Tests statistiques élémentaires
La probabilité critique est la probabilité pour que la statistique de test T dé- passe sous l'hypothèse H0
LES TESTS DHYPOTHÈSE
2. La statistique qui convient pour le test est donc une variable aléatoire dont la valeur observée sera utilisée pour décider du « rejet » ou du « non
Statistiques pour les nuls en 2008
Tests statistiques les plus fréquents. ? Variables qualitatives: ? Test du ?²: analyse des tableaux de contingence à l lignes et c colonnes:pour chaque
Statistiques pour les nuls en 2008
Tests statistiques les plus fréquents. ? Variables qualitatives: ? Test du ?²: analyse des tableaux de contingence à l lignes et c colonnes:pour chaque
Cours de Statistiques niveau L1-L2
7 mai 2018 Applications des intervalles de confiance et tests statistiques ... Statistique descriptive : elle a pour but de résumer l'information.
Cours de Statistiques inférentielles
le test de Kolmogorov teste l'hypothèse H0 selon laquelle l'échantillon a été prélevé dans une population de fonction de répartition F(x). Pour cela il calcule
Statistiques pour statophobes
manière descriptive et ne sont pas utilisées pour les tests statistiques (elles Si la variable suit une loi normale nul besoin d'invoquer le Théorème ...
Tests statistiques Notes de cours
3 Tests non paramétriques - Estimation de la position pour un échantillon isolé. 10. 3.1 Le test du signe .
Mesures dassociations et Tests statistiques
Tests statistiques. • Résultat sur un échantillon ? m1?m2. • Quel serait le résultat sur la population cible? ? problème des fluctuations d'
Guide de validation des méthodes danalyses
28 oct. 2015 Annexe « Bases statistiques pour les variables quantitatives». ... Manuel des tests de diagnostic et des vaccins pour les animaux terrestres ...
[PDF] Tests statistiques élémentaires
Néanmoins la statistique de test est basée sur la comparaison des deux variances inter et intra-classes d'où le nom de ce modèle Deux hypothèses importantes
[PDF] Tests statistiques Notes de cours
Un test statistique peut aussi être utilisé pour vérifier le succès (ou l'échec) d'une action entreprise pour modifier la valeur d'une statistique de population
[PDF] Statistiques pour les nuls en 2008
Analyse statistique ? ?²Test t de Student ? Les courbe de survie ont èté calculées par la méthode de Kaplan Meïer Les survies ont été comparées avec
Tests statistiques pour les nuls pdf
Vous connaissez le test de Student le test de Khi-carre ou encore le test de Fisher qui sont des tests paramétriques Les statistiques pour les Nuls en 2008
[PDF] STATISTIQUE : TESTS DHYPOTHESES
- Le test de conformité consiste à confronter un paramètre calculé sur l'échantillon à une valeur pré-établie Les plus connus sont certainement les tests
[PDF] Introduction aux tests statistiques avec - Christophe Chesneau
L'objectif de ce document est de présenter quelques tests statistiques et commandes R Lorsque le test statistique porte sur un paramètre inconnu ?
[PDF] Chapitre 6 TESTS STATISTIQUES - Free
Nous retrouverons dans certains cas la démarche utilisée en estimation 1 GÉNÉRALITÉS SUR LES TESTS STATISTIQUES 1 1 Notion de test statistique Pour
[PDF] Tests statistiques pour la biologie
La variable de test `a utiliser sera donnée par un théor`eme mathématique au chapitre 5 Yan Pautrat (Université Paris-Sud) Tests statistiques pour la biologie
[PDF] Tests statistiques et ses applications
?2 ? E(X E(X))2; k ? 12 Lorsque la distribution est symétrique S est nul comme cnest le cas de la loi normale et il est positif pour une distribution
[PDF] Tests statistiques
Pour les calculer on se ramenait à la loi N(0 1) en remplaçant la statistique de test T par sa valeur centrée réduite : T = T ? 50 ? 25 Si on admet que
Quels sont les différents tests statistiques ?
Comparaison de deux fréquencesTest 2P Corrélations Corrélation de 2 variables R² et coefficient de student Corrélation de k variables avec un Y Régression multi linéaire Comment faire des tests statistiques ?
D'un point de vue pratique, les principales étapes sont :
1Construire les hypothèses H0 et H1.2Déterminer les risques d'erreur alpha, beta.3Déterminer la situation du test : unilatéral ou bilatéral.4Choisir le test adapté : chaque test a ses conditions d'application.5Calculer le « p » gr? au test et l'interpréter.Quels sont les grands principes d'un test statistique ?
