{"id":25826,"date":"2026-11-08T16:40:17","date_gmt":"2026-11-08T16:40:17","guid":{"rendered":"https:\/\/french.arabpsychology.com\/?psych_comparison=correction-bonferroni-vs-controle-taux-fausses-decouvertes"},"modified":"2026-11-08T16:40:17","modified_gmt":"2026-11-08T16:40:17","slug":"correction-bonferroni-vs-controle-taux-fausses-decouvertes","status":"publish","type":"psych_comparison","link":"https:\/\/french.arabpsychology.com\/?psych_comparison=correction-bonferroni-vs-controle-taux-fausses-decouvertes","title":{"rendered":"Correction de Bonferroni vs Contr\u00f4le du taux de fausses d\u00e9couvertes"},"content":{"rendered":"

L’inf\u00e9rence statistique contemporaine est confront\u00e9e \u00e0 une transformation sans pr\u00e9c\u00e9dent de la structure et de l’\u00e9chelle des donn\u00e9es exp\u00e9rimentales. Alors que les fondateurs de la statistique math\u00e9matique au d\u00e9but du vingti\u00e8me si\u00e8cle \u00e9labor\u00e8rent des tests d’hypoth\u00e8ses con\u00e7us pour des plans d’exp\u00e9rience rigoureusement restreints \u2014 comparant souvent deux groupes de quelques dizaines d’individus sur une variable unique \u2014, la recherche scientifique actuelle \u00e9volue dans un univers caract\u00e9ris\u00e9 par une haute dimensionnalit\u00e9 syst\u00e9matique. Qu’il s’agisse de mesurer le niveau d’expression de vingt mille g\u00e8nes par s\u00e9quen\u00e7age d’ARN, de scruter l’activit\u00e9 m\u00e9tabolique de cent mille voxels c\u00e9r\u00e9braux par r\u00e9sonance magn\u00e9tique fonctionnelle, ou de tester la rentabilit\u00e9 de millions de signaux pr\u00e9dictifs sur des s\u00e9ries financi\u00e8res \u00e0 haute fr\u00e9quence, l’acte de tester des hypoth\u00e8ses s’est d\u00e9multipli\u00e9 \u00e0 une \u00e9chelle vertigineuse.<\/p>\n

Cette massification des protocoles de test a mis en lumi\u00e8re une vuln\u00e9rabilit\u00e9 th\u00e9orique majeure du cadre n\u00e9o-fisherien et neyman-pearsonien conventionnel : le ph\u00e9nom\u00e8ne redoutable de la multiplicit\u00e9 des tests. Lorsqu’une exp\u00e9rience statistique met en jeu des milliers d’\u00e9valuations simultan\u00e9es, l’usage na\u00eff d’un seuil de significativit\u00e9 nominal immuable, tel que le conventionnel seuil alpha de 0,05, ne garantit plus la rigueur scientifique \u00e9l\u00e9mentaire. Au contraire, il condamne le chercheur \u00e0 une prolif\u00e9ration m\u00e9canique et catastrophique de faux positifs, transformant l’analyse exploratoire en un mirage m\u00e9thodologique o\u00f9 le bruit al\u00e9atoire se fait passer pour une d\u00e9couverte empirique majeure. Face \u00e0 cette d\u00e9rive, la statistique math\u00e9matique a d\u00e9velopp\u00e9 deux grands paradigmes d’ajustement : d’une part, la doctrine classique et conservatrice du contr\u00f4le du taux d’erreur par famille d’hypoth\u00e8ses (Family-Wise Error Rate<\/em> ou FWER), incarn\u00e9e au premier chef par la correction historique de Bonferroni ; d’autre part, la doctrine novatrice et pragmatique du contr\u00f4le du taux de fausses d\u00e9couvertes (False Discovery Rate<\/em> ou FDR), th\u00e9oris\u00e9e par Yoav Benjamini et Yosef Hochberg \u00e0 l’or\u00e9e du vingt-et-uni\u00e8me si\u00e8cle.<\/p>\n

