{"id":7697,"date":"2026-09-16T23:19:46","date_gmt":"2026-09-16T23:19:46","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/explication-significativite-statistique-vs-pratique\/"},"modified":"2026-09-16T23:19:47","modified_gmt":"2026-09-16T23:19:47","slug":"explication-significativite-statistique-vs-pratique","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=explication-significativite-statistique-vs-pratique","title":{"rendered":"Une explication simple de la significativit\u00e9 statistique versus pratique"},"content":{"rendered":"

Dans le paysage contemporain de la recherche scientifique, et plus particuli\u00e8rement au sein des sciences psychologiques, comportementales et m\u00e9dicales, l’\u00e9valuation quantitative des r\u00e9sultats constitue le socle sur lequel reposent la validation des th\u00e9ories et la l\u00e9gitimation des interventions cliniques. Pourtant, depuis plusieurs d\u00e9cennies, un malentendu \u00e9pist\u00e9mologique persistant entrave la bonne interpr\u00e9tation des d\u00e9couvertes empiriques : la confusion quasi syst\u00e9matique entre la significativit\u00e9 statistique et la significativit\u00e9 pratique. Trop souvent, l’obtention du sacro-saint seuil de probabilit\u00e9 fix\u00e9 arbitrairement \u00e0 cinq centi\u00e8mes est c\u00e9l\u00e9br\u00e9e comme la preuve irr\u00e9futable d’une d\u00e9couverte majeure, alors qu’elle ne renseigne en r\u00e9alit\u00e9 que sur la plausibilit\u00e9 d’observer de telles donn\u00e9es sous l’hypoth\u00e8se d’une absence totale d’effet.<\/p>\n

Cette h\u00e9g\u00e9monie de la valeur p<\/em> a fa\u00e7onn\u00e9 des g\u00e9n\u00e9rations de chercheurs, d’\u00e9tudiants et de praticiens, \u00e9rigeant une fronti\u00e8re binaire et artificielle entre ce qui serait scientifiquement av\u00e9r\u00e9 et ce qui rel\u00e8verait du n\u00e9ant m\u00e9thodologique. Une telle dichotomisation occulte une question fondamentale, pourtant au c\u0153ur de toute d\u00e9marche appliqu\u00e9e : au-del\u00e0 de l’improbabilit\u00e9 que le hasard seul ait engendr\u00e9 l’observation, quelle est l’ampleur r\u00e9elle du ph\u00e9nom\u00e8ne mesur\u00e9, et en quoi transforme-t-il concr\u00e8tement la vie des individus concern\u00e9s ? Une diff\u00e9rence moyenne de quelques millisecondes dans un temps de r\u00e9action ou d’une fraction de point sur une \u00e9chelle psychom\u00e9trique standardis\u00e9e peut certes triompher des tests d’inf\u00e9rence statistique les plus rigoureux, sans pour autant poss\u00e9der la moindre r\u00e9percussion fonctionnelle dans le monde r\u00e9el.<\/p>\n

Le pr\u00e9sent article propose une exploration approfondie et didactique de cette distinction cardinale. En d\u00e9construisant les fondements math\u00e9matiques et philosophiques des tests d’hypoth\u00e8ses, nous mettrons en lumi\u00e8re les m\u00e9canismes par lesquels la significativit\u00e9 statistique s’affranchit parfois totalement du bon sens pragmatique. De l’anatomie de la distribution d’\u00e9chantillonnage aux exigences contemporaines de la science ouverte, en passant par l’estimation des tailles d’effet, les intervalles de confiance et les crit\u00e8res de changement clinique individuel, ce guide exhaustif a pour vocation de fournir aux chercheurs, cliniciens et analystes les outils conceptuels n\u00e9cessaires pour r\u00e9concilier la rigueur math\u00e9matique avec l’utilit\u00e9 pratique des savoirs scientifiques.<\/p>\n

1. Introduction aux fondements de l’inf\u00e9rence : Hypoth\u00e8ses et param\u00e8tres de population<\/h2>\n

1.1 D\u00e9finition du param\u00e8tre de population et de l’hypoth\u00e8se statistique<\/h3>\n

L’inf\u00e9rence statistique prend naissance dans une contrainte mat\u00e9rielle incontournable : l’impossibilit\u00e9 pratique d’observer l’int\u00e9gralit\u00e9 d’un ensemble d’individus ou d’\u00e9v\u00e9nements partageant des caract\u00e9ristiques communes, ensemble que la th\u00e9orie nomme population<\/strong>. Dans ce cadre formel, les propri\u00e9t\u00e9s fondamentales de cette population sont synth\u00e9tis\u00e9es par des grandeurs num\u00e9riques invariables mais fondamentalement inconnaissables de mani\u00e8re directe, d\u00e9sign\u00e9es sous le terme de param\u00e8tres de population<\/a>. Qu’il s’agisse de la moyenne th\u00e9orique d’un trait (not\u00e9e $\\mu$<\/span>), de sa dispersion mesur\u00e9e par l’\u00e9cart-type ($\\sigma$<\/span>), ou de la corr\u00e9lation r\u00e9elle entre deux dimensions psychologiques ($rho$<\/span>), ces param\u00e8tres constituent la v\u00e9rit\u00e9 ontologique sous-jacente que la recherche empirique s’efforce d’approcher.<\/p>\n

Face \u00e0 cette m\u00e9connaissance intrins\u00e8que de la r\u00e9alit\u00e9 absolue, le chercheur formule une hypoth\u00e8se statistique<\/em>, qui se d\u00e9finit comme une conjecture quantitative explicite portant pr\u00e9cis\u00e9ment sur la valeur ou les relations qu’entretiennent un ou plusieurs param\u00e8tres de population. En psychologie cognitive ou clinique, par exemple, un chercheur ne peut pr\u00e9tendre \u00e9valuer le niveau d’anxi\u00e9t\u00e9 de l’ensemble des individus souffrant d’un trouble panique \u00e0 l’\u00e9chelle d’un continent. Il pose alors comme hypoth\u00e8se que le score moyen d’anxi\u00e9t\u00e9 de cette population clinique d\u00e9passe d’une valeur d\u00e9termin\u00e9e celui observ\u00e9 dans la population g\u00e9n\u00e9rale, ou qu’un programme sp\u00e9cifique d’entra\u00eenement de la m\u00e9moire de travail modifie le score cognitif moyen d’un groupe d’\u00e2ge particulier. L’hypoth\u00e8se statistique traduit ainsi une intuition th\u00e9orique ou clinique abstraite en un \u00e9nonc\u00e9 probabilisable, soumis aux contraintes de la m\u00e9trologie et des math\u00e9matiques appliqu\u00e9es.<\/p>\n

Il est d\u00e8s lors primordial d’op\u00e9rer une distinction conceptuelle stricte entre la v\u00e9rit\u00e9 dans la population<\/em> et l’observation sur un \u00e9chantillon<\/em>. La statistique calcul\u00e9e \u00e0 partir des donn\u00e9es recueillies au sein d’un groupe restreint de participants ne repr\u00e9sente jamais le param\u00e8tre lui-m\u00eame, mais seulement une estimation ponctuelle affect\u00e9e d’une incertitude inh\u00e9rente. Confondre la moyenne observ\u00e9e d’un \u00e9chantillon d’\u00e9tudiants avec le param\u00e8tre de la population \u00e9tudiante globale constitue une erreur \u00e9pist\u00e9mique majeure : l’\u00e9chantillon est contingent, temporaire et fluctuant, tandis que le param\u00e8tre de population demeure la constante d’int\u00e9r\u00eat que l’analyse inf\u00e9rentielle tente d’appr\u00e9hender \u00e0 travers le prisme d\u00e9formant du hasard d’\u00e9chantillonnage.<\/p>\n

1.2 Le r\u00f4le fondamental de l’\u00e9chantillonnage al\u00e9atoire<\/h3>\n

Puisqu’il est irr\u00e9alisable d’administrer une \u00e9preuve psychom\u00e9trique ou un protocole psychoth\u00e9rapeutique \u00e0 des millions de personnes, le recours \u00e0 un \u00e9chantillon constitue la seule passerelle empirique vers la connaissance de la population. Toutefois, la validit\u00e9 de l’inf\u00e9rence repose enti\u00e8rement sur l’hypoth\u00e8se que cet \u00e9chantillon constitue un miroir fid\u00e8le des structures de la population cible. C’est ici qu’intervient l’imp\u00e9ratif de l’\u00e9chantillonnage al\u00e9atoire probabiliste, m\u00e9thode selon laquelle chaque membre de la population poss\u00e8de une probabilit\u00e9 connue et non nulle d’\u00eatre s\u00e9lectionn\u00e9 dans le sous-groupe d’\u00e9tude.<\/p>\n

N\u00e9anmoins, m\u00eame sous les conditions id\u00e9ales d’un tirage au sort parfait, la variabilit\u00e9 d’\u00e9chantillonnage<\/strong> demeure une loi incontournable de la nature. Deux \u00e9chantillons distincts de cent individus, tir\u00e9s d’une m\u00eame population homog\u00e8ne au moyen d’un processus rigoureusement identique, ne pr\u00e9senteront jamais des moyennes ou des variances parfaitement superposables. Ces fluctuations al\u00e9atoires introduisent une part d’incertitude ind\u00e9passable dans la collecte de donn\u00e9es empiriques. L’estimation statistique n’est pas un calcul d\u00e9terministe, mais un processus probabiliste o\u00f9 la divergence observ\u00e9e entre l’\u00e9chantillon et le param\u00e8tre th\u00e9orique peut simplement r\u00e9sulter de la chance inh\u00e9rente \u00e0 la s\u00e9lection des sujets.<\/p>\n

