{"id":8260,"date":"2026-09-17T05:07:31","date_gmt":"2026-09-17T05:07:31","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/qu-est-ce-qu-une-proportion-de-population\/"},"modified":"2026-09-17T05:07:33","modified_gmt":"2026-09-17T05:07:33","slug":"qu-est-ce-qu-une-proportion-de-population","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=qu-est-ce-qu-une-proportion-de-population","title":{"rendered":"Qu’est-ce qu’une proportion de population ?"},"content":{"rendered":"

Dans le vaste champ des sciences quantitatives, de l’\u00e9pid\u00e9miologie \u00e0 la psychom\u00e9trie en passant par la sociologie cognitive et l’\u00e9conom\u00e9trie, la quantification des caract\u00e9ristiques cat\u00e9gorielles constitue un d\u00e9fi m\u00e9thodologique fondamental. Contrairement aux variables continues, telles que le temps de r\u00e9action ou le taux de cortisol plasmatique, de nombreux ph\u00e9nom\u00e8nes humains et biologiques se manifestent sous une forme intrins\u00e8quement binaire ou polytomique : pr\u00e9sence ou absence d’un trouble psychiatrique, r\u00e9ussite ou \u00e9chec \u00e0 une t\u00e2che d’\u00e9valuation cognitive, adh\u00e9sion ou rejet d’une proposition soci\u00e9tale. Face \u00e0 ces r\u00e9alit\u00e9s qualitatives, la statistique param\u00e9trique d\u00e9ploie un concept cardinal : la proportion de population. Ce param\u00e8tre d’int\u00e9r\u00eat fondamental repr\u00e9sente le point d’ancrage th\u00e9orique autour duquel s’articule l’ensemble des m\u00e9canismes de description et d’inf\u00e9rence pour les distributions discr\u00e8tes.<\/p>\n

La proportion de population ne se r\u00e9duit pas \u00e0 une simple modalit\u00e9 d’enregistrement empirique ou \u00e0 un calcul arithm\u00e9tique trivial. Elle incarne la valeur de v\u00e9rit\u00e9 universelle, immuable et d\u00e9terministe qui caract\u00e9rise l’\u00e9tat global d’un univers statistique donn\u00e9 \u00e0 un moment pr\u00e9cis dans le temps. En tant que param\u00e8tre th\u00e9orique abstrait, elle demeure la plupart du temps inaccessible \u00e0 l’investigation directe en raison de la taille colossale, voire infinie, des populations cibles, contraignant ainsi les chercheurs \u00e0 naviguer dans l’espace probabiliste de l’\u00e9chantillonnage et de l’estimation. Saisir la nature profonde de ce param\u00e8tre exige une articulation rigoureuse entre l’alg\u00e8bre \u00e9l\u00e9mentaire, les th\u00e9or\u00e8mes limites fondamentaux du calcul des probabilit\u00e9s et les imp\u00e9ratifs \u00e9pist\u00e9mologiques de la validit\u00e9 de mesure en sciences du comportement.<\/p>\n

Le pr\u00e9sent article propose une exploration exhaustive de la proportion de population, articul\u00e9e autour de ses fondements th\u00e9oriques, de ses propri\u00e9t\u00e9s distributionnelles et de ses d\u00e9clinaisons pratiques, avec une emphase prononc\u00e9e sur les sciences psychologiques et psychiatriques. En diss\u00e9quant la transition logique entre le param\u00e8tre universel inaccessible et ses approximations d’\u00e9chantillon, nous examinerons les outils math\u00e9matiques qui permettent de sonder l’inconnu avec rigueur, depuis les intervalles de confiance asym\u00e9triques jusqu’aux mod\u00e8les de r\u00e9gression multivari\u00e9e et aux m\u00e9ta-analyses contemporaines.<\/p>\n

1. D\u00e9finition conceptuelle et fondements th\u00e9oriques de la proportion de population<\/h2>\n

1.1 D\u00e9finition formelle en statistique descriptive et inf\u00e9rentielle<\/h3>\n

Sur le plan formel, la proportion de population est d\u00e9finie comme un param\u00e8tre statistique d’int\u00e9r\u00eat fixe d\u00e9crivant de mani\u00e8re exhaustive et non ambigu\u00eb une population cible globale. Ce param\u00e8tre synth\u00e9tise en une valeur scalaire unique la fr\u00e9quence relative avec laquelle une condition, un attribut qualitatif ou une modalit\u00e9 sp\u00e9cifique se manifeste au sein d’un univers statistique d\u00e9termin\u00e9. Dans le cadre de la th\u00e9orie des ensembles, si nous conceptualisons la population comme un ensemble universel fini compos\u00e9 d’unit\u00e9s statistiques \u00e9l\u00e9mentaires ind\u00e9pendantes, la proportion d\u00e9signe la fraction exacte de ces unit\u00e9s qui v\u00e9rifient une proposition logique pr\u00e9d\u00e9finie.<\/p>\n

Ce concept s’applique principalement aux variables dichotomiques, c’est-\u00e0-dire aux variables al\u00e9atoires discr\u00e8tes ne pouvant prendre que deux modalit\u00e9s mutuellement exclusives et conjointement exhaustives, couramment cod\u00e9es par les valeurs binaires z\u00e9ro et un. Dans cette formalisation issue des travaux fondamentaux de Jacob Bernoulli, la modalit\u00e9 un d\u00e9signe conventionnellement l’apparition de l’\u00e9v\u00e9nement d’int\u00e9r\u00eat, souvent qualifi\u00e9 de \u00ab succ\u00e8s \u00bb dans le lexique probabiliste sans que ce terme n’emporte de connotation axiologique ou positive, tandis que la modalit\u00e9 z\u00e9ro formalise l’absence de cet attribut (\u00ab \u00e9chec \u00bb).<\/p>\n

D’un point de vue \u00e9pist\u00e9mologique, il est crucial de diff\u00e9rencier le param\u00e8tre universel de population de ses approximations empiriques. La proportion de population est une constante d\u00e9terministe li\u00e9e \u00e0 la distribution sous-jacente de la variable au sein du macrocosme \u00e9tudi\u00e9. Elle repr\u00e9sente la r\u00e9alit\u00e9 objective du syst\u00e8me, ind\u00e9pendamment de notre capacit\u00e9 technique ou mat\u00e9rielle \u00e0 l’observer. En statistique inf\u00e9rentielle, ce param\u00e8tre est consid\u00e9r\u00e9 comme une quantit\u00e9 fixe mais inconnue, que le chercheur postule afin de tester des hypoth\u00e8ses de recherche ou d’estimer des grandeurs d’int\u00e9r\u00eat \u00e0 partir de sous-ensembles r\u00e9duits.<\/p>\n

Le r\u00f4le de la proportion s’av\u00e8re donc pivot dans la mod\u00e9lisation math\u00e9matique. Elle constitue le param\u00e8tre unique r\u00e9gissant les lois de probabilit\u00e9s discr\u00e8tes les plus r\u00e9pandues, \u00e9tablissant un pont direct entre les d\u00e9nombrements de donn\u00e9es qualitatives brutes et les constructions formelles d’espaces probabilis\u00e9s. Sans ce concept, la mod\u00e9lisation statistique des choix comportementaux, des \u00e9tats pathologiques ou des jugements moraux resterait cantonn\u00e9e \u00e0 une compilation descriptive d\u00e9nu\u00e9e de port\u00e9e pr\u00e9dictive ou explicative.<\/p>\n

1.2 Formulation alg\u00e9brique de base<\/h3>\n

L’expression alg\u00e9brique canonique de la proportion de population repose sur un ratio d’une apparente simplicit\u00e9, formalis\u00e9 par l’\u00e9quation suivante :<\/p>\n

p<\/em> = X<\/em> \/ N<\/em><\/p>\n

Dans cette formulation rigoureuse, le num\u00e9rateur X<\/em> repr\u00e9sente le nombre absolu d’unit\u00e9s statistiques au sein de la population cible pr\u00e9sentant l’attribut d’int\u00e9r\u00eat. Math\u00e9matiquement, si nous d\u00e9signons par Yi<\/sub><\/em> l’indicateur binaire associ\u00e9 \u00e0 la i<\/em>-\u00e8me unit\u00e9 de la population (o\u00f9 Yi<\/sub><\/em> = 1 si l’attribut est pr\u00e9sent et Yi<\/sub><\/em> = 0 dans le cas contraire), la variable X<\/em> correspond rigoureusement \u00e0 la sommation discr\u00e8te de ces indicateurs sur l’ensemble du domaine, soit la somme des Yi<\/sub><\/em> pour i<\/em> allant de 1 \u00e0 N<\/em>.<\/p>\n

Le d\u00e9nominateur N<\/em> incarne quant \u00e0 lui la cardinalit\u00e9 absolue de la population finie sous \u00e9tude. Il s’agit du nombre total d’entit\u00e9s distinctes et identifiables composant l’agr\u00e9gat statistique sans omission ni r\u00e9p\u00e9tition. La division de X<\/em> par N<\/em> op\u00e8re une normalisation arithm\u00e9tique fondamentale qui conf\u00e8re au param\u00e8tre p<\/em> une propri\u00e9t\u00e9 essentielle d’invariance d’\u00e9chelle. Par cons\u00e9quent, la proportion s’affranchit de la magnitude absolue du d\u00e9nominateur, permettant d’exprimer l’intensit\u00e9 d’un ph\u00e9nom\u00e8ne de mani\u00e8re standardis\u00e9e, que la population \u00e9tudi\u00e9e comprenne quelques centaines d’individus ou plusieurs milliards d’organismes.<\/p>\n

