Collection
Explications des comparaisons statistiques
Des explications claires côte à côte pour les termes statistiques que l'on confond le plus souvent.
Les recherches de comparaison sont généralement urgentes : quelqu'un a vu deux termes statistiques dans le même article, tableau, tableau de bord ou étude et a besoin de savoir s'ils signifient la même chose. Ce n'est généralement pas le cas. Une valeur p n'est pas un intervalle de confiance, une moyenne arithmétique n'est pas une médiane, et la corrélation n'est pas la causalité. Cette collection rassemble les explications côte à côte les plus utiles en un seul endroit.
Utilise ces pages lorsqu'une simple définition est trop maigre. Chaque comparaison explique à quoi répond chaque terme, l'erreur qui rend la paire déroutante et la situation où un terme est plus sûr que l'autre. Tu obtiens ainsi de meilleures décisions plutôt que des anecdotes de vocabulaire : savoir quel nombre décrit l'échelle, lequel décrit l'incertitude, et lequel ne donne qu'un indice.
Commence par la paire qui se trouve devant toi. Si tu lis une étude, commence par valeur p vs intervalle de confiance ou erreur type vs écart-type. Si tu lis un gros titre, commence par risque relatif vs risque absolu ou corrélation vs causalité. Si tu lis des revenus, des prix, des temps d'attente ou des données dissymétriques, commence par moyenne arithmétique vs médiane.
Choisis la paire qui correspond à l'affirmation
Un tableau d'étude nécessite généralement des valeurs p, des intervalles de confiance, des erreurs types et des écarts-types. Un gros titre nécessite généralement un cadrage du risque ou des vérifications de causalité. Un ensemble de données dissymétrique nécessite généralement une moyenne arithmétique et une médiane. Commencer par la bonne paire permet de garder la question suffisamment précise pour y répondre clairement.
Lis le tableau avant l'histoire
Chaque page de comparaison comprend un tableau compact : à quoi répond chaque terme, ce que les gens comprennent mal, et quand l'utiliser. Lis ce tableau en premier. Utilise ensuite l'exemple pratique et l'élément interactif pour tester si la distinction change ta façon d'interpréter l'affirmation d'origine.
Utilise les comparaisons comme des vérifications internes
Les paires se renforcent mutuellement. Les intervalles de confiance et les erreurs types décrivent tous deux l'incertitude. Le risque relatif et la corrélation semblent tous deux plus forts qu'ils ne le sont peut-être sans contexte. La moyenne arithmétique et la médiane te rappellent qu'un résumé unique peut cacher la forme. Naviguer entre les pages permet de construire une liste de contrôle pratique pour la lecture des chiffres.
Faits mis en avant
Trucs de données
5 min · moyen
Valeur p et intervalle de confiance : ce que chacun vous apprend
Une valeur p se demande si les données semblent surprenantes sous un modèle nul. Un intervalle de confiance demande quelles tailles d'effet restent plausibles.
Trucs de données
5 min · facile
Moyenne vs médiane : quelle moyenne dois-tu utiliser ?
La moyenne partage le total de manière égale. La médiane trouve le cas du milieu. Dans des données biaisées, celles-ci peuvent raconter des histoires très différentes.
Risque et décisions
5 min · moyen
Risque relatif vs risque absolu : la différence qui change les décisions
Le risque relatif t'indique combien de fois un risque a augmenté. Le risque absolu t'indique combien de personnes supplémentaires sont touchées.
Trucs de données
5 min · facile
Corrélation et causalité : pourquoi évoluer ensemble ne prouve rien
La corrélation indique que deux choses évoluent ensemble. La causalité indique que l'une modifie l'autre. Un troisième facteur caché peut donner l'illusion d'une causalité.
Trucs de données
5 min · facile
Erreur type et écart-type : dispersion et précision
L'écart-type décrit la dispersion parmi les valeurs individuelles. L'erreur type décrit l'incertitude d'une estimation telle que la moyenne.
Leçons
Un petit p n'est pas une preuve
Une petite valeur p indique que les données seraient surprenantes sous un modèle nul, et non que l'affirmation est probablement vraie ou importante.
L'incertitude requiert des plages
Un nombre mesuré est généralement une meilleure estimation entourée d'une oscillation d'échantillonnage, de sorte que les comparaisons honnêtes nécessitent des plages ainsi que des estimations ponctuelles.
Les moyennes cachent la forme
Un seul nombre ne peut pas capturer une distribution asymétrique.
Demande le nombre absolu
Un changement en pourcentage n'a aucun sens sans la base qu'il modifie.
Les causes partagées créent de faux liens
Une cause commune cachée peut faire varier ensemble des choses sans lien.
La précision obéit à la loi de la racine carrée
Plus de données aident, mais l'erreur aléatoire diminue lentement : pour diviser par deux le bruit dans une moyenne, il faut généralement quatre fois plus d'observations.
Concepts
Valeurs p
Une valeur p est la probabilité d'observer des données au moins aussi extrêmes si un modèle nul spécifique était vrai. Ce n'est pas la probabilité que l'affirmation soit fausse, ni la chance que le résultat soit aléatoire, ni une mesure de l'ampleur ou de l'importance de l'effet.
Intervalles de confiance
Un intervalle de confiance est une plage produite par une méthode qui capture la vraie valeur une proportion définie du temps sur des échantillons répétés. Il décrit l'incertitude de la méthode d'estimation, et non une garantie personnelle qu'un intervalle déjà calculé contient la vérité.
Les moyennes trompent
La moyenne arithmétique additionne tout et divise, de sorte que quelques valeurs extrêmes peuvent l’éloigner fortement du cas typique. Dans des données asymétriques, la médiane — la valeur du milieu — représente mieux ce qui est normal. Renseigne-toi sur la forme des données, pas seulement sur leur moyenne.
Risque absolu et risque relatif
Un changement relatif (« 50 % de plus », « double votre risque ») masque l’importance réelle du risque sous-jacent. Une augmentation relative importante sur un taux de base infime reste infime. Demande toujours les chiffres absolus — combien sur 100 avant et après — et pas seulement le pourcentage de changement.
Corrélation et causalité
Le fait que deux choses évoluent ensemble ne signifie pas que l’une cause l’autre. Un troisième facteur de confusion peut être à l’origine des deux, ou le lien peut être une coïncidence. Établir la causalité nécessite plus qu’une corrélation — généralement une comparaison contrôlée.
Erreur type
L'erreur type est la fluctuation d'échantillonnage typique d'une estimation telle qu'une moyenne. Pour des observations indépendantes, l'erreur type d'une moyenne diminue avec la racine carrée de la taille de l'échantillon, de sorte que diviser l'erreur par deux nécessite généralement quatre fois plus de données.
Écart-type
L'écart-type décrit la dispersion des observations individuelles autour de leur moyenne. Il concerne la variation au sein des données elles-mêmes. L'erreur type est différente : elle décrit à quel point une estimation telle que la moyenne de l'échantillon varierait sur des échantillons répétés.
Incertitude
La fourchette honnête qui subsiste après les limites de mesure, les choix de modèles et les informations manquantes. Un chiffre unique peut être utile comme point médian, mais les décisions ont généralement aussi besoin de valeurs plausibles basses et hautes. De bonnes estimations énoncent les hypothèses qui modifieraient la réponse.