Dans le domaine des sciences psychologiques et des méthodes quantitatives, la prise de décision fondée sur des données probantes repose sur un équilibre rigoureux entre la découverte scientifique et le contrôle de l’erreur aléatoire. Le niveau alpha constitue la pierre angulaire de l’inférence statistique fréquentiste, déterminant le seuil au-delà duquel un chercheur accepte de rejeter l’hypothèse nulle au risque de commettre un faux positif. Comprendre la dynamique, les limites et la portée épistémologique de cette valeur est indispensable pour appréhender la reproductibilité de la recherche contemporaine.
Niveau alpha (Seuil de signification statistique)
1. Définition concise
Le niveau alpha (α), communément désigné sous le terme de seuil de signification, représente la probabilité maximale tolérée par un chercheur de rejeter à tort l’hypothèse nulle ($H_0$) alors que celle-ci est fondamentalement vraie dans la population cible. En d’autres termes, il quantifie le risque acceptable de commettre une erreur de type I, c’est-à-dire de déclarer un effet psychologique ou une différence entre groupes significatif alors qu’il ne résulte que des seules fluctuations d’échantillonnage.
Dans la pratique expérimentale, cette valeur est fixée a priori, avant tout recueil et analyse des données, très fréquemment au seuil conventionnel de 0,05 (α = 5 %). Si la valeur $p$ (ou degré de significativité calculé) associée au test statistique choisi est inférieure ou égale à ce seuil alpha prédéterminé, l’expérimentateur conclut que la déviation observée par rapport au modèle nul est suffisamment improbable sous l’hypothèse de l’absence d’effet pour justifier le rejet de $H_0$. Inversement, une probabilité supérieure conduit à la non-rejection de l’hypothèse nulle sans pour autant prouver sa stricte véracité.
2. Étymologie et origine linguistique
La désignation « alpha » tire son origine directe de la première lettre de l’alphabet grec (α, alpha), elle-même issue de la racine phénicienne ‘āleph signifiant primitivement le bœuf ou le commencement ordonné. Dans les notations scientifiques modernes, l’alphabet grec a été massivement introduit pour distinguer les paramètres théoriques ou populationnels des statistiques descriptives d’échantillon, traditionnellement annotées en caractères latins.
L’introduction formelle du terme dans l’inférence méthodologique remonte aux travaux pionniers de Jerzy Neyman et Egon Sharpe Pearson à la fin des années 1920 et au début des années 1930. Ces mathématiciens ont forgé le cadre décisionnel binaire opposant l’hypothèse nulle à l’hypothèse alternative, formalisant les risques d’erreur symétriques sous les vocables d’erreur de première espèce (α) et d’erreur de seconde espèce (β). L’anglais alpha level ou significance level s’est ensuite diffusé dans la littérature psychométrique et statistique internationale, avant d’être transposé en français sous les expressions « niveau alpha », « seuil alpha » ou « niveau de signification ».
3. Prononciation et forme grammaticale
Sur le plan grammatical, le terme « niveau alpha » est un groupe nominal masculin singulier (au pluriel : « niveaux alpha » ou « niveaux alphas », bien que l’invariabilité de la lettre grecque soit préférentiellement respectée dans l’usage scientifique soutenu : des niveaux alpha). L’expression est composée du substantif « niveau » (dérivé du latin populaire *libellum, diminutif de libra, balance ou niveau) et du nom apposé ou adjectivé « alpha ».
La prononciation phonétique standard en français international s’écrit /ni.vo al.fa/. Dans le discours pédagogique et universitaire, on emploie indifféremment les synonymes « seuil alpha », « seuil de décision statistique » ou « risque de première espèce ». L’adjectivisation correspondante renvoie au concept de « significativité » (/si.ɲi.fi.ka.ti.vi.te/), souvent confondu à tort avec l’importance pratique ou clinique d’un phénomène.
