Notre conseil
Estimation du biais de mesure selon plusieurs méthodes.

4.1 Prenez en compte le contexte de la décision à prendre

Conclure en l’absence ou non d’un biais significatif est une interprétation statistique qui comporte deux risques : celui d’admettre une différence alors qu’il y a équivalence (risque alpha), ou inversement, d’admettre une équivalence alors qu’il y a une différence (risque bêta). Cf. bibliographie d’E. Morice.

De plus, il est important de ne pas confondre la décision (différence déclarée « significative ») et la réalité (quel est l’impact réel de cette différence ?). Suivant les cas, le risque d’erreur dans la décision peut avoir des conséquences importantes qu’il convient de prendre en compte. Par exemple, l’eau reste liquide entre 10 °C et 30 °C alors qu’elle gèle en passant de 0,1 °C à -0,1 °C.

4.2 Pensez à la taille des échantillons

Statistiquement, l’échantillonnage joue énormément dans la détection d’un biais. En effet, la formule d +/- t*Sd/√n qui donne les limites de l’intervalle de dispersion d’une moyenne est très dépendante de la taille (n) de l’échantillon. Plus n est grand, plus il divisera l’écart-type des différences Sd ; l’incertitude s’affine alors autour de d. La taille n influe aussi les degrés de liberté (n-1) du fractile t de Student, qui tend alors à diminuer. Par conséquent, plus un échantillon est grand, et plus l’analyse sera en mesure de détecter la présence d’un biais. On parle aussi de puissance d’un test.

Exemple : deux échantillons de moyennes m1 et m2 et d’écarts-types identiques sont comparés pour une taille d’échantillonnage n = 10 (cf. figure n = 10) et n = 50 (cf. figure n = 50). Avec n = 10, l’équivalence sera déclarée (m2 = m1) alors qu’avec n = 50, c’est la différence qui sera déclarée (m2 > m1). La différence algébrique est pourtant la même.

4.3 Corrigez les biais lorsqu’ils sont...