Une caract\u00e9ristique math\u00e9matique fondamentale d\u00e9coule directement de cette structure : le param\u00e8tre p<\/em> est strictement born\u00e9 au sein de l’intervalle r\u00e9el ferm\u00e9 [0, 1]. Lorsque X<\/em> = 0, signifiant l’absence totale de l’attribut chez tous les membres du collectif, la proportion atteint sa borne inf\u00e9rieure absolue (p<\/em> = 0). R\u00e9ciproquement, lorsque la totalit\u00e9 des unit\u00e9s pr\u00e9sente la condition (X<\/em> = N<\/em>), la proportion atteint sa borne sup\u00e9rieure unitaire (p<\/em> = 1). Toute valeur calcul\u00e9e se situant en dehors de cet intervalle ferm\u00e9 [0, 1] viole les axiomes \u00e9l\u00e9mentaires de la th\u00e9orie des probabilit\u00e9s de Kolmogorov et r\u00e9v\u00e8le une incoh\u00e9rence computationnelle ou une erreur structurelle de mesure.<\/p>\n

1.3 Importance du concept au sein de la recherche quantitative<\/h3>\n

Dans l’architecture de la recherche quantitative, la proportion de population constitue la clef de vo\u00fbte de la quantification des ph\u00e9nom\u00e8nes qualitatifs et cat\u00e9goriels. Nombre d’attributs centraux pour les sciences humaines, biom\u00e9dicales et comportementales ne peuvent, par nature, \u00eatre projet\u00e9s sur une \u00e9chelle de mesure continue \u00e0 intervalles constants ou de rapports. La pr\u00e9sence d’un all\u00e8le g\u00e9n\u00e9tique sp\u00e9cifique, la transition vers un passage \u00e0 l’acte suicidaire ou l’obtention d’un dipl\u00f4me constituent des \u00e9tats discrets. En condensant ces distributions cat\u00e9gorielles en un indice probabiliste unique, la proportion offre une passerelle op\u00e9rationnelle vers l’analyse math\u00e9matique avanc\u00e9e.<\/p>\n

En tant qu’indice de standardisation, la proportion de population rend possibles des comparaisons transversales et longitudinales rigoureuses entre des collectifs de tailles asym\u00e9triques. Par exemple, comparer la pr\u00e9valence d’un \u00e9tat anxieux entre une petite communaut\u00e9 rurale et une m\u00e9gapole urbaine \u00e0 l’aide de simples effectifs bruts induirait un biais d’interpr\u00e9tation majeur li\u00e9 \u00e0 la diff\u00e9rence de volume d\u00e9mographique. L’utilisation du param\u00e8tre p<\/em> annule cet art\u00e9fact d’\u00e9chelle en projetant les deux syst\u00e8mes sur une m\u00e9trique relative commune de r\u00e9f\u00e9rence.<\/p>\n

De surcro\u00eet, le concept de proportion est l’ingr\u00e9dient m\u00e9thodologique primaire pour la construction d’indicateurs \u00e9pid\u00e9miologiques et de param\u00e8tres psychom\u00e9triques standardis\u00e9s. Il sous-tend des m\u00e9triques fondamentales telles que les taux d’incidence, la pr\u00e9valence ponctuelle, le risque attribuable ou la sensibilit\u00e9 et la sp\u00e9cificit\u00e9 des crit\u00e8res diagnostiques. En \u00e9tablissant la probabilit\u00e9 a priori qu’un sujet tir\u00e9 au hasard appartienne \u00e0 une cat\u00e9gorie d\u00e9sign\u00e9e, la proportion de population conditionne l’ensemble de la logique d\u00e9cisionnelle, de la m\u00e9decine pr\u00e9ventive \u00e0 la th\u00e9orisation cognitive des conduites adaptatives.<\/p>\n

2. Distinction math\u00e9matique fondamentale entre proportion de population et proportion d’\u00e9chantillon<\/h2>\n

2.1 Param\u00e8tre th\u00e9orique versus statistique empirique<\/h3>\n

L’\u00e9difice de la statistique inf\u00e9rentielle repose sur une fronti\u00e8re conceptuelle infranchissable : la dichotomie entre le param\u00e8tre th\u00e9orique de la population et la statistique empirique issue de l’\u00e9chantillon. Le param\u00e8tre, not\u00e9 conventionnellement par la lettre latine minuscule p<\/em> (ou parfois par la lettre grecque pi, bien que cette notation soit souvent \u00e9vit\u00e9e pour \u00e9carter toute confusion avec la constante g\u00e9om\u00e9trique d’Archim\u00e8de), est une constante d\u00e9terministe. Dans un cadre temporel et spatial fig\u00e9, p<\/em> ne poss\u00e8de aucune variabilit\u00e9 intrins\u00e8que ; il existe en tant que propri\u00e9t\u00e9 intrins\u00e8que immuable de la population sous examen.<\/p>\n

\u00c0 l’oppos\u00e9, la statistique empirique calcul\u00e9e sur un \u00e9chantillon d’observations, not\u00e9e p\u0302<\/em> (prononc\u00e9 \u00ab p chapeau \u00bb) ou pe<\/sub><\/em>, est une variable al\u00e9atoire. Sa valeur n’est pas fig\u00e9e dans l’absolu : elle est rigoureusement d\u00e9pendante de la composition sp\u00e9cifique du sous-ensemble fini d’unit\u00e9s statistiques pr\u00e9lev\u00e9 au sein de la population parente. Si l’on extrait simultan\u00e9ment dix \u00e9chantillons probabilistes distincts d’une m\u00eame population cible, on obtiendra presque in\u00e9vitablement dix valeurs de p\u0302<\/em> l\u00e9g\u00e8rement divergentes les unes des autres.<\/p>\n

Cette divergence entre le statut ontologique de p<\/em> et celui de p\u0302<\/em> dicte toute la grammaire de l’analyse quantitative. Alors que p<\/em> rel\u00e8ve de la v\u00e9rit\u00e9 objective du mod\u00e8le que le scientifique cherche \u00e0 d\u00e9voiler, p\u0302<\/em> appartient au domaine de l’observation contingente. Confondre le param\u00e8tre et son estimateur constitue une faute th\u00e9orique majeure, susceptible d’engendrer des interpr\u00e9tations d\u00e9voy\u00e9es sur la certitude des conclusions empiriques tir\u00e9es d’une cohorte d’\u00e9tude.<\/p>\n

2.2 Calcul et comportement de la proportion d’\u00e9chantillon<\/h3>\n

La proportion d’\u00e9chantillon p\u0302<\/em> est formellement d\u00e9finie comme le rapport entre le nombre de succ\u00e8s observ\u00e9s dans l’\u00e9chantillon, usuellement not\u00e9 x<\/em> en lettres minuscules, et la taille effective de cet \u00e9chantillon, not\u00e9e n<\/em> :<\/p>\n

p\u0302<\/em> = x<\/em> \/ n<\/em><\/p>\n

Sur le plan de la th\u00e9orie de l’estimation statistique, p\u0302<\/em> sert d’estimateur ponctuel canonique du param\u00e8tre p<\/em>. Une propri\u00e9t\u00e9 alg\u00e9brique fondamentale de cet estimateur est son absence de biais (propri\u00e9t\u00e9 d’exactitude ou d’impartialit\u00e9). Si l’on applique l’op\u00e9rateur d’esp\u00e9rance math\u00e9matique E<\/em> \u00e0 la variable al\u00e9atoire p\u0302<\/em>, sous des conditions de sondage probabiliste non biais\u00e9, la valeur moyenne de la distribution d’\u00e9chantillonnage co\u00efncide rigoureusement avec le param\u00e8tre de population inconnu :<\/p>\n

E<\/em>(p\u0302<\/em>) = p<\/em><\/p>\n

N\u00e9anmoins, l’absence de biais moyen n’implique aucunement que pour une observation donn\u00e9e, p\u0302<\/em> soit rigoureusement identique \u00e0 p<\/em>. Toute extraction al\u00e9atoire d’un sous-ensemble fini d’individus est soumise au ph\u00e9nom\u00e8ne universel d’erreur d’\u00e9chantillonnage (ou fluctuation d’\u00e9chantillonnage). Cet \u00e9cart stochastique r\u00e9siduel e<\/em> = |p\u0302<\/em> – p<\/em>| d\u00e9coule du fait qu’une fraction restreinte de la population ne peut pas int\u00e9grer la pl\u00e9nitude de la variance structurelle du syst\u00e8me global. L’erreur d’\u00e9chantillonnage n’est pas synonyme d’erreur op\u00e9ratoire ou de maladresse m\u00e9thodologique ; elle repr\u00e9sente une fatalit\u00e9 math\u00e9matique inh\u00e9rente \u00e0 la nature stochastique du pr\u00e9l\u00e8vement partiel.<\/p>\n

2.3 Cons\u00e9quences th\u00e9oriques du principe d’inf\u00e9rence<\/h3>\n

La disjonction irr\u00e9ductible entre la proportion de population et la statistique d’\u00e9chantillon impose le recours au cadre formel de l’inf\u00e9rence statistique. Puisqu’il est \u00e9pist\u00e9mologiquement impossible d’observer directement p<\/em> dans la quasi-totalit\u00e9 des sc\u00e9narios pratiques sans proc\u00e9der \u00e0 un recensement exhaustif, souvent prohibitif sur le plan logistique et financier, le chercheur doit mod\u00e9liser pr\u00e9cis\u00e9ment le comportement probabiliste de la variabilit\u00e9 inter-\u00e9chantillons. Il s’agit de r\u00e9pondre \u00e0 la question : quelle est la probabilit\u00e9 que notre estimation p\u0302<\/em> s’\u00e9carte de la valeur r\u00e9elle p<\/em> d’une amplitude sup\u00e9rieure \u00e0 un seuil donn\u00e9 ?<\/p>\n

