L’\u00e9difice de la recherche empirique contemporaine, particuli\u00e8rement au sein des sciences cognitives, de la psychologie et de la biom\u00e9decine, traverse depuis plus d’une d\u00e9cennie un examen critique de ses fondements m\u00e9thodologiques. Au c\u0153ur de cette introspection se trouve la contestation r\u00e9currente des tests d’hypoth\u00e8se nulle conventionnels (Null Hypothesis Significance Testing ou NHST) et de l’indicateur universellement employ\u00e9 pour sanctionner la d\u00e9couverte scientifique : la p-valeur. Confront\u00e9e \u00e0 des \u00e9checs massifs de r\u00e9plication et \u00e0 la prise de conscience des limites inh\u00e9rentes \u00e0 l’inf\u00e9rence fr\u00e9quentiste orthodoxe, la communaut\u00e9 scientifique se tourne de mani\u00e8re croissante vers des paradigmes alternatifs capables de quantifier avec rigueur, nuance et continuit\u00e9 la force de la preuve empirique.<\/p>\n
Dans ce renouveau m\u00e9thodologique, la statistique bay\u00e9sienne s’impose non plus comme une simple alternative doctrinale, mais comme un cadre formel sup\u00e9rieur pour arbitrer la comp\u00e9tition entre th\u00e9ories scientifiques rivales. Au sommet de cette architecture analytique figure le facteur de Bayes<\/strong> (Bayes Factor<\/em>), une quantit\u00e9 probabiliste qui incarne le ratio de vraisemblance marginale entre deux mod\u00e8les concurrents. Contrairement aux approches traditionnelles qui se bornent \u00e0 calculer la probabilit\u00e9 d’observer des donn\u00e9es extr\u00eames sous une hypoth\u00e8se nulle r\u00e9put\u00e9e fausse d’embl\u00e9e, le facteur de Bayes \u00e9value directement dans quelle mesure les observations exp\u00e9rimentales modifient le rapport de vraisemblance entre une hypoth\u00e8se th\u00e9orique donn\u00e9e et son alternative.<\/p>\n Cet article propose un trait\u00e9 approfondi du facteur de Bayes, explorant ses bases \u00e9pist\u00e9mologiques, ses fondements math\u00e9matiques, ses subtilit\u00e9s d’interpr\u00e9tation et ses d\u00e9clinaisons computationnelles. Con\u00e7u pour les chercheurs, les statisticiens et les \u00e9tudiants avanc\u00e9s en m\u00e9thodologie, ce document d\u00e9cortique les m\u00e9canismes par lesquels le facteur de Bayes r\u00e9concilie l’\u00e9valuation de la preuve avec l’accumulation incr\u00e9mentale des connaissances scientifiques, tout en offrant une r\u00e9ponse concr\u00e8te aux apories du paradigme fr\u00e9quentiste.<\/p>\n L’histoire de l’inf\u00e9rence statistique moderne en sciences humaines est marqu\u00e9e par une synth\u00e8se hybride et probl\u00e9matique entre deux \u00e9coles de pens\u00e9e historiquement incompatibles : le mod\u00e8le inductif de test de signification d\u00e9velopp\u00e9 par Sir Ronald A. Fisher et le cadre d\u00e9cisionnel comportemental propos\u00e9 par Jerzy Neyman et Egon Pearson. Dans le paradigme fisherien d’origine, la p-valeur<\/a> repr\u00e9sentait un indice continu refl\u00e9tant le degr\u00e9 de dissonance entre les donn\u00e9es observ\u00e9es et une hypoth\u00e8se nulle d\u00e9sign\u00e9e ($H_0$<\/span>). Fisher envisageait cette mesure comme un outil diagnostique informel, destin\u00e9 \u00e0 guider le jugement du chercheur plut\u00f4t qu’\u00e0 dicter une d\u00e9cision m\u00e9canique irr\u00e9vocable.<\/p>\n N\u00e9anmoins, la pratique acad\u00e9mique standardis\u00e9e a progressivement fusionn\u00e9 cette d\u00e9marche avec les notions d’erreurs de type I ($\\alpha$<\/span>) et de type II ($\\beta$<\/span>) de Neyman-Pearson, conduisant \u00e0 la cristallisation d’un seuil d\u00e9cisionnel binaire arbitraire : le seuil fatidique de $p < 0,05$. Cette ritualisation m\u00e9thodologique a induit une surd\u00e9pendance institutionnelle n\u00e9faste. La p-valeur indique la probabilit\u00e9 conditionnelle d’obtenir une statistique de test au moins aussi extr\u00eame que celle observ\u00e9e, en supposant que l’hypoth\u00e8se nulle est rigoureusement exacte dans la population d’int\u00e9r\u00eat, soit formellement$<\/span>P(D^+ | H_0)$.