Lorsque les proc\u00e9dures d’\u00e9chantillonnage s’\u00e9cartent du tirage probabiliste pour privil\u00e9gier des m\u00e9thodes de convenance \u2014 pratique omnipr\u00e9sente en psychologie universitaire o\u00f9 les cohortes sont largement compos\u00e9es d’\u00e9tudiants occidentaux, \u00e9duqu\u00e9s, industrialis\u00e9s, riches et d\u00e9mocratiques (dits \u00e9chantillons WEIRD) \u2014, la repr\u00e9sentativit\u00e9 s’effondre. D\u00e8s lors, les menaces pesant sur la validit\u00e9 externe<\/em> deviennent consid\u00e9rables. Les inf\u00e9rences statistiques perdent leur fondement l\u00e9gitime, car il devient impossible de d\u00e9terminer si les relations mesur\u00e9es refl\u00e8tent un fonctionnement psychologique universel ou un art\u00e9fact propre aux idiosyncrasies socio-d\u00e9mographiques du sous-groupe \u00e9tudi\u00e9, fragilisant ainsi l’ensemble de l’\u00e9difice d\u00e9ductif.<\/p>\n

1.3 La structure des tests d’hypoth\u00e8ses : Hypoth\u00e8se nulle versus alternative<\/h3>\n

Pour naviguer dans le brouillard introduit par la variabilit\u00e9 d’\u00e9chantillonnage, la statistique inf\u00e9rentielle classique a institutionnalis\u00e9 une approche formalis\u00e9e reposant sur la confrontation de deux hypoth\u00e8ses mutuellement exclusives et exhaustives : l’hypoth\u00e8se nulle ($H_0$<\/span>) et l’hypoth\u00e8se alternative ($H_1$<\/span>). L’hypoth\u00e8se nulle<\/strong> constitue le point d’ancrage par d\u00e9faut de l’appareil de calcul ; elle formalise le postulat selon lequel il n’existe aucun effet, aucune diff\u00e9rence entre les groupes exp\u00e9rimentaux, ou aucune association entre les variables \u00e9tudi\u00e9es au niveau de la population g\u00e9n\u00e9rale ($\\mu_1 – \\mu_2 = 0$<\/span> ou $rho = 0$<\/span>).<\/p>\n

\u00c0 l’oppos\u00e9, l’hypoth\u00e8se alternative<\/strong> ($H_1$<\/span>) capture la pr\u00e9diction substantielle formul\u00e9e par le chercheur, \u00e0 savoir l’affirmation qu’une intervention produit un changement effectif, qu’une th\u00e9rapie induit un soulagement mesurable des sympt\u00f4mes, ou que deux processus cognitifs interagissent de mani\u00e8re syst\u00e9matique. La d\u00e9marche scientifique adopte ici un d\u00e9tour logique singulier, directement h\u00e9rit\u00e9 du rationalisme critique formalis\u00e9 par Karl Popper<\/a> et son principe de r\u00e9futabilit\u00e9. Dans ce paradigme, une affirmation g\u00e9n\u00e9rale ne peut jamais \u00eatre prouv\u00e9e de mani\u00e8re d\u00e9finitive par une accumulation d’observations corroborantes, car une observation ult\u00e9rieure peut toujours la d\u00e9mentir ; en revanche, elle peut \u00eatre r\u00e9fut\u00e9e par une observation empirique incompatible avec ses pr\u00e9dictions.<\/p>\n

Ainsi, le test d’hypoth\u00e8se statistique ne cherche pas \u00e0 \u00e9tablir directement la v\u00e9racit\u00e9 de $H_1$<\/span>, mais s’\u00e9vertue \u00e0 d\u00e9terminer si les donn\u00e9es recueillies permettent de rejeter formellement $H_0$<\/span>. Toute la logique inf\u00e9rentielle repose sur une tentative de falsification : nous postulons provisoirement l’absence de tout effet ($H_0$<\/span>), nous calculons la probabilit\u00e9 math\u00e9matique d’observer les donn\u00e9es obtenues dans un tel univers sceptique, et si cette probabilit\u00e9 s’av\u00e8re excessivement faible, nous rejetons l’hypoth\u00e8se nulle au profit de l’hypoth\u00e8se alternative. Le maintien de $H_0$<\/span>, quant \u00e0 lui, ne signifie jamais que l’absence d’effet est prouv\u00e9e, mais simplement que les donn\u00e9es actuelles ne fournissent pas de preuves empiriques suffisantes pour d\u00e9clarer l’hypoth\u00e8se nulle intenable.<\/p>\n

2. Le m\u00e9canisme des tests d’hypoth\u00e8ses statistiques : De l’\u00e9chantillon \u00e0 la d\u00e9cision<\/h2>\n

2.1 Le calcul de la distribution d’\u00e9chantillonnage sous H0<\/h3>\n

Le rouage fondamental permettant de relier l’\u00e9chantillon empirique \u00e0 la d\u00e9cision th\u00e9orique r\u00e9side dans la construction de la distribution d’\u00e9chantillonnage<\/strong>. Si l’on pr\u00e9levait un nombre infini d’\u00e9chantillons de taille $N$<\/span> dans une population o\u00f9 l’hypoth\u00e8se nulle est rigoureusement exacte, et que l’on calculait pour chacun d’eux la statistique de test appropri\u00e9e (telle que le t<\/em> de Student ou le F<\/em> de Fisher), ces valeurs th\u00e9oriques se distribueraient selon une fonction de densit\u00e9 probabiliste connue et pr\u00e9visible. Cette distribution mod\u00e9lise formellement l’ampleur des \u00e9carts attribuables au pur hasard d’\u00e9chantillonnage sous les auspices de $H_0$<\/span>.<\/p>\n

La l\u00e9gitimit\u00e9 de ce calcul s’appuie massivement sur le Th\u00e9or\u00e8me Central Limite<\/a>. Ce th\u00e9or\u00e8me math\u00e9matique fondamental d\u00e9montre que, pour des \u00e9chantillons de taille suffisante, la distribution des moyennes d’\u00e9chantillonnage converge asymptotiquement vers une loi normale, ind\u00e9pendamment de la forme de la distribution de la variable au sein de la population d’origine. Gr\u00e2ce \u00e0 cette propri\u00e9t\u00e9 remarquable, les statisticiens peuvent d\u00e9terminer avec une pr\u00e9cision analytique absolue les lois th\u00e9oriques (loi normale, loi de Student, loi du Chi-deux, etc.) que suivront les statistiques calcul\u00e9es, pourvu que certaines conditions de r\u00e9gularit\u00e9 soient satisfaites.<\/p>\n

D\u00e8s lors que cette distribution th\u00e9orique sous $H_0$<\/span> est caract\u00e9ris\u00e9e, il devient possible de confronter la statistique issue de l’\u00e9chantillon exp\u00e9rimental \u00e0 cette distribution de r\u00e9f\u00e9rence. Le chercheur \u00e9value ainsi la vraisemblance relative de son observation : le r\u00e9sultat obtenu se situe-t-il au c\u0153ur de la distribution, dans la zone o\u00f9 s’accumulent les variations banales et ordinaires g\u00e9n\u00e9r\u00e9es par l’\u00e9chantillonnage al\u00e9atoire ? Ou se projette-t-il \u00e0 l’extr\u00eame p\u00e9riph\u00e9rie de la courbe, dans les r\u00e9gions de faible densit\u00e9 de probabilit\u00e9 o\u00f9 l’occurrence d’une telle valeur rel\u00e8verait du quasi-miracle si l’hypoth\u00e8se nulle r\u00e9gnait en ma\u00eetre sur la population ?<\/p>\n

2.2 Le seuil de signification alpha : Une convention probabiliste<\/h3>\n

Pour trancher de mani\u00e8re op\u00e9rationnelle entre l’acceptabilit\u00e9 et l’incongruit\u00e9 des donn\u00e9es sous le mod\u00e8le nul, la m\u00e9thodologie inf\u00e9rentielle recourt \u00e0 un seuil d\u00e9cisionnel pr\u00e9d\u00e9termin\u00e9, d\u00e9sign\u00e9 par la lettre grecque $\\alpha$<\/span> (alpha). Ce param\u00e8tre d\u00e9finit le risque maximal d’erreur de premi\u00e8re esp\u00e8ce<\/strong> que le chercheur consent \u00e0 assumer, c’est-\u00e0-dire la probabilit\u00e9 de rejeter \u00e0 tort l’hypoth\u00e8se nulle alors que celle-ci est fondamentalement vraie dans la population cible. Fixer un seuil de signification revient \u00e0 tracer une ligne rouge quantitative au-del\u00e0 de laquelle les donn\u00e9es seront jug\u00e9es incompatibles avec le simple hasard.<\/p>\n

Sur le plan historique, la standardisation quasi universelle du seuil \u00e0 0,05 (compl\u00e9t\u00e9e parfois par les seuils plus stricts de 0,01 ou plus lib\u00e9raux de 0,10) trouve son origine dans les \u00e9crits m\u00e9thodologiques de Sir Ronald Fisher au cours des ann\u00e9es 1920. Dans son ouvrage fondateur Statistical Methods for Research Workers<\/em>, Fisher sugg\u00e9ra qu’une valeur se produisant moins d’une fois sur vingt par pur hasard offrait une indication pratique suffisante pour justifier une investigation scientifique plus pouss\u00e9e. Ce qui n’\u00e9tait \u00e0 l’origine qu’une r\u00e8gle empirique indicative, formul\u00e9e avec souplesse dans le cadre de recherches agronomiques, a subi au fil des d\u00e9cennies une scl\u00e9rose institutionnelle pour devenir un dogme absolu et universel r\u00e9gissant l’admission des manuscrits dans les revues acad\u00e9miques internationales.<\/p>\n