\u00c0 cet \u00e9gard, le pont math\u00e9matique assurant la validit\u00e9 de l’estimation ponctuelle repose sur la loi faible des grands nombres, formul\u00e9e initialement par Khintchine et Bernoulli. Selon ce th\u00e9or\u00e8me, lorsque la taille de l’\u00e9chantillon n<\/em> cro\u00eet vers l’infini, la proportion d’\u00e9chantillon p\u0302<\/em> converge en probabilit\u00e9 vers la proportion de population p<\/em>. Formellement, pour tout \u00e9cart strictement positif epsilon, la probabilit\u00e9 que la distance absolue entre p\u0302<\/em> et p<\/em> soit sup\u00e9rieure ou \u00e9gale \u00e0 cet epsilon tend vers z\u00e9ro quand n<\/em> tend vers l’infini :<\/p>\n

limn<\/em> \u2192 \u221e<\/sub> P<\/em>(|p\u0302<\/em> – p<\/em>| \u2265 \u03b5) = 0<\/p>\n

Cependant, en situation d’\u00e9chantillonnage fini, l’acc\u00e8s \u00e0 la certitude absolue demeure hors de port\u00e9e. Toute conclusion concernant p<\/em> doit \u00eatre quantifi\u00e9e par des degr\u00e9s de confiance ou des distributions de vraisemblance, affirmant la pr\u00e9dominance d’une pens\u00e9e probabiliste dans la qualification des certitudes scientifiques.<\/p>\n

3. Application et pertinence de la proportion de population en psychologie<\/h2>\n

3.1 \u00c9pid\u00e9miologie psychiatrique et pr\u00e9valence des troubles mentaux<\/h3>\n

Dans le domaine de l’\u00e9pid\u00e9miologie psychiatrique, la proportion de population se mat\u00e9rialise principalement \u00e0 travers la notion de pr\u00e9valence, indicateur quantitatif indispensable pour \u00e9valuer le fardeau sanitaire global des psychopathologies. Les \u00e9pid\u00e9miologistes distinguent traditionnellement la pr\u00e9valence ponctuelle, qui mesure la proportion d’individus d’une population manifestant un trouble psychiatrique pr\u00e9cis \u00e0 un instant temporel discret, de la pr\u00e9valence sur la vie enti\u00e8re, qui quantifie la fraction du collectif ayant d\u00e9velopp\u00e9 la pathologie \u00e0 n’importe quel moment de leur existence jusqu’\u00e0 la date d’investigation.<\/p>\n

Cette quantification requiert une op\u00e9rationnalisation diagnostique stricte. Les unit\u00e9s statistiques r\u00e9pondant aux crit\u00e8res standardis\u00e9s des manuels internationaux, tels que le Manuel diagnostique et statistique des troubles mentaux (DSM-5<\/a>) ou la Classification internationale des maladies (CIM-11<\/a>), sont cod\u00e9es unitairement au num\u00e9rateur X<\/em>. Que l’on s’int\u00e9resse \u00e0 la proportion de la population adulte souffrant d’un trouble d\u00e9pressif majeur, d’un \u00e9tat de stress post-traumatique ou d’un trouble du spectre de l’autisme, l’estimation pr\u00e9cise de p<\/em> r\u00e9git l’allocation des financements publics, le dimensionnement des infrastructures hospitali\u00e8res et la conception des campagnes nationales de pr\u00e9vention suicide.<\/p>\n

En outre, les variations de cette proportion de population permettent de tester des hypoth\u00e8ses causales \u00e0 l’\u00e9chelle macro-\u00e9cologique. L’observation d’un d\u00e9placement significatif de la proportion d’anxi\u00e9t\u00e9 clinique g\u00e9n\u00e9ralis\u00e9e au sein d’une population \u00e0 la suite de crises \u00e9conomiques syst\u00e9miques, de bouleversements g\u00e9opolitiques ou de catastrophes \u00e9cologiques apporte des \u00e9l\u00e9ments d\u00e9cisifs pour \u00e9valuer les interactions entre les vuln\u00e9rabilit\u00e9s neurobiologiques sous-jacentes et les stresseurs environnementaux contextuels.<\/p>\n

3.2 Psychom\u00e9trie et \u00e9talonnage des instruments diagnostiques<\/h3>\n

En psychom\u00e9trie et en th\u00e9orie de la mesure, la proportion de population remplit un r\u00f4le structurel fondamental dans l’analyse de la difficult\u00e9 et du pouvoir discriminant des \u00e9preuves psychologiques. Dans le cadre de la th\u00e9orie classique des tests (TCT), la difficult\u00e9 d’un item dichotomique (r\u00e9ponse juste\/fausse, accord\/d\u00e9saccord) est litt\u00e9ralement d\u00e9finie par la proportion de population p<\/em> qui fournit la r\u00e9ponse d\u00e9sign\u00e9e comme positive ou correcte. Un item pr\u00e9sentant une valeur p<\/em> proche de 0,95 au sein de la population g\u00e9n\u00e9rale est qualifi\u00e9 de tr\u00e8s facile ou consensuel, tandis qu’une valeur p<\/em> inf\u00e9rieure \u00e0 0,10 d\u00e9signe un item d’une s\u00e9v\u00e9rit\u00e9 symptomatique ou d’une difficult\u00e9 cognitive extr\u00eame.<\/p>\n

Cette proportion conditionne directement les propri\u00e9t\u00e9s de variabilit\u00e9 de l’\u00e9preuve diagnostique. Lorsque la proportion de population d’endossement d’un item approche 0,50, la variance de la mesure est maximale, ce qui maximise le pouvoir de discrimination du test entre les individus autour de ce niveau d’aptitude ou de symptomatologie. \u00c0 l’inverse, pour l’\u00e9valuation diagnostique fine de pathologies s\u00e9v\u00e8res mais rares (comme la schizophr\u00e9nie ou la d\u00e9mence pr\u00e9coce), les psychom\u00e9triciens con\u00e7oivent d\u00e9lib\u00e9r\u00e9ment des batteries d’instruments int\u00e9grant des items caract\u00e9ris\u00e9s par de faibles proportions d’endossement populationnel, garantissant un calibrage adapt\u00e9 aux extr\u00e9mit\u00e9s de la distribution du trait latent.<\/p>\n

Enfin, la proportion de population intervient de mani\u00e8re incontournable dans l’\u00e9talonnage et la normalisation des inventaires psychologiques (\u00e9chelles de Wechsler, inventaire de personnalit\u00e9 de Minnesota). La conversion d’un score brut en centile ou en note standardis\u00e9e d\u00e9pend intimement de la proportion cumul\u00e9e de la population de r\u00e9f\u00e9rence qui se situe au-dessous de chaque niveau de performance mesur\u00e9, attestant du r\u00f4le structurant du param\u00e8tre p<\/em> dans la d\u00e9finition de ce qui est conventionnellement d\u00e9sign\u00e9 comme statistiquement typique ou d\u00e9viant.<\/p>\n

3.3 Psychologie sociale et comportements collectifs<\/h3>\n

La psychologie sociale quantitative mobilise continuellement la notion de proportion de population pour capturer la force, la stabilit\u00e9 et la diffusion des dynamiques groupales. Dans ce paradigme, le param\u00e8tre p<\/em> mesure le taux d’adh\u00e9sion d’une collectivit\u00e9 \u00e0 une croyance normative, un st\u00e9r\u00e9otype intergroupe, un comportement pr\u00e9judiciable ou une disposition morale. La proportion sert de barom\u00e8tre quantifi\u00e9 de l’\u00e9tat normatif d’un corps social.<\/p>\n

Dans les protocoles exp\u00e9rimentaux naturalistes \u00e9tudiant la conformit\u00e9 et l’influence des pairs, \u00e0 la suite des travaux historiques de Solomon Asch, la proportion d’individus qui modifient leur jugement spontan\u00e9 pour s’aligner sur la doxa majoritaire constitue la variable d’int\u00e9r\u00eat pivot. De m\u00eame, l’analyse des conduites prosociales \u2014 telles que l’altruisme spontan\u00e9 face \u00e0 une situation d’urgence ou la volont\u00e9 d’effectuer un don financier collectif \u2014 utilise la proportion populationnelle comme \u00e9talon pour mesurer l’efficacit\u00e9 de modulations exp\u00e9rimentales (comme l’effet du spectateur ou la dilution de responsabilit\u00e9).<\/p>\n

L’observation des conduites d\u00e9viantes ou \u00e0 risque chez les adolescents (consommation de substances psychoactives, comportements sexuels non prot\u00e9g\u00e9s, cyberharc\u00e8lement) s’articule autour de l’estimation de proportions populationnelles stratifi\u00e9es. L’\u00e9cart per\u00e7u entre la v\u00e9ritable proportion de population adoptant ces conduites et la proportion sur\u00e9valu\u00e9e que s’imaginent subjectivement les individus forme le substrat de l’ignorance pluraliste, un m\u00e9canisme psychosocial majeur o\u00f9 la m\u00e9connaissance empirique du param\u00e8tre p<\/em> perp\u00e9tue artificiellement des comportements d\u00e9l\u00e9t\u00e8res.<\/p>\n