4. Explication conceptuelle détaillée
Pour appréhender en profondeur le concept de niveau alpha en psychologie, il convient de se plonger dans la logique inductive qui structure le test d’hypothèse fréquentiste. Le chercheur cherche généralement à vérifier une hypothèse de recherche (par exemple, l’efficacité d’une thérapie cognitive-comportementale sur la réduction de l’anxiété par rapport à une liste d’attente). Afin d’éviter les biais de confirmation inhérents à l’observation humaine, la démarche statistique procède par réfutation : elle pose une hypothèse nulle stipulant l’égalité absolue des moyennes des deux groupes au sein de la population globale.
Le niveau alpha fixe la frontière critique sur la distribution théorique d’échantillonnage sous-jacente à $H_0$. Il délimite la « région critique » (ou zone de rejet) située dans les queues de la distribution. Lorsque les observations empiriques génèrent une statistique de test dont la rareté dépasse la norme fixée par alpha, l’investigateur prend la décision probabiliste d’abandonner le modèle nul. Par conséquent, le niveau alpha n’est pas une propriété intrinsèque des données recueillies, mais une règle normative et délibérée adoptée par la communauté scientifique pour modérer l’incertitude.
La délimitation du périmètre conceptuel du niveau alpha impose de souligner ce qu’il n’est pas. Une méprise fréquente parmi les étudiants et certains praticiens consiste à croire qu’alpha représente la probabilité que l’hypothèse nulle soit vraie au terme de l’étude, ou encore la probabilité que la réplication de l’expérience échoue. En statistique fréquentiste, l’hypothèse nulle n’est pas une variable aléatoire dotée d’une distribution de probabilité : elle est soit vraie, soit fausse dans la réalité ontologique. Le seuil alpha désigne exclusivement la probabilité d’obtenir des données au moins aussi extrêmes que celles observées si l’on postule d’emblée la véracité absolue du modèle sans effet.
Un autre aspect structural réside dans l’indivisibilité du compromis entre alpha et la puissance statistique ($1 – eta$). À taille d’échantillon et taille d’effet constantes, toute tentative unilatérale de réduire drastiquement le niveau alpha (par exemple en passant de 0,05 à 0,001 pour bannir les faux positifs) entraîne mécaniquement une augmentation du risque d’erreur de type II (β), c’est-à-dire le risque d’ignorer un effet psychologique pourtant bien réel. Le niveau alpha se situe ainsi au carrefour d’une négociation épistémologique majeure : arbitrer entre l’excès de crédulité intellectuelle et l’excès de scepticisme aveugle.
5. Évolution historique
L’histoire de la formalisation du seuil de signification est marquée par des controverses théoriques intenses qui ont façonné les sciences du comportement tout au long du XXe siècle. Les prémices de la notion émergent dès le début des années 1900 avec William Sealy Gosset (sous le pseudonyme de « Student »), qui introduit la distribution de Student pour l’analyse des petits échantillons, puis se cristallisent sous l’impulsion monumentale de Sir Ronald Aylmer Fisher.
Dans ses ouvrages fondateurs Statistical Methods for Research Workers (1925) et The Design of Experiments (1935), Fisher introduit l’idée d’un « test de signification ». Fisher envisageait la valeur $p$ comme un baromètre continu permettant de juger du caractère surprenant des données face à une hypothèse nulle unique. Il suggère le seuil de $P = 0,05$ comme une convention pratique et indicative, correspondant approximativement à deux écarts-types de la moyenne sur une courbe normale, afin de distinguer les résultats méritant une seconde expérimentation de ceux relevant du pur bruit statistique. Fisher insistait fermement sur le fait que ce seuil ne devait en aucun cas constituer une règle mécanique rigide.