La nature de ce seuil demeure pourtant profond\u00e9ment arbitraire. Il n’existe aucun fondement math\u00e9matique, physique ou biologique justifiant qu’un \u00e9v\u00e9nement poss\u00e9dant une probabilit\u00e9 de survenue de 0,049 sous $H_0$<\/span> t\u00e9moigne d’une r\u00e9alit\u00e9 scientifique p\u00e9renne, tandis qu’un \u00e9v\u00e9nement affichant une probabilit\u00e9 de 0,051 doive \u00eatre rel\u00e9gu\u00e9 \u00e0 l’inexistence m\u00e9thodologique. Les cons\u00e9quences de cette convention binaire sont immenses : elle impose un filtre brutal sur la prise de d\u00e9cision, encourageant les chercheurs \u00e0 concevoir la connaissance selon un sch\u00e9ma manich\u00e9en o\u00f9 l’existence d’un ph\u00e9nom\u00e8ne d\u00e9pend exclusivement du franchissement d’une fronti\u00e8re probabiliste artificielle.<\/p>\n

2.3 La r\u00e8gle de d\u00e9cision dans l’approche de Neyman-Pearson<\/h3>\n

Tandis que Fisher envisageait la valeur $p$<\/span> comme un indice continu de preuve contre l’hypoth\u00e8se nulle \u00e0 int\u00e9grer au jugement scientifique global, les math\u00e9maticiens Jerzy Neyman et Egon Pearson ont formalis\u00e9 un cadre d\u00e9cisionnel beaucoup plus strict, pens\u00e9 comme une proc\u00e9dure de contr\u00f4le des erreurs \u00e0 long terme. Dans ce mod\u00e8le n\u00e9o-classique, la r\u00e8gle de d\u00e9cision repose sur une partition rigoureuse de l’espace d’\u00e9chantillonnage en deux zones distinctes : la zone d’acceptation<\/em> (ou plus exactement de non-rejet) et la zone de rejet<\/em>, cette derni\u00e8re \u00e9tant d\u00e9limit\u00e9e par une ou plusieurs valeurs critiques<\/strong> directement d\u00e9duites du niveau $\\alpha$<\/span> s\u00e9lectionn\u00e9.<\/p>\n

Selon l’orientation des pr\u00e9dictions th\u00e9oriques, le test statistique peut adopter une architecture unilat\u00e9rale ou bilat\u00e9rale. Dans un test bilat\u00e9ral, la zone de rejet est scind\u00e9e \u00e9quitablement entre les deux extr\u00e9mit\u00e9s de la distribution th\u00e9orique (chacune capturant une fraction $\\alpha \/ 2$<\/span> de l’aire sous la courbe), ce qui permet de d\u00e9tecter un effet ind\u00e9pendamment de sa direction positive ou n\u00e9gative. Dans un test unilat\u00e9ral, l’int\u00e9gralit\u00e9 de la r\u00e9gion critique est mass\u00e9e sur une seule queue de la distribution, augmentant la sensibilit\u00e9 \u00e0 d\u00e9tecter une diff\u00e9rence dans la direction strictement postul\u00e9e par la th\u00e9orie, au prix de l’aveuglement complet face \u00e0 un effet de sens oppos\u00e9.<\/p>\n

D\u00e8s lors que la statistique empirique calcul\u00e9e exc\u00e8de la valeur critique \u2014 ou, de mani\u00e8re \u00e9quivalente, que la probabilit\u00e9 associ\u00e9e \u00e0 cette statistique franchit le seuil $\\alpha$<\/span> \u2014, la r\u00e8gle n\u00e9yman-pearsonienne prescrit une action univoque : le rejet inconditionnel de $H_0$<\/span> et l’adoption op\u00e9rationnelle de $H_1$<\/span>. Si la statistique demeure en de\u00e7\u00e0 du seuil, la conclusion prescrite n’est pas que l’hypoth\u00e8se nulle est vraie, mais que la proc\u00e9dure statistique n’a pas permis d’amasser une quantit\u00e9 de preuves suffisante pour justifier son rejet. Cette posture n’exprime pas une croyance \u00e9pist\u00e9mique dans le n\u00e9ant, mais une suspension m\u00e9thodique du jugement face au risque d’erreur d’\u00e9chantillonnage.<\/p>\n

3. La significativit\u00e9 statistique : D\u00e9finition formelle et d\u00e9cryptage de la p-valeur<\/h2>\n

3.1 Qu’est-ce que la valeur p (p-value) r\u00e9ellement ?<\/h3>\n

Au c\u0153ur de l’inf\u00e9rence fr\u00e9quentiste se loge le concept le plus omnipr\u00e9sent et le plus mal interpr\u00e9t\u00e9 de la litt\u00e9rature scientifique contemporaine : la valeur p<\/em><\/strong> (ou p-value<\/em>). Selon sa d\u00e9finition math\u00e9matique stricte, la valeur p<\/em> d\u00e9signe la probabilit\u00e9, sous la condition expresse que l’hypoth\u00e8se nulle ($H_0$<\/span>) soit rigoureusement exacte au niveau de la population, d’obtenir une statistique de test au moins aussi extr\u00eame ou plus extr\u00eame que celle effectivement observ\u00e9e dans l’\u00e9chantillon \u00e0 l’\u00e9tude. Formellement, elle s’exprime par la probabilit\u00e9 conditionnelle $P(D ge d_{\\text{obs}} mid H_0)$<\/span>, o\u00f9 $D$<\/span> repr\u00e9sente la variable al\u00e9atoire associ\u00e9e aux donn\u00e9es et $d_{\\text{obs}}$<\/span> l’observation concr\u00e8te r\u00e9alis\u00e9e par le chercheur.<\/p>\n

Il est capital d’insister sur les termes de cette d\u00e9finition pour dissiper les nombreuses distorsions cognitives qui polluent son usage. La valeur p<\/em> n’est en aucune mani\u00e8re la probabilit\u00e9 que l’hypoth\u00e8se nulle soit vraie compte tenu des donn\u00e9es recueillies, ce qui rel\u00e8verait de l’inversion conditionnelle fallacieuse formalis\u00e9e par l’\u00e9quation $P(H_0 mid D)$<\/span>. Calculer une telle probabilit\u00e9 a posteriori n\u00e9cessiterait de mobiliser l’appareil statistique bay\u00e9sien et d’attribuer une distribution de probabilit\u00e9 pr\u00e9alable \u00e0 l’hypoth\u00e8se elle-m\u00eame, ce que le cadre fr\u00e9quentiste classique s’interdit formellement de faire.<\/p>\n

La valeur p<\/em> doit donc \u00eatre appr\u00e9hend\u00e9e pour ce qu’elle est : une mesure continue de la compatibilit\u00e9 statistique<\/strong> existant entre les donn\u00e9es empiriques observ\u00e9es et le mod\u00e8le th\u00e9orique sous-jacent qui postule une absence totale d’effet. Une valeur p<\/em> \u00e9lev\u00e9e atteste simplement que les observations s’ins\u00e8rent sans encombre dans le mod\u00e8le de variabilit\u00e9 d’\u00e9chantillonnage standard g\u00e9n\u00e9r\u00e9 par le hasard pur. Inversement, une valeur p<\/em> tr\u00e8s faible met en lumi\u00e8re une tension aigu\u00eb entre les donn\u00e9es r\u00e9colt\u00e9es et le mod\u00e8le nul, for\u00e7ant l’analyste \u00e0 choisir entre deux explications logiques : soit un \u00e9v\u00e9nement hautement improbable s’est produit par simple chance d’\u00e9chantillonnage, soit le mod\u00e8le th\u00e9orique nul est inad\u00e9quat pour d\u00e9crire la r\u00e9alit\u00e9.<\/p>\n

3.2 La conclusion de significativit\u00e9 statistique<\/h3>\n

Lorsqu’au terme des calculs, la valeur p<\/em> d’un test se r\u00e9v\u00e8le inf\u00e9rieure au seuil conventionnel $\\alpha$<\/span> (g\u00e9n\u00e9ralement 0,05), la communaut\u00e9 scientifique autorise formellement l’\u00e9nonc\u00e9 suivant : le r\u00e9sultat est qualifi\u00e9 de statistiquement significatif<\/em>. Dans son acception originelle et la plus rigoureuse, ce qualificatif n’a qu’une port\u00e9e technique extr\u00eamement circonscrite : il indique que la magnitude ou la r\u00e9gularit\u00e9 de l’effet observ\u00e9 au sein de l’\u00e9chantillon d\u00e9passe ce qu’il est convenu d’attribuer aux seules fluctuations stochastiques du tirage au sort probabiliste.<\/p>\n

Sur le plan \u00e9pist\u00e9mologique, la proclamation de significativit\u00e9 statistique conf\u00e8re un statut pr\u00e9liminaire d’existence \u00e0 un ph\u00e9nom\u00e8ne dans le corpus des donn\u00e9es exp\u00e9rimentales. Elle autorise le chercheur \u00e0 affirmer qu’une anomalie par rapport au bruit de fond a \u00e9t\u00e9 d\u00e9tect\u00e9e avec un niveau de s\u00e9curit\u00e9 pr\u00e9d\u00e9fini contre l’erreur de faux positif. C’est l’\u00e9tape par laquelle une observation quitte le statut de simple variation al\u00e9atoire pour acc\u00e9der \u00e0 celui de fait empirique m\u00e9ritant l’attention de la communaut\u00e9 des pairs et n\u00e9cessitant une tentative d’explication th\u00e9orique.<\/p>\n