<\/p>\n Cette formulation math\u00e9matique renferme une asym\u00e9trie \u00e9pist\u00e9mologique critique : la p-valeur ne quantifie en aucune mani\u00e8re la probabilit\u00e9 de l’hypoth\u00e8se nulle \u00e0 la lumi\u00e8re des donn\u00e9es recueillies, c’est-\u00e0-dire $P(H_0 | D)$<\/span>, pas plus qu’elle ne permet d’\u00e9valuer la plausibilit\u00e9 d’une hypoth\u00e8se alternative ($H_1$<\/span>). Par cons\u00e9quent, lorsque la valeur de $p$<\/span> d\u00e9passe le seuil conventionnel de $0,05$, le cadre fr\u00e9quentiste classique interdit formellement de conclure \u00e0 l’absence d’effet ou \u00e0 la validit\u00e9 de l’hypoth\u00e8se nulle. La recherche se retrouve alors confin\u00e9e dans un \u00e9tat de non-d\u00e9cision perp\u00e9tuelle, incapable de discriminer entre un manque flagrant de puissance statistique et une v\u00e9ritable \u00e9quivalence th\u00e9orique. Cette c\u00e9cit\u00e9 \u00e9pist\u00e9mique a grandement favoris\u00e9 l’essor de pratiques de recherche contestables (Questionable Research Practices<\/em>), telles que le $p$<\/span>-hacking, le saupoudrage d’analyses a posteriori (HARKing) et la sous-notification syst\u00e9matique des r\u00e9sultats non significatifs, alimentant directement la crise de la reproductibilit\u00e9 document\u00e9e par les initiatives de r\u00e9plication collaborative \u00e0 grande \u00e9chelle.<\/p>\n Face \u00e0 ce constat de d\u00e9faillance syst\u00e9mique, l’\u00e9pist\u00e9mologie bay\u00e9sienne s’affirme comme une structure normative et math\u00e9matique capable de surmonter ces contradictions en repla\u00e7ant la mise \u00e0 jour probabiliste au centre de l’\u00e9valuation th\u00e9orique.<\/p>\n Le raisonnement bay\u00e9sien repose sur une conception \u00e9pist\u00e9mique de la probabilit\u00e9, d\u00e9finie comme la quantification num\u00e9rique d’un degr\u00e9 de croyance rationnelle ou d’incertitude quant \u00e0 la survenue d’un ph\u00e9nom\u00e8ne ou \u00e0 la v\u00e9racit\u00e9 d’une proposition. Cette perspective contraste avec la conception fr\u00e9quentiste classique, qui restreint la probabilit\u00e9 \u00e0 la limite asymptotique de la fr\u00e9quence relative d’un \u00e9v\u00e9nement au cours d’une s\u00e9rie infinie de r\u00e9p\u00e9titions ind\u00e9pendantes et strictement identiques.<\/p>\n En sciences comportementales, les ph\u00e9nom\u00e8nes \u00e9tudi\u00e9s ne se pr\u00eatent que tr\u00e8s rarement \u00e0 une r\u00e9p\u00e9tition infinie dans des conditions parfaitement homog\u00e8nes. L’approche bay\u00e9sienne offre un cadre naturel pour mod\u00e9liser le processus par lequel un observateur scientifique r\u00e9vise ses connaissances pr\u00e9alables lorsqu’il est confront\u00e9 \u00e0 de nouvelles observations empiriques. Ce m\u00e9canisme de mise \u00e0 jour s’articule autour du th\u00e9or\u00e8me \u00e9nonc\u00e9 initialement par le r\u00e9v\u00e9rend Thomas Bayes et formalis\u00e9 math\u00e9matiquement par Pierre-Simon de Laplace. Dans sa version continue appliqu\u00e9e \u00e0 l’estimation des param\u00e8tres $\\theta$<\/span> d’un mod\u00e8le sous l’angle des donn\u00e9es observ\u00e9es $D$<\/span>, le th\u00e9or\u00e8me s’exprime selon l’\u00e9quation fondamentale :<\/p>\n $$P(\\theta | D) = \\frac{P(D | \\theta) P(\\theta)}{P(D)}$$<\/span><\/p>\n Dans ce formalisme probabiliste, trois entit\u00e9s principales interagissent pour former l’inf\u00e9rence :<\/p>\n Cette dynamique it\u00e9rative assure que la connaissance scientifique s’enrichit de fa\u00e7on cumulative : la distribution a posteriori d’une premi\u00e8re investigation empirique devient tout naturellement la distribution a priori d’une \u00e9tude ult\u00e9rieure, garantissant une int\u00e9gration logique et formelle de l’historique exp\u00e9rimental.