À l’opposé de cette approche continue, Jerzy Neyman et Egon Pearson publient entre 1928 et 1933 une série de mémoires instituant la théorie décisionnelle des « tests d’hypothèses » ($H_0$ contre $H_1$). C’est dans ce cadre mathématique que le « niveau alpha » est baptisé et assigné de manière formelle et pré-analytique. Pour Neyman et Pearson, la recherche ne vise pas à mesurer le « degré de créance » en une hypothèse, mais à adopter un comportement d’action minimisant la fréquence des erreurs sur le long terme lors de décisions répétées. L’accent est alors mis sur la fixation explicite d’alpha et de bêta avant d’engager le protocole.
Au cours des décennies 1940 à 1960, les manuels de psychologie expérimentale et de psychométrie ont opéré une synthèse anonyme et souvent trompeuse de ces deux positions antagonistes, créant ce que le méthodologiste Gerd Gigerenzer a qualifié de « rituel de l’inférence nulle ». Ce modèle hybride associe la décision dichotomique issue de Neyman-Pearson à l’interprétation de la valeur $p$ de Fisher, tout en sanctuarisant le seuil alpha de 0,05 comme un dogme institutionnel quasi universel requis pour la publication scientifique.
6. Fondements théoriques
Le cadre théorique supportant le niveau alpha relève des mathématiques de la théorie des probabilités et du paradigme fréquentiste. Dans ce paradigme, la probabilité est définie comme la limite de la fréquence relative d’un événement au cours d’une série infinie d’essais indépendants et identiques. Le choix d’un niveau alpha de 0,05 implique que si une même recherche expérimentale était reproduite une infinité de fois dans un univers où l’intervention n’a aucun effet biologique ou comportemental, un résultat erronément significatif émergerait exactement dans 5 % de ces réplications.
Sur le plan épistémologique, le seuil alpha s’inscrit au sein du faillibilisme et du principe de réfutabilité formalisé par Karl Popper. La science ne pouvant prouver l’exactitude définitive d’une hypothèse universelle, elle progresse par l’élimination des conjectures incompatibles avec les données empiriques. En fixant un seuil d’exclusion probabiliste rigide (α), la méthodologie psychologique formalise la limite d’invraisemblance au-delà de laquelle l’hypothèse de l’aléa doit être abandonnée.
Toutefois, le formalisme de Neyman-Pearson conçoit l’alpha comme une composante d’une fonction de perte et de coût social. Dans cette perspective, la détermination du seuil de décision ne relève pas d’une constante de la nature, mais d’une matrice utilitariste : quel est le coût sociétal, clinique ou économique de proclamer à tort qu’une thérapie est efficace (faux positif, sous le contrôle d’alpha), comparé au coût de rejeter un traitement pourtant salvateur (faux négatif, gouverné par bêta) ? Les fondements théoriques d’alpha démontrent ainsi qu’il s’agit avant tout d’une norme de gestion du risque épistémique.
7. Composantes clés, types et dimensions
L’utilisation pratique et théorique du niveau alpha se décline selon plusieurs axes fondamentaux :
- Niveau alpha nominal : Il s’agit du seuil formellement déclaré par le chercheur au début du protocole (le plus souvent $lpha = 0,05$). Il reflète l’intention méthodologique initiale.
- Niveau alpha réel (ou effectif) : La probabilité exacte de commettre une erreur de type I constatée lors de l’application du test. Ce niveau peut dévier substantiellement du seuil nominal si les postulats mathématiques du modèle (normalité des résidus, homoscédasticité, indépendance stricte des observations) sont violés.
- Test unilatéral versus bilatéral : Dans un test bilatéral (à deux queues), le niveau alpha est distribué à parts égales aux deux extrémités de la distribution théorique ($lpha / 2 = 0,025$ de chaque côté), pour capter des effets dans les deux directions. Dans un test unilatéral (à une queue), la totalité du risque alpha ($0,05$) est concentrée sur une seule direction prédite, ce qui accroît la puissance mais interdit la détection rigoureuse d’un effet inverse inattendu.
- Erreur par comparaison ($PClpha$) : Le niveau alpha alloué à chaque test statistique individuel pris isolément au sein d’une expérience.