Toutefois, franchir cette \u00e9tape ne valide en rien l’hypoth\u00e8se conceptuelle formul\u00e9e par le scientifique. L’attribution de la cause de cette anomalie statistique \u00e0 la th\u00e9orie pr\u00e9cise postul\u00e9e par l’exp\u00e9rimentateur rel\u00e8ve de la validit\u00e9 de construit et du contr\u00f4le m\u00e9thodologique, non de la statistique pure. Un test d’hypoth\u00e8se peut se r\u00e9v\u00e9ler statistiquement significatif non pas en raison de la v\u00e9racit\u00e9 de la th\u00e9orie psychologique sous-jacente, mais \u00e0 cause d’un biais d’\u00e9chantillonnage masqu\u00e9, d’une variable de confusion non contr\u00f4l\u00e9e, d’un effet d’ordre des t\u00e2ches, ou d’une erreur syst\u00e9matique de mesure. Confondre le rejet math\u00e9matique de $H_0$<\/span> avec la validation empirique d’un paradigme psychologique complexe repr\u00e9sente un saut inf\u00e9rentiel injustifiable.<\/p>\n

3.3 Les contresens fr\u00e9quents entourant la significativit\u00e9 statistique<\/h3>\n

La litt\u00e9rature en m\u00e9thodologie quantitative a document\u00e9 une multitude de biais d’interpr\u00e9tation qui touchent aussi bien les \u00e9tudiants que les chercheurs chevronn\u00e9s et les \u00e9diteurs de revues scientifiques. Le premier de ces contresens majeurs est l’illusion de r\u00e9plication, selon laquelle la quantit\u00e9 $(1 – p)$<\/span> \u00e9quivaudrait \u00e0 la probabilit\u00e9 de reproduire exactement le m\u00eame r\u00e9sultat lors d’une exp\u00e9rience ult\u00e9rieure identique. Ainsi, une valeur $p = 0,01$<\/span> est fr\u00e9quemment et faussement interpr\u00e9t\u00e9e comme la garantie \u00e0 99 % que l’effet redeviendra significatif si l’\u00e9tude est reconduite. En r\u00e9alit\u00e9, sous le r\u00e9gime des variations d’\u00e9chantillonnage, la valeur p<\/em> d’une r\u00e9plication pr\u00e9sente une variabilit\u00e9 consid\u00e9rable, d\u00e9sign\u00e9e par les statisticiens sous le terme de danse de la valeur p<\/em>, rendant cette interpr\u00e9tation totalement invalide.<\/p>\n

Un deuxi\u00e8me contresens particuli\u00e8rement pernicieux consiste \u00e0 inf\u00e9rer qu’une valeur p<\/em> infinit\u00e9simale (par exemple $p < 0,00001$<\/span>) atteste de l'existence d'un effet puissant, profond ou d'une vaste port\u00e9e th\u00e9orique. Cette croyance confond la force du signal contre le bruit avec la magnitude du ph\u00e9nom\u00e8ne lui-m\u00eame. Une valeur p<\/em> microscopique indique seulement une incompatibilit\u00e9 radicale avec le mod\u00e8le nul dans les conditions de l’\u00e9tude ; elle peut tout aussi bien r\u00e9sulter d’une taille d’\u00e9chantillon d\u00e9mesur\u00e9e observant un ph\u00e9nom\u00e8ne trivial que d’un effet biologique massif mesur\u00e9 sur un groupe restreint.<\/p>\n

Enfin, la confusion la plus destructrice pour l’avancement des connaissances appliqu\u00e9es est sans conteste l’assimilation de la certitude m\u00e9thodologique \u00e0 la pertinence scientifique. Ce glissement s\u00e9mantique s’enracine dans l’\u00e9volution du mot \u00ab significatif \u00bb dans le langage commun, o\u00f9 il est devenu synonyme d’\u00ab important \u00bb, de \u00ab substantiel \u00bb ou de \u00ab remarquable \u00bb. En statistique, \u00ab significatif \u00bb ne signifie rien d’autre que \u00ab signaleur \u00bb ou \u00ab d\u00e9celable \u00e0 travers le bruit \u00bb. Un r\u00e9sultat peut \u00eatre statistiquement significatif tout en \u00e9tant absolument insignifiant sur le plan th\u00e9orique, soci\u00e9tal, m\u00e9dical ou clinique, un constat que la pratique scientifique moderne oublie avec une constance troublante.<\/p>\n

4. Les limites intrins\u00e8ques de la p-valeur dans la recherche psychologique<\/h2>\n

4.1 Le pi\u00e8ge de la dichotomisation binaire<\/h3>\n

L’utilisation h\u00e9g\u00e9monique du cadre de d\u00e9cision h\u00e9rit\u00e9 de la vulgarisation crois\u00e9e de Fisher et de Neyman-Pearson a plong\u00e9 la recherche en sciences humaines dans le pi\u00e8ge de la dichotomisation binaire<\/strong>. En subordonnant l’existence \u00e9pist\u00e9mologique d’un r\u00e9sultat au passage d’une barri\u00e8re rigide \u00e0 0,05, la science s’expose \u00e0 un ph\u00e9nom\u00e8ne destructeur connu sous le nom d’effet falaise<\/em> (ou cliff effect<\/em>). Cet effet se manifeste par une rupture radicale et illusoire d’interpr\u00e9tation entre un r\u00e9sultat affichant $p = 0,049$<\/span> \u2014 encens\u00e9 comme une d\u00e9couverte majeure \u2014 et un r\u00e9sultat mesur\u00e9 \u00e0 $p = 0,051$<\/span>, impitoyablement rel\u00e9gu\u00e9 au statut d’\u00e9chec exp\u00e9rimental et d\u00e9clar\u00e9 nul et non avenu.<\/p>\n

D’un point de vue informationnel, ces deux r\u00e9sultats sont pourtant rigoureusement indiscernables : le degr\u00e9 de preuve qu’ils apportent contre l’hypoth\u00e8se nulle est pour ainsi dire identique. Transformer une variable continue d’\u00e9vidence en un couperet d\u00e9cisionnel tout-ou-rien d\u00e9truit une quantit\u00e9 massive d’informations quantitatives. Cette compression binaire interdit toute nuance probabiliste et emp\u00eache les chercheurs d’appr\u00e9hender la continuit\u00e9 de l’incertitude qui caract\u00e9rise par nature l’exploration des processus psychologiques complexes.<\/p>\n

Ce manich\u00e9isme m\u00e9thodologique alimente directement le m\u00e9canisme d\u00e9vastateur du biais de publication<\/em>. Les revues scientifiques ont historiquement refus\u00e9 de publier les \u00e9tudes dont les tests statistiques n’atteignaient pas le seuil de significativit\u00e9, cr\u00e9ant un paysage bibliographique artificiellement biais\u00e9 o\u00f9 seules les anomalies statistiques favorables aux hypoth\u00e8ses des auteurs parviennent \u00e0 la visibilit\u00e9 publique. Les th\u00e9ories psychologiques se sont ainsi construites sur une collection d’artefacts filtr\u00e9s par une coupure arbitraire, tandis que la masse silencieuse des donn\u00e9es infirmantes demeurait invisible au fond des tiroirs de laboratoire.<\/p>\n

4.2 La vuln\u00e9rabilit\u00e9 aux pratiques de recherche contestables (QRP)<\/h3>\n

L’incitation institutionnelle colossale \u00e0 produire des r\u00e9sultats franchissant imp\u00e9rativement la barri\u00e8re de $p < 0,05$<\/span> \u2014 imp\u00e9ratif dict\u00e9 par le principe acad\u00e9mique du \u00ab publier ou p\u00e9rir \u00bb \u2014 a catalys\u00e9 l'\u00e9mergence et la diffusion g\u00e9n\u00e9ralis\u00e9e de ce que la m\u00e9tarecherche qualifie de pratiques de recherche contestables<\/strong> (ou QRP pour Questionable Research Practices<\/a>). Ces manipulations m\u00e9thodologiques, souvent inconscientes ou rationalis\u00e9es par les chercheurs eux-m\u00eames, exploitent la flexibilit\u00e9 d\u00e9cisionnelle accord\u00e9e lors de l’analyse des donn\u00e9es pour forcer artificiellement une valeur p<\/em> r\u00e9calcitrante sous le seuil symbolique des 5 %.<\/p>\n

Au c\u0153ur de cet arsenal probl\u00e9matique figure le p-hacking<\/em>, \u00e9galement nomm\u00e9 data-dredging<\/em> ou p\u00eache aux donn\u00e9es. Le chercheur teste une multiplicit\u00e9 de transformations math\u00e9matiques sur ses variables, \u00e9limine des participants au moyen de r\u00e8gles d’exclusion d\u00e9finies a posteriori, s\u00e9lectionne arbitrairement les covariables int\u00e9gr\u00e9es aux mod\u00e8les de r\u00e9gression, ou segmente ses sous-groupes jusqu’\u00e0 ce qu’une combinaison particuli\u00e8re produise enfin une probabilit\u00e9 inf\u00e9rieure \u00e0 0,05. \u00c0 cela s’ajoute la pratique pernicieuse des arr\u00eats pr\u00e9coces de collecte : tester les donn\u00e9es apr\u00e8s chaque lot de dix nouveaux participants et stopper l’exp\u00e9rimentation d\u00e8s que le seuil est franchi, ce qui gonfle de mani\u00e8re spectaculaire le taux r\u00e9el d’erreur de premi\u00e8re esp\u00e8ce bien au-del\u00e0 des 5 % nominaux.<\/p>\n