<\/p>\n Alors que la mod\u00e9lisation bay\u00e9sienne des param\u00e8tres se focalise sur l’estimation continue de grandeurs (par exemple, d\u00e9terminer la magnitude d’un effet psychologique avec son intervalle de cr\u00e9dibilit\u00e9 associ\u00e9), le test d’hypoth\u00e8ses scientifiques exige souvent un arbitrage quantitatif entre des mod\u00e8les th\u00e9oriques distincts. C’est pr\u00e9cis\u00e9ment \u00e0 ce niveau qu’intervient le facteur de Bayes<\/strong>, lequel op\u00e8re comme un ratio d’\u00e9valuation comparative de la performance pr\u00e9dictive relative de deux hypoth\u00e8ses concurrentes, g\u00e9n\u00e9ralement d\u00e9sign\u00e9es par $H_0$<\/span> et $H_1$<\/span>.<\/p>\n D’un point de vue d\u00e9cisionnel, le facteur de Bayes lib\u00e8re le chercheur de la contrainte artificielle d’un d\u00e9coupage dichotomique \u00ab significatif versus non significatif \u00bb. Au lieu d’imposer un rejet p\u00e9remptoire ou une acceptation passive fond\u00e9s sur un seuil conventionnel statique, il fournit un indicateur continu du degr\u00e9 de corroboration que les donn\u00e9es empiriques apportent \u00e0 une hypoth\u00e8se par rapport \u00e0 une autre. Ce positionnement continu transforme la nature du dialogue scientifique : l’exp\u00e9rimentateur n’est plus forc\u00e9 de pr\u00e9tendre qu’un effet existe ou n’existe pas en vertu d’un artifice statistique, mais rapporte avec exactitude dans quelle mesure les faits observ\u00e9s font pencher la balance en faveur de l’une ou l’autre des th\u00e9ories en comp\u00e9tition.<\/p>\n Le facteur de Bayes pr\u00e9sente ainsi une valeur diagnostique bilat\u00e9rale sym\u00e9trique. Il est capable de conf\u00e9rer un soutien empirique manifeste \u00e0 une hypoth\u00e8se d’effet sp\u00e9cifique ($H_1$<\/span>), mais poss\u00e8de \u00e9galement la facult\u00e9 op\u00e9rationnelle unique de quantifier avec la m\u00eame rigueur la preuve soutenant l’invariance statistique, l’absence d’effet ou la stricte invariance pr\u00e9dictive ($H_0$<\/span>). Cette propri\u00e9t\u00e9 en fait l’outil d’arbitrage par excellence pour surmonter les controverses th\u00e9oriques, valider les r\u00e9plications m\u00e9thodologiques et structurer les projets de recherche au sein d’un continuum d\u00e9cisionnel transparent et probabilistiquement coh\u00e9rent.<\/p>\n La formulation math\u00e9matique du facteur de Bayes repose sur le concept de vraisemblance marginale<\/em> (souvent d\u00e9nomm\u00e9e \u00ab \u00e9vidence du mod\u00e8le \u00bb ou marginal likelihood<\/em>). Consid\u00e9rons un ensemble de donn\u00e9es observ\u00e9es $D$<\/span> et deux mod\u00e8les th\u00e9oriques rivaux, not\u00e9s respectivement $M_0$<\/span> et $M_1$<\/span>, param\u00e9tr\u00e9s par des vecteurs de param\u00e8tres sp\u00e9cifiques $\\theta_0$<\/span> et $\\theta_1$<\/span>.<\/p>\n La vraisemblance marginale d’un mod\u00e8le $M$<\/span> correspond \u00e0 la probabilit\u00e9 globale d’observer les donn\u00e9es $D$<\/span> sous ce mod\u00e8le, calcul\u00e9e en int\u00e9grant le produit de la fonction de vraisemblance conditionnelle et de la distribution a priori des param\u00e8tres sur l’ensemble de l’espace param\u00e9trique $Theta$<\/span>. Formellement, pour un mod\u00e8le $M_k$<\/span>, cette quantit\u00e9 s’exprime par l’int\u00e9grale suivante :<\/p>\n $$P(D | M_k) = \\int_{\\Theta_k} P(D | \\theta_k, M_k) P(\\theta_k | M_k) d\\theta_k$$<\/span><\/p>\n Il convient de souligner la distinction analytique capitale entre la vraisemblance ponctuelle maximale<\/em> utilis\u00e9e dans les tests fr\u00e9quentistes du rapport de vraisemblance (qui \u00e9value $P(D | \\hat{\\theta})$<\/span> \u00e0 l’optimum ponctuel de $\\hat{\\theta}$<\/span>) et la vraisemblance int\u00e9gr\u00e9e<\/em> ou marginale. La vraisemblance marginale repr\u00e9sente une moyenne pond\u00e9r\u00e9e de la capacit\u00e9 pr\u00e9dictive du mod\u00e8le sur l’ensemble des valeurs de param\u00e8tres qu’il jugeait plausibles avant l’acquisition des donn\u00e9es.