Dans la recherche contemporaine en psychologie et en sciences comportementales, la rigueur de l’inférence statistique constitue le fondement même de la crédibilité empirique. Parmi les paramètres critiques régissant les tests d’hypothèses, le niveau bêta représente la probabilité d’ignorer un effet réel, exposant les chercheurs au piège redoutable du faux négatif. Comprendre, quantifier et contrôler ce seuil demeure indispensable pour garantir la réplicabilité des résultats et optimiser la puissance expérimentale.
Niveau bêta (Risque de deuxième espèce)
1. Définition concise
Le niveau bêta, généralement désigné par la lettre grecque β, correspond à la probabilité de commettre une erreur de type II dans le cadre du test d’hypothèse statistique formel. Cette erreur survient lorsqu’un chercheur échoue à rejeter l’hypothèse nulle ($H_0$) alors que celle-ci est fondamentalement fausse et qu’une différence ou un effet réel existe bel et bien au sein de la population étudiée.
Dans la pratique psychométrique et expérimentale, le niveau bêta est intrinsèquement lié au concept de puissance statistique, définie mathématiquement par la relation complémentaire $1 – beta$. Alors que le niveau de signification alpha (α) mesure la tolérance envers les faux positifs, le paramètre bêta mesure la vulnérabilité face aux faux négatifs. Une valeur de bêta élevée traduit une incapacité à détecter des phénomènes psychologiques légitimes, conduisant à des abandons prématurés de pistes théoriques fécondes ou à la non-reconnaissance d’interventions cliniques prometteuses.
Par convention méthodologique, fixée notamment sous l’impulsion de Jacob Cohen, le niveau bêta est fréquemment plafonné à 0,20 (soit 20 %), ce qui confère à l’étude une puissance minimale visée de 80 % ($1 – 0,20 = 0,80$). Toutefois, ce seuil ne constitue pas une règle absolue et doit être modulé en fonction des coûts relatifs associés à chaque typologie d’erreur décisionnelle.
2. Étymologie et origine linguistique
Le terme provient directement de la deuxième lettre de l’alphabet grec, bêta (β), adoptée par la communauté mathématique et statistique pour désigner conventionnellement la probabilité associée à la seconde catégorie d’erreur théorisée lors d’une prise de décision d’inférence. Le mot grec ancien bêta dérive lui-même de la racine sémitique désignant la maison (apparentée au phénicien beth).
Dans le domaine des sciences probabilistes modernes, l’assignation des lettres grecques α et β aux deux modalités d’erreurs décisionnelles a été formalisée à la fin des années 1920 et au début des années 1930 par Jerzy Neyman et Egon Pearson. En introduisant une distinction rigoureuse entre le rejet injustifié de l’hypothèse nulle (première espèce, α) et la non-détection d’une hypothèse alternative réelle (deuxième espèce, β), ces statisticiens ont établi le vocabulaire standard de l’inférence paramétrique, qui s’est diffusé dans la littérature psychologique anglophone sous le nom de beta level ou beta risk, avant d’être intégré en français sous les dénominations de niveau bêta, risque bêta ou risque de seconde espèce.
3. Prononciation et forme grammaticale
En langue française, le syntagme nominal s’énonce phonétiquement /ni.vo bɛ.ta/. Il s’agit d’un groupe nominal masculin singulier (au pluriel : les niveaux bêta, le nom de la lettre restant généralement invariable lorsqu’il agit comme déterminant apposé).
Sur le plan morphologique et syntaxique, le terme s’emploie principalement comme substantif technique au sein de locutions méthodologiques : on parle du « niveau bêta d’un test », de « réduire le risque bêta » ou encore de « fixer le seuil bêta a priori ». Dans la littérature scientifique, il alterne régulièrement avec les expressions synonymes taux d’erreur de type II et probabilité d’erreur de deuxième espèce.
4. Explication conceptuelle approfondie
Pour appréhender pleinement la nature du niveau bêta, il convient de se situer au cœur de la matrice de décision binaire qui caractérise le modèle néo-pearsonien de la décision statistique. Dans ce cadre, deux réalités objectives sont envisageables au niveau de la population générale : soit l’hypothèse nulle ($H_0$) est vraie (il n’existe aucune relation, différence ou corrélation substantielle), soit l’hypothèse alternative ($H_1$) est vraie (un effet spécifique existe). Confronté à ces deux états du monde, le statisticien ou le chercheur dispose de deux options opérationnelles : rejeter $H_0$ ou ne pas rejeter $H_0$.