4. Propri\u00e9t\u00e9s statistiques et postulats distributionnels<\/h2>\n

4.1 Relation fondamentale avec la loi de Bernoulli<\/h3>\n

L’armature probabiliste sous-jacente \u00e0 la proportion de population prend racine dans le mod\u00e8le stochastique le plus \u00e9l\u00e9mentaire : l’\u00e9preuve de Bernoulli. Une variable al\u00e9atoire discr\u00e8te individuelle Y<\/em> suit une loi de Bernoulli<\/a> de param\u00e8tre p<\/em>, not\u00e9e Y<\/em> ~ B<\/em>(1, p<\/em>), si elle ob\u00e9it rigoureusement \u00e0 la distribution de probabilit\u00e9 suivante :<\/p>\n

P<\/em>(Y<\/em> = 1) = p<\/em><\/p>\n

P<\/em>(Y<\/em> = 0) = 1 – p<\/em> = q<\/em><\/p>\n

o\u00f9 la quantit\u00e9 q<\/em> = 1 – p<\/em> repr\u00e9sente conventionnellement la probabilit\u00e9 compl\u00e9mentaire de non-occurrence ou d’\u00e9chec. L’esp\u00e9rance math\u00e9matique fondamentale de cette variable individuelle s’av\u00e8re rigoureusement \u00e9quivalente \u00e0 la proportion p<\/em> :<\/p>\n

\u03bc = E<\/em>(Y<\/em>) = (1 \u00d7 p<\/em>) + (0 \u00d7 (1 – p<\/em>)) = p<\/em><\/p>\n

La variance th\u00e9orique de cette distribution \u00e9l\u00e9mentaire, qui mesure la dispersion stochastique autour de la valeur moyenne, correspond au produit des probabilit\u00e9s d’\u00e9tat :<\/p>\n

\u03c3\u00b2 = Var<\/em>(Y<\/em>) = E<\/em>(Y<\/em>\u00b2) – [E<\/em>(Y<\/em>)]\u00b2 = (1\u00b2 \u00d7 p<\/em> + 0\u00b2 \u00d7 (1 – p<\/em>)) – p<\/em>\u00b2 = p<\/em> – p<\/em>\u00b2 = p<\/em>(1 – p<\/em>)<\/p>\n

\"\"<\/figure>\n

Lorsque l’on consid\u00e8re non plus un individu isol\u00e9, mais l’agr\u00e9gation de N<\/em> \u00e9preuves de Bernoulli mutuellement ind\u00e9pendantes et identiquement distribu\u00e9es poss\u00e9dant toutes la m\u00eame probabilit\u00e9 de succ\u00e8s p<\/em>, la variable al\u00e9atoire agr\u00e9g\u00e9e X<\/em> d\u00e9nombrant le total de succ\u00e8s suit une loi binomiale de param\u00e8tres N<\/em> et p<\/em>, not\u00e9e X<\/em> ~ B<\/em>(N<\/em>, p<\/em>). La proportion de population s’interpr\u00e8te alors comme le ratio entre cette somme de variables binaires et le nombre total d’unit\u00e9s N<\/em>, unifiant l’arithm\u00e9tique descriptive et le formalisme de la th\u00e9orie des probabilit\u00e9s.<\/p>\n

4.2 Analyse de la variance populationnelle et de l’incertitude maximale<\/h3>\n

L’examen approfondi de la fonction de variance \u03c3\u00b2 = f<\/em>(p<\/em>) = p<\/em>(1 – p<\/em>) sur le domaine de d\u00e9finition ferm\u00e9 [0, 1] met en lumi\u00e8re des propri\u00e9t\u00e9s structurelles essentielles pour l’analyste de donn\u00e9es. Cette fonction est une parabole concave orient\u00e9e vers le bas, continue et diff\u00e9rentiable sur l’ensemble de son support. Pour localiser son extremum analytique, il convient de calculer sa d\u00e9riv\u00e9e premi\u00e8re par rapport \u00e0 p<\/em> et de l’annuler :<\/p>\n

f<\/em>‘(p<\/em>) = d<\/em>\/dp<\/em> [p<\/em> – p<\/em>\u00b2] = 1 – 2p<\/em><\/p>\n

1 – 2p<\/em> = 0 \u21d4 p<\/em> = 1\/2 = 0,5<\/p>\n

La d\u00e9riv\u00e9e seconde, valant f<\/em>\u00a0\u00bb(p<\/em>) = -2 < 0 sur l’ensemble du domaine, confirme de mani\u00e8re univoque que ce point critique correspond \u00e0 un maximum global absolu. \u00c0 ce point pr\u00e9cis, la variance atteint sa valeur plafond th\u00e9orique de \u03c3\u00b2max<\/sub> = 0,5 \u00d7 (1 – 0,5) = 0,25. D’un point de vue de la th\u00e9orie de l’information de Shannon, cette configuration de proportion p<\/em> = 0,50 co\u00efncide avec l’\u00e9tat d’entropie maximale et d’incertitude parfaite. Lorsque la population est divis\u00e9e en deux moiti\u00e9s exactement \u00e9gales quant \u00e0 la pr\u00e9sence ou l’absence d’une caract\u00e9ristique, la pr\u00e9visibilit\u00e9 d’un tirage individuel est rigoureusement nulle.<\/p>\n

\u00c0 l’inverse, \u00e0 mesure que le param\u00e8tre p<\/em> glisse vers l’une de ses bornes physiques 0 ou 1, la variance s’annule :<\/p>\n

limp<\/em> \u2192 0<\/sub> p<\/em>(1 – p<\/em>) = 0 et limp<\/em> \u2192 1<\/sub> p<\/em>(1 – p<\/em>) = 0<\/p>\n

Dans un syst\u00e8me o\u00f9 la proportion atteint l’unit\u00e9 (p<\/em> = 1) ou z\u00e9ro (p<\/em> = 0), le syst\u00e8me statistique sombre dans un d\u00e9terminisme parfait o\u00f9 l’incertitude s’\u00e9vapore int\u00e9gralement. Tous les membres du collectif partagent de fa\u00e7on uniforme le m\u00eame \u00e9tat, rendant toute variabilit\u00e9 d’\u00e9chantillonnage th\u00e9oriquement impossible.<\/p>\n

4.3 Sym\u00e9trie et asym\u00e9trie de la distribution<\/h3>\n

La forme structurelle de la distribution sous-jacente des \u00e9v\u00e9nements discrets d\u00e9pend intimement de la valeur occup\u00e9e par la proportion de population p<\/em>. Le troisi\u00e8me moment centr\u00e9 standardis\u00e9, d\u00e9sign\u00e9 coefficient d’asym\u00e9trie ou \u00ab skewness \u00bb de Fisher (\u03b3\u2081), illustre analytiquement cette d\u00e9pendance g\u00e9om\u00e9trique \u00e0 travers sa formulation ferm\u00e9e pour une distribution binomiale standardis\u00e9e :<\/p>\n

\u03b3\u2081 = (1 – 2p<\/em>) \/ \u221a(p<\/em>(1 – p<\/em>))<\/p>\n

Il d\u00e9coule imm\u00e9diatement de cette expression que lorsque le param\u00e8tre de population vaut exactement un demi (p<\/em> = 0,50), le num\u00e9rateur (1 – 2(0,5)) s’annule sans \u00e9quivoque, produisant un coefficient d’asym\u00e9trie \u00e9gal \u00e0 z\u00e9ro (\u03b3\u2081 = 0). Dans ces conditions, la distribution associ\u00e9e est parfaitement sym\u00e9trique autour de sa valeur centrale m\u00e9diane et moyenne.<\/p>\n

En revanche, d\u00e8s lors que le param\u00e8tre p<\/em> d\u00e9vie de ce point d’\u00e9quilibre m\u00e9dian, une distorsion g\u00e9om\u00e9trique s’installe. Lorsque p<\/em> < 0,50, le coefficient \u03b3\u2081 devient strictement positif, g\u00e9n\u00e9rant une asym\u00e9trie positive marqu\u00e9e par une distribution \u00e9tir\u00e9e vers la droite avec une longue queue vers les valeurs sup\u00e9rieures. Ce ph\u00e9nom\u00e8ne est omnipr\u00e9sent en psychopathologie lors de l’investigation d’affections rares ou s\u00e9v\u00e8res (par exemple, la pr\u00e9valence du trouble bipolaire de type I o\u00f9 p<\/em> oscille autour de 0,01 \u00e0 0,02).<\/p>\n

R\u00e9ciproquement, lorsque la proportion p<\/em> > 0,50, le num\u00e9rateur prend une valeur n\u00e9gative (\u03b3\u2081 < 0), engendrant une asym\u00e9trie n\u00e9gative avec un \u00e9tirement prononc\u00e9 de la distribution vers la gauche. Plus la proportion de population s’approche des bornes extr\u00eames, plus le coefficient d’asym\u00e9trie diverge vers l’infini, posant des d\u00e9fis math\u00e9matiques quant \u00e0 l’ad\u00e9quation des mod\u00e8les d’inf\u00e9rence fond\u00e9s sur l’hypoth\u00e8se de normalit\u00e9 gaussienne.<\/p>\n