<\/p>\n D\u00e8s lors, le facteur de Bayes comparant le mod\u00e8le $M_1$<\/span> au mod\u00e8le $M_0$<\/span>, not\u00e9 de mani\u00e8re canonique $BF_{10}$<\/span>, est formellement d\u00e9fini comme le rapport strict de leurs vraisemblances marginales respectives :<\/p>\n $$BF_{10} = \\frac{P(D | M_1)}{P(D | M_0)} = \\frac{\\int_{\\Theta_1} P(D | \\theta_1, M_1) P(\\theta_1 | M_1) d\\theta_1}{\\int_{\\Theta_0} P(D | \\theta_0, M_0) P(\\theta_0 | M_0) d\\theta_0}$$<\/span><\/p>\n Cette fraction exprime le rapport des probabilit\u00e9s marginales accord\u00e9es aux donn\u00e9es par chaque structure th\u00e9orique. Si $BF_{10} > 1$<\/span>, les donn\u00e9es $D$<\/span> pr\u00e9sentent une probabilit\u00e9 d’occurrence plus \u00e9lev\u00e9e sous le mod\u00e8le $M_1$<\/span> que sous le mod\u00e8le $M_0$<\/span>. Inversement, si $BF_{10} < 1$, les donn\u00e9es observ\u00e9es sont mieux anticip\u00e9es par l’architecture probabiliste de$<\/span>M_0$.<\/p>\n Pour appr\u00e9hender la port\u00e9e \u00e9pist\u00e9mologique du facteur de Bayes, il est indispensable de le situer au c\u0153ur de la dynamique bay\u00e9sienne d’actualisation des cotes (odds<\/em>). Soient $P(M_0)$<\/span> et $P(M_1)$<\/span> les probabilit\u00e9s a priori accord\u00e9es respectivement aux deux mod\u00e8les avant la prise en compte des donn\u00e9es exp\u00e9rimentales. Le rapport de ces grandeurs constitue la cote a priori<\/em> (prior odds<\/em>) :<\/p>\n $$\\text{Cote a priori} = \\frac{P(M_1)}{P(M_0)}$$<\/span><\/p>\n En appliquant la r\u00e8gle de Bayes au niveau macroscopique des mod\u00e8les eux-m\u00eames, la probabilit\u00e9 conjointe a posteriori d’un mod\u00e8le donn\u00e9 sachant les donn\u00e9es $D$<\/span> est d\u00e9finie par $P(M_k | D) = \\frac{P(D | M_k) P(M_k)}{P(D)}$<\/span>. En divisant la probabilit\u00e9 a posteriori du mod\u00e8le $M_1$<\/span> par celle du mod\u00e8le $M_0$<\/span>, le terme commun d’\u00e9vidence totale $P(D)$<\/span> s’annule, donnant naissance \u00e0 la relation fondamentale d’actualisation :<\/p>\n $$\\frac{P(M_1 | D)}{P(M_0 | D)} = \\left( \\frac{P(D | M_1)}{P(D | M_0)} \\right) \\times \\left( \\frac{P(M_1)}{P(M_0)} \\right)$$<\/span><\/p>\n Ce qui s’\u00e9nonce de fa\u00e7on compacte sous la forme :<\/p>\n $$\\text{Cote a posteriori} = BF_{10} \\times \\text{Cote a priori}$$<\/span><\/p>\n Cette factorisation illustre une propri\u00e9t\u00e9 essentielle : le facteur de Bayes constitue l’op\u00e9rateur d’actualisation exact et objectif<\/strong> qui transforme les croyances initiales en croyances r\u00e9vis\u00e9es. Il agit comme une constante de proportionnalit\u00e9 purement d\u00e9termin\u00e9e par les donn\u00e9es empiriques et les pr\u00e9dictions des mod\u00e8les, ind\u00e9pendamment des pr\u00e9jug\u00e9s personnels ou des probabilit\u00e9s subjectives initialement allou\u00e9es aux mod\u00e8les par l’exp\u00e9rimentateur.<\/p>\n Ainsi, deux chercheurs adh\u00e9rant \u00e0 des cotes a priori radicalement discordantes sur la plausibilit\u00e9 d’une th\u00e9orie psychologique (l’un \u00e9tant profond\u00e9ment sceptique avec un rapport de 1 contre 100, l’autre enthousiaste avec un rapport de 1 contre 1) s’accorderont n\u00e9cessairement sur la valeur num\u00e9rique du facteur de Bayes calcul\u00e9 \u00e0 partir du m\u00eame jeu de donn\u00e9es. Le facteur de Bayes pr\u00e9serve donc une neutralit\u00e9 intersubjective totale vis-\u00e0-vis des croyances initiales, respectant rigoureusement les axiomes d’invariance et de commutativit\u00e9 math\u00e9matique de la th\u00e9orie des probabilit\u00e9s.