signification est de conclure, lorsque p > 0.05 que les 2 traitements sont \u00e9quivalents. Un r\u00e9sultat dit non significatif correspond \u00e0 2 r\u00e9alit\u00e9s possibles :<\/span><\/p>\n<\/div>\n

\n

1. il n\u2019y a r\u00e9ellement pas de diff\u00e9rence entre les 2 traitements ;<\/p>\n

2. soit le test manque de puissance pour pouvoir la mettre en \u00e9vidence..<\/p>\n

Enfin une vid\u00e9o que je vous recommande pour bien comprendre le p, avec le sourire…(par le \u00abJack Black of statistics\u00bb !)<\/p>\n