5. M\u00e9canismes d’\u00e9chantillonnage pour l’estimation de la proportion<\/h2>\n

5.1 \u00c9chantillonnage al\u00e9atoire simple et repr\u00e9sentativit\u00e9<\/h3>\n

L’estimation rigoureuse d’une proportion de population inconnue repose avant tout sur l’int\u00e9grit\u00e9 probabiliste de la strat\u00e9gie de recueil des donn\u00e9es. Le mod\u00e8le de r\u00e9f\u00e9rence absolu demeure l’\u00e9chantillonnage al\u00e9atoire simple<\/a> (EAS). Ce protocole fondamental stipule que chaque unit\u00e9 statistique appartenant \u00e0 la base de sondage de cardinalit\u00e9 N<\/em> poss\u00e8de une probabilit\u00e9 rigoureusement identique et non nulle d’\u00eatre s\u00e9lectionn\u00e9e dans l’\u00e9chantillon de taille n<\/em>, soit une probabilit\u00e9 d’inclusion \u03c0 = n<\/em> \/ N<\/em>. Cette \u00e9quiprobabilit\u00e9 \u00e9limine les biais de s\u00e9lection syst\u00e9matiques et assure \u00e0 la statistique empirique p\u0302<\/em> son statut d’estimateur non biais\u00e9.<\/p>\n

Il est n\u00e9cessaire de distinguer sur le plan conceptuel l’\u00e9chantillonnage avec remise (tirage bernoullien ind\u00e9pendant) de l’\u00e9chantillonnage sans remise. Dans les populations massives, cette distinction demeure th\u00e9orique. Toutefois, dans les populations de taille modeste, le tirage sans remise modifie \u00e0 chaque \u00e9tape la probabilit\u00e9 d’inclusion des unit\u00e9s restantes, subordonnant le mod\u00e8le probabiliste non plus \u00e0 la loi binomiale, mais \u00e0 la loi hyperg\u00e9om\u00e9trique.<\/p>\n

Lorsque la fraction de sondage f<\/em> = n<\/em> \/ N<\/em> exc\u00e8de le seuil de 5 % (0,05), l’hypoth\u00e8se d’ind\u00e9pendance stricte entre les observations cons\u00e9cutives est alt\u00e9r\u00e9e. Il devient alors imp\u00e9ratif d’incorporer le facteur de correction pour population finie (FCPF) dans l’\u00e9valuation de la variance de l’estimateur de la proportion :<\/p>\n

FCPF = \u221a((N<\/em> – n<\/em>) \/ (N<\/em> – 1))<\/p>\n

Ce multiplicateur d’\u00e9chelle, strictement inf\u00e9rieur \u00e0 l’unit\u00e9 lorsque n<\/em> > 1, neutralise la surestimation de la variance caus\u00e9e par l’\u00e9puisement progressif de la population m\u00e8re, am\u00e9liorant la pr\u00e9cision relative de l’estimation pour les petites communaut\u00e9s ferm\u00e9es.<\/p>\n

5.2 \u00c9chantillonnage stratifi\u00e9 en sous-populations h\u00e9t\u00e9rog\u00e8nes<\/h3>\n

Lorsque la population d’int\u00e9r\u00eat pr\u00e9sente une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 structurelle marqu\u00e9e selon des caract\u00e9ristiques sous-jacentes corr\u00e9l\u00e9es \u00e0 l’attribut d’int\u00e9r\u00eat \u2014 telles que les tranches d’\u00e2ge, le statut socio-\u00e9conomique ou la r\u00e9gion g\u00e9ographique \u2014, l’\u00e9chantillonnage al\u00e9atoire simple peut s’av\u00e9rer sous-optimal en termes d’efficience statistique. Dans ce cas, les statisticiens recourent \u00e0 l’\u00e9chantillonnage stratifi\u00e9, qui consiste \u00e0 scinder pr\u00e9alablement la population globale N<\/em> en L<\/em> sous-ensembles disjoints et mutuellement exhaustifs appel\u00e9s strates (not\u00e9es N1<\/sub><\/em>, N2<\/sub><\/em>, …, NL<\/sub><\/em>), au sein desquelles un \u00e9chantillonnage al\u00e9atoire ind\u00e9pendant est ensuite d\u00e9ploy\u00e9.<\/p>\n

La proportion de population globale est alors estim\u00e9e par une combinaison lin\u00e9aire pond\u00e9r\u00e9e des proportions observ\u00e9es dans chacune des strates individuelles :<\/p>\n

p\u0302strat<\/sub><\/em> = \u2211h<\/em>=1…L<\/em><\/sub> Wh<\/sub><\/em> p\u0302h<\/sub><\/em><\/p>\n

o\u00f9 Wh<\/sub><\/em> = Nh<\/sub><\/em> \/ N<\/em> formalise le poids d\u00e9mographique relatif de la strate h<\/em> dans la population totale parente, et p\u0302h<\/sub><\/em> repr\u00e9sente la proportion d’\u00e9chantillon mesur\u00e9e dans cette strate sp\u00e9cifique. Cette m\u00e9thodologie garantit une repr\u00e9sentation ad\u00e9quate des sous-groupes minoritaires, qui risqueraient d’\u00eatre occult\u00e9s par un \u00e9chantillonnage al\u00e9atoire simple non contr\u00f4l\u00e9.<\/p>\n

Sur le plan math\u00e9matique, la variance de cet estimateur stratifi\u00e9 est syst\u00e9matiquement inf\u00e9rieure ou \u00e9gale \u00e0 celle issue d’un \u00e9chantillonnage al\u00e9atoire simple de taille globale identique, d\u00e8s lors que les strates ont \u00e9t\u00e9 constitu\u00e9es de mani\u00e8re \u00e0 maximiser la variance inter-strates tout en minimisant la variance intra-strate. Cette r\u00e9duction de la variance d’\u00e9chantillonnage offre des gains substantiels de puissance statistique et d’acuit\u00e9 d’estimation pour les \u00e9tudes \u00e9pid\u00e9miologiques d’envergure.<\/p>\n

5.3 \u00c9chantillonnage en grappes et contextes institutionnels<\/h3>\n

Contrairement \u00e0 la stratification, qui vise \u00e0 r\u00e9duire la variance, l’\u00e9chantillonnage en grappes est guid\u00e9 par des consid\u00e9rations de faisabilit\u00e9 logistique et \u00e9conomique, fr\u00e9quentes dans la recherche clinique et psychologique. Dans ce mod\u00e8le, l’unit\u00e9 de s\u00e9lection primaire n’est plus l’individu isol\u00e9, mais un regroupement naturel pr\u00e9existant d’unit\u00e9s statistiques, d\u00e9sign\u00e9 sous le terme de grappe. En milieu appliqu\u00e9, ces grappes correspondent typiquement \u00e0 des \u00e9tablissements scolaires, des unit\u00e9s hospitali\u00e8res psychiatriques ou des entreprises.<\/p>\n

La s\u00e9lection al\u00e9atoire d’un ensemble de grappes au sein desquelles l’ensemble des membres (ou un sous-\u00e9chantillon) est \u00e9valu\u00e9 alt\u00e8re profond\u00e9ment les propri\u00e9t\u00e9s distributionnelles des estimations. Les individus appartenant \u00e0 une m\u00eame grappe ont tendance \u00e0 se ressembler davantage entre eux qu’avec des membres pr\u00e9lev\u00e9s au hasard dans la population g\u00e9n\u00e9rale, en raison d’influences environnementales, culturelles ou g\u00e9n\u00e9tiques partag\u00e9es. Cette interd\u00e9pendance viole le postulat fondamental d’ind\u00e9pendance statistique des observations \u00e9l\u00e9mentaires.<\/p>\n

Cette redondance informationnelle est quantifi\u00e9e par le coefficient de corr\u00e9lation intra-classe (ICC ou \u03c1). Elle entra\u00eene une augmentation m\u00e9canique de la variance r\u00e9elle d’\u00e9chantillonnage par rapport \u00e0 un \u00e9chantillonnage al\u00e9atoire pur. Cet \u00e9largissement de la dispersion est formellement captur\u00e9 par l’effet de plan (\u00ab design effect \u00bb ou Deff<\/em>) :<\/p>\n

Deff<\/em> = 1 + (m\u0304<\/em> – 1) \u03c1<\/p>\n

o\u00f9 m\u0304<\/em> symbolise la taille moyenne des grappes investigu\u00e9es. Si un chercheur \u00e9value la proportion de d\u00e9pression dans des classes scolaires sans mod\u00e9liser cet effet de plan, il sous-estimera l’erreur type de l’estimateur, conduisant \u00e0 des intervalles de confiance trop \u00e9troits et \u00e0 une inflation artificielle du risque d’erreur de premi\u00e8re esp\u00e8ce (alpha) dans les tests d’inf\u00e9rence.<\/p>\n

6. Distribution d’\u00e9chantillonnage et approximation par le th\u00e9or\u00e8me central limite<\/h2>\n

6.1 Comportement asymptotique de la statistique d’\u00e9chantillon<\/h3>\n

L’inf\u00e9rence statistique sur les proportions de population repose largement sur l’\u00e9lucidation de la distribution d’\u00e9chantillonnage de la statistique p\u0302<\/em>. Comme p\u0302<\/em> est la moyenne arithm\u00e9tique de n<\/em> variables al\u00e9atoires de Bernoulli ind\u00e9pendantes (p\u0302<\/em> = (1\/n<\/em>) \u2211 Yi<\/sub><\/em>), son comportement asymptotique est r\u00e9gi par le Th\u00e9or\u00e8me Central Limite<\/a> (TCL), formul\u00e9 dans sa variante adapt\u00e9e par Lindeberg-L\u00e9vy.<\/p>\n