<\/p>\n Sur le plan interpr\u00e9tatif, la valeur quantitative du facteur de Bayes b\u00e9n\u00e9ficie d’une lecture probabiliste intuitive et transparente. D\u00e9clarer qu’une analyse livre un facteur de Bayes $BF_{10} = k$<\/span> signifie rigoureusement que les donn\u00e9es empiriques observ\u00e9es sont $k$<\/span> fois plus probables sous l’hypoth\u00e8se $H_1$<\/span> que sous l’hypoth\u00e8se $H_0$<\/span><\/em>.<\/p>\n Cette m\u00e9trique poss\u00e8de une propri\u00e9t\u00e9 de r\u00e9versibilit\u00e9 sym\u00e9trique imm\u00e9diate. Le soutien en faveur de l’hypoth\u00e8se nulle par rapport \u00e0 l’hypoth\u00e8se alternative, not\u00e9 $BF_{01}$<\/span>, s’obtient simplement par l’inverse arithm\u00e9tique de $BF_{10}$<\/span> :<\/p>\n $$BF_{01} = \\frac{1}{BF_{10}} = \\frac{P(D | H_0)}{P(D | H_1)}$$<\/span><\/p>\n Ainsi, une valeur de $BF_{10} = 0,10$<\/span> correspond rigoureusement \u00e0 un $BF_{01} = 10$<\/span>, signifiant que les observations sont dix fois plus compatibles avec le mod\u00e8le nul qu’avec le mod\u00e8le th\u00e9orique alternatif.<\/p>\n Sur le plan asymptotique, le facteur de Bayes jouit d’une consistance statistique fondamentale lorsque la taille de l’\u00e9chantillon $N$<\/span> tend vers l’infini ($N to \\infty$<\/span>) :<\/p>\n Cette convergence asymptotique garantit que, pourvu que la quantit\u00e9 d’observations soit suffisante, le facteur de Bayes identifiera avec certitude le mod\u00e8le math\u00e9matique qui refl\u00e8te la r\u00e9alit\u00e9 empirique, dissipant progressivement toute incertitude inf\u00e9rentielle.<\/p>\n L’ab\u00eeme \u00e9pist\u00e9mologique s\u00e9parant le facteur de Bayes des proc\u00e9dures fr\u00e9quentistes traditionnelles s’enracine dans le conditionnement probabiliste appliqu\u00e9 \u00e0 la preuve. La p-valeur calcule la probabilit\u00e9 de r\u00e9aliser des observations au moins aussi d\u00e9viantes que les donn\u00e9es r\u00e9elles, conditionnellement \u00e0 l’exactitude pr\u00e9sum\u00e9e de l’hypoth\u00e8se nulle : $P(D^+ | H_0)$<\/span>. Cette proc\u00e9dure int\u00e8gre dans son calcul des \u00e9v\u00e9nements extr\u00eames qui ne se sont jamais produits dans l’exp\u00e9rience (l’espace des donn\u00e9es fictives incluses dans l’int\u00e9grale de queue de distribution).<\/p>\n \u00c0 l’oppos\u00e9, le facteur de Bayes repose strictement sur le principe de vraisemblance<\/em> (Likelihood Principle<\/em>), lequel postule que toute l’information inf\u00e9rentielle contenue dans une exp\u00e9rience est exclusivement v\u00e9hicul\u00e9e par la fonction de vraisemblance \u00e9valu\u00e9e pour les donn\u00e9es effectivement observ\u00e9es<\/em> $D$<\/span>. Le facteur de Bayes ne s’int\u00e9resse aucunement aux r\u00e9alisations d’\u00e9chantillonnage imaginaires ou aux donn\u00e9es non observ\u00e9es.<\/p>\n En outre, l’inf\u00e9rence fr\u00e9quentiste \u00e9value l’ad\u00e9quation d’une seule hypoth\u00e8se isol\u00e9e ($H_0$<\/span>), postulant implicitement qu’une faible probabilit\u00e9 des donn\u00e9es sous cette hypoth\u00e8se constitue ipso facto un argument en faveur d’un effet exp\u00e9rimental. Or, comme l’a maintes fois soulign\u00e9 la litt\u00e9rature m\u00e9thodologique critique, des donn\u00e9es peuvent \u00eatre hautement improbables sous $H_0$<\/span>, tout en \u00e9tant tout aussi improbables, voire plus improbables encore, sous une hypoth\u00e8se alternative $H_1$<\/span> mal sp\u00e9cifi\u00e9e. Le facteur de Bayes r\u00e9sout ce sophisme inductif en instituant une comparaison explicitement comp\u00e9titive entre deux repr\u00e9sentations du monde : une th\u00e9orie n’est jamais rejet\u00e9e dans l’absolu, elle n’est affaiblie que si une th\u00e9orie concurrente explique les faits exp\u00e9rimentaux avec une efficacit\u00e9 pr\u00e9dictive sup\u00e9rieure.