Ce dysfonctionnement culmine dans le ph\u00e9nom\u00e8ne de HARKing<\/strong> (Hypothesizing After the Results are Known<\/em>), d\u00e9crit par le psychologue Norbert Kerr. Lorsqu’un test exploratoire fortuit g\u00e9n\u00e8re une valeur $p < 0,05$<\/span> au milieu d'un tableau d'analyses crois\u00e9es sans fondement th\u00e9orique pr\u00e9alable, le chercheur r\u00e9\u00e9crit l'introduction de son article scientifique pour pr\u00e9senter cette observation fortuite comme la pr\u00e9diction d\u00e9ductive initiale d'un mod\u00e8le formel. En travestissant la d\u00e9couverte fortuite en d\u00e9marche hypoth\u00e9tico-d\u00e9ductive, le HARKing contamine la litt\u00e9rature de th\u00e9ories ad hoc d\u00e9pourvues de toute robustesse empirique r\u00e9elle et incapables de survivre \u00e0 l'\u00e9preuve d'une r\u00e9plication ind\u00e9pendante rigoureuse.<\/p>\n

4.3 L’incapacit\u00e9 de la p-valeur \u00e0 quantifier la force d’une association<\/h3>\n

Sur le plan strictement analytique, la limitation la plus r\u00e9dhibitoire de la valeur p<\/em> r\u00e9side dans sa structure de calcul m\u00eame : elle ne quantifie en aucune fa\u00e7on l’amplitude du ph\u00e9nom\u00e8ne \u00e9tudi\u00e9. La statistique de test dont d\u00e9rive la valeur p<\/em> (qu’il s’agisse d’un test t<\/em>, z<\/em> ou F<\/em>) est fondamentalement le produit de deux composantes totalement distinctes : d’une part, la force de la relation ou de la diff\u00e9rence observ\u00e9e dans l’\u00e9chantillon, et d’autre part, la taille de l’effectif examin\u00e9 ($N$<\/span>). Cette relation fonctionnelle s’exprime conceptuellement sous la forme synth\u00e9tique :<\/p>\n

$$\\text{Statistique de test} = \\text{Taille de l’effet} \\times \\text{Taille de l’\u00e9chantillon}$$<\/span><\/p>\n

En cons\u00e9quence imm\u00e9diate de cette factorisation, la valeur p<\/em> s’av\u00e8re incapable d’offrir une m\u00e9trique interpr\u00e9table de l’association psychologique investigu\u00e9e. Une valeur p<\/em> de 0,002 ne contient aucune information univoque : elle peut tout aussi bien traduire une corr\u00e9lation monumentale ($r = 0,85$<\/span>) identifi\u00e9e au sein d’un petit \u00e9chantillon de 15 individus, qu’une corr\u00e9lation absolument d\u00e9risoire ($r = 0,03$<\/span>) d\u00e9riv\u00e9e d’un registre de population regroupant 100 000 dossiers m\u00e9dicaux. Priv\u00e9e du contexte de la taille d’\u00e9chantillon et de l’ampleur absolue des scores, la valeur p<\/em> ne dit strictement rien de la teneur psychologique ou comportementale de la d\u00e9couverte.<\/p>\n

Pour \u00e9valuer l’impact v\u00e9ritable d’une recherche, les sciences du comportement doivent imp\u00e9rativement s’\u00e9manciper du simple calcul probabiliste d’incompatibilit\u00e9 avec le mod\u00e8le nul. La valeur p<\/em> r\u00e9pond \u00e0 une question purement technique : \u00ab Est-il raisonnable d’\u00e9carter l’hypoth\u00e8se que ces donn\u00e9es r\u00e9sultent du bruit ? \u00bb Elle reste obstin\u00e9ment muette face aux interrogations qui importent au m\u00e9decin, au th\u00e9rapeute, \u00e0 l’enseignant ou au d\u00e9cideur public : \u00ab Combien ? \u00bb, \u00ab \u00c0 quel degr\u00e9 ? \u00bb et \u00ab Cette diff\u00e9rence fait-elle une divergence concr\u00e8te dans le fonctionnement humain ? \u00bb<\/p>\n

5. L’influence d\u00e9terminante de la taille de l’\u00e9chantillon sur la significativit\u00e9 statistique<\/h2>\n

5.1 La m\u00e9canique de l’erreur standard et des grands effectifs<\/h3>\n

Pour appr\u00e9hender la raison pour laquelle la significativit\u00e9 statistique diverge si fr\u00e9quemment de la r\u00e9alit\u00e9 pragmatique, il convient d’analyser la dynamique math\u00e9matique qui unit la taille de l’\u00e9chantillon \u00e0 l’erreur type<\/strong> (ou erreur standard, not\u00e9e $SE$<\/span>). Dans le cadre classique de l’estimation d’une moyenne, l’erreur type de la moyenne est calcul\u00e9e par la formule universelle :<\/p>\n

$$SE = \\frac{\\sigma}{\\sqrt{N}}$$<\/span><\/p>\n

o\u00f9 $\\sigma$<\/span> repr\u00e9sente l’\u00e9cart-type de la variable dans la population et $N$<\/span> le nombre d’observations ind\u00e9pendantes composant l’\u00e9chantillon. Cette fraction met en lumi\u00e8re une d\u00e9pendance math\u00e9matique inverse et implacable : \u00e0 mesure que l’effectif $N$<\/span> s’accro\u00eet, son radical $\\sqrt{N}$<\/span> augmente, ce qui a pour cons\u00e9quence m\u00e9canique de faire converger l’erreur standard vers z\u00e9ro.<\/p>\n

L’erreur standard constituant le d\u00e9nominateur de la plupart des statistiques de test fondamentales (par exemple dans le test $t$<\/span> de Student : $t = (\\bar{X} – \\mu) \/ SE$<\/span>), un d\u00e9nominateur infiniment petit propulse la valeur de la statistique de test vers des sommets d\u00e9mesur\u00e9s, et ce pour un num\u00e9rateur (la diff\u00e9rence observ\u00e9e entre les moyennes) rigoureusement constant. Plus l’\u00e9chantillon est colossal, plus la distribution d’\u00e9chantillonnage th\u00e9orique sous l’hypoth\u00e8se nulle se r\u00e9tracte et s’amincit autour de z\u00e9ro. D\u00e8s lors, le moindre \u00e9cart arithm\u00e9tique, m\u00eame s’il ne repr\u00e9sente qu’une fraction infime d’une unit\u00e9 de mesure, sera projet\u00e9 \u00e0 des distances probabilistes vertigineuses dans les queues de la distribution.<\/p>\n

Cette sensibilit\u00e9 m\u00e9canique des tests d’inf\u00e9rence envers l’effectif d’observation aboutit \u00e0 un constat d\u00e9routant : avec un \u00e9chantillon suffisamment vaste, quasiment n’importe quelle divergence empirique non rigoureusement \u00e9gale \u00e0 z\u00e9ro finira in\u00e9luctablement par \u00eatre couronn\u00e9e du sceau de la significativit\u00e9 statistique. L’obtention d’une valeur $p < 0,05$<\/span> cesse alors de constituer un filtre d'authenticit\u00e9 scientifique pour devenir le simple sous-produit logistique de la capacit\u00e9 d'un laboratoire \u00e0 amasser des jeux de donn\u00e9es massifs.<\/p>\n

5.2 Le paradoxe des effets minuscules hautement significatifs<\/h3>\n

Cette m\u00e9canique engendre le paradoxe des effets minuscules dot\u00e9s d’une significativit\u00e9 statistique \u00e9crasante, situation devenue omnipr\u00e9sente \u00e0 l’\u00e8re contemporaine des m\u00e9gadonn\u00e9es (Big Data<\/em>) et de la psychologie num\u00e9rique collect\u00e9e via les r\u00e9seaux sociaux ou les plateformes de foule (telles qu’Amazon Mechanical Turk ou Prolific). Imaginons une enqu\u00eate \u00e9valuant l’efficacit\u00e9 d’une nouvelle m\u00e9thode p\u00e9dagogique d’apprentissage de la lecture sur une cohorte de 50 000 \u00e9coliers compar\u00e9s \u00e0 50 000 t\u00e9moins. Si le groupe exp\u00e9rimental obtient un score moyen de 100,3 points \u00e0 un test standardis\u00e9 (d’\u00e9cart-type 15) contre 100,0 points dans le groupe t\u00e9moin, la diff\u00e9rence absolue n’est que de 0,3 point.<\/p>\n

Sur le plan humain, individuel ou \u00e9ducatif, un gain de 0,3 point sur une \u00e9chelle de 100 est totalement imperceptible : il ne modifie en rien la capacit\u00e9 d’un enfant \u00e0 d\u00e9chiffrer un texte ou \u00e0 comprendre un r\u00e9cit. Pourtant, inject\u00e9e dans les \u00e9quations d’un test $t$<\/span> sur un \u00e9chantillon totalisant $N = 100,000$<\/span> sujets, cette diff\u00e9rence infime g\u00e9n\u00e8re une statistique de test $t \\approx 3,16$<\/span>, assortie d’une valeur $p \\approx 0,0015$<\/span>. Selon les crit\u00e8res acad\u00e9miques dominants, ce r\u00e9sultat sera salu\u00e9 comme \u00ab hautement significatif \u00e0 $p < 0,01$<\/span> \u00bb et pr\u00e9sent\u00e9 aux autorit\u00e9s \u00e9ducatives comme la preuve de l'excellence de la m\u00e9thode.<\/p>\n