- Taux d’erreur global de la famille de tests ($FWER$) : Également appelé risque d’erreur cumulé, il représente la probabilité de commettre au moins une erreur de type I sur l’ensemble d’un ensemble de comparaisons multiples. Si $k$ tests indépendants sont menés à $lpha = 0,05$, le taux d’erreur familial s’élève à $1 – (1 – lpha)^k$, atteignant environ 40 % d’erreurs pour 10 comparaisons non corrigées.
- Seuils ajustés par correction : Méthodes d’amendement du seuil alpha individuel destinées à maintenir le risque familial stable (par exemple la méthode conservative de Bonferroni où $lpha_{ajustcute{e}} = lpha / k$, ou les approches plus souples de Holm ou de Benjamini-Hochberg régulant le taux de fausses découvertes).
8. Exemples et cas illustratifs
Afin d’illustrer la mécanique opérationnelle du niveau alpha, examinons une étude clinique en neuropsychologie évaluant l’impact d’un programme d’entraînement cognitif digitalisé sur les scores de mémoire de travail de patients atteints de troubles cognitifs légers. Deux groupes de 60 participants sont formés par randomisation : l’un bénéficie du logiciel d’entraînement, l’autre d’un jeu récréatif neutre. Le chercheur spécifie avant le recueil des données un niveau alpha conventionnel de $lpha = 0,05$ pour un test bilatéral de Student pour échantillons indépendants.
À l’issue de l’intervention, la différence moyenne de mémoire de travail entre les deux groupes produit une valeur empirique $t = 2,04$ associée à une valeur calculée $p = 0,044$. Dans la mesure où $p < 0,05$, la statistique pénètre dans la zone de rejet critique. Le chercheur conclut à un effet statistiquement significatif du logiciel d'entraînement cognitif. Néanmoins, en acceptant ce résultat, l'investigateur assume un risque d'erreur de première espèce de 5 % : il existe une probabilité résiduelle de 0,044 que cet écart de performance soit le pur produit des fluctuations aléatoires d'échantillonnage plutôt que d'une efficacité thérapeutique substantielle.
Considérons à présent un cas illustratif négatif fondé sur le problème des comparaisons multiples en psychologie différentielle. Une équipe d’analystes évalue l’impact d’un trait de personnalité sur 20 biomarqueurs sanguins distincts sans hypothèse directionnelle préalable. Si l’équipe maintient un niveau alpha individuel non ajusté de $lpha = 0,05$ pour chacune des 20 analyses indépendantes, la probabilité d’obtenir au moins un résultat fallacieusement « significatif » par pure coïncidence s’établit à :
$$1 – (1 – 0,05)^{20} = 1 – (0,95)^{20} pprox 0,642$$
Dans cette configuration, l’étude présente 64,2 % de chances de clamer une fausse découverte biologique si le niveau alpha n’est pas rigoureusement rectifié. Ce cas typique de « pêche aux résultats » (ou p-hacking) met en lumière la dangerosité d’un usage mécanique du niveau alpha déconnecté de la maîtrise du risque global.
9. Mesure, calcul et évaluation
La fixation et l’évaluation du niveau alpha ne résultent pas d’un calcul automatique dérivé des données de terrain, mais d’une décision méthodologique a priori documentée dans les plans d’analyse pré-enregistrés (preregistration). Dans les logiciels d’analyse statistique standard (tels que R, SPSS, JASP ou Jamovi), le niveau alpha sert de seuil de comparaison logique injecté par l’analyste.