<\/p>\n L’une des anomalies les plus pr\u00e9judiciables du paradigme fr\u00e9quentiste r\u00e9side dans sa d\u00e9pendance m\u00e9canique \u00e0 la taille de l’\u00e9chantillon ($N$<\/span>). Dans le cadre d’un test d’hypoth\u00e8se nulle classique, la statistique de test standardis\u00e9e augmente proportionnellement \u00e0 $\\sqrt{N}$<\/span>. Par cons\u00e9quent, en pr\u00e9sence d’un \u00e9chantillon massif (par exemple $N = 100,000$<\/span>), n’importe quelle d\u00e9viation infinit\u00e9simale et th\u00e9oriquement triviale par rapport \u00e0 l’hypoth\u00e8se nulle produit une p-valeur infinit\u00e9simale ($p < 0,0001$), incitant l'exp\u00e9rimentateur \u00e0 proclamer la d\u00e9couverte d'un effet hautement significatif.<\/p>\n Cette dissociation pathologique culmine dans le c\u00e9l\u00e8bre paradoxe de Lindley-Jeffreys<\/strong>. Ce paradoxe math\u00e9matique d\u00e9montre que pour un jeu de donn\u00e9es sp\u00e9cifique affichant un r\u00e9sultat statistiquement significatif au seuil fr\u00e9quentiste usuel ($p = 0,049$<\/span> par exemple) obtenu sur un tr\u00e8s grand \u00e9chantillon, le facteur de Bayes peut simultan\u00e9ment et cat\u00e9goriquement privil\u00e9gier l’hypoth\u00e8se nulle $H_0$<\/span> avec un degr\u00e9 de certitude \u00e9crasant ($BF_{01} gg 100$<\/span>).<\/p>\n Ce ph\u00e9nom\u00e8ne s’explique logiquement : bien que l’\u00e9cart observ\u00e9 soit peu probable sous $H_0$<\/span>, il est encore infiniment moins probable sous une distribution $H_1$<\/span> qui \u00e9talait ses pr\u00e9dictions sur un spectre d’effets plausibles plus larges. Le facteur de Bayes int\u00e8gre organiquement une p\u00e9nalit\u00e9 protectrice contre le surapprentissage et l’inflation d’effets artificiels induits par le bruit statistique dans les grands \u00e9chantillons, offrant une digue robuste contre les faux positifs qui polluent la litt\u00e9rature exp\u00e9rimentale.<\/p>\n Le tableau analytique suivant r\u00e9sume les oppositions structurelles fondamentales entre ces deux architectures de l’inf\u00e9rence scientifique :<\/p>\n Dans la conduite concr\u00e8te de la recherche en laboratoire, les contraintes financi\u00e8res, logistiques et humaines rendent extr\u00eamement attrayante l’id\u00e9e de surveiller l’accumulation des r\u00e9sultats au fil de l’exp\u00e9rience et d’interrompre la collecte d\u00e8s lors qu’un seuil de clart\u00e9 statistique satisfaisant est atteint. Dans le paradigme fr\u00e9quentiste orthodoxe, cette pratique \u2014 qualifi\u00e9e d’arr\u00eat optionnel<\/strong> (optional stopping<\/em>) ou de surveillance s\u00e9quentielle non d\u00e9clar\u00e9e \u2014 est consid\u00e9r\u00e9e comme une faute m\u00e9thodologique majeure.<\/p>\n En effet, tester de mani\u00e8re r\u00e9p\u00e9t\u00e9e la significativit\u00e9 statistique \u00e0 mesure que les sujets sont recrut\u00e9s augmente de mani\u00e8re exponentielle le taux effectif d’erreur de type I. Un chercheur qui v\u00e9rifie ses donn\u00e9es apr\u00e8s chaque groupe de 10 participants jusqu’\u00e0 atteindre $N = 100$<\/span> peut voir son taux d’erreur de faux positifs r\u00e9el passer du seuil nominal de $5,%$<\/span> \u00e0 plus de $30,%$<\/span>, invalidant l’ensemble de ses d\u00e9ductions.<\/p>\n Sous le paradigme bay\u00e9sien r\u00e9gi par le facteur de Bayes, le statut \u00e9pist\u00e9mologique de l’arr\u00eat s\u00e9quentiel est fondamentalement diff\u00e9rent. En vertu du respect strict du principe de vraisemblance, la preuve apport\u00e9e par un jeu de donn\u00e9es est totalement d\u00e9termin\u00e9e par l’expression math\u00e9matique de la fonction de vraisemblance pour les observations r\u00e9ellement recueillies. Les intentions subjectives du chercheur concernant le protocole d’arr\u00eat (qu’il ait d\u00e9cid\u00e9 a priori d’\u00e9chantillonner 50 sujets, ou qu’il ait interrompu l’\u00e9tude faute de budget apr\u00e8s 42 sujets, ou qu’il ait stopp\u00e9 l’exp\u00e9rience parce que le signal \u00e9tait \u00e9clatant) n’entrent aucunement dans la fonction de vraisemblance et ne modifient en rien la valeur intrins\u00e8que de $BF_{10}$<\/span>.