Ce trait\u00e9 analytique se propose de diss\u00e9quer de mani\u00e8re exhaustive les fondements math\u00e9matiques, les implications \u00e9pist\u00e9mologiques et les cons\u00e9quences pratiques de ces deux approches fondamentales. \u00c0 travers une analyse comparative rigoureuse, nous examinerons comment la correction de Bonferroni impose une discipline probabiliste de fer au d\u00e9triment de la puissance statistique, et comment le contr\u00f4le du taux de fausses d\u00e9couvertes red\u00e9finit l’\u00e9conomie du doute scientifique pour lib\u00e9rer le potentiel d’exploration des sciences \u00e0 grand d\u00e9bit. De la th\u00e9orie des probabilit\u00e9s pure aux arbitrages r\u00e9glementaires des essais cliniques et de la g\u00e9nomique fonctionnelle, cette \u00e9tude offre les cl\u00e9s conceptuelles indispensables pour arbitrer entre certitude absolue et puissance de d\u00e9couverte.<\/p>\n

1. Introduction : Le d\u00e9fi de l’inf\u00e9rence simultan\u00e9e et de la multiplicit\u00e9 des tests<\/h2>\n

1.1 Le probl\u00e8me fondamental des tests d’hypoth\u00e8ses multiples<\/h3>\n

L’inf\u00e9rence statistique univari\u00e9e classique repose sur une convention probabiliste \u00e9l\u00e9mentaire : la ma\u00eetrise de l’erreur de type I, d\u00e9finie comme la probabilit\u00e9 de rejeter \u00e0 tort l’hypoth\u00e8se nulle alors qu’elle est en r\u00e9alit\u00e9 vraie. Traditionnellement fix\u00e9e au seuil conventionnel de 5 % (α = 0,05), cette marge de s\u00e9curit\u00e9 signifie que le chercheur accepte sciemment un risque r\u00e9siduel de 1 sur 20 d’identifier un effet illusoire g\u00e9n\u00e9r\u00e9 par la simple fluctuation d’\u00e9chantillonnage. Cependant, cette garantie fondamentale s’effondre d\u00e8s lors que plusieurs tests sont men\u00e9s conjointement au sein d’une m\u00eame \u00e9tude exp\u00e9rimentale sans ajustement statistique pr\u00e9alable. La probabilit\u00e9 globale de commettre au moins une erreur de premi\u00e8re esp\u00e8ce augmente de fa\u00e7on exponentielle avec le nombre total d’hypoth\u00e8ses test\u00e9es<\/span>.<\/p>\n

Sur le plan math\u00e9matique, si l’on consid\u00e8re un ensemble de m<\/em> hypoth\u00e8ses nulles mutuellement ind\u00e9pendantes et toutes r\u00e9ellement vraies, la probabilit\u00e9 de ne commettre aucune erreur de type I sur l’ensemble de la famille de tests \u00e9quivaut au produit des probabilit\u00e9s individuelles de ne pas commettre d’erreur. Si chaque test est conduit au seuil nominal α, cette probabilit\u00e9 conjointe s’\u00e9crit (1 – α)m<\/em><\/sup>. D\u00e8s lors, la probabilit\u00e9 d’observer au moins un faux positif dans l’exp\u00e9rience \u2014 que l’on d\u00e9signe formellement sous le terme de taux d’erreur par famille d’hypoth\u00e8ses ou FWER \u2014 s’exprime par le compl\u00e9ment \u00e0 l’unit\u00e9 : 1 – (1 – α)m<\/em><\/sup>. Pour une valeur classique α = 0,05 et un nombre modeste de m<\/em> = 20 hypoth\u00e8ses test\u00e9es, la probabilit\u00e9 de rejeter faussement au moins une hypoth\u00e8se nulle s’\u00e9l\u00e8ve d\u00e9j\u00e0 \u00e0 1 – (0,95)20<\/sup> ≈ 0,64, soit pr\u00e8s de deux chances sur trois. Lorsque m<\/em> atteint 1 000 ou 100 000, cette probabilit\u00e9 tend asymptotiquement vers l’unit\u00e9 absolue avec une c\u00e9l\u00e9rit\u00e9 impitoyable, rendant l’apparition de dizaines ou de centaines de signaux trompeurs math\u00e9matiquement in\u00e9vitable<\/span>.<\/p>\n