Le risque de surinterpr\u00e9ter ces variations triviales issues des grandes bases de donn\u00e9es est consid\u00e9rable. Des millions d’euros ou des r\u00e9formes de sant\u00e9 publique peuvent \u00eatre engag\u00e9s sur la base de variations infinit\u00e9simales qui n’am\u00e9liorent en rien la condition humaine, simplement parce que la certitude statistique a \u00e9t\u00e9 confondue avec la valeur pratique de l’effet. L’analyse critique d’une recherche doit toujours d\u00e9buter par la dissociation explicite entre la nettet\u00e9 math\u00e9matique de la d\u00e9tection et la substance tangible du fait observ\u00e9.<\/p>\n

5.3 Le probl\u00e8me du manque de puissance statistique dans les petits \u00e9chantillons<\/h3>\n

Le revers de la m\u00e9daille de la taille d’\u00e9chantillon se r\u00e9v\u00e8le tout aussi d\u00e9vastateur pour la rigueur scientifique : il s’agit du probl\u00e8me structurel de la sous-puissance statistique<\/strong> caract\u00e9risant les \u00e9chantillons r\u00e9duits. La puissance statistique d’une \u00e9tude, formellement quantifi\u00e9e par $1 – \\beta$<\/span>, repr\u00e9sente la probabilit\u00e9 math\u00e9matique que poss\u00e8de le protocole de rejeter effectivement l’hypoth\u00e8se nulle lorsque celle-ci est v\u00e9ritablement fausse dans la population, c’est-\u00e0-dire la probabilit\u00e9 de d\u00e9tecter un effet r\u00e9el existant d’une magnitude donn\u00e9e.<\/p>\n

Dans de nombreux champs exp\u00e9rimentaux de la psychologie (neuro-imagerie fonctionnelle, th\u00e9rapies individuelles de troubles rares, \u00e9tudes d\u00e9veloppementales sur le nourrisson), les contraintes financi\u00e8res, \u00e9thiques et temporelles restreignent drastiquement les effectifs \u00e0 des cohortes de 15 \u00e0 30 sujets par cellule. Dans de telles conditions de recueil, l’erreur standard devient volumineuse, ce qui aplatit la statistique de test et gonfle d\u00e9mesur\u00e9ment la valeur p<\/em>. Un chercheur peut ainsi observer une am\u00e9lioration clinique tout \u00e0 fait spectaculaire sous l’effet d’une mol\u00e9cule innovante \u2014 un soulagement substantiel chez 40 % de ses patients \u2014, mais se heurter \u00e0 une valeur $p = 0,12$<\/span> en raison de l’impr\u00e9cision inh\u00e9rente \u00e0 son effectif miniature.<\/p>\n

Ce ph\u00e9nom\u00e8ne induit une erreur de seconde esp\u00e8ce<\/strong> (ou faux n\u00e9gatif, not\u00e9e $\\beta$<\/span>) : conclure \u00e0 l’absence de preuve contre $H_0$<\/span> et rejeter une piste de recherche th\u00e9rapeutique prometteuse simplement parce que le d\u00e9tecteur statistique n’\u00e9tait pas suffisamment calibr\u00e9 pour capter le signal. L’abandon pr\u00e9matur\u00e9 d’interventions potentiellement salutaires constitue un gaspillage \u00e9thique et financier majeur. C’est pour juguler cette d\u00e9rive qu’une saine m\u00e9thodologie impose la conduite syst\u00e9matique d’analyses de puissance a priori<\/em>, calculs permettant de calibrer rationnellement la taille d’\u00e9chantillon requise avant le premier recueil de donn\u00e9es pour garantir une probabilit\u00e9 acceptable (souvent fix\u00e9e \u00e0 80 % ou 90 %) d’identifier un effet d’int\u00e9r\u00eat th\u00e9orique minimal.<\/p>\n

6. Qu’est-ce que la significativit\u00e9 pratique en psychologie ?<\/h2>\n

6.1 D\u00e9finition conceptuelle de la significativit\u00e9 pratique<\/h3>\n

Alors que la significativit\u00e9 statistique interroge la probabilit\u00e9 que les donn\u00e9es aient \u00e9t\u00e9 g\u00e9n\u00e9r\u00e9es par une absence de relation sous l’effet du bruit d’\u00e9chantillonnage, la significativit\u00e9 pratique<\/strong> s’int\u00e9resse \u00e0 une question radicalement diff\u00e9rente, centr\u00e9e sur la valeur empirique : quelle est l’utilit\u00e9, la port\u00e9e, la signification r\u00e9elle et le b\u00e9n\u00e9fice tangible d’une d\u00e9couverte dans le fonctionnement quotidien des \u00eatres humains ? Ce concept d\u00e9place l’attention de la machinerie inf\u00e9rentielle vers le monde v\u00e9cu, \u00e9valuant si le ph\u00e9nom\u00e8ne psychologique mis au jour produit un impact mesurable sur la sant\u00e9 mentale, la cognition, l’ajustement \u00e9motionnel ou l’efficacit\u00e9 comportementale des individus.<\/p>\n

Cette distinction op\u00e8re une rupture fondamentale entre deux interrogations \u00e9pist\u00e9mologiques compl\u00e9mentaires. La premi\u00e8re, celle de l’inf\u00e9rence classique, demande : \u00ab Cet effet existe-t-il au-del\u00e0 du hasard stochastique ? \u00bb La seconde, celle de la pertinence pratique, r\u00e9torque : \u00ab Cet effet modifie-t-il quoi que ce soit d’important \u00e0 la r\u00e9alit\u00e9 ? \u00bb En psychologie appliqu\u00e9e, la simple preuve de l’existence ontologique d’un lien statistique n’offre aucune justification suffisante pour modifier un paradigme diagnostique, r\u00e9former un cursus d’enseignement ou prescrire un protocole th\u00e9rapeutique contraignant.<\/p>\n

La significativit\u00e9 pratique oblige ainsi le chercheur \u00e0 se d\u00e9faire du f\u00e9tichisme m\u00e9thodologique pour r\u00e9investir la s\u00e9mantique de son objet d’\u00e9tude. Elle postule qu’une d\u00e9couverte n’acquiert sa pleine validit\u00e9 scientifique que lorsqu’elle est capable d’expliquer une part substantive du comportement humain ou d’offrir des leviers de transformation perceptibles par les personnes concern\u00e9es. Elle substitue \u00e0 la conformit\u00e9 math\u00e9matique une exigence d’utilit\u00e9 \u00e9cologique et fonctionnelle.<\/p>\n

6.2 La valeur pragmatique face \u00e0 la valeur inf\u00e9rentielle<\/h3>\n

La confrontation entre valeur pragmatique et valeur inf\u00e9rentielle met en exergue les arbitrages fondamentaux auxquels sont confront\u00e9s les praticiens et les concepteurs de politiques publiques. La valeur inf\u00e9rentielle<\/em> incarne la puret\u00e9 logique de la d\u00e9duction statistique : elle garantit, sous les axiomes du mod\u00e8le, que l’on ne commet pas plus d’un certain pourcentage d’erreurs de d\u00e9cision th\u00e9orique sur l’ensemble d’une carri\u00e8re acad\u00e9mique. Elle s’\u00e9panouit dans l’abstraction des espaces probabilis\u00e9s et dans la reproductibilit\u00e9 formelle des distributions de tirage.<\/p>\n

La valeur pragmatique<\/em>, quant \u00e0 elle, s’enracine dans la balance \u00e9conomique et humaine des co\u00fbts, des efforts et des b\u00e9n\u00e9fices r\u00e9els induits par une intervention. M\u00eame lorsqu’une intervention psychologique d\u00e9montre une sup\u00e9riorit\u00e9 statistique indiscutable face \u00e0 un placebo ($p < 0,001$<\/span>), sa valeur pragmatique peut se r\u00e9v\u00e9ler quasi nulle si sa mise en \u0153uvre exige 150 heures de psychoth\u00e9rapie sp\u00e9cialis\u00e9e pour ne r\u00e9duire les scores d'anxi\u00e9t\u00e9 que d'un demi-\u00e9cart-type, sans changement observable dans la reprise d'activit\u00e9 professionnelle des patients. L'analyse d\u00e9cisionnelle ne peut s'abstraire des co\u00fbts d'opportunit\u00e9, des effets secondaires cognitifs, et de la charge mentale impos\u00e9e par les programmes exp\u00e9rimentaux.<\/p>\n

De surcro\u00eet, la valeur pragmatique se mesure \u00e0 l’aune du seuil de perception humaine<\/em>. Si une technique de relaxation diminue le niveau de stress physiologique d’une mani\u00e8re ind\u00e9niablement mesurable par des capteurs de conductance cutan\u00e9e ultrasensibles, mais que ni le sujet ni ses proches ne per\u00e7oivent le moindre apaisement subjectif dans leurs interactions relationnelles ordinaires, la port\u00e9e de la d\u00e9couverte demeure confin\u00e9e au laboratoire. La significativit\u00e9 pratique exige qu’\u00e0 un moment du processus de validation, le changement quantifi\u00e9 se traduise par une modification observable du cours de la vie quotidienne.<\/p>\n