Le niveau bêta représente la probabilité conditionnelle d’aboutir à une conclusion non significative sachant que l’hypothèse alternative est véritablement opérante, ce qui s’exprime formellement par : $\beta = P(\text{Non-rejet de } H_0 mid H_1 \text{ est vraie})$. Contrairement au niveau alpha (α), qui correspond à une valeur fixe décrétée par le chercheur indépendamment des données (communément 0,05), la valeur exacte de bêta dépend de multiples paramètres intrinsèques au protocole expérimental. En réalité, bêta n’est pas une constante unique mais une fonction mathématique conditionnée par la taille de l’effet spécifié sous $H_1$.
Cette dépendance dynamique résulte de l’interaction de quatre facteurs indissociables :
- La taille de l’effet dans la population : Plus l’ampleur réelle de l’effet théorique est importante (évaluée par exemple par le d de Cohen ou le η² partiel), plus les distributions d’échantillonnage sous $H_0$ et sous $H_1$ sont distantes, réduisant de facto le chevauchement et diminuant le niveau bêta.
- La taille de l’échantillon ($N$) : Un effectif observationnel plus étendu réduit l’erreur-type de la moyenne ou du coefficient estimé, resserrant les courbes de distribution et amenuisant mécaniquement la proportion de la distribution sous $H_1$ qui tombe sous le seuil critique de non-rejet, abaissant ainsi β.
- Le niveau alpha (α) décidé : Il existe une relation antagoniste fondamentale entre α et β. Plus l’on durcit le contrôle du faux positif (en réduisant α de 0,05 à 0,01), plus le seuil critique se déplace vers l’extresse de la distribution, augmentant simultanément la zone de non-rejet et gonflant conséquemment le niveau bêta.
- Le caractère uni- ou bilatéral du test : Un test unilatéral, en concentrant l’ensemble de la région de rejet dans une seule direction de la distribution, rapproche la valeur critique du centre de l’hypothèse nulle et induit un niveau bêta inférieur à celui d’un test bilatéral pour une même configuration de données.
Dans la recherche psychologique, sous-estimer la valeur du niveau bêta entraîne ce que les méthodologues qualifient d’« études sous-puissantes ». Lorsqu’une recherche présente un bêta égal à 0,50, l’expérimentateur a littéralement une chance sur deux de passer à côté de l’effet qu’il cherche à mettre en lumière, assimilant la démarche scientifique à un jet de pile ou face, tout en consommant d’importantes ressources financières et humaines.
5. Développement historique
L’émergence formelle du concept d’erreur bêta s’inscrit dans la controverse historique fondatrice qui a opposé Ronald Aylmer Fisher, d’un côté, et le binôme Jerzy Neyman et Egon Pearson, de l’autre, durant l’entre-deux-guerres. Dans le cadre initial de Fisher publié en 1925 dans Statistical Methods for Research Workers, seule l’hypothèse nulle était formulée. Fisher calculait la p-valeur pour déterminer si les données observées s’écartaient anormalement du hasard, ignorant délibérément l’idée d’une hypothèse concurrente explicitement mathématisée.
Dans une série d’articles pionniers parus en 1928 et 1933, Jerzy Neyman et Egon Pearson ont démontré que rejeter une hypothèse nulle n’a de sens que si l’on envisage une alternative plausible. Ils ont introduit le cadre formel de la théorie de la décision binaire sous incertitude, nommant l’erreur consistant à rejeter par erreur $H_0$ « erreur de première espèce » associée au risque α, et l’erreur d’échouer à rejeter $H_0$ alors que $H_1$ est réalisée « erreur de deuxième espèce » mesurée par le coefficient bêta. Ce modèle a offert la première justification rigoureuse permettant d’évaluer objectivement la capacité de détection d’un test statistique.
Malgré cette avancée mathématique décisive, la psychologie scientifique a longtemps ignoré le contrôle du niveau bêta, se focalisant quasi exclusivement sur le sacro-saint seuil $\alpha = 0,05$. Il a fallu attendre les travaux révolutionnaires du psychologue américain Jacob Cohen dans les années 1960, culminant dans son ouvrage de référence de 1969 intitulé Statistical Power Analysis for the Behavioral Sciences, pour que la discipline prenne conscience des ravages induits par l’inattention portée au risque bêta. Les enquêtes documentaires réalisées par Cohen ont révélé que la majorité des articles publiés dans les plus grandes revues psychologiques opéraient avec des niveaux bêta dépassant fréquemment 0,50 à 0,60 pour des effets moyens, démontrant une cécité méthodologique généralisée face aux faux négatifs.