Les tests statistiques permettent de contrôler la validité d'une hypothèse émise sur une population-mère, à partir des observations effectuées sur un échantillon. L'hypothèse ainsi énoncée est appelée hypothèse nulle ou H0.- L'hypothèse selon laquelle on fixe à priori un paramètre de la population à une valeur particulière s'appelle l'hypothèse nulle et est notée H0. N'importe quelle autre hypothèse qui diffère de l'hypothèse H0 s'appelle l'hypothèse alternative (ou contre-hypothèse) et est notée H1.
![Mesures dassociations et Tests statistiques Mesures dassociations et Tests statistiques](https://pdfprof.com/Listes/17/30737-17TCEM_Tests-statistiques_Rappels.pdf.pdf.jpg)
Mesures d'associations
etTests statistiques
Rappels
Mesures d'association
• Objectif des études - Descriptif - Analytique recherche de facteurs associés à un événement clinique / caractéristique particulière • 2 principales mesures d'association - Risque Relatif étude de cohorte - Odds ratio / rapport de cotes • étude cas-témoin • voir étude transversaleRappel : Risque Relatif
Malades Non malades
Exposés a b R1=a/(a+b)
Non exposés c d R0=c/(c+d)
RR=1 le facteur n'est pas lié à la maladie
RR< 1 le facteur est associé à une diminution du risque de maladie (facteur protecteur) RR> 1 le facteur est associé à une augmentation du risque de maladie (facteur de risque) Estimation possible dans le cadre de cohorte pas de contrôle de la proportion de malades et de non malades + suivi dans le temps(R0) exposénon si maladie la développer de Risque(R1)facteur au exposé si maladie la développer de RisqueRR
Exemple
choriorétinite pas de choriorétiniteAutres lésions
Toxoplasmiques191635
Pas d'autres 60 232 292
Lésion
79 248 327
RR=(19/35)/(60/292)=2.64
Les enfants présentant d'autres signes de toxoplasmose congénitale à la naissance ont un risque multiplié par plus de2.5 de développer une choriorétinite au cours de leurs
enfance que ceux n'ayant pas de lésions ORMalades Non malades
Exposés a b
Non exposés c d
• Même interprétation que le RR • Bonne estimation du RR si la maladie est rare dans la population (prévalence faible) • Utilisé dans les études cas-témoins (contrôle de la proportion de malades/non malades estimation RR impossible) cbda RR RROR u u 0)01( )11(1Exemple
toxoplasmose pas de (cas) toxoplasmoseViande insuffisamment 44 15 59
cuitePas de consommation 36 65 101
de viande insuf. cuite80 80 160
OR=(44x65)/(36x15)=5.3
Les femmes ayant consommé de la viande insuffisamment cuite sont plus fréquemment contaminées par le toxoplasma gondii que les femmes n'en ayant pas consomméAutres mesures d'association
• Plus accessoire - Excès de risque •R=R1-R0 •Si R=0pas d'association entre exposition et maladie - Risque attribuable • Proportion de cas de maladie dans la population qui seraient évités si l'exposition au facteur était supprimée avec p, fréquence de l'exposition dans la population - Fraction étiologique du risque (RA chez les exposés) • FER=(RR-1)/RR1)1()1(
uRRpRRpRA
Mesures d'association
• 2 principales - Risque Relatif - Odds ratio / rapport de cotes • Question : association significative ?Rôle des statistiques
Population générale
Population cible
Echantillon
Estimations, Intervalles de confiances, tests
Inférence statistique
À moduler suivant la
représentativité de l'échantillonGénéralisation si les caractéristiques de la population cible ne sont pas trop éloignées de celles de la population généraleSignification statistique
• 2 méthodes - Intervalle de confiance - TestIntervalle de confiance
• Intervalle dans lequel la vraie valeur a une probabilité p de se situerExemple IC à 95%:
• La vraie valeur a 95% de chances d'être à l'intérieur de l'intervalle, • et 5% de chances d'être à l'extérieur (2,5% au dessus de la borne sup, 2,5% en dessous de la borne inf) •Deux règles - Plus la taille de l'échantillon est grande, plus l'IC est étroit - Plus le risque d'erreur alpha accepté est grand, plus l'IC est étroitIC à 95%IC à 90%
5% 2.5%5%2.5%
Intervalle de confiance
• RR ou OR - Si l'intervalle de confiance comprends 1 pas d'association entre l'exposition et l'événement étudié - Si l'intervalle de confiance ne comprends pas 1 association significative entre l'exposition et l'événement étudié -Exemple • RR de développer une choriorétinite en cas de calcification intracrânienne chez des enfants atteints de toxoplasmose congénitale : 2.61 (1.49- 4.59)Tests statistiques