Ce th\u00e9or\u00e8me affirme que lorsque la taille de l’\u00e9chantillon n<\/em> tend vers l’infini, la distribution standardis\u00e9e de la statistique p\u0302<\/em> converge en loi vers une loi normale centr\u00e9e r\u00e9duite N<\/em>(0, 1) :<\/p>\n

(p\u0302<\/em> – p<\/em>) \/ \u221a(p<\/em>(1 – p<\/em>) \/ n<\/em>) xrightarrow{d} N<\/em>(0, 1)<\/p>\n

Par cons\u00e9quent, pour des \u00e9chantillons de taille suffisante, la distribution brute de la statistique p\u0302<\/em> peut \u00eatre raisonnablement approxim\u00e9e par une distribution continue gaussienne de moyenne th\u00e9orique \u03bcp\u0302<\/em><\/sub> = p<\/em> et de variance d’\u00e9chantillonnage \u03c3\u00b2p\u0302<\/em><\/sub> = p<\/em>(1 – p<\/em>) \/ n<\/em>. L’\u00e9cart-type de cette distribution d’\u00e9chantillonnage est formellement d\u00e9sign\u00e9 sous le terme d’erreur type de la proportion (\u00ab Standard Error \u00bb, not\u00e9e SE<\/em>) :<\/p>\n

SE<\/em> = \u221a(p<\/em>(1 – p<\/em>) \/ n<\/em>)<\/p>\n

L’erreur type formalise l’amplitude pr\u00e9visible des fluctuations d’\u00e9chantillonnage autour du param\u00e8tre cible. On constate math\u00e9matiquement que la dispersion de p\u0302<\/em> d\u00e9cro\u00eet \u00e0 la vitesse proportionnelle \u00e0 l’inverse de la racine carr\u00e9e de n<\/em> (1 \/ \u221an<\/em>). Pour doubler l’acuit\u00e9 d’une estimation (c’est-\u00e0-dire r\u00e9duire l’erreur type de moiti\u00e9), il est imp\u00e9ratif de quadrupler l’effectif des sujets observ\u00e9s.<\/p>\n

6.2 Crit\u00e8res de validit\u00e9 de l’approximation normale<\/h3>\n

L’utilisation de la loi normale comme approximation de la distribution discr\u00e8te de p\u0302<\/em> ne saurait \u00eatre universelle ; elle est conditionn\u00e9e par des crit\u00e8res de volume d’\u00e9chantillon rigoureux, commun\u00e9ment appel\u00e9s crit\u00e8res de Cochran-Laplace. La r\u00e8gle empirique canonique, couramment adopt\u00e9e dans la litt\u00e9rature acad\u00e9mique internationale, postule que l’approximation gaussienne n’est m\u00e9thodologiquement valide que si les conditions suivantes sont simultan\u00e9ment remplies :<\/p>\n

n<\/em> \u00d7 p<\/em> \u2265 10 et n<\/em> \u00d7 (1 – p<\/em>) \u2265 10<\/p>\n

Certains auteurs plus conservateurs exigent un seuil minimal de 15, voire 20 occurrences. L’essence de cette r\u00e8gle d\u00e9coule directement de la n\u00e9cessit\u00e9 de compenser l’asym\u00e9trie de la distribution binomiale lorsque le param\u00e8tre de population p<\/em> est distant de la valeur centrale 0,50. Si l’un de ces deux produits est inf\u00e9rieur \u00e0 10, la distribution binomiale sous-jacente conserve une asym\u00e9trie trop marqu\u00e9e pour que la courbe en cloche gaussienne puisse mod\u00e9liser fid\u00e8lement le comportement des queues de distribution.<\/p>\n

Lorsque l’on \u00e9tudie des \u00e9v\u00e9nements rares dans les populations psychiatriques ou toxicologiques (par exemple, un trouble affectant une personne sur mille, p<\/em> = 0,001), un \u00e9chantillon de plusieurs milliers d’individus peut demeurer insuffisant pour autoriser l’approximation par la loi normale, dans la mesure o\u00f9 le nombre de cas observ\u00e9s attendus (n<\/em> \u00d7 p<\/em>) reste trop faible. Dans cette situation d’\u00e9chec des crit\u00e8res asymptotiques, les approximations normales doivent \u00eatre abandonn\u00e9es au profit exclusif de m\u00e9thodes exactes fond\u00e9es sur la loi binomiale brute ou sur la loi de Poisson des \u00e9v\u00e9nements rares.<\/p>\n

6.3 Correction de continuit\u00e9 dans les approximations discr\u00e8tes<\/h3>\n

L’approximation d’une loi de probabilit\u00e9 discr\u00e8te (la distribution binomiale r\u00e9gissant le nombre de succ\u00e8s entiers x<\/em> \u2208 {0, 1, 2, …, n<\/em>}) par une densit\u00e9 de probabilit\u00e9 continue (l’int\u00e9grale gaussienne d\u00e9finie sur l’axe des r\u00e9els) induit in\u00e9vitablement une erreur g\u00e9om\u00e9trique d’ajustement. Pour att\u00e9nuer cette impr\u00e9cision, l’analyse statistique classique mobilise la correction de continuit\u00e9 de Yates.<\/p>\n

Puisque chaque valeur enti\u00e8re discr\u00e8te x<\/em> occupe conceptuellement l’intervalle r\u00e9el [x<\/em> – 0,5 ; x<\/em> + 0,5] sur l’axe continu, la translation de cet ajustement \u00e0 la proportion p\u0302<\/em> = x<\/em> \/ n<\/em> s’op\u00e8re en modulant la valeur ponctuelle d’une quantit\u00e9 \u00e9gale \u00e0 1 \/ (2n<\/em>). Ainsi, lors du calcul de la probabilit\u00e9 cumul\u00e9e que la proportion d’\u00e9chantillon soit inf\u00e9rieure ou \u00e9gale \u00e0 un seuil donn\u00e9 p\u03020<\/sub><\/em>, la statistique standardis\u00e9e Z<\/em> int\u00e9grant la correction s’exprime comme suit :<\/p>\n

Z<\/em> = ( (p\u0302<\/em> + 1\/(2n<\/em>)) – p<\/em> ) \/ \u221a(p<\/em>(1 – p<\/em>) \/ n<\/em>) (pour une queue inf\u00e9rieure)<\/p>\n

Bien que cette correction am\u00e9liore l’exactitude probabiliste pour des tailles d’\u00e9chantillon interm\u00e9diaires (typiquement entre 20 et 100 observations), son b\u00e9n\u00e9fice devient n\u00e9gligeable \u00e0 mesure que n<\/em> cro\u00eet vers des dimensions massives, o\u00f9 le terme correctif 1 \/ (2n<\/em>) tend asymptotiquement vers z\u00e9ro.<\/p>\n

7. Construction math\u00e9matique des intervalles de confiance<\/h2>\n

7.1 L’intervalle de confiance standard de Wald et ses faiblesses<\/h3>\n

Pour d\u00e9passer les limites inh\u00e9rentes \u00e0 une estimation ponctuelle unique, l’inf\u00e9rence statistique recourt \u00e0 l’estimation par intervalle, dont l’objectif est d’encadrer la proportion de population inconnue p<\/em> par deux bornes al\u00e9atoires avec un niveau de confiance fix\u00e9 1 – \u03b1 (couramment \u00e9tabli \u00e0 95 % ou 99 %). La d\u00e9rivation historique classique, connue sous le nom d’intervalle de confiance de Wald, proc\u00e8de par inversion du test d’hypoth\u00e8se bas\u00e9 sur l’approximation normale standardis\u00e9e. En substituant la statistique empirique p\u0302<\/em> au param\u00e8tre inconnu p<\/em> dans la formule de l’erreur type, l’intervalle de Wald est formul\u00e9 ainsi :<\/p>\n

IC<\/em>Wald<\/sub>(p<\/em>) = p\u0302<\/em> \u00b1 Z<\/em>1 – \u03b1\/2<\/sub> \u00d7 \u221a(p\u0302<\/em>(1 – p\u0302<\/em>) \/ n<\/em>)<\/p>\n

o\u00f9 Z<\/em>1 – \u03b1\/2<\/sub> repr\u00e9sente le quantile d’ordre 1 – \u03b1\/2 de la loi normale centr\u00e9e r\u00e9duite (valant approximativement 1,96 pour un niveau de confiance bilat\u00e9ral de 95 %).<\/p>\n

Bien que largement diffus\u00e9 dans les manuels d’introduction et int\u00e9gr\u00e9 par d\u00e9faut dans de nombreux progiciels, l’intervalle de Wald pr\u00e9sente des d\u00e9faillances analytiques majeures mises en \u00e9vidence par de nombreux statisticiens. Sa couverture r\u00e9elle \u2014 c’est-\u00e0-dire la probabilit\u00e9 exacte que l’intervalle calcul\u00e9 contienne effectivement le param\u00e8tre fixe p<\/em> \u2014 peut chuter largement en de\u00e7\u00e0 du seuil nominal de 95 %, m\u00eame pour des effectifs consid\u00e9r\u00e9s comme raisonnables (n<\/em> = 100). Ce comportement chaotique s’aggrave de fa\u00e7on critique d\u00e8s que la proportion s’\u00e9loigne de 0,50.<\/p>\n