Dans les contextes de haute dimension contemporains \u2014 tels que les \u00e9tudes d’association pang\u00e9nomique (GWAS) analysant des millions de polymorphismes nucl\u00e9otidiques, la transcriptomique globale par s\u00e9quen\u00e7age \u00e0 haut d\u00e9bit ou la neuro-imagerie c\u00e9r\u00e9brale mesurant les variations d’oxyg\u00e9nation sanguine \u00e0 travers une grille spatiale tridimensionnelle dense \u2014, l’al\u00e9a statistique engendre spontan\u00e9ment des valeurs extr\u00eames. En l’absence de correction rigoureuse, la quasi-totalit\u00e9 des r\u00e9sultats dits \u00ab significatifs \u00bb issus de tels dispositifs exp\u00e9rimentaux rel\u00e8ve en v\u00e9rit\u00e9 de l’art\u00e9fact statistique. L’ajustement des seuils de d\u00e9cision n’est donc pas un raffinement math\u00e9matique accessoire ou optionnel, mais une exigence m\u00e9thodologique vitale pour pr\u00e9server l’int\u00e9grit\u00e9 de la m\u00e9thode scientifique et endiguer la crise de la reproductibilit\u00e9 des r\u00e9sultats scientifiques.<\/p>\n

1.2 Origine et contextualisation du d\u00e9bat m\u00e9thodologique<\/h3>\n

La prise de conscience du probl\u00e8me des comparaisons multiples remonte aux travaux pionniers de statisticiens tels que Ronald Fisher, John Tukey et Henry Scheff\u00e9 au milieu du vingti\u00e8me si\u00e8cle. Initialement circonscrit aux comparaisons par paires entre plusieurs moyennes au sein d’analyses de variance (ANOVA), le d\u00e9bat a longtemps \u00e9t\u00e9 domin\u00e9 par un imp\u00e9ratif de protection maximale : \u00e9viter \u00e0 tout prix qu’une exp\u00e9rience scientifique dans son ensemble ne contienne la moindre conclusion erron\u00e9e. Cette posture a men\u00e9 \u00e0 l’institutionnalisation de l’approche du Family-Wise Error Rate<\/em> (FWER), dont la transposition probabiliste la plus universelle a trouv\u00e9 son expression dans les in\u00e9galit\u00e9s \u00e9nonc\u00e9es d\u00e8s les ann\u00e9es 1930 par Carlo Emilio Bonferroni. Dans cette optique orthodoxe, une \u00e9tude est consid\u00e9r\u00e9e comme m\u00e9thodologiquement d\u00e9faillante d\u00e8s le premier faux positif qu’elle v\u00e9hicule, sans \u00e9gard pour le nombre total d’hypoth\u00e8ses l\u00e9gitimement confirm\u00e9es.<\/p>\n

Toutefois, l’av\u00e8nement des technologies \u00e0 tr\u00e8s haut d\u00e9bit au cours des ann\u00e9es 1990 a brutalement r\u00e9v\u00e9l\u00e9 les limites intrins\u00e8ques de cette perspective conservatrice. L’application m\u00e9canique du contr\u00f4le strict du FWER \u00e0 des probl\u00e9matiques impliquant des dizaines de milliers de variables a conduit \u00e0 une paralysie de la d\u00e9couverte scientifique, en raison d’une baisse spectaculaire de la puissance statistique des tests. C’est dans ce contexte d’impasse m\u00e9thodologique que les statisticiens isra\u00e9liens Yoav Benjamini et Yosef Hochberg ont publi\u00e9 en 1995<\/a> un article fondamental introduisant le concept de False Discovery Rate<\/em> (FDR). Leur proposition incarnait une rupture \u00e9pist\u00e9mologique majeure : au lieu de chercher vainement \u00e0 interdire l’occurrence du moindre faux positif au sein d’un oc\u00e9an de donn\u00e9es, pourquoi ne pas autoriser une proportion tol\u00e9r\u00e9e et contr\u00f4l\u00e9e d’erreurs parmi les signaux d\u00e9clar\u00e9s significatifs ?<\/p>\n