• Résultat sur un échantillon m1m2 • Quel serait le résultat sur la population cible? problème des fluctuations d'échantillonnage -Population m1 m2 Si tire 100 échantillons différents m1=m2 dans un certain nombre d'entre eux -Population m1=m2 Si tire 100 échantillons différents m1 m2 dans un certain nombre d'entre euxTests statistiques et risque
d'erreurs •Test statistique - consiste à rejeter ou non une certaine hypothèse (hypothèse nulle) qui concerne la population étudiée aux vues des résultats observés sur l'échantillon inférence à la population cible - En pratique, calcul de la probabilité p (p-value) d'observer sur un échantillon quelconque de même effectif • une différence entre proportions (moyennes)• qui soit à celle observée sur l'échantillon d'étude du fait du hasard (pas de différence dans la
population cible)Tests statistiques et risque
d'erreurs •Deux types d'erreurs en statistique : -: probabilité de conclure à une différence alors qu'elle n'existe pas -p < (en général, 5%): différence significative c-a-d la différence observée ne peut pas être due au hasard -p : différence non significative , mais on ne peut pas exclure que cette différence existe réellement -ǀ: probabilité de conclure qu'il n'y a pas de différence alors qu'elle existe réellement et paramètres sont fixés en début d'étude (éléments du calcul du nombre de sujets nécessaire)Tests statistiques et risque d'erreurs
Réalité dans la population
Pas de
différence (H0)Différence (H1)Conclusion
du testPas de
différence significativeConclusion vraie1-Ĵ
Conclusion
fausseDifférence
significativeConclusion fausseConclusion vraie
1-ǀ
'Puissance'En pratique
• Test de l'association entre la présence d'un nouveau marqueur et la survenue d'un IDM - Données • P1=proportion d'IDM chez les patients porteurs du marqueur • P2= proportion d'IDM chez les patients non porteurs -Hypothèses • Hypothèse nulle : P1=P2 • Hypothèse alternative : P1P2En pratique
• Au risque de 5% fixé a priori - Résultat du test -P=0.002 : » on a moins de 2 chances pour 1000 de se tromper en considérant que les deux pourcentages diffèrent et qu'il existe une association. » La différence observée ne peut être due au hasard -P=0.15 test non significatif : on a 15% de chance de se tromper si on considère que les deux pourcentages diffèrent » Soit effectivement pas de différence dans la population » Soit manque de puissance : on ne peut pas mettre en évidence une différence alors qu'elle existeEn pratique
• p-value (p) = probabilité de rejeter à tort l'hypothèse nulle - Risque alpha de 5% fixé a priori - p-value calculée pour le test > 0.05 pas de rejet de H0 (test non significatif) - p-value calculée pour le test 0.05 rejet de H0 (test significatif)Principaux tests
variables Qualitative QuantitativeQualitative Chi-2 de Pearson
-CA :Effectif théorique 5
-Alternative: * correction de Yates * test exact de Fisher >2 groupes : ANOVA -CA : *normalité de la variable quant. dans chaque groupe * homogénéité des variances- Alternative : Kruskal-Wallis
Quantitative 2 groupes : test de Student
-CA : *normalité de la variable quant. dans chaque groupe * homogénéité des variances- Alternative : Mann-WhitneyCorrélation de Pearson / régression linéaireCA: normalité
-Alternative: corrélation des rangs de SpearmanPrincipaux tests
• Mesures répétées chez les mêmes sujets - Comparaison de pourcentage test=chi2 de McNemar - Comparaison de moyennes test? • 2 groupes : test de Student apparié • >2 groupes : ANOVA pour mesures répétées • Non paramétrique : Wilcoxon - Concordance? • Variables qualitatives : coefficient Kappa • Variables quantitatives : coefficient de corrélation intraclasseAnalyse
multivariée/multivariable • Permet de tenir compte de facteurs de confusion - Facteur lié à l'exposition et à la maladie - Possible explication association entre exposition et maladie -Exemple : •1ère
observation : association du stade du cancer et du risque de décès •2ème
observation : indication ou non d'une chimiothérapie en fonction du stade du cancer • Si étude - de l'association entre chimiothérapie et risque de décès effet péjoratif de la chimio - Idem + prise en compte du stade dans l'analyse effet bénéfique• Le stade est un facteur de confusion dans l'étude de la relation entre chimio et décès
Analyse multivariée
• Permet de tenir compte de facteurs de confusion ajustement+++ - =estimation de • l'effet proprede la variable d'intérêt sur le risque de survenue de l'événement étudié • indépendamment de l'impact des facteurs de confusion - Méthode : modèle multivarié/multivariableRelation de type Y=+X
Y= décès/autre critère de jugement=variable à expliquer X= variables explicatives (chimio, stade, age, sexe,...)Exemple: Y=f(+
