QUESTIONS COURANTES

Sur cette page, vous aurez accès aux questions les plus courantes.
Vérifiez si vos doutes en font partie.

QUELLE EST LA TAILLE D'ÉCHANTILLON APPROPRIÉE POUR MA RECHERCHE ?

Il n'y a pas de réponse magique à cette question. Ce serait la même chose si je vous demandais : "Qu'est-ce que je dois porter ce soir ?" Ne sachant pas où je vais, ce que je vais faire, s'il va faire chaud ou froid, vous ne pouvez pas répondre correctement. 
Pour calculer la taille de l'échantillon, vous devez connaître certaines informations :
- Quel est le but de la recherche (description de la population, comparaison entre des moyennes de population, etc.).
- Quelle est la principale variable de résultat (variable primaire) de la recherche, et son type (qualitatif nominal, qualitatif ordinal ou quantitatif).
- Degré de confiance dans l'estimation de la population (généralement, nous devrions définir les erreurs Alpha (Erreur de Type I) et Beta(Erreur de Type II), en biologie la plus utilisée est Alpha= 5% et Beta= 20%).
- Dans le cas d'une comparaison entre populations, il faut connaître la plus petite différence entre les populations qui soit d'importance clinique, et par conséquent importante à détecter par la recherche.
- Il faut aussi estimer la variabilité de la variable primaire dans les populations étudiées (par exemple dans le cas d'une variable quantitative, quel est l'écart type dans la population).
Sans cette information, il est impossible de déterminer la taille d'échantillon appropriée.

QU'EST-CE QUE LE "POUVOIR DU TEST" ?

Qu'est-ce que le "pouvoir des tests" ?
Réponse : La puissance statistique d'un test est la probabilité que le test rejette effectivement l'hypothèse nulle lorsqu'elle est fausse. Dans les tests d'hypothèses, l'erreur bêta (erreur de type II) est la probabilité d'accepter l'hypothèse nulle alors qu'en fait elle est fausse, de sorte que la puissance du test est donnée par 1 - bêta.
La détermination de la puissance de test souhaitée pour calculer la taille de l'échantillon est un critère important. En biologie, ce sont des valeurs habituelles pour adopter une puissance de 80% ou 90% (Beta = 20% ou Beta = 10%) pour déterminer la taille de l'échantillon, en se rappelant que plus la puissance adoptée est grande, plus la taille de l'échantillon nécessaire est grande .

QUELLE EST LA MOYENNE CORRECTE DE TABULER MES DONNÉES D'ENQUÊTE POUR EFFECTUER UNE ANALYSE STATISTIQUE ?

Il y a une vidéo sur la chaîne PESQUISE sur youtube qui fournit des directives et des exemples de tabulation de données pour l'analyse statistique. De plus, ces normes sont également disponibles sur le site Web de la Faculté de médecine dentaire de Bauru-USP.

L'UNE DES PREUVES DE MES RECHERCHES PRÉSENTAIT UNE VALEUR TRÈS ÉCARTÉE PAR RAPPORT AUX AUTRES. PUIS-JE JUSTE LE REJETER DANS L'ANALYSE STATISTIQUE ?

Les valeurs aberrantes peuvent survenir pour plusieurs raisons.  Il est important d'identifier ce qui s'est passé avant de rejeter la valeur d'un ou de quelques spécimens.
Premièrement, il est nécessaire de vérifier qu'il n'y a pas eu de défaut méthodologique dans la préparation ou la mesure de l'échantillon. S'il y a eu ce type de problème, signalez ce qui s'est passé dans le rapport de recherche et jetez la valeur d'analyse. Si cela s'est produit sur plusieurs spécimens, il est préférable de revoir la méthodologie utilisée, car elle ne maintient pas une bonne standardisation.
Si aucun problème méthodologique n'est identifié et que les valeurs aberrantes ne se sont produites que dans un ou quelques cas, il existe des formules statistiques pour déterminer si nous pouvons considérer les valeurs comme des valeurs aberrantes et les supprimer de l'analyse.

QU'EST-CE QUE L'ERREUR SYSTÉMATIQUE ET L'ERREUR CASUAL ?

