𝗟𝗮 𝗺𝗲𝘀𝘂𝗿𝗲 𝗱𝗲𝘀 𝗽-𝘃𝗮𝗹𝘂𝗲𝘀 𝗲𝘀𝘁 𝘂𝗻 𝗽𝗿𝗼𝗯𝗹è𝗺𝗲 𝗿é𝗽𝗮𝗻𝗱𝘂 𝗱𝗮𝗻𝘀 𝗹𝗮 𝗿𝗲𝗰𝗵𝗲𝗿𝗰𝗵𝗲 𝘀𝗰𝗶𝗲𝗻𝘁𝗶𝗳𝗶𝗾𝘂𝗲

Les p-values sont souvent 𝓶𝓪𝓵 𝓬𝓸𝓶𝓹𝓻𝓲𝓼𝓮𝓼 𝓮𝓽 𝓶𝓪𝓵 𝓪𝓹𝓹𝓵𝓲𝓺𝓾é𝓮𝓼, ce qui conduit à des conclusions incorrectes. Une 𝗽-𝘃𝗮𝗹𝘂𝗲𝘀 mesure la probabilité d’obtenir des résultats 𝓪𝓾 𝓶𝓸𝓲𝓷𝓼 𝓪𝓾𝓼𝓼𝓲 𝓮𝔁𝓽𝓻ê𝓶𝓮𝓼 𝓺𝓾𝓮 𝓬𝓮𝓾𝔁 𝓸𝓫𝓼𝓮𝓻𝓿é𝓼, en supposant que l’ 𝓱𝔂𝓹𝓸𝓽𝓱è𝓼𝓮 𝓷𝓾𝓵𝓵𝓮 est vraie.

𝕻𝖗𝖔𝖇𝖑è𝖒𝖊𝖘 𝖈𝖔𝖚𝖗𝖆𝖓𝖙𝖘 𝖑𝖎é𝖘 𝖆𝖚𝖝 𝖕-𝖛𝖆𝖑𝖚𝖊𝖘 :

𝓐𝓬𝓬𝓮𝓷𝓽 𝓮𝔁𝓬𝓮𝓼𝓼𝓲𝓯 𝓼𝓾𝓻 𝓵𝓪 𝓼𝓲𝓰𝓷𝓲𝓯𝓲𝓬𝓪𝓽𝓲𝓿𝓲𝓽é :

Les chercheurs se concentrent souvent sur le fait que les p-values soient en dessous d’un seuil (ex. 𝟎,𝟎𝟓), en ignorant la 𝒕𝒂𝒊𝒍𝒍𝒆 𝒅𝒆 𝒍’𝒆𝒇𝒇𝒆𝒕 et la 𝒔𝒊𝒈𝒏𝒊𝒇𝒊𝒄𝒂𝒕𝒊𝒐𝒏 𝒑𝒓𝒂𝒕𝒊𝒒𝒖𝒆 des résultats.

𝓟-𝓱𝓪𝓬𝓴𝓲𝓷𝓰 :

Manipulation des données ou des conditions expérimentales afin d’obtenir des p-values statistiquement significatives.

𝓜𝓪𝓾𝓿𝓪𝓲𝓼𝓮 𝓲𝓷𝓽𝓮𝓻𝓹𝓻é𝓽𝓪𝓽𝓲𝓸𝓷 :

Croire qu’une p-value faible prouve 𝒍’𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒂𝒍𝒕𝒆𝒓𝒏𝒂𝒕𝒊𝒗𝒆 ou qu’une p-value élevée confirme 𝒍’𝒉𝒚𝒑𝒐𝒕𝒉è𝒔𝒆 𝒏𝒖𝒍𝒍𝒆.

𝓘𝓰𝓷𝓸𝓻𝓮𝓻 𝓵𝓮 𝓬𝓸𝓷𝓽𝓮𝔁𝓽𝓮 :

Ne pas tenir compte du contexte général de l’étude, y compris les 𝒑𝒓𝒆𝒖𝒗𝒆𝒔 𝒂𝒏𝒕é𝒓𝒊𝒆𝒖𝒓𝒆𝒔 et la 𝒄𝒐𝒏𝒄𝒆𝒑𝒕𝒊𝒐𝒏 𝒅𝒆 𝒍𝒂 𝒓𝒆𝒄𝒉𝒆𝒓𝒄𝒉𝒆.

Le graphique présenté dans ce post est une version modifiée de cette image Wikipédia : https://lnkd.in/excrvvJm

Êtes-vous prêt à exploiter le pouvoir de vos données pour mieux comprendre et servir votre organisation ?

N’oubliez pas d’aimer, partager et laisser votre avis en commentaire.

N'hésitez surtout pas à nous contacter ou à prendre part à la prochaine session de notre formation en 𝙀𝙘𝙤𝙣𝙤𝙢é𝙩𝙧𝙞𝙚 𝙚𝙩 𝙏𝙚𝙘𝙝𝙣𝙞𝙦𝙪𝙚𝙨 𝙌𝙪𝙖𝙣𝙩𝙞𝙩𝙖𝙩𝙞𝙫𝙚𝙨

#bigdata #rprogramming #datavisualization #datascience #statistiques #dataviz

See insights and ads

Boost post

All reactions:

11You, Infos du Mboa, Statisticsofhome and 8 others