Une valeur p n'est pas la probabilité que ton résultat soit faux

Q: Qu'est-ce qu'une valeur p en français simple ?

C'est la probabilité d'observer des données au moins aussi extrêmes si le modèle nul testé était vrai. Elle mesure à quel point les données sont surprenantes sous ce modèle.

Q: Pourquoi p = 0,05 n'est-il pas un seuil de preuve ?

Parce que le seuil est une convention, pas une loi de la nature. Des résultats juste en dessous et juste au dessus de 0,05 peuvent être pratiquement similaires, et tous deux nécessitent un contexte sur la conception, la taille de l'effet et la réplication.

Une valeur p est un test de surprise : elle demande à quelle fréquence un résultat aussi extrême apparaîtrait s'il n'y avait vraiment aucun effet. Elle ne t'indique pas la probabilité que ton résultat soit faux.

Une valeur p t'indique à quel point les données seraient inhabituelles sous une hypothèse de départ choisie — souvent « aucun effet ». Elle ne dit pas si une affirmation est vraie ni quelle est l'ampleur de l'effet.

Par l'équipe de rédaction de Math Says Yes

Examiné par des humains selon nos normes en matière de sources et de corrections.

Comment nous évaluons le contenu

LE PIÈGE

Un petit nombre ressemble à un score direct indiquant si une affirmation est vraie. Ce n'est pas le cas : le calcul part d'une hypothèse et vérifie à quel point les données seraient surprenantes.

Une petite étiquette de valeur p à côté d'une courbe de modèle nul avec la queue mise en surbrillance.

Ce que dit la valeur p

Commençons par un exemple quotidien. Une pièce tombe sur pile 60 fois sur 100 lancers. Une répond à une seule question précise : si la pièce était équilibrée, à quelle fréquence 60 piles ou plus se produiraient-ils ? Environ 2,8 % du temps. Plus ce nombre est petit, plus le résultat est surprenant sous l'hypothèse de la "pièce équilibrée". Dans les études, l'hypothèse de départ est généralement "pas de différence" ou "pas d'effet". Les statisticiens appellent cela le modèle nul.

Ce que montrent les chiffres

environ 3 essais avec 60 piles ou plus

environ 97 séries avec moins de 60 piles

Sur 100 séries de 100 lancers de pièce équilibrée, environ 3 produisent 60 piles ou plus.

Ce qu'elle ne dit pas

La n'est pas la que l' soit vraie. Ce n'est pas la probabilité que le résultat soit dû au pur hasard. Ce n'est pas la probabilité que l'affirmation de la recherche soit fausse. Ce n'est pas non plus une mesure de la taille de l'effet. Une toute petite valeur p peut provenir d'un énorme détectant une différence minime, tandis qu'un effet réel mais bruyant peut produire une grande valeur p dans une petite étude.

Pourquoi cela ressemble à une preuve

Les petits nombres semblent décisifs. Un résultat étiqueté p < 0,05 reçoit également un mot spécial, significatif sur le plan statistique, qui évoque l'importance ou la preuve. Le cerveau inverse alors la direction de la question : au lieu de demander à quel point les données sont surprenantes si le modèle nul est vrai, il demande à quel point le modèle nul est probable après avoir vu les données. Cette deuxième question nécessite un contexte que la ne contient pas.

Comment l'utiliser

Lisez la aux côtés de la taille de l'effet, de l', de la conception de l'étude, de la taille de l' et du nombre de tests essayés. Demandez-vous si l'hypothèse a été planifiée avant l'examen des données et si des études indépendantes observent le même schéma. Une petite valeur p peut être un indice utile contre un modèle nul. Elle ne devient trompeuse que lorsqu'on la promeut d'un simple indice en verdict.

Exemple concret

Imagine qu'un modèle de pièce équilibrée prédise environ 50 piles sur 100 lancers, et que tu en observes 62. Une demande à quelle fréquence le modèle de pièce équilibrée générerait un résultat au moins aussi inhabituel selon la définition du test. Elle ne demande pas si la pièce est équilibrée après avoir vu les données. Cette deuxième question nécessite des attentes préalables, d'éventuels modèles alternatifs et le coût de l'erreur.

Quand elle s'applique

Les valeurs p sont utiles lorsque le modèle nul est spécifié avant l'examen des données et que la conception de l'étude rend le test significatif. Sois beaucoup plus prudent lorsque de nombreuses hypothèses ont été testées, lorsque le seuil a été choisi après avoir vu les résultats, ou lorsqu'un d'échantillonnage ou de mesure pourrait expliquer le schéma. Une peut signaler une tension entre les données et le modèle ; elle ne peut pas sauver une question vague ou un biaisé.

Ce que les gens comprennent mal

Les gens traduisent souvent p = 0,03 par "il y a 97 % de chances que le résultat soit réel." Cela inverse la condition. La commence par supposer un modèle, puis mesure à quel point les données seraient surprenantes sous ce modèle. Elle ne met pas à jour la du modèle lui-même.

Note sur la source

La déclaration de l'American Statistical Association par Wasserstein et Lazar soutient la principale mise en garde de cette page : une n'est pas la qu'une hypothèse soit vraie, ni la probabilité que le résultat soit un bruit aléatoire, et ne remplace pas la taille de l'effet, la qualité de la conception ou le jugement scientifique. La source encyclopédique sert de contexte pour la définition de base.

FAQ

Qu'est-ce qu'une valeur p en français simple ?

C'est la probabilité d'observer des données au moins aussi extrêmes si le modèle nul testé était vrai. Elle mesure à quel point les données sont surprenantes sous ce modèle.

Pourquoi p = 0,05 n'est-il pas un seuil de preuve ?

Parce que le seuil est une convention, pas une loi de la nature. Des résultats juste en dessous et juste au dessus de 0,05 peuvent être pratiquement similaires, et tous deux nécessitent un contexte sur la conception, la taille de l'effet et la réplication.