<\/p>\n Le facteur de Bayes permet ainsi une collecte adaptative flexible et \u00e9thique : le chercheur peut surveiller l’\u00e9volution continue de l’\u00e9vidence et suspendre le recrutement soit lorsqu’un seuil probatoire pr\u00e9d\u00e9fini est franchi (par exemple $BF_{10} > 10$<\/span> ou $BF_{01} > 10$<\/span>), soit lorsque l’\u00e9vidence reste obstin\u00e9ment neutre autour de 1, indiquant que la manipulation exp\u00e9rimentale ne produit aucun signal exploitable.<\/p>\n Une rigueur formelle absolue est indispensable dans la lecture et la transmission des r\u00e9sultats bay\u00e9siens. La litt\u00e9rature internationale a standardis\u00e9 l’usage des indices num\u00e9riques attach\u00e9s \u00e0 l’acronyme $BF$<\/span> pour d\u00e9signer avec pr\u00e9cision la direction de la comparaison effectu\u00e9e.<\/p>\n L’indice se lit de gauche \u00e0 droite comme l’expression du rapport de l’hypoth\u00e8se situ\u00e9e en premi\u00e8re position (num\u00e9rateur) par rapport \u00e0 l’hypoth\u00e8se situ\u00e9e en seconde position (d\u00e9nominateur) :<\/p>\n La relation alg\u00e9brique liant ces deux grandeurs est une stricte op\u00e9ration d’inversion :<\/p>\n $$BF_{10} = \\frac{1}{BF_{01}} \\quad Long\\leftrightarrow \\quad BF_{01} = \\frac{1}{BF_{10}}$$<\/span><\/p>\n Il est donc essentiel pour tout auteur d’indiquer explicitement l’indice utilis\u00e9 afin de pr\u00e9venir tout contresens d’interpr\u00e9tation. Ainsi, un r\u00e9sultat \u00e9nonc\u00e9 sous la forme $BF_{01} = 20$<\/span> v\u00e9hicule une affirmation diam\u00e9tralement oppos\u00e9e \u00e0 $BF_{10} = 20$<\/span> : le premier affirme que les donn\u00e9es sont 20 fois plus favorables \u00e0 l’absence d’effet, tandis que le second indique qu’elles soutiennent massivement l’existence de l’effet pr\u00e9dit.<\/p>\n L’\u00e9chelle naturelle du facteur de Bayes s’\u00e9tend sur l’intervalle semi-infini $[0, +\\infty[$<\/span>, le point $1$ repr\u00e9sentant le centre de neutralit\u00e9 absolue o\u00f9 les donn\u00e9es n’apportent aucun soutien pr\u00e9f\u00e9rentiel \u00e0 l’un ou l’autre des mod\u00e8les. Cette asym\u00e9trie d’\u00e9chelle (l’\u00e9vidence en faveur de $H_0$<\/span> \u00e9tant comprim\u00e9e entre $0$ et $1$, tandis que l’\u00e9vidence en faveur de $H_1$<\/span> s’\u00e9tale de $1$ jusqu’\u00e0 l’infini) peut compliquer la visualisation intuitive de l’intensit\u00e9 probatoire et biaiser les repr\u00e9sentations graphiques.<\/p>\n Pour rem\u00e9dier \u00e0 cette asym\u00e9trie spatiale, le recours \u00e0 la transformation logarithmique s’av\u00e8re particuli\u00e8rement f\u00e9cond. On calcule fr\u00e9quemment le logarithme n\u00e9p\u00e9rien du facteur de Bayes, d\u00e9sign\u00e9 par $ln(BF)$<\/span> ou $log(BF)$<\/span>, ou son expression en base 10 :<\/p>\n $$\\log(BF_{10}) = \\ln\\left(\\frac{P(D | H_1)}{P(D | H_0)}\\right) = \\ln(P(D | H_1)) – \\ln(P(D | H_0))$$<\/span><\/p>\n Sur l’\u00e9chelle logarithmique, la sym\u00e9trie de la preuve devient parfaite :<\/p>\n En outre, l’\u00e9chelle logarithmique poss\u00e8de une propri\u00e9t\u00e9 d’additivit\u00e9 modulaire : le $log(BF)$<\/span> global issu de sous-exp\u00e9riences ou de jeux de donn\u00e9es ind\u00e9pendants s’obtient simplement par l’addition scalaire des $log(BF)$<\/span> individuels, ce qui simplifie consid\u00e9rablement les architectures d’analyses s\u00e9quentielles, les m\u00e9ta-analyses bay\u00e9siennes et l’estimation des mod\u00e8les hi\u00e9rarchiques complexes.<\/p>\n Dans la quasi-totalit\u00e9 des investigations en sciences exp\u00e9rimentales, les th\u00e9ories ne se bornent pas \u00e0 pr\u00e9dire l’existence d’une diff\u00e9rence amorphe et indiff\u00e9renci\u00e9e ; elles formulent des pr\u00e9dictions directionnelles unilat\u00e9rales rigoureuses (par exemple : un groupe clinique pr\u00e9sentera des temps de r\u00e9action plus lents qu’un groupe t\u00e9moin, ou une intervention p\u00e9dagogique augmentera les performances d’apprentissage).