6. Fondements théoriques
Le socle théorique du niveau bêta repose sur la théorie de la décision statistique, complétée par la théorie de la détection du signal (TDS). Dans l’optique de Neyman et Pearson, les tests d’hypothèses ne sont pas conçus pour découvrir la « vérité absolue » sur un cas individuel, mais constituent des procédures de règlement comportemental (inductive behavior) garantissant que, sur un très grand nombre de répétitions d’une procédure expérimentale, le taux d’erreurs d’acceptation et de rejet reste contenu sous des bornes mathématiquement maîtrisées.
Sur le plan distributionnel, considérons une variable de décision $X$. Sous l’hypothèse nulle, cette statistique suit une distribution $f(x mid H_0)$, tandis que sous l’hypothèse concurrente fixée avec une intensité précise, elle suit la densité $f(x mid H_1)$. Lorsque l’analyste établit une valeur critique $x_c$ à partir de laquelle il rejette $H_0$ pour satisfaire au risque $\alpha$ choisi :
$$\alpha = \int_{x_c}^{+\infty} f(x mid H_0) , dx$$
Le niveau bêta correspond dès lors à la masse intégrale de la distribution alternative située dans la zone résiduelle où l’on s’abstient de rejeter l’hypothèse nulle :
$$\beta = \int_{-\infty}^{x_c} f(x mid H_1) , dx$$
Dans la théorie de la détection du signal, développée pour modéliser les processus de discrimination perceptive en psychophysique par Tanner, Swets et Green, cette articulation prend une dimension incarnée. L’observateur est soumis soit à un état de « bruit seul » (analogue à $H_0$), soit à un stimulus « signal + bruit » (analogue à $H_1$). Le niveau bêta correspond directement à la probabilité d’omission (miss), représentant l’échec perceptif où le signal est présent mais classé par le sujet comme du simple bruit aléatoire.
7. Composantes clés, types et dimensions
Pour appréhender les multiples expressions du niveau bêta dans la recherche comportementale, plusieurs distinctions analytiques doivent être établies :
- Niveau bêta a priori : Calculé avant le déploiement effectif du protocole expérimental. Il permet de déterminer avec précision l’échantillon minimal nécessaire ($N$) pour garantir que le risque de faux négatif ne franchira pas le plafond désiré face à la plus petite différence minimale cliniquement pertinente.
- Niveau bêta post hoc (ou rétrospectif) : Estimé après la collecte des données à partir de la taille d’effet empiriquement observée dans l’échantillon. Bien que très répandue, cette pratique est sévèrement réprouvée par les statisticiens méthodologues, car elle n’apporte aucune information indépendante au-delà de la p-valeur observée (un raisonnement circulaire dénoncé comme l’illusion de puissance post hoc).
- Niveau bêta nominal vs réel : Le niveau bêta déclaré sur le modèle théorique idéalisé n’est vérifié que si tous les postulats paramétriques (normalité multivariée, homoscédasticité, linéarité) sont rigoureusement respectés. En présence de données asymétriques ou d’hétéroscédasticité marquée, le niveau bêta réel gonfle subrepticement, dégradant l’acuité de l’analyse à l’insu de l’équipe de recherche.
- Bêta en détection du signal (critère de décision) : En psychophysique et modélisation cognitive, le symbole β renvoie également au rapport de vraisemblance utilisé par un participant comme seuil de réponse (critère libéral ou conservateur). Bien que conceptuellement distinct du risque β de type II de Neyman-Pearson, ce paramètre détermine directement la balance entre le taux de détections correctes et le taux d’omissions constaté.
8. Exemples concrets et cas d’illustration
Afin d’illustrer la portée pratique du niveau bêta, examinons plusieurs situations concrètes issues des laboratoires de psychologie clinique, de neuropsychologie et de psychologie du travail.
Cas 1 : Essai d’une thérapie cognitive pour le trouble panique. Une équipe teste une nouvelle variante brève de thérapie cognitivo-comportementale (TCC) contre un placebo psychologique auprès d’un groupe de 30 patients (15 par bras expérimental). La taille réelle de l’effet d’atténuation des attaques est modérée ($d = 0,45$). Sous les paramètres d’échantillonnage choisis avec $\alpha = 0,05$ bilatéral, le niveau bêta de cette recherche dépasse 0,76. Par conséquent, les chercheurs ont 76 % de probabilité de trouver un test non significatif ($p > 0,05$) et de conclure à tort que cette TCC brève est inefficace, privant ainsi le corps médical d’un traitement utile uniquement en raison d’un niveau bêta excessif dû à la sous-dimension de la cohorte.