Cette r\u00e9volution paradigmatique a suscit\u00e9 d’intenses d\u00e9bats philosophiques et m\u00e9thodologiques au sein de la communaut\u00e9 statistique mondiale. D’un c\u00f4t\u00e9, les partisans de la doctrine n\u00e9o-classique d\u00e9fendent l’inviolabilit\u00e9 du FWER comme rempart ultime contre le relativisme exp\u00e9rimental et l’inflation des publications scientifiques douteuses, un principe particuli\u00e8rement vivace dans le domaine de la pharmacovigilance et de l’\u00e9valuation r\u00e9glementaire des m\u00e9dicaments. De l’autre c\u00f4t\u00e9, les promoteurs du FDR argumentent que l’exc\u00e8s de rigueur conservatrice engendre un fl\u00e9au m\u00e9thodologique tout aussi destructeur mais trop souvent ignor\u00e9 : l’erreur de type II syst\u00e9matique, c’est-\u00e0-dire l’incapacit\u00e9 d’identifier des d\u00e9couvertes r\u00e9elles en raison d’un seuil de s\u00e9v\u00e9rit\u00e9 prohibitif. Ce d\u00e9bat mat\u00e9rialise la tension \u00e9pist\u00e9mologique permanente entre la s\u00e9curit\u00e9 de la preuve confirmatoire et l’audace de l’exploration scientifique.<\/p>\n

2. Fondements et m\u00e9canique de la correction de Bonferroni<\/h2>\n

2.1 Cadre th\u00e9orique et formulation math\u00e9matique<\/h3>\n

La correction de Bonferroni puise ses fondements probabilistes dans l’in\u00e9galit\u00e9 de Boole, compl\u00e9t\u00e9e par les extensions th\u00e9oriques de Carlo Emilio Bonferroni en th\u00e9orie de la mesure et des probabilit\u00e9s. L’in\u00e9galit\u00e9 de Boole stipule que pour toute famille d\u00e9nombrable d’\u00e9v\u00e9nements al\u00e9atoires A<\/em>1<\/sub>, A<\/em>2<\/sub>, …, A<\/em>m<\/em><\/sub>, la probabilit\u00e9 que la r\u00e9union de ces \u00e9v\u00e9nements se produise est inf\u00e9rieure ou \u00e9gale \u00e0 la somme arithm\u00e9tique de leurs probabilit\u00e9s individuelles :<\/p>\n

P(∪i<\/em>=1<\/sub>m<\/em><\/sup> A<\/em>i<\/em><\/sub>) ≤ ∑i<\/em>=1<\/sub>m<\/em><\/sup> P(A<\/em>i<\/em><\/sub>)<\/span><\/p>\n

Dans le contexte des tests d’hypoth\u00e8ses multiples, consid\u00e9rons une famille de m<\/em> hypoth\u00e8ses nulles, not\u00e9es H<\/em>0,1<\/sub>, H<\/em>0,2<\/sub>, …, H<\/em>0,m<\/em><\/sub>, associ\u00e9es aux p-valeurs observ\u00e9es P<\/em>1<\/sub>, P<\/em>2<\/sub>, …, P<\/em>m<\/em><\/sub>. D\u00e9finissons l’\u00e9v\u00e9nement A<\/em>i<\/em><\/sub> comme le rejet erron\u00e9 de l’hypoth\u00e8se nulle H<\/em>0,i<\/em><\/sub> alors qu’elle est vraie (erreur de type I pour le test i<\/em>). Si l’on applique \u00e0 chaque test individuel une r\u00e8gle de rejet bas\u00e9e sur un seuil critique ajust\u00e9 commun not\u00e9 αcritique<\/sub>, la probabilit\u00e9 d’erreur unitaire P(A<\/em>i<\/em><\/sub>) est pr\u00e9cis\u00e9ment \u00e9gale \u00e0 αcritique<\/sub> sous l’hypoth\u00e8se nulle correspondante. L’objectif institutionnel de la m\u00e9thode est de garantir que le taux d’erreur par famille d’hypoth\u00e8ses (FWER), c’est-\u00e0-dire la probabilit\u00e9 de commettre au moins une erreur de premi\u00e8re esp\u00e8ce sur l’ensemble de l’exp\u00e9rience, ne d\u00e9passe jamais un seuil pr\u00e9d\u00e9termin\u00e9 α (habituellement 0,05) :<\/p>\n