Le calcul mathématique direct consiste à déterminer les valeurs critiques de la statistique sous la distribution nulle. Par exemple, pour un test $Z$ normal centré réduit bilatéral à un niveau alpha de $lpha = 0,05$, l’intégrale de la fonction de densité de probabilité au-delà des valeurs absolues de 1,96 équivaut précisément à 0,05. La valeur critique est donnée par :
$$\Phi(Z_{critique}) = 1 – rac{lpha}{2}$$
L’évaluation de la robustesse du seuil alpha face aux ruptures de postulats théoriques s’opère couramment au moyen de simulations informatiques de Monte-Carlo. Dans ces expériences numériques, des millions d’échantillons synthétiques sans aucun effet sous-jacent sont générés selon diverses conditions de non-normalité ou d’hétérogénéité des variances. Si le test statistique analysé génère un rejet de l’hypothèse nulle dans 8 % des cas alors qu’alpha avait été configuré à 5 %, la méthode est jugée « libérale » ; si le rejet ne survient que dans 2 % des cas, elle est qualifiée de « conservatrice ». Des tests robustes (comme le test de Welch en lieu et place du test de Student) sont alors privilégiés pour garantir que le niveau alpha effectif coïncide fidèlement avec le niveau alpha nominal.
10. Applications et pertinence pratique
L’application rigoureuse du niveau alpha intervient à chaque étape de la recherche translationnelle et clinique en psychologie. Dans le cadre des essais contrôlés randomisés (ECR) portant sur des psychothérapies ou des psychotropes, les agences de régulation du médicament (telles que l’Agence européenne des médicaments ou la FDA américaine) exigent contractuellement la fixation d’un seuil alpha de 0,05 bilatéral, avec application de sanctions statistiques drastiques pour chaque analyse intermédiaire de données afin de prémunir le public contre la mise sur le marché d’interventions inefficaces.
En psychométrie et évaluation psychologique, le niveau alpha régit la construction et l’étalonnage des échelles diagnostiques (par exemple l’évaluation des structures factorielles via l’analyse factorielle confirmatoire). Lors de l’analyse des biais d’items ou du fonctionnement différentiel des items (DIF) entre groupes culturels ou de genre, le seuil alpha détermine si un écart de performance à une épreuve cognitive relève de l’hétérogénéité d’aptitude réelle ou d’une défaillance métrologique de l’instrument.
Dans le domaine organisationnel et de la psychologie du travail, le seuil de décision statistique arbitre les processus de sélection du personnel et l’équité des recrutements. Les tests de concordance et de prédiction de la performance au travail appliquent des critères alpha stricts pour valider qu’un outil prédictif ne crée pas d’impact adverse disproportionné à l’encontre d’une minorité protégée, traduisant une interface directe entre métrologie quantitative et impératifs juridiques.
11. Recherche et preuves empiriques
Au cours des deux dernières décennies, la recherche empirique sur la méthodologie elle-même (méta-recherche) a soumis l’usage conventionnel du niveau alpha à un examen critique sans précédent. Les travaux fondateurs de John Ioannidis en 2005, résumés dans son article retentissant « Why Most Published Research Findings Are False », ont démontré mathématiquement comment la conjonction d’un niveau alpha fixé invariablement à 0,05, d’une puissance statistique faible et de biais de publication aboutit inévitablement à ce que plus de la moitié des affirmations scientifiques publiées dans certains secteurs biomédicaux et psychologiques s’avèrent erronées.
Face à la crise de la reproductibilité révélée notamment par les tentatives systématiques du Reproducibility Project: Psychology de l’Open Science Collaboration (2015), un collectif prestigieux de 72 méthodologistes et statisticiens mené par Daniel Lakens et Eric-Jan Wagenmakers a cosigné en 2018 une proposition radicale : redéfinir le seuil alpha par défaut pour les nouvelles découvertes scientifiques à $lpha = 0,005$, tout en reléguant les résultats oscillant entre 0,05 et 0,005 au statut d’« indices suggestifs ».