Cas 2 : Dépistage neuropsychologique précoce de la maladie d’Alzheimer. Un instrument de diagnostic évalue les troubles naissants de la mémoire épisodique. Dans ce contexte, l’hypothèse nulle stipule l’absence de pathologie dégénérative. Tolérer un niveau bêta élevé (β = 0,30) signifie qu’à chaque fois qu’un déclin véritable est présent, le test le manque 3 fois sur 10 (omission diagnostique). Les patients ne recevront aucun accompagnement neuroprotecteur à un stade où le cerveau bénéficierait le plus de l’intervention. Ici, le coût humain de l’erreur bêta surpasse largement celui d’une erreur alpha (qui aurait simplement déclenché un examen d’imagerie cérébrale complémentaire pour lever le doute).
9. Mesure, calcul et évaluation
La détermination et la modulation du niveau bêta nécessitent des procédures de calcul de puissance prospective intégrées dès la conception expérimentale. Historiquement effectués à l’aide de tables manuscrites denses publiées par Jacob Cohen, ces calculs sont aujourd’hui automatisés grâce à des progiciels spécialisés.
L’outil le plus répandu au sein de la communauté internationale est sans conteste G*Power (conçu par Franz Faul et ses collègues de l’Université de Düsseldorf), un logiciel open-source dédié à l’analyse de puissance pour les modèles ANOVA, de régression multivariée, de tests t et d’équations structurelles. Dans l’écosystème R, des bibliothèques spécialisées comme pwr, simr (dédiée aux modèles mixtes à effets aléatoires) et brms permettent d’estimer les niveaux bêta par des simulations de Monte-Carlo, particulièrement utiles lorsque les distributions ne suivent pas des formes analytiques standards.
Pour planifier un niveau bêta satisfaisant, l’expérimentateur doit renseigner quatre éléments indissociables :
- Le modèle statistique spécifié (ex. régression logistique binaire, test t de Student apparié).
- Le seuil de tolérance au faux positif (α), traditionnellement fixé à 0,05 ou 0,01.
- La taille d’effet minimale intéressante (SESOI, ou Smallest Effect Size of Interest), issue d’une synthèse méta-analytique ou d’une exigence clinique concrète.
- Le niveau bêta désiré (souvent 0,10 ou 0,20). L’algorithme retourne immédiatement le nombre exact d’observations requis pour garantir ces bornes.
10. Applications et pertinence pratique
La gestion méthodologique du risque bêta traverse l’ensemble des branches appliquées de la psychologie et des sciences humaines :
En psychologie organisationnelle et sélection du personnel : Les tests psychométriques d’aptitude cognitive générale ou de traits de personnalité (modèle Big Five) doivent maintenir un niveau bêta bas pour identifier les candidats ayant réellement les compétences requises pour des postes critiques (comme les contrôleurs aériens ou les pilotes). Une erreur bêta élevée aboutirait à rejeter des postulants exceptionnels au motif erroné qu’ils ne correspondent pas aux critères, occasionnant un coût d’opportunité massif pour les entreprises.
En psychologie de l’éducation : L’évaluation des dispositifs pédagogiques de soutien pour les élèves présentant une dyslexie nécessite une puissance accrue. Si le niveau bêta est négligé lors de l’évaluation des réformes éducatives, des programmes d’apprentissage hautement bénéfiques risquent d’être radiés des programmes scolaires simplement parce que l’échantillon pilote était insuffisant pour faire passer le résultat sous le seuil $p < 0,05$.
En recherche neuroscientifique et IRMf : L’imagerie par résonance magnétique fonctionnelle est confrontée à un problème permanent de corrections pour comparaisons multiples (par exemple la procédure de Bonferroni sur des dizaines de milliers de voxels). Si l’on réduit drastiquement l’alpha global pour éviter les faux positifs (à des seuils infimes comme $10^{-6}$), le niveau bêta local grimpe en flèche, rendant les scientifiques incapables de repérer des activations cérébrales réelles mais diffuses liées aux fonctions cognitives complexes.