6.3 Facteurs contextuels influen\u00e7ant la pertinence pratique<\/h3>\n

L’appr\u00e9ciation de la significativit\u00e9 pratique ne saurait \u00eatre fig\u00e9e dans des r\u00e8gles arithm\u00e9tiques universelles : elle d\u00e9pend intimement des sp\u00e9cificit\u00e9s contextuelles entourant l’objet d’\u00e9tude. Le premier de ces facteurs r\u00e9side dans la gravit\u00e9 du construit clinique ou soci\u00e9tal<\/strong> \u00e9valu\u00e9. Dans le domaine de la psychiatrie lourde ou de la suicidologie, une r\u00e9duction de risque de 1,5 % \u2014 qui semblerait totalement d\u00e9risoire dans le cadre de l’apprentissage scolaire ou de l’optimisation des temps de r\u00e9action \u2014 peut rev\u00eatir une pertinence pratique monumentale, car elle \u00e9quivaut math\u00e9matiquement \u00e0 des dizaines ou des centaines de vies sauv\u00e9es \u00e0 l’\u00e9chelle d’une population nationale.<\/p>\n

Le deuxi\u00e8me facteur concerne l’accessibilit\u00e9 logistique, le co\u00fbt d’administration et la tol\u00e9rance de l’intervention. Une intervention psychologique br\u00e8ve, peu on\u00e9reuse, facilement diffusable par voie num\u00e9rique et exempte de tout effet secondaire ind\u00e9sirable (par exemple une invite de recadrage cognitif par message quotidien) poss\u00e8de une valeur pratique substantielle m\u00eame si sa taille d’effet est infinit\u00e9simale. D\u00e9ploy\u00e9e \u00e0 l’\u00e9chelle de millions d’usagers d’un service de sant\u00e9 num\u00e9rique, un b\u00e9n\u00e9fice minime par individu agr\u00e8ge un gain soci\u00e9tal consid\u00e9rable. \u00c0 l’inverse, un protocole lourd, on\u00e9reux et exigeant un suivi individuel intensif n\u00e9cessite une taille d’effet massive pour pr\u00e9tendre \u00e0 la moindre pertinence pratique.<\/p>\n

Enfin, le cadre d’application imprime sa marque sur les crit\u00e8res d’\u00e9valuation. En psychologie du travail et des organisations, une hausse de 1 % de la productivit\u00e9 globale mesur\u00e9e statistiquement peut se traduire par des millions d’euros d’\u00e9conomies pour une grande entreprise, conf\u00e9rant \u00e0 ce micro-effet une significativit\u00e9 financi\u00e8re et pratique indiscutable. En psychologie scolaire, en revanche, un gain \u00e9quivalent sur un trimestre d’apprentissage n’aura aucun impact sur la trajectoire acad\u00e9mique d’un \u00e9l\u00e8ve en difficult\u00e9. La significativit\u00e9 pratique n’est pas une constante immanente des donn\u00e9es ; elle \u00e9merge de l’intersection vivante entre l’ampleur statistique d’un r\u00e9sultat et les finalit\u00e9s concr\u00e8tes du champ d’application o\u00f9 il est d\u00e9ploy\u00e9.<\/p>\n

7. La taille d’effet : L’instrument de mesure de la significativit\u00e9 pratique<\/h2>\n

7.1 Les m\u00e9triques standardis\u00e9es de diff\u00e9rence moyenne<\/h3>\n

Pour s’affranchir de la d\u00e9pendance absolue de la valeur p<\/em> envers la taille de l’\u00e9chantillon, la m\u00e9trologie psychologique a d\u00e9velopp\u00e9 et syst\u00e9matis\u00e9 l’usage des indices de taille d’effet<\/strong> (ou effect size<\/em>). Parmi ceux-ci, la famille des diff\u00e9rences moyennes standardis\u00e9es constitue le vecteur d’analyse privil\u00e9gi\u00e9 pour comparer deux groupes exp\u00e9rimentaux. La m\u00e9trique la plus universellement r\u00e9pandue est le d de Cohen<\/a>, propos\u00e9 par Jacob Cohen en 1988, qui exprime la diff\u00e9rence brute observ\u00e9e entre les moyennes de deux groupes en unit\u00e9s d’\u00e9cart-type combin\u00e9 :<\/p>\n

$$d = \\frac{\\bar{X}_1 – \\bar{X}_2}{s_p} \\quad \\text{a\\vec} \\quad s_p = \\sqrt{\\frac{(n_1 – 1)s_1^2 + (n_2 – 1)s_2^2}{n_1 + n_2 – 2}}$$<\/span><\/p>\n

Lorsque la taille des sous-\u00e9chantillons est modeste ($N < 20$<\/span>), le d<\/em> de Cohen a tendance \u00e0 surestimer syst\u00e9matiquement la taille d’effet au sein de la population. Les m\u00e9thodologistes pr\u00e9conisent alors l’application du g de Hedges<\/strong>, qui applique un facteur de correction sans biais proportionnel aux degr\u00e9s de libert\u00e9. Dans les situations o\u00f9 les variances des deux groupes se r\u00e9v\u00e8lent h\u00e9t\u00e9rog\u00e8nes sous l’effet de l’intervention exp\u00e9rimentale, le Delta de Glass<\/strong> ($\\Delta$<\/span>) offre une alternative pragmatique en divisant la diff\u00e9rence des moyennes exclusivement par l’\u00e9cart-type du groupe t\u00e9moin, pr\u00e9serv\u00e9 de toute manipulation.<\/p>\n

Pour guider l’interpr\u00e9tation empirique de ces valeurs, Cohen a propos\u00e9 des rep\u00e8res conventionnels bien connus : un effet est qualifi\u00e9 de \u00ab petit \u00bb aux alentours de $d = 0,2$<\/span>, de \u00ab moyen \u00bb vers $d = 0,5$<\/span>, et de \u00ab grand \u00bb au-del\u00e0 de $d = 0,8$<\/span>. Toutefois, ces bornes doivent imp\u00e9rativement \u00eatre manipul\u00e9es avec pr\u00e9caution. Cohen lui-m\u00eame mettait en garde contre une application aveugle et d\u00e9contextualis\u00e9e de ces rep\u00e8res. Dans certains domaines de la psychologie cognitive, un $d = 0,2$<\/span> correspond au maximum absolu de variance que peut manipuler un paradigme exp\u00e9rimental, tandis qu’en psychoth\u00e9rapie comparative face \u00e0 une liste d’attente, un $d$<\/span> inf\u00e9rieur \u00e0 0,5 signale une intervention th\u00e9rapeutique d’une faiblesse inqui\u00e9tante.<\/p>\n

\"Boxplots
Boxplots in R<\/figcaption><\/figure>\n

7.2 Les m\u00e9triques de variance expliqu\u00e9e et d’association<\/h3>\n

Une seconde famille d’indices de taille d’effet \u00e9value non plus la divergence entre des moyennes isol\u00e9es, mais la proportion de variance d’une variable d\u00e9pendante qui peut \u00eatre math\u00e9matiquement pr\u00e9dite ou expliqu\u00e9e par une ou plusieurs variables ind\u00e9pendantes. Le prototype de cette famille est le coefficient de d\u00e9termination<\/strong> ($R^2$<\/span>), issu de la corr\u00e9lation lin\u00e9aire de Pearson, qui indique quel pourcentage de la dispersion totale des scores individuels s’aligne sur le mod\u00e8le math\u00e9matique postul\u00e9.<\/p>\n

Dans le cadre des plans d’exp\u00e9rience multifactoriels analys\u00e9s par l’analyse de variance (ANOVA), le chercheur se tourne fr\u00e9quemment vers l’\u00eata-carr\u00e9<\/em> ($\\eta^2$<\/span>) et l’\u00eata-carr\u00e9 partiel<\/em> ($\\eta_p^2$<\/span>). Ce dernier isole la variance imputable \u00e0 un facteur sp\u00e9cifique en retirant de l’\u00e9quation les variances captur\u00e9es par les autres facteurs du mod\u00e8le d’analyse :<\/p>\n

$$\\eta_p^2 = \\frac{SS_{\\text{effet}}}{SS_{\\text{effet}} + SS_{\\text{erreur}}}$$<\/span><\/p>\n

Cependant, tout comme le d<\/em> de Cohen dans les petits \u00e9chantillons, l’\u00eata-carr\u00e9 partiel est un estimateur biais\u00e9 qui a tendance \u00e0 surestimer la variance expliqu\u00e9e dans la population parente. Pour surmonter ce biais syst\u00e9matique, la psychom\u00e9trie computationnelle privil\u00e9gie l’usage de l’om\u00e9ga-carr\u00e9<\/strong> ($\\omega^2$<\/span>) ou de l’om\u00e9ga-carr\u00e9 partiel ($\\omega_p^2$<\/span>). Cette m\u00e9trique soustrait le terme de variance d’erreur r\u00e9siduelle au num\u00e9rateur, offrant ainsi une estimation non biais\u00e9e de la proportion de variabilit\u00e9 comportementale r\u00e9ellement gouvern\u00e9e par le facteur d’int\u00e9r\u00eat.<\/p>\n

Ces indices permettent d’ancrer la r\u00e9flexion dans des ordres de grandeur intuitifs. Constater qu’une nouvelle m\u00e9thode psychoth\u00e9rapeutique poss\u00e8de une significativit\u00e9 statistique \u00e9clatante ($p < 0,001$<\/span>) mais qu'elle n'affiche qu'un $\\omega_p^2 = 0,01$<\/span> remet imm\u00e9diatement les pendules m\u00e9thodologiques \u00e0 l'heure : 99 % des variations individuelles du bien-\u00eatre des patients d\u00e9pendent de facteurs totalement ignor\u00e9s ou non contr\u00f4l\u00e9s par cette intervention. Le mod\u00e8le n'explique en r\u00e9alit\u00e9 que l'\u00e9cume des processus psychiques sous-jacents.<\/p>\n