1 chimio + 2 stade + 3 age+ 4 sexe) Les éléments qui suivent seront revus en MM1Modèles possibles en fonction de
la variable à expliquer (Y) • Variable quantitative régression linéaire : Y =+X - Surtout étude transversale / biologiqueRégression linéaire
•Exemple: effet d'un traitement et de l'âge sur le taux de lymphocytes CD4 chez des patients VIH+ - Variable à expliquer = CD4 - Variables explicatives: X1=traitement (X= 1 quand le patient reçoit le traitement et 0 dans le cas contraire) et X2=âge (en années)Equation : CD4= +
1 X 1 2 X 2 -CA : CD4 distribution # normale -Exemple : •CD4= +X 1 + (-2) X 2 • Interprétation pour un patient de 30 ans - Âge : le taux de CD4 diminue de 2 cellules/mm3 pour chaque année d'âge supplémentaire - Traitement : le taux de CD4 est égal à 100 +200 -2x30=240 si le patient reçoit le traitement et à 100-2x30=40 sinonModèles possibles en fonction de
la variable à expliquer - Variable à expliquer = compte d'événement peu fréquent dans une population () régression de Poisson : log()=+X • Surtout - études d'incidence, de mortalité, en population - Études de cohortesRégression de Poisson
• Interprétation : -log() augmente de chaque fois que X augmente d'une unité - Exemple : log()=0.0025 + 0.25( département X vs département de référence )+ 0.02 âge - 0.2(sexe) -Exp()=risque relatif • RR département X vs département de référence = exp(0.25)=1.28 l'incidence est 1.28 fois plus importante dans le dept X que dans le dept de référence • RR pour l'âge : pour chaque augmentation d'une année d'âge l'incidence est augmenté de : exp(0.02)=1.02, soit 2%Modèles possibles en fonction de
la variable à expliquerY = Variable qualitative à deux classes
(dichotomique) régression logistique Y= proportion =P logit (Y)= log(P/(1-P))=+X avec exp()=OR • Exemple : réponse au traitement • Surtout utilisé dans - Études cas-témoin - Études transversales - Études pronostiques avec établissement d'un scoreModèles possibles en fonction de
la variable à expliquer - Délai de survenue d'un événement (décès, récidive, infection opportuniste)Analyse de survie (time-to-event analysis)
• Application : - études de cohortes, études pronostiques, essais thérapeutiques - Très utile en cas de suivi inégal entre les sujets : » estimation des probabilités de survenue d'un événement à chaque temps » en tenant compte des individus restant encore à risque dans l'étude à ce temps là et de ce qui s'est passé au temps précédent •Univarié -courbes de Kaplan-Meierestimation de la probabilité de survenue de l'événement à un temps donné - Test du logrank comparaison des courbes00.10.20.30.40.50.60.70.80.91
0 6 12 18 24 30 36 42 48
Arm A (Surgery)Arm B (Chemo-radiation)
Patients at risk :
Arm A (surgery) 129 108 79 51 31 25 23 17 13
Arm B 130 122 84 61 40 29 25 21 14
(chemo-radiation) ITT time (months)Médiane du délai de survie
Probabilité de survie à 1 an dans le bras A=67% Probabilité de décès à 1 an dans le bras A=100-67%=33%Modèles possibles en fonction de
la variable à expliquer • Délai de survenue d'un événement (décès, récidive, infection opportuniste) analyse de survie (time-to-event analysis) -Univarié-Multivarié • Modèles paramétriques : exponentiel, Weibull • Modèle semi-paramétrique des risques proportionnels = modèle de Cox•estimation du RR=exp()En résumé
• Analyse multivariée estimation de • l'effet proprede la variable d'intérêt X sur le risque de survenue de l'événement étudié Y • indépendamment de l'impact des facteurs de confusionChoix du modèle dépend de la nature de Y• Y=Variable quantitative régression linéaire
• Y=Taux (incidence)régression de Poisson (RR) • Y= Variable dichotomique (0/1) régression logistique (OR) • Y=Délai de survenue d'un événement analyse de survie / modèle de Cox (RR) On obtient des mesures d'association (RR ou OR) ajustées, mais l'interprétation finale dépend de l'intervalle de confiance de ces mesuresquotesdbs_dbs30.pdfusesText_36[PDF] comment soigner le cholestérol naturellement
[PDF] cours biochimie structurale premiere année medecine
[PDF] tableau cholesterol total
[PDF] cours de biochimie 1ere année biologie
[PDF] cours de biochimie 1 annee medecine
[PDF] régulation et déséquilibre macroéconomique cours 1ere es
[PDF] le chomage au maroc exposé
[PDF] date versement allocation chomage rectorat
[PDF] indemnisation chomage rectorat
[PDF] exposé sur le chomage au maroc ppt
[PDF] chomage contractuel education nationale
[PDF] cellule chomage rectorat
[PDF] demission education nationale chomage
[PDF] explication du chômage