11. Recherches et preuves empiriques
Depuis le cri d’alarme lancé par Jacob Cohen en 1962, des dizaines de méta-recherches ont évalué l’évolution historique du niveau bêta moyen dans la littérature psychologique mondiale. En 1989, Sedlmeier et Gigerenzer ont répliqué l’étude originale de Cohen en examinant les articles parus dans le prestigieux Journal of Abnormal Psychology. Leurs découvertes furent stupéfiantes : malgré un quart de siècle de pédagogie statistique, la puissance statistique moyenne s’était légèrement dégradée, correspondant à un niveau bêta moyen oscillant autour de 0,63 pour des effets de petite taille et 0,23 pour des effets modérés.
Dans les années 2010, l’éclatement de la crise de la réplicabilité en psychologie a replacé le niveau bêta au centre des débats épistémologiques. Dans un article séminal devenu célèbre, Button et ses collègues (2013) ont démontré ce qu’ils ont qualifié de power failure dans les neurosciences et la psychologie : les études présentant un niveau bêta très élevé ne se contentent pas de manquer des effets réels, elles déforment également l’intégralité des résultats qui réussissent accidentellement à passer la barre de la significativité. En effet, lorsqu’une étude sous-puissante obtient un p-valeur inférieure à 0,05, la taille d’effet mesurée est presque systématiquement surestimée de manière spectaculaire en raison du phénomène de la « malédiction du vainqueur » (winner’s curse).
Cette situation méthodologique a mené à la mobilisation contemporaine du mouvement de la science ouverte (Open Science), porté notamment par des méthodologues contemporains comme Daniel Lakens, plaidant pour le pré-enregistrement systématique des protocoles et la fixation formelle du ratio de coût entre α et β avant toute acquisition empirique.
12. Considérations culturelles et contextuelles
La perception et la modélisation du risque d’erreur statistique ne sont pas complètement imperméables aux facteurs culturels et économiques qui régissent les institutions de recherche mondiales. Dans les pays occidentaux, l’injonction académique au Publish or Perish a historiquement favorisé des protocoles avec de petits échantillons, maximisant le nombre d’articles publiés par unité de temps au détriment du contrôle de bêta.
Dans les contextes d’investigation interculturelle (par exemple, les comparaisons de traits psychologiques entre populations individualistes occidentales et populations collectivistes asiatiques ou africaines), le calcul du niveau bêta doit impérativement intégrer le bruit méthodologique additionnel induit par l’équivalence linguistique des items et les biais de réponse culturels. Dans ces contextes diversifiés, l’hétérogénéité de variance réduit mécaniquement la taille d’effet apparente, gonflant le niveau bêta et induisant les chercheurs à conclure de façon fallacieuse à l’absence d’invariants ou de différences culturelles structurantes.
Par ailleurs, l’éthique internationale relative aux expérimentations sur des populations vulnérables ou en détresse exige désormais que les comités d’éthique vérifient le niveau bêta prospectif. Mener une étude invasive auprès d’individus souffrant de traumatismes sévères sans disposer d’un effectif suffisant pour réduire bêta sous les 20 % est désormais qualifié de manquement déontologique majeur, les participants étant exposés à des protocoles contraignants voués à l’inconclusivité scientifique.
13. Critiques, débats et limites
La gestion classique du niveau bêta dans le paradigme orthodoxe de Neyman-Pearson fait l’objet de vives controverses depuis plusieurs décennies au sein de la communauté méthodologique :
La fixation asymétrique arbitraire (α = 0,05 vs β = 0,20) : De nombreux statisticiens dénoncent la convention héritée de Cohen accordant quatre fois plus de gravité au faux positif (α = 5 %) qu’au faux négatif (β = 20 %). Cette asymétrie est jugée injustifiable dans nombre de domaines où manquer une découverte thérapeutique ou sous-estimer un effet nocif d’un environnement psychologique présente un coût sociétal bien supérieur à l’étude d’une fausse piste. Certains auteurs plaident pour une égalisation des deux risques ou un ajustement négocié en fonction de matrices de coût-bénéfice.
La critique de l’école bayésienne : Les partisans de l’inférence bayésienne soutiennent que les concepts d’erreur alpha et bêta sont des artifices associés à une vision fréquentiste étroite. Dans l’approche bayésienne, on ne tranche pas entre deux décisions par tout ou rien sur la base de régions de rejet. On calcule directement la distribution a posteriori des paramètres ou le facteur de Bayes ($BF_{10}$), évaluant le rapport de probabilité des données sous les différents modèles concurrents sans devoir supposer une valeur fixe de bêta avant l’expérience.