FWER = P(V<\/em> ≥ 1) = P(∪i<\/em> ∈ I<\/em>0<\/sub><\/sub> {P<\/em>i<\/em><\/sub> ≤ αcritique<\/sub>}) ≤ ∑i<\/em> ∈ I<\/em>0<\/sub><\/sub> P(P<\/em>i<\/em><\/sub> ≤ αcritique<\/sub>) = m<\/em>0<\/sub> αcritique<\/sub> ≤ m<\/em> αcritique<\/sub><\/span><\/p>\n

o\u00f9 V<\/em> repr\u00e9sente le nombre al\u00e9atoire de fausses d\u00e9couvertes (rejets \u00e0 tort d’hypoth\u00e8ses nulles r\u00e9elles), I<\/em>0<\/sub> d\u00e9signe l’ensemble des indices correspondant aux hypoth\u00e8ses nulles effectivement vraies, et m<\/em>0<\/sub> = |I<\/em>0<\/sub>| repr\u00e9sente le cardinal de cet ensemble (avec m<\/em>0<\/sub> ≤ m<\/em>). Pour s’assurer que FWER ≤ α quelle que soit la proportion inconnue d’hypoth\u00e8ses nulles vraies dans le jeu de donn\u00e9es, il suffit de poser<\/span> :<\/p>\n

αcritique<\/sub> = α \/ m<\/em><\/span><\/p>\n

De mani\u00e8re op\u00e9rationnelle et \u00e9quivalente, le chercheur peut conserver le seuil nominal standard α et calculer pour chaque test individuel une p-valeur ajust\u00e9e par Bonferroni, d\u00e9finie par l’\u00e9quation :<\/p>\n

P<\/em>i<\/em><\/sub>ajust\u00e9e<\/sup> = min(1, m<\/em> × P<\/em>i<\/em><\/sub>)<\/span><\/p>\n

Une hypoth\u00e8se nulle H<\/em>0,i<\/em><\/sub> est alors rejet\u00e9e au niveau de confiance global α si et seulement si sa p-valeur ajust\u00e9e P<\/em>i<\/em><\/sub>ajust\u00e9e<\/sup> est strictement inf\u00e9rieure ou \u00e9gale \u00e0 α. Cette formulation simple et \u00e9l\u00e9gante garantit sur le plan math\u00e9matique que le contr\u00f4le du risque de faux positif s’exerce avec une rigueur absolue \u00e0 l’\u00e9chelle de l’ensemble de la famille de tests.<\/p>\n

2.2 Propri\u00e9t\u00e9s statistiques et hypoth\u00e8ses sous-jacentes<\/h3>\n

La propri\u00e9t\u00e9 la plus remarquable de la correction de Bonferroni r\u00e9side dans son universalit\u00e9 structurelle absolue quant aux distributions statistiques sous-jacentes. Contrairement \u00e0 de nombreuses proc\u00e9dures d’inf\u00e9rence avanc\u00e9es qui requi\u00e8rent des postulats stricts concernant l’ind\u00e9pendance mutuelle des variables ou la normalit\u00e9 multidimensionnelle des r\u00e9sidus, l’in\u00e9galit\u00e9 de Boole demeure rigoureusement valide quelle que soit la structure de d\u00e9pendance unissant les statistiques de test. Que les variables soient parfaitement ind\u00e9pendantes, positivement corr\u00e9l\u00e9es (par exemple, des g\u00e8nes appartenant \u00e0 une m\u00eame voie m\u00e9tabolique ou des voxels c\u00e9r\u00e9braux contigus) ou n\u00e9gativement associ\u00e9es, la borne sup\u00e9rieure \u00e9nonc\u00e9e par Bonferroni conserve sa validit\u00e9 math\u00e9matique sans la moindre d\u00e9faillance.<\/p>\n