Lorsque vous effectuez des mesures à l'aide de méthodes susceptibles d'avoir des interférences avec le sujet effectuant la mesure, il est toujours intéressant d'évaluer si l'interférence du sujet reste à des niveaux acceptables. Pour évaluer « l'erreur de mesure », nous répétons la mesure de certains cas. Lorsque la répétition est effectuée par le même sujet, nous aurons le calcul de « l'erreur intra-examinateur », et lorsque la répétition est effectuée par un autre sujet, nous aurons le calcul de « l'erreur inter-examinateur ». Dans les mesures quantitatives, nous évaluons généralement deux types d'erreurs auxquelles les mesures sont sujettes : 1- "Erreur systématique" - nous voulons vérifier si la deuxième répétition de mesures a, en moyenne, une différence significative par rapport à la première mesure, idéalement il y a pas de différence significative, car cela indiquerait que les mesures d'une des répétitions sont systématiquement plus grandes que l'autre. 2- "Erreur occasionnelle" - nous voulons vérifier la différence entre la valeur réelle probable de la mesure et la valeur que le sujet obtient lors de la prise de mesure, c'est-à-dire si les différences individuelles dans chaque élément de la recherche sont grandes ou petites lorsque la mesure est répétée. En erreur aléatoire, le résultat est donné dans l'unité de la quantité mesurée (par exemple mm, cm, etc.) et non si la différence est significative ou non.

COMMENT INTERPRÉTER LE COEFFICIENT DE CORRÉLATION ENTRE DEUX VARIABLES ?

Le coefficient de corrélation (r) est une mesure du degré de relation entre deux variables. Il varie de -1 à 1, avec des valeurs positives indiquant que les deux variables (x et y) croissent dans le même sens, de sorte que lorsque x grandit, y grandit également (par exemple, plus un enfant est âgé, plus il est grand). D'autre part, les valeurs de corrélation négatives indiquent que x et y croissent dans des directions opposées, c'est-à-dire lorsque x augmente et y diminue (par exemple, plus un pays est riche, plus le taux de mortalité infantile est faible). Quant à la valeur du coefficient, plus elle est proche de -1 ou 1, plus le degré de corrélation entre les deux variables est élevé, et plus elle est proche de 0 (zéro) plus le degré de corrélation est faible. Ainsi, une valeur de r = 0,92 indique une forte corrélation entre x et y et une valeur de r = 0,11 indique une faible corrélation entre x et y.
Un test statistique est généralement effectué pour vérifier que r est statistiquement significatif et donc une valeur de p suit la valeur de r. Il est important de savoir que le test a comme hypothèse nulle que la corrélation est nulle dans la population. Ainsi, une valeur de p < 0,05 indique seulement que la corrélation entre x et y dans la population n'est pas nulle. La valeur p significative n'indique pas que la corrélation est forte, seulement qu'elle n'est pas nulle. Dans les grands échantillons, une valeur r = 0,11 peut être significative (p < 0,05) et ne pas être une forte corrélation.

J'AI UTILISÉ LES STATISTIQUES KAPPA POUR VÉRIFIER LE DEGRÉ D'ACCORD ENTRE DEUX ÉVALUATEURS D'UNE VARIABLE QUALITATIVE NOMINALE ET BIEN QUE LE POURCENTAGE D'ACCORD SOIT ÉLEVÉ, LA VALEUR KAPPA ÉTAIT TRÈS FAIBLE, POURQUOI ?

Cela peut se produire principalement si l'une des catégories de la variable apparaît un très petit nombre de fois et dans ces occurrences, il n'y a pas d'accord entre les évaluateurs. par exemple si, dans une évaluation de 100 cas, l'évaluateur A classe 98 cas en "Oui" et 2 cas en "Non" et l'évaluateur B classe les 100 cas en "Oui", le pourcentage d'accord sera de 98% mais le kappa donne 0 , 00 (zéro). Nous devons comprendre que kappa évalue s'il y a un bon accord dans toutes les catégories dans lesquelles les cas peuvent être classés, et dans l'exemple ci-dessus, nous aurions un bon accord lorsque la classification est "Oui", mais un mauvais accord lorsqu'il est "Non". , résultant en une faible valeur kappa.