Les arguments empiriques soutenant cet abaissement reposent sur le fait qu’une valeur $p$ de 0,049 sous un niveau alpha de 0,05 ne fournit en réalité qu’un soutien probant très ténu en faveur de l’hypothèse alternative : dans un cadre bayésien usuel, une telle valeur $p$ correspond souvent à un facteur de Bayes d’environ 3 à 5 seulement, indiquant que les données ne sont que modérément plus probables sous $H_1$ que sous $H_0$. Cependant, d’autres chercheurs majeurs, à l’instar de Daniel Lakens et de ses collaborateurs dans leur manifeste « Justify Your Alpha » (2018), ont répliqué qu’imposer un seuil arbitraire plus strict aggraverait les inégalités matérielles entre laboratoires et suggéré plutôt d’exiger des scientifiques qu’ils justifient systématiquement et logiquement le choix de leur niveau alpha en fonction des contraintes contextuelles de leur objet d’étude.
12. Considérations culturelles et transdisciplinaires
La valeur attribuée au niveau alpha varie considérablement d’une discipline scientifique à l’autre, reflétant des cultures épistémiques et des contraintes d’observation profondément divergentes. Alors que la psychologie sociale et la psychologie clinique ont historiquement adopté et pérennisé le compromis fisherien de $lpha = 0,05$, la génétique comportementale humaine a dû ajuster radicalement ses normes.
Dans les études d’association pangénomique (GWAS) explorant les soubassements génétiques de traits psychologiques complexes comme l’intelligence, la dépression majeure ou la schizophrénie, les chercheurs examinent simultanément des centaines de milliers, voire des millions de polymorphismes nucléotidiques (SNP). Pour contrecarrer une explosion cataclysmique des faux positifs, la communauté génétique internationale s’est accordée sur un seuil alpha standard extrêmement sévère de $lpha = 5 imes 10^{-8}$ (issu d’une correction de Bonferroni adaptée au génome humain).
En physique des hautes énergies, à l’opposé des sciences humaines, le seuil de décision pour revendiquer une découverte formelle (comme celle du boson de Higgs au CERN) requiert un écart de « 5 sigmas », équivalant à un niveau alpha d’environ $3 imes 10^{-7}$ (un risque d’erreur d’un sur 3,5 millions). Ces disparités soulignent que le niveau alpha n’est pas un absolu universel, mais un artefact conventionnel modulé par la précision instrumentale, le bruit expérimental toléré et l’histoire sociologique de chaque communauté scientifique.
13. Critiques, controverses et limites
Le statut du niveau alpha dans la pratique scientifique fait l’objet de critiques acerbes depuis des générations. La première dérive récurrente réside dans la « dichotomie illusoire » qu’il impose. L’application mécanique du seuil découpe arbitrairement un continuum d’indices empiriques en deux catégories ontologiques imperméables : le « significatif » et le « non-significatif ». Il est scientifiquement absurde de considérer un résultat affichant $p = 0,049$ comme une vérité scientifique établie, tout en reléguant un résultat affichant $p = 0,051$ au néant de l’absence d’effet, alors que ces deux données possèdent des tailles d’effet et des intervalles de confiance pratiquement indiscernables.
Une seconde limite concerne la confusion systémique entre significativité statistique et importance clinique ou théorique. Avec un échantillon suffisamment vaste (par exemple $N = 50,000$ sujets issus de grandes bases de données d’enquêtes en ligne), la moindre corrélation insignifiante de $r = 0,02$ franchira aisément le niveau alpha de 0,05, tout en étant totalement dénuée de sens fonctionnel ou d’utilité prédictive pour la compréhension du psychisme humain.
Enfin, la tyrannie du seuil alpha institutionnel a catalysé des pratiques de recherche contestables (Questionable Research Practices ou QRP). La pression de publication incitant à franchir coûte que coûte la barrière magique de 0,05 a conduit de nombreux expérimentateurs au fil des décennies à pratiquer le recrutement séquentiel sans ajustement (stopper l’expérience dès que $p < 0,05$), l'exclusion rétrospective de participants atypiques ou le tri opportuniste des variables dépendantes, polluant ainsi la littérature académique d'artefacts non reproductibles.