Toutefois, cette robustesse universelle pr\u00e9sente un revers majeur : un pessimisme math\u00e9matique extr\u00eame. L’in\u00e9galit\u00e9 de Boole constitue une borne sup\u00e9rieure large, qui ignore totalement les intersections probabilistes d’ordre sup\u00e9rieur P(A<\/em>i<\/em><\/sub> ∩ A<\/em>j<\/em><\/sub>). Lorsque les statistiques de test manifestent une forte corr\u00e9lation positive, les \u00e9v\u00e9nements d’erreur conjointe se chevauchent de mani\u00e8re tr\u00e8s importante dans l’espace des probabilit\u00e9s. En sommant m\u00e9caniquement les probabilit\u00e9s individuelles sans retrancher les termes de covariance, la proc\u00e9dure de Bonferroni surestime lourdement le risque d’erreur globale r\u00e9el, conduisant \u00e0 une s\u00e9v\u00e9rit\u00e9 excessive.<\/p>\n

Cette s\u00e9v\u00e9rit\u00e9 entra\u00eene une cons\u00e9quence op\u00e9rationnelle d\u00e9vastatrice : l’effondrement vertigineux de la puissance statistique des tests. La puissance d’un test statistique mesure sa capacit\u00e9 \u00e0 rejeter l’hypoth\u00e8se nulle lorsqu’une hypoth\u00e8se alternative est effectivement v\u00e9rifi\u00e9e (probabilit\u00e9 1 – β). En divisant le seuil de d\u00e9cision α par un facteur m<\/em> qui peut facilement atteindre 100 000 dans les \u00e9tudes modernes, la zone de rejet se r\u00e9tracte dans les queues de distribution les plus extr\u00eames. Il en r\u00e9sulte une explosion du risque d’erreur de type II (β), c’est-\u00e0-dire l’incapacit\u00e9 d’identifier des effets biologiques, m\u00e9dicaux ou \u00e9conomiques pourtant r\u00e9els mais d’amplitude mod\u00e9r\u00e9e. Pour compenser une telle perte de sensibilit\u00e9 et retrouver une puissance statistique d\u00e9cente sous correction de Bonferroni, les protocoles exp\u00e9rimentaux se voient contraints d’accro\u00eetre la taille d’\u00e9chantillon N<\/em> dans des proportions souvent irr\u00e9alisables sur le plan logistique, financier ou \u00e9thique.<\/p>\n

2.3 Variantes et extensions de la m\u00e9thode de Bonferroni<\/h3>\n

Face \u00e0 la rigidit\u00e9 punitive de la correction \u00e0 seuil unique, plusieurs statisticiens ont d\u00e9velopp\u00e9 des proc\u00e9dures s\u00e9quentielles visant \u00e0 mod\u00e9rer le conservatisme de Bonferroni tout en maintenant un contr\u00f4le irr\u00e9prochable du FWER au sens fort. Parmi ces extensions, la plus c\u00e9l\u00e8bre et la plus largement impl\u00e9ment\u00e9e est la proc\u00e9dure s\u00e9quentielle descendante formul\u00e9e par le statisticien su\u00e9dois Sture Holm en 1979, couramment d\u00e9sign\u00e9e sous le nom de m\u00e9thode de Holm-Bonferroni.<\/p>\n