De surcro\u00eet, lorsque la proportion observ\u00e9e p\u0302<\/em> est tr\u00e8s proche de 0 ou de 1, l’intervalle de Wald est susceptible de produire des bornes math\u00e9matiquement absurdes situ\u00e9es en dehors de l’intervalle [0, 1] (par exemple une borne inf\u00e9rieure n\u00e9gative). Ces pathologies th\u00e9oriques disqualifient l’intervalle de Wald pour les publications de haut niveau d’exigence m\u00e9thodologique.<\/p>\n

7.2 L’intervalle de score de Wilson comme alternative robuste<\/h3>\n

Face aux tares de la m\u00e9thode de Wald, l’intervalle de score de Wilson<\/a> (Wilson, 1927) s’impose comme une alternative math\u00e9matique robuste. Plut\u00f4t que de substituer artificiellement la proportion d’\u00e9chantillon p\u0302<\/em> au sein de la variance asymptotique, la d\u00e9marche de Wilson repose sur l’inversion directe du test du score d’ad\u00e9quation. L’\u00e9quation quadratique sous-jacente est r\u00e9solue directement par rapport au param\u00e8tre th\u00e9orique inconnu p<\/em> :<\/p>\n

(p\u0302<\/em> – p<\/em>)\u00b2 \/ [p<\/em>(1 – p<\/em>) \/ n<\/em>] \u2264 Z<\/em>\u00b21 – \u03b1\/2<\/sub><\/p>\n

La r\u00e9solution analytique de cette in\u00e9quation du second degr\u00e9 conduit aux bornes formelles de l’intervalle de Wilson :<\/p>\n

IC<\/em>Wilson<\/sub>(p<\/em>) = [ p\u0302<\/em> + Z<\/em>\u00b2 \/ (2n<\/em>) \u00b1 Z<\/em> \u221a( (p\u0302<\/em>(1 – p\u0302<\/em>) \/ n<\/em>) + (Z<\/em>\u00b2 \/ (4n<\/em>\u00b2)) ) ] \/ [ 1 + Z<\/em>\u00b2 \/ n<\/em> ]<\/p>\n

o\u00f9 Z<\/em> d\u00e9signe le quantile d’ordre 1 – \u03b1\/2 de la loi normale. L’examen attentif de cette expression r\u00e9v\u00e8le ses vertus structurelles. Le centre de l’intervalle n’est plus la simple proportion ponctuelle p\u0302<\/em>, mais une moyenne pond\u00e9r\u00e9e entre p\u0302<\/em> et 0,5, op\u00e9rant un ph\u00e9nom\u00e8ne d’attraction r\u00e9gularisatrice (shrinkage) vers le milieu de l’espace des param\u00e8tres.<\/p>\n

Par construction, les bornes de Wilson demeurent strictement confin\u00e9es \u00e0 l’int\u00e9rieur de l’intervalle physique [0, 1], y compris dans les situations o\u00f9 p\u0302<\/em> = 0 ou p\u0302<\/em> = 1. Ses propri\u00e9t\u00e9s de couverture empirique se r\u00e9v\u00e8lent remarquablement fid\u00e8les au niveau nominal de confiance, y compris pour des \u00e9chantillons de taille modeste, faisant de l’intervalle de score de Wilson un outil privil\u00e9gi\u00e9 en recherche psychom\u00e9trique et clinique.<\/p>\n

7.3 M\u00e9thode corrig\u00e9e d’Agresti-Coull<\/h3>\n

Conscients de la complexit\u00e9 alg\u00e9brique de l’intervalle de Wilson, Alan Agresti et Brent Coull (1998) ont formul\u00e9 une approximation heuristique d’une grande \u00e9l\u00e9gance, d\u00e9sign\u00e9e sous le vocable d’intervalle d’Agresti-Coull ou m\u00e9thode des \u00ab pseudo-succ\u00e8s \u00bb. L’algorithme repose sur une modification computationnelle intuitive : ajouter deux succ\u00e8s et deux \u00e9checs \u00e0 l’\u00e9chantillon brut (pour un niveau de confiance classique de 95 %, o\u00f9 Z<\/em> \u2248 1,96 \u2248 2).<\/p>\n

On d\u00e9finit ainsi formellement une proportion modifi\u00e9e p\u0303<\/em> (\u00ab p tilde \u00bb) et un effectif d’\u00e9chantillon ajust\u00e9 \u00f1<\/em> selon les \u00e9quations :<\/p>\n

\u00f1<\/em> = n<\/em> + Z<\/em>\u00b2 \u2248 n<\/em> + 4<\/p>\n

x\u0303<\/em> = x<\/em> + Z<\/em>\u00b2 \/ 2 \u2248 x<\/em> + 2<\/p>\n

p\u0303<\/em> = x\u0303<\/em> \/ \u00f1<\/em> = (x<\/em> + 2) \/ (n<\/em> + 4)<\/p>\n

L’intervalle de confiance d’Agresti-Coull s’obtient ensuite en appliquant la forme standard de Wald \u00e0 ces grandeurs r\u00e9gularis\u00e9es :<\/p>\n

IC<\/em>AC<\/sub>(p<\/em>) = p\u0303<\/em> \u00b1 Z<\/em>1 – \u03b1\/2<\/sub> \u00d7 \u221a(p\u0303<\/em>(1 – p\u0303<\/em>) \/ \u00f1<\/em>)<\/p>\n

Cette m\u00e9thode, d’une grande simplicit\u00e9 d’impl\u00e9mentation manuelle ou sur tableur, \u00e9limine les \u00e9cueils de couverture de l’intervalle de Wald. Sur le plan asymptotique, ses performances sont comparables \u00e0 celles de l’intervalle de Wilson, \u00e9vitant les erreurs de couverture sans imposer le maniement de formulations quadratiques lourdes.<\/p>\n

8. Inf\u00e9rence statistique et tests d’hypoth\u00e8ses sur une proportion unique<\/h2>\n

8.1 Structure formelle du test Z pour une proportion<\/h3>\n

L’inf\u00e9rence statistique d\u00e9cisionnelle sur une proportion s’articule autour du test de conformit\u00e9 \u00e0 un standard, couramment d\u00e9nomm\u00e9 test Z<\/em> pour proportion unique. Ce test vise \u00e0 trancher rigoureusement entre deux affirmations probabilistes antagonistes formul\u00e9es quant \u00e0 la valeur de la proportion de population p<\/em>. L’hypoth\u00e8se nulle (H<\/em>0<\/sub>) postule que la proportion est \u00e9gale \u00e0 une valeur th\u00e9orique de r\u00e9f\u00e9rence p<\/em>0<\/sub> :<\/p>\n

H<\/em>0<\/sub> : p<\/em> = p<\/em>0<\/sub><\/p>\n

L’hypoth\u00e8se alternative (H<\/em>1<\/sub>) prend une forme bilat\u00e9rale (H<\/em>1<\/sub> : p<\/em> \u2260 p<\/em>0<\/sub>) ou unilat\u00e9rale directionnelle (H<\/em>1<\/sub> : p<\/em> > p<\/em>0<\/sub> ou p<\/em> < p<\/em>0<\/sub>), selon la question th\u00e9orique postul\u00e9e.<\/p>\n

Sous la condition formelle d’exactitude de l’hypoth\u00e8se nulle, la statistique de test standardis\u00e9e Z<\/em> est calcul\u00e9e en \u00e9valuant l’\u00e9cart entre la proportion d’\u00e9chantillon observ\u00e9e p\u0302<\/em> et la valeur de r\u00e9f\u00e9rence p<\/em>0<\/sub>, rapport\u00e9 \u00e0 l’erreur type th\u00e9orique nulle :<\/p>\n

Z<\/em> = (p\u0302<\/em> – p<\/em>0<\/sub>) \/ \u221a(p<\/em>0<\/sub>(1 – p<\/em>0<\/sub>) \/ n<\/em>)<\/p>\n

Il est capital de remarquer qu’au d\u00e9nominateur de cette statistique, la variance est calcul\u00e9e en utilisant la proportion th\u00e9orique d’hypoth\u00e8se nulle p<\/em>0<\/sub>, et non la proportion empirique p\u0302<\/em>. En effet, la logique fr\u00e9quentiste du test d’hypoth\u00e8se exige de d\u00e9river l’ensemble des distributions conditionnellement \u00e0 la v\u00e9racit\u00e9 postul\u00e9e de H<\/em>0<\/sub>.<\/p>\n

La valeur empirique calcul\u00e9e Z<\/em> est ensuite confront\u00e9e aux valeurs critiques de la loi normale centr\u00e9e r\u00e9duite au seuil de significativit\u00e9 pr\u00e9d\u00e9termin\u00e9 \u03b1 (usuellement 0,05). Pour un test bilat\u00e9ral avec \u03b1 = 0,05, la r\u00e9gion critique de rejet correspond \u00e0 |Z<\/em>| \u2265 1,96. Si la statistique de test p\u00e9n\u00e8tre cette zone d’exclusion, l’hypoth\u00e8se nulle est rejet\u00e9e en faveur de l’hypoth\u00e8se alternative, autorisant le chercheur \u00e0 affirmer qu’il existe une diff\u00e9rence statistiquement significative entre la proportion de la population sous \u00e9tude et la norme \u00e9tablie.<\/p>\n