<\/p>\n L’inf\u00e9rence bay\u00e9sienne permet d’int\u00e9grer formellement ces restrictions d’in\u00e9galit\u00e9 dans la d\u00e9finition de l’espace des param\u00e8tres sous $H_1$<\/span>, donnant lieu aux facteurs de Bayes directionnels, g\u00e9n\u00e9ralement not\u00e9s :<\/p>\n L’\u00e9l\u00e9gance du formalisme bay\u00e9sien permet de d\u00e9composer le facteur de Bayes non directionnel en fonction de la probabilit\u00e9 a posteriori que l’effet s’oriente dans le sens pr\u00e9dit. Conform\u00e9ment au th\u00e9or\u00e8me de d\u00e9composition des hypoth\u00e8ses embo\u00eet\u00e9es, on d\u00e9montre que :<\/p>\n $$BF_{+0} = BF_{10} \\times \\frac{P(\\delta > 0 | D, H_1)}{P(\\delta > 0 | H_1)}$$<\/span><\/p>\n Si la distribution a priori $P(\\delta | H_1)$<\/span> est sym\u00e9trique autour de z\u00e9ro, alors $P(\\delta > 0 | H_1) = 0,5$<\/span>. D\u00e8s lors, si la totalit\u00e9 de la distribution a posteriori se concentre dans la zone positive pr\u00e9dite ($P(\\delta > 0 | D, H_1) \\approx 1$<\/span>), le facteur de Bayes directionnel double exactement l’\u00e9vidence obtenue par rapport au test bilat\u00e9ral ($BF_{+0} \\approx 2 \\times BF_{10}$<\/span>).<\/p>\n Ce gain substantiel de puissance statistique illustre un principe m\u00e9thodologique fondamental : plus une hypoth\u00e8se scientifique formule des pr\u00e9dictions pr\u00e9cises, restrictives et informatives quant au comportement de la nature, plus elle est en mesure de r\u00e9colter une preuve empirique puissante si les donn\u00e9es corroborent ses attentes th\u00e9oriques.<\/p>\n Afin de faciliter la communication des r\u00e9sultats statistiques et d’offrir des rep\u00e8res interpr\u00e9tatifs qualitatifs sans retomber dans les d\u00e9rives du couperet dichotomique fr\u00e9quentiste, le g\u00e9ophysicien et statisticien britannique Sir Harold Jeffreys<\/a> (1961) a propos\u00e9 la toute premi\u00e8re taxonomie de graduation de la preuve pour le facteur de Bayes.<\/p>\n Dans sa monographie s\u00e9minale Theory of Probability<\/em>, Jeffreys a \u00e9tabli des seuils d’\u00e9vidence fond\u00e9s sur une progression semi-logarithmique, attribuant des qualificatifs descriptifs \u00e0 diff\u00e9rentes plages de valeurs num\u00e9riques du facteur de Bayes :<\/p>\n1. Introduction aux fondements de l’inf\u00e9rence statistique et \u00e9mergence du facteur de Bayes<\/h2>\n
1.1 La crise de la reproductibilit\u00e9 en psychologie et les limites de la p-valeur<\/h3>\n
1.2 Principes fondamentaux du raisonnement bay\u00e9sien en sciences comportementales<\/h3>\n
\n
1.3 Positionnement du facteur de Bayes dans le continuum d\u00e9cisionnel<\/h3>\n
2. D\u00e9finition math\u00e9matique et conceptuelle du facteur de Bayes<\/h2>\n
2.1 Formulation math\u00e9matique rigoureuse du ratio de vraisemblance marginale<\/h3>\n
2.2 La dynamique d’actualisation : des probabilit\u00e9s a priori aux probabilit\u00e9s a posteriori<\/h3>\n
2.3 Interpr\u00e9tation probabiliste du facteur de Bayes<\/h3>\n
\n
3. Comparaison critique : Facteur de Bayes versus approche fr\u00e9quentiste<\/h2>\n
3.1 Diff\u00e9rences conceptuelles fondamentales sur la nature des hypoth\u00e8ses<\/h3>\n
3.2 Sensibilit\u00e9 \u00e0 la taille de l’\u00e9chantillon et risque de faux positifs<\/h3>\n
\n
3.3 Gestion des r\u00e8gles d’arr\u00eat optionnelles (Optional Stopping)<\/h3>\n
4. Notations et conventions fondamentales : Ma\u00eetriser BF10 et BF01<\/h2>\n
4.1 D\u00e9chiffrer la notation indic\u00e9e : H1 contre H0<\/h3>\n
\n
4.2 L’\u00e9chelle logarithmique : Le log(BF)<\/h3>\n
\n
4.3 Cas particuliers des hypoth\u00e8ses directionnelles et informatives<\/h3>\n
\n
5. Grilles d’interpr\u00e9tation et \u00e9chelles de force de la preuve<\/h2>\n
5.1 La classification classique de Harold Jeffreys<\/h3>\n
\n