L’algorithme de Holm op\u00e8re par \u00e9tapes successives (step-down procedure<\/em>) apr\u00e8s avoir ordonn\u00e9 l’ensemble des p-valeurs observ\u00e9es selon une s\u00e9quence strictement croissante : P<\/em>(1)<\/sub> ≤ P<\/em>(2)<\/sub> ≤ … ≤ P<\/em>(m<\/em>)<\/sub>, associ\u00e9es \u00e0 leurs hypoth\u00e8ses nulles respectives H<\/em>0,(1)<\/sub>, H<\/em>0,(2)<\/sub>, …, H<\/em>0,(m<\/em>)<\/sub>. \u00c0 la premi\u00e8re \u00e9tape de la proc\u00e9dure, la plus petite p-valeur observ\u00e9e, P<\/em>(1)<\/sub>, est compar\u00e9e au seuil le plus strict de Bonferroni<\/span> :<\/p>\n

α1<\/sub> = α \/ m<\/em><\/span><\/p>\n

Si P<\/em>(1)<\/sub> > α \/ m<\/em>, l’algorithme s’arr\u00eate imm\u00e9diatement : aucune hypoth\u00e8se nulle n’est rejet\u00e9e, et l’analyse conclut \u00e0 l’absence de signal statistiquement significatif. En revanche, si P<\/em>(1)<\/sub> ≤ α \/ m<\/em>, l’hypoth\u00e8se nulle H<\/em>0,(1)<\/sub> est rejet\u00e9e de mani\u00e8re d\u00e9finitive. L’algorithme progresse alors vers la deuxi\u00e8me \u00e9tape, o\u00f9 P<\/em>(2)<\/sub> est compar\u00e9e \u00e0 un seuil l\u00e9g\u00e8rement assoupli<\/span> :<\/p>\n

α2<\/sub> = α \/ (m<\/em> – 1)<\/span><\/p>\n

D’une fa\u00e7on g\u00e9n\u00e9rale, \u00e0 la k<\/em>-i\u00e8me \u00e9tape, la p-valeur P<\/em>(k<\/em>)<\/sub> est \u00e9valu\u00e9e contre le seuil critique :<\/p>\n

αk<\/em><\/sub> = α \/ (m<\/em> – k<\/em> + 1)<\/span><\/p>\n

La r\u00e8gle d’arr\u00eat impose que d\u00e8s lors qu’une p-valeur P<\/em>(j<\/em>)<\/sub> \u00e9choue \u00e0 satisfaire l’in\u00e9galit\u00e9 P<\/em>(j<\/em>)<\/sub> ≤ α \/ (m<\/em> – j<\/em> + 1), le processus s’interrompt brutalement : les hypoth\u00e8ses H<\/em>0,(1)<\/sub> jusqu’\u00e0 H<\/em>0,(j<\/em>-1)<\/sub> sont rejet\u00e9es, tandis que toutes les hypoth\u00e8ses restantes H<\/em>0,(j<\/em>)<\/sub> jusqu’\u00e0 H<\/em>0,(m<\/em>)<\/sub> sont formellement conserv\u00e9es. La m\u00e9thode de Holm-Bonferroni domine uniform\u00e9ment la correction de Bonferroni classique : elle offre une puissance statistique strictement sup\u00e9rieure pour chaque test ult\u00e9rieur au premier rejet, tout en garantissant sans aucune condition de distribution que le FWER demeure born\u00e9 par α sous n’importe quelle configuration des hypoth\u00e8ses nulles<\/span>.<\/p>\n