14. Termes connexes et distinctions
Pour manier correctement les outils de la statistique inférentielle, plusieurs notions limitrophes doivent être rigoureusement distinguées du niveau alpha :
- Niveau alpha versus Valeur $p$ ($p$-value) : Le niveau alpha est le seuil critique d’acceptation du risque fixé a priori par le chercheur avant la collecte des données. La valeur $p$ est une quantité empirique calculée a posteriori à partir des données recueillies, mesurant la probabilité d’obtenir un résultat au moins aussi extrême si l’hypothèse nulle était exacte.
- Niveau alpha versus Risque bêta ($eta$) : Le niveau alpha régit le risque d’erreur de type I (faux positif, rejeter $H_0$ à tort), tandis que le risque bêta régit l’erreur de type II (faux négatif, ne pas rejeter $H_0$ alors qu’un effet existe réellement dans la population).
- Niveau alpha versus Taille de l’effet ($d$ de Cohen, $\eta^2$) : Le niveau alpha sert de balise décisionnelle probabiliste, indépendamment de la magnitude du phénomène. La taille d’effet quantifie l’ampleur concrète et réelle de la relation psychologique observée, affranchie de la dépendance à la taille de l’échantillon.
- Niveau alpha versus Intervalle de confiance ($IC$) : Il existe une équivalence mathématique formelle entre un test bilatéral à un niveau alpha de 5 % et un intervalle de confiance à $100(1 – lpha)% = 95%$. L’intervalle de confiance fournit néanmoins une information plus riche en situant la plage plausible des valeurs de l’effet plutôt qu’une simple décision dichotomique.
- Niveau alpha versus Alpha de Cronbach : Bien qu’ils partagent la même lettre grecque, l’alpha de Cronbach est une mesure de consistance interne et de fidélité psychométrique d’un questionnaire, totalement distincte du seuil alpha de décision statistique.
15. Synthèse et points clés à retenir
Le niveau alpha est la probabilité tolérée de commettre une erreur de type I (déclarer à tort un effet inexistant), historiquement et conventionnellement fixée à 0,05 dans les sciences humaines et sociales. Hérité de l’élégante synthèse contradictoire entre les logiques de Fisher et de Neyman-Pearson, il constitue le pivot du test d’hypothèse fréquentiste.
Pour autant, le niveau alpha ne doit jamais être appréhendé comme une preuve définitive d’une réalité clinique, ni comme un indicateur d’absence d’effet lorsqu’il n’est pas atteint. La recherche contemporaine s’oriente vers une contractualisation transparente des seuils statistiques par le biais du pré-enregistrement obligatoire des études, l’explicitation rationnelle et contextuelle du niveau alpha choisi, et l’abandon de la dépendance aveugle à la dichotomie « significatif / non significatif » au profit d’une valorisation des tailles d’effet, des intervalles de confiance et de l’inférence bayésienne.
Références
- Fisher, R. A. (1925). Statistical Methods for Research Workers. Oliver and Boyd.
- Fisher, R. A. (1935). The Design of Experiments. Oliver and Boyd.
- Ioannidis, J. P. (2005). Why most published research findings are false. PLoS Medicine, 2(8), e124. https://doi.org/10.1371/journal.pmed.0020124
- Lakens, D., Adolfi, F. G., Albers, C. J., Anvari, F., Apps, M. A., Argamon, S. E., … & Zwaan, R. A. (2018). Justify your alpha. Nature Human Behaviour, 2(3), 168-171. https://doi.org/10.1038/s41562-018-0311-x
- Neyman, J., & Pearson, E. S. (1933). On the problem of the most efficient tests of statistical hypotheses. Philosophical Transactions of the Royal Society of London. Series A, 231(694-706), 289-337. https://doi.org/10.1098/rsta.1933.0009
- Open Science Collaboration. (2015). Estimating the reproducibility of psychological science. Science, 349(6251), aac4716. https://doi.org/10.1126/science.aac4716