La focalisation aveugle sur le test de nullité ($H_0$) : Réduire la démarche scientifique au contrôle de bêta face à une hypothèse d’absence totale d’effet ($d = 0$) est régulièrement pointé comme un manque d’ambition intellectuelle. Les méthodologues modernes encouragent plutôt l’utilisation de tests d’équivalence (par exemple les procédures TOST pour Two One-Sided Tests), où l’on inverse les hypothèses pour prouver rigoureusement qu’un effet n’excède pas une marge insignifiante, transformant l’erreur de type II en un contrôle positif de validité.
14. Termes connexes et distinctions fondamentales
Pour dissiper toute ambiguïté terminologique récurrente dans les manuels de psychologie, il est indispensable de distinguer le niveau bêta d’autres notions formellement très proches :
- Niveau alpha (α) vs Niveau bêta (β) : Le niveau alpha mesure le risque de commettre un faux positif (déclarer un effet inexistant), tandis que le niveau bêta mesure le risque de commettre un faux négatif (manquer un effet présent). Tous deux évoluent de façon antagoniste si la taille de l’échantillon demeure inchangée.
- Niveau bêta (β) vs Puissance statistique ($1 – eta$) : Le niveau bêta est la probabilité d’échec décisionnel, alors que la puissance statistique est son complément mathématique exact, soit la probabilité de réussite décisionnelle (rejet correct d’une hypothèse nulle erronée).
- Niveau bêta statistique vs Poids bêta (β) en régression : En analyse linéaire multiple, le terme coefficient bêta standardisé désigne la force et la direction de l’association entre une variable prédictive et la variable réponse, exprimée en unités d’écart-type. Bien qu’il utilise le même symbole typographique grec, il s’agit d’une statistique d’estimation et non d’une probabilité conditionnelle d’erreur.
- Niveau bêta vs p-valeur observée : La p-valeur représente la probabilité d’obtenir des données au moins aussi extrêmes que celles observées si l’hypothèse nulle était vraie. Elle dépend entièrement de l’échantillon récolté, tandis que le niveau bêta est une propriété théorique globale liée au protocole expérimental sous une alternative spécifiée.
- Erreur de type II (β) vs Erreur de type III : L’erreur de type II implique une absence d’affirmation statistique (non-rejet), alors que l’erreur de type III (théorisée par Kaiser) survient lorsqu’un chercheur rejette correctement l’hypothèse nulle mais se trompe sur le sens réel de la différence (déclarer un traitement bénéfique alors qu’il est en réalité délétère).
15. Récapitulatif et points clés à retenir
La compréhension et la maîtrise du niveau bêta s’avèrent cardinales pour la crédibilité de toute investigation psychométrique et expérimentale. Les synthèses méthodologiques contemporaines mettent en lumière les règles directrices suivantes :
Le niveau bêta quantifie rigoureusement la probabilité de rater un effet authentique au sein de la population cible. Sa valeur ne peut jamais être évaluée de façon isolée : elle forme un quadrilatère indissociable avec la taille de l’échantillon ($N$), le niveau de signification (α) et la taille minimale de l’effet d’intérêt théorique ou clinique.
Un déficit de contrôle sur bêta engendre des études sous-puissantes, qui gaspillent des ressources précieuses, biaisent les estimations de taille d’effet publiées par le filtre de la significativité et participent massivement aux échecs de reproduction empirique. La planification expérimentale moderne en psychologie impose ainsi le renoncement aux conventions passives au profit d’analyses de puissance prospectives rigoureuses, de pré-enregistrements détaillés et de réflexions explicites sur les coûts respectifs des différentes erreurs décisionnelles.
Références
- Button, K. S., Ioannidis, J. P., Mokrysz, C., Nosek, B. A., Flint, J., Robinson, E. S., & Munafò, M. R. (2013). Power failure: why small sample size undermines the reliability of neuroscience. Nature Reviews Neuroscience, 14(5), 365-376. https://doi.org/10.1038/nrn3475
- Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates. https://www.worldcat.org/title/statistical-power-analysis-for-the-behavioral-sciences/oclc/17877467
- Faul, F., Erdfelder, E., Lang, A. G., & Buchner, A. (2007). G*Power 3: A flexible statistical power analysis program for the social, behavioral, and biomedical sciences. Behavior Research Methods, 39(2), 175-191. https://doi.org/10.3758/bf03193146
- Lakens, D. (2022). Improving Your Statistical Inferences. Open Educational Resource. https://lakens.github.io/statistical_inferences/
- Sedlmeier, P., & Gigerenzer, G. (1989). Do studies of statistical power have an effect on the power of studies? Psychological Bulletin, 105(2), 309-316. https://doi.org/10.1037/0033-2909.105.2.309