Dans un esprit similaire, Yosef Hochberg a propos\u00e9 en 1988<\/a> une proc\u00e9dure s\u00e9quentielle ascendante (step-up procedure<\/em>). L’algorithme de Hochberg commence son inspection par la plus grande p-valeur observ\u00e9e P<\/em>(m<\/em>)<\/sub>, test\u00e9e contre le seuil α. Si P<\/em>(m<\/em>)<\/sub> ≤ α, toutes les hypoth\u00e8ses nulles sont rejet\u00e9es instantan\u00e9ment. Sinon, on examine successivement P<\/em>(k<\/em>)<\/sub> face au seuil α \/ (m<\/em> – k<\/em> + 1) en descendant vers k<\/em> = 1. D\u00e8s que l’on identifie le premier indice k<\/em> satisfaisant P<\/em>(k<\/em>)<\/sub> ≤ α \/ (m<\/em> – k<\/em> + 1), toutes les hypoth\u00e8ses nulles associ\u00e9es aux rangs i<\/em> ≤ k<\/em> sont rejet\u00e9es d’un seul bloc. Cette proc\u00e9dure s\u00e9quentielle ascendante conf\u00e8re une puissance statistique encore sup\u00e9rieure \u00e0 celle de Holm, mais elle exige une condition th\u00e9orique additionnelle relative \u00e0 la d\u00e9pendance des statistiques de test, connue sous le terme d’in\u00e9galit\u00e9 de Simes<\/span>.<\/p>\n

Enfin, sous l’hypoth\u00e8se explicite d’ind\u00e9pendance mutuelle entre les tests statistiques, la correction exacte de \u0160id\u00e1k (d\u00e9velopp\u00e9e par Zbyn\u011bk \u0160id\u00e1k en 1967) fournit une alternative l\u00e9g\u00e8rement plus lib\u00e9rale que Bonferroni. Puisque la probabilit\u00e9 conjointe de non-rejet est \u00e9gale \u00e0 (1 – αcritique<\/sub>)m<\/em><\/sup>, la r\u00e9solution de l’\u00e9quation 1 – (1 – αcritique<\/sub>)m<\/em><\/sup> = α aboutit au seuil critique<\/span> :<\/p>\n

α\u0160id\u00e1k<\/sub> = 1 – (1 – α)1\/m<\/em><\/sup><\/span><\/p>\n

Par d\u00e9veloppement limit\u00e9 au premier ordre, il appara\u00eet que 1 – (1 – α)1\/m<\/em><\/sup> ≈ α \/ m<\/em> lorsque m<\/em> devient tr\u00e8s grand, ce qui d\u00e9montre que le gain de puissance apport\u00e9 par la formulation de \u0160id\u00e1k par rapport \u00e0 Bonferroni reste marginal lorsque le volume de tests est \u00e9lev\u00e9.<\/p>\n

3. Fondements et m\u00e9canique du contr\u00f4le du taux de fausses d\u00e9couvertes (FDR)<\/h2>\n

3.1 Cadre conceptuel et rupture \u00e9pist\u00e9mologique<\/h3>\n

Le contr\u00f4le du taux de fausses d\u00e9couvertes (False Discovery Rate<\/em> ou FDR) trouve sa motivation initiale dans un constat pragmatique \u00e9tabli lors de la mont\u00e9e en puissance de la biologie mol\u00e9culaire moderne : lorsque l’on analyse simultan\u00e9ment des dizaines de milliers de transcrits ou de prot\u00e9ines, l’apparition d’un ou deux faux positifs parmi plusieurs centaines de d\u00e9couvertes authentiques n’invalide en rien la port\u00e9e scientifique de l’\u00e9tude. Dans de telles disciplines exp\u00e9rimentales, les r\u00e9sultats identifi\u00e9s ne constituent g\u00e9n\u00e9ralement pas des v\u00e9rit\u00e9s d\u00e9finitives et immuables, mais plut\u00f4t un vivier d’hypoth\u00e8ses d’int\u00e9r\u00eat destin\u00e9es \u00e0 \u00eatre r\u00e9\u00e9valu\u00e9es individuellement au laboratoire par des techniques compl\u00e9mentaires (par exemple, la r\u00e9action en cha\u00eene par polym\u00e9rase quantitative ou des mod\u00e8les murins d’inactivation g\u00e9nique).<\/p>\n

Pour formaliser rigoureusement cette id\u00e9e, consid\u00e9rons la classification des d\u00e9cisions statistiques au sein d’une exp\u00e9rience comportant m<\/em> tests d’hypoth\u00e8ses, synth\u00e9tis\u00e9e dans la matrice fondamentale suivante :<\/p>\n