7.3 Les m\u00e9triques adapt\u00e9es aux donn\u00e9es cat\u00e9gorielles<\/h3>\n

Les investigations psychologiques et \u00e9pid\u00e9miologiques manipulent fr\u00e9quemment des variables qualitatives dichotomiques ou polytomiques (succ\u00e8s versus \u00e9chec, r\u00e9mission versus rechute, diagnostic pr\u00e9sent versus absent). Dans ce registre non param\u00e9trique, les tests d’ind\u00e9pendance du Chi-deux n\u00e9cessitent des m\u00e9triques de taille d’effet sp\u00e9cifiques pour renseigner sur la vigueur de l’association. Le V de Cram\u00e9r<\/strong> est l’indice le plus usit\u00e9 pour mesurer la force de d\u00e9pendance dans des tableaux de contingence de dimensions arbitraires, normalisant la valeur du test statistique sur une \u00e9chelle standardis\u00e9e variant de 0 (ind\u00e9pendance totale) \u00e0 1 (d\u00e9pendance fonctionnelle absolue).<\/p>\n

Dans les \u00e9tudes de cohortes et les essais cliniques randomis\u00e9s, deux autres m\u00e9triques pr\u00e9valent : le Rapport de Cotes<\/strong> (ou Odds Ratio<\/em>, $OR$<\/span>) et le Risque Relatif<\/strong> ($RR$<\/span>). Le risque relatif compare directement la probabilit\u00e9 de survenue d’un \u00e9v\u00e9nement dans un groupe expos\u00e9 par rapport \u00e0 un groupe t\u00e9moin. L’Odds Ratio, quant \u00e0 lui, met en rapport les cotes de survenue de l’\u00e9v\u00e9nement. Ces indices fournissent une appr\u00e9ciation directe et intuitive du changement d’\u00e9chelle d’un risque psychopathologique face \u00e0 un facteur environnemental ou th\u00e9rapeutique.<\/p>\n

Enfin, pour r\u00e9pondre directement aux imp\u00e9ratifs de la d\u00e9cision m\u00e9dicale et psychologique pragmatique, la biostatistique a introduit le concept de Nombre de Sujets \u00e0 Traiter<\/strong> (ou Number Needed to Treat<\/em>, $NNT$<\/span>). Le NNT est la r\u00e9ciproque math\u00e9matique de la R\u00e9duction Absolue du Risque ($NNT = 1 \/ ARR$<\/span>). Il indique le nombre exact de patients qu’un clinicien doit traiter avec le protocole exp\u00e9rimental, par rapport au protocole t\u00e9moin, pour obtenir un \u00e9v\u00e9nement th\u00e9rapeutique favorable suppl\u00e9mentaire (ou pr\u00e9venir une issue ind\u00e9sirable). Un traitement affichant une significativit\u00e9 statistique parfaite peut requ\u00e9rir un $NNT = 150$<\/span>, ce qui signifie qu’il faut mobiliser des ressources massives aupr\u00e8s de cent cinquante personnes pour n’en soulager effectivement qu’une seule. Cet indicateur constitue l’un des ponts les plus limpides entre la m\u00e9trologie abstraite et l’\u00e9thique de terrain.<\/p>\n

8. Les intervalles de confiance : Synth\u00e8se de l’estimation et de l’incertitude<\/h2>\n

8.1 Fondements et calcul des intervalles de confiance<\/h3>\n

Face aux \u00e9cueils cumul\u00e9s de la dichotomisation induite par la valeur p<\/em> et de l’illusion de pr\u00e9cision que peut susciter une estimation ponctuelle brute de taille d’effet, les m\u00e9thodologistes recommandent unanimement l’usage des intervalles de confiance<\/strong> (not\u00e9s $IC$<\/span>). Fond\u00e9 sur l’approche fr\u00e9quentiste de Jerzy Neyman, un intervalle de confiance \u00e0 95 % d\u00e9limite une plage de valeurs construite autour de la statistique d’\u00e9chantillon selon la formule canonique :<\/p>\n

$$IC_{95%} = \\text{Estimation ponctuelle} \\pm (t_{\\text{critique}} \\times SE)$$<\/span><\/p>\n

L’interpr\u00e9tation correcte de cette construction g\u00e9om\u00e9trique requiert une vigilance \u00e9pist\u00e9mologique stricte. Affirmer qu’il existe 95 % de chances que le param\u00e8tre vrai de population soit contenu \u00e0 l’int\u00e9rieur de l’intervalle calcul\u00e9 pour une exp\u00e9rience donn\u00e9e constitue un contresens fr\u00e9quentiste (le param\u00e8tre \u00e9tant une constante fixe, il se trouve \u00e0 100 % ou \u00e0 0 % dans l’intervalle). La d\u00e9finition exacte est d’ordre proc\u00e9dural : si l’on r\u00e9p\u00e9tait l’exp\u00e9rience un nombre infini de fois en pr\u00e9levant des \u00e9chantillons al\u00e9atoires ind\u00e9pendants de m\u00eame taille, et que l’on calculait un intervalle de confiance \u00e0 95 % pour chacun d’eux, exactement 95 % de l’ensemble de ces intervalles recouvriraient la valeur inconnue du param\u00e8tre de population.<\/p>\n

L’intervalle de confiance synth\u00e9tise math\u00e9matiquement deux dimensions capitales : la meilleure estimation ponctuelle possible du ph\u00e9nom\u00e8ne (le centre de l’intervalle) et le degr\u00e9 d’impr\u00e9cision inh\u00e9rent \u00e0 la taille de l’\u00e9chantillon et \u00e0 la dispersion des donn\u00e9es (la largeur totale de l’intervalle). En visualisant l’intervalle sous forme graphique, le chercheur appr\u00e9hende d’un seul coup d’\u0153il l’\u00e9ventail complet des valeurs de population qui demeurent hautement plausibles et compatibles avec les donn\u00e9es observ\u00e9es.<\/p>\n

8.2 Avantages de l’intervalle sur la simple valeur p<\/h3>\n

La sup\u00e9riorit\u00e9 analytique de l’intervalle de confiance sur la valeur p<\/em> isol\u00e9e est incontestable. Une valeur p<\/em> compresse et d\u00e9grade l’information : elle ne propose qu’un diagnostic unidimensionnel de non-compatibilit\u00e9 avec un point singulier de l’espace (le point z\u00e9ro de l’hypoth\u00e8se nulle). Elle dissimule totalement l’impr\u00e9cision de la mesure. Deux \u00e9tudes distinctes peuvent pr\u00e9senter exactement la m\u00eame valeur $p = 0,04$<\/span> ; mais la premi\u00e8re, men\u00e9e sur un \u00e9chantillon minuscule, affichera une estimation de diff\u00e9rence moyenne de 12 points avec un intervalle tr\u00e8s large allant de 0,5 \u00e0 23,5, tandis que la seconde, adoss\u00e9e \u00e0 une vaste cohorte, pr\u00e9sentera une diff\u00e9rence de 0,4 point comprise dans un intervalle serr\u00e9 de 0,02 \u00e0 0,78.<\/p>\n

L’intervalle de confiance d\u00e9voile instantan\u00e9ment la r\u00e9alit\u00e9 m\u00e9thodologique que la valeur p<\/em> s’efforce de cacher. Il permet d’\u00e9carter sur-le-champ les conclusions h\u00e2tives issues d’\u00e9tudes surpuissantes identifiant des effets microscopiques : si l’intervalle d’une \u00e9tude d’am\u00e9lioration mn\u00e9sique se borne \u00e0 $[0,01 ; 0,04]$<\/span>, le chercheur sait d’embl\u00e9e que m\u00eame dans l’hypoth\u00e8se la plus optimiste port\u00e9e par la borne sup\u00e9rieure, le b\u00e9n\u00e9fice cognitif maximal plausible dans la population demeurera d\u00e9risoire.<\/p>\n

De m\u00eame, l’intervalle met en lumi\u00e8re la fragilit\u00e9 des \u00e9tudes manquant cruellement de puissance statistique en exhibant des largeurs d’incertitude disproportionn\u00e9es. Un r\u00e9sultat non statistiquement significatif \u00e0 $p = 0,08$<\/span>, assorti d’un intervalle de taille d’effet s’\u00e9tendant de $-0,05$<\/span> \u00e0 $+0,95$<\/span>, n’est en rien une preuve de l’absence d’effet ; il constitue l’aveu flagrant que l’\u00e9tude est incapable de distinguer entre une l\u00e9g\u00e8re p\u00e9nalit\u00e9 de l’intervention et un triomphe th\u00e9rapeutique spectaculaire d’un \u00e9cart-type presque complet. L’intervalle pr\u00e9serve le chercheur du pi\u00e8ge de l’ignorance masqu\u00e9e par l’absence de significativit\u00e9 statistique.<\/p>\n

8.3 Interpr\u00e9tation conjointe de la significativit\u00e9 statistique et pratique via l’intervalle<\/h3>\n

L’alliance conceptuelle entre la significativit\u00e9 statistique et la significativit\u00e9 pratique trouve sa forme la plus aboutie dans l’interpr\u00e9tation crois\u00e9e des bornes de l’intervalle de confiance par rapport \u00e0 un seuil pr\u00e9d\u00e9fini de pertinence pratique minimale (souvent d\u00e9sign\u00e9 sous l’acronyme SESOI, pour Smallest Effect Size of Interest<\/em>). Cette technique d’\u00e9valuation impose d’examiner attentivement la position de la borne inf\u00e9rieure de l’intervalle pour juger du b\u00e9n\u00e9fice th\u00e9orique minimal garanti par les donn\u00e9es empiriques.<\/p>\n

Trois configurations canoniques \u00e9mergent de cette d\u00e9marche d’int\u00e9gration :<\/p>\n