8.2 Test binomial exact pour petits effectifs<\/h3>\n

Lorsque les crit\u00e8res de grand \u00e9chantillon (n<\/em> p<\/em>0<\/sub> \u2265 10 et n<\/em> (1 – p<\/em>0<\/sub>) \u2265 10) ne sont pas satisfaits, le recours \u00e0 l’approximation par le test Z<\/em> devient m\u00e9thodologiquement invalide en raison de distorsions probabilistes incontr\u00f4l\u00e9es. Dans ces circonstances, l’analyste se doit d’employer le test binomial exact, \u00e9galement connu sous le vocable de test exact de Clopper-Pearson.<\/p>\n

Le test binomial exact ne repose sur aucune approximation asymptotique continue. Il d\u00e9rive les probabilit\u00e9s d’occurrence directement \u00e0 partir de la fonction de masse de la distribution discr\u00e8te binomiale B<\/em>(n<\/em>, p<\/em>0<\/sub>). La probabilit\u00e9 d’observer exactement k<\/em> succ\u00e8s sous H<\/em>0<\/sub> est donn\u00e9e par l’\u00e9quation combinatoire standard :<\/p>\n

P<\/em>(X<\/em> = k<\/em> | H<\/em>0<\/sub>) = (n<\/em>! \/ (k<\/em>!(n<\/em> – k<\/em>)!)) \u00d7 p<\/em>0<\/sub>k<\/em><\/sup> \u00d7 (1 – p<\/em>0<\/sub>)n<\/em> – k<\/em><\/sup><\/p>\n

Pour d\u00e9terminer la valeur p<\/em> (\u00ab p-value \u00bb) exacte dans le cas d’une hypoth\u00e8se alternative unilat\u00e9rale sup\u00e9rieure (H<\/em>1<\/sub> : p<\/em> > p<\/em>0<\/sub>), le calcul proc\u00e8de par sommation des probabilit\u00e9s discr\u00e8tes associ\u00e9es \u00e0 chaque issue au moins aussi extr\u00eame que le r\u00e9sultat empirique x<\/em> observ\u00e9 :<\/p>\n

valeur p<\/em> = \u2211k<\/em>=x…n<\/em><\/sub> P<\/em>(X<\/em> = k<\/em> | H<\/em>0<\/sub>)<\/p>\n

Pour un test bilat\u00e9ral, le calcul agr\u00e8ge les probabilit\u00e9s de tous les points de l’espace d’\u00e9chantillonnage dont la probabilit\u00e9 sous H<\/em>0<\/sub> est inf\u00e9rieure ou \u00e9gale \u00e0 celle de l’observation empirique. Cette m\u00e9thode est indispensable en neuropsychologie clinique ou face \u00e0 des pathologies rares, o\u00f9 les contraintes de recrutement limitent in\u00e9vitablement les cohortes \u00e0 des effectifs modestes.<\/p>\n

8.3 Interpr\u00e9tation de la valeur p et puissance statistique du test<\/h3>\n

L’\u00e9valuation rigoureuse des r\u00e9sultats d’un test d’hypoth\u00e8se portant sur une proportion n\u00e9cessite de ne pas confondre significativit\u00e9 statistique et port\u00e9e clinique ou comportementale. La valeur p<\/em> indique strictement la probabilit\u00e9 d’obtenir une proportion d’\u00e9chantillon au moins aussi \u00e9loign\u00e9e de la valeur d’hypoth\u00e8se nulle p<\/em>0<\/sub> que celle observ\u00e9e, sous l’hypoth\u00e8se stricte que H<\/em>0<\/sub> est v\u00e9rifi\u00e9e. Une valeur p<\/em> inf\u00e9rieure \u00e0 0,05 ne d\u00e9montre en rien la magnitude intrins\u00e8que d’un ph\u00e9nom\u00e8ne psychologique : avec un \u00e9chantillon colossal de n<\/em> = 100 000 participants, une d\u00e9viation infime et sans cons\u00e9quence pratique entre p\u0302<\/em> = 0,501 et p<\/em>0<\/sub> = 0,500 atteindra un niveau de significativit\u00e9 statistique hautement prononc\u00e9 (p<\/em> < 0,001).<\/p>\n

C’est pourquoi l’analyse inf\u00e9rentielle moderne exige de confronter la valeur p<\/em> \u00e0 la puissance statistique du test, symbolis\u00e9e par 1 – \u03b2, o\u00f9 \u03b2 d\u00e9signe la probabilit\u00e9 d’erreur de deuxi\u00e8me esp\u00e8ce (omettre de rejeter H<\/em>0<\/sub> alors que cette derni\u00e8re est r\u00e9ellement fausse). La puissance d’un test unilat\u00e9ral sur une proportion se formalise analytiquement par l’\u00e9quation asymptotique suivante :<\/p>\n

1 – \u03b2 = \u03a6( [ ( |p<\/em>1<\/sub> – p<\/em>0<\/sub>| \u221an<\/em> ) – Z<\/em>1 – \u03b1<\/sub> \u221a(p<\/em>0<\/sub>(1 – p<\/em>0<\/sub>)) ] \/ \u221a(p<\/em>1<\/sub>(1 – p<\/em>1<\/sub>)) )<\/p>\n

o\u00f9 p<\/em>1<\/sub> incarne la valeur r\u00e9elle alternative de la proportion sous H<\/em>1<\/sub>, et \u03a6 symbolise la fonction de r\u00e9partition de la loi normale standard. Cette expression d\u00e9montre que la capacit\u00e9 d’une \u00e9tude \u00e0 d\u00e9tecter un \u00e9cart r\u00e9el d\u00e9pend intimement de l’amplitude de la d\u00e9viation |p<\/em>1<\/sub> – p<\/em>0<\/sub>|, de la taille d’\u00e9chantillon n<\/em> et du niveau de variance sous-jacent. Planifier une investigation sans calibration de sa puissance statistique expose le chercheur au risque d’arriver \u00e0 un faux r\u00e9sultat n\u00e9gatif face \u00e0 une modification pourtant substantielle d’une proportion de population.<\/p>\n

9. Comparaison de deux proportions de population dans les \u00e9tudes comparatives<\/h2>\n

9.1 Diff\u00e9rence de proportions entre deux groupes ind\u00e9pendants<\/h3>\n

Dans la recherche comparative \u2014 qu’il s’agisse de comparer l’efficacit\u00e9 d’une nouvelle psychoth\u00e9rapie \u00e0 un placebo, ou la pr\u00e9valence d’une addiction entre deux cohortes d\u00e9mographiques distinctes \u2014, l’analyse statistique se concentre sur l’estimation de la diff\u00e9rence entre deux proportions de population ind\u00e9pendantes : \u0394 = p<\/em>1<\/sub> – p<\/em>2<\/sub>.<\/p>\n

L’estimateur ponctuel canonique de cette diff\u00e9rence est la soustraction des deux proportions d’\u00e9chantillon ind\u00e9pendantes : d<\/em> = p\u0302<\/em>1<\/sub> – p\u0302<\/em>2<\/sub>. En vertu des r\u00e8gles de lin\u00e9arit\u00e9 de l’esp\u00e9rance et de l’additivit\u00e9 des variances de variables al\u00e9atoires ind\u00e9pendantes, la variance th\u00e9orique de cette diff\u00e9rence s’exprime comme :<\/p>\n

\u03c3\u00b2(p\u0302<\/em>1<\/sub> – p\u0302<\/em>2<\/sub>)<\/sub> = (p<\/em>1<\/sub>(1 – p<\/em>1<\/sub>) \/ n<\/em>1<\/sub>) + (p<\/em>2<\/sub>(1 – p<\/em>2<\/sub>) \/ n<\/em>2<\/sub>)<\/p>\n

Lorsqu’il s’agit de tester l’hypoth\u00e8se nulle d’\u00e9galit\u00e9 parfaite des deux populations H<\/em>0<\/sub> : p<\/em>1<\/sub> = p<\/em>2<\/sub> = p<\/em>, les variances individuelles des deux groupes se fondent en un param\u00e8tre commun inconnu p<\/em>. On proc\u00e8de alors \u00e0 l’estimation de ce param\u00e8tre sous l’hypoth\u00e8se nulle par la proportion combin\u00e9e (\u00ab pooled proportion \u00bb) :<\/p>\n

p\u0302<\/em>pool<\/sub> = (x<\/em>1<\/sub> + x<\/em>2<\/sub>) \/ (n<\/em>1<\/sub> + n<\/em>2<\/sub>)<\/p>\n

La statistique standardis\u00e9e Z<\/em> pour deux \u00e9chantillons ind\u00e9pendants prend alors la forme suivante :<\/p>\n

Z<\/em> = (p\u0302<\/em>1<\/sub> – p\u0302<\/em>2<\/sub>) \/ \u221a[ p\u0302<\/em>pool<\/sub>(1 – p\u0302<\/em>pool<\/sub>) \u00d7 (1\/n<\/em>1<\/sub> + 1\/n<\/em>2<\/sub>) ]<\/p>\n

Cette grandeur standardis\u00e9e suit asymptotiquement une loi normale centr\u00e9e r\u00e9duite sous H<\/em>0<\/sub>, fournissant un cadre rigoureux pour \u00e9valuer la sup\u00e9riorit\u00e9 statistique d’une modalit\u00e9 d’intervention clinique ou sociale sur une autre.<\/p>\n

9.2 Mesures d’association d\u00e9riv\u00e9es : Risque Relatif et Odds Ratio<\/h3>\n

Bien que la diff\u00e9rence absolue de proportions (p<\/em>1<\/sub> – p<\/em>2<\/sub>), aussi d\u00e9sign\u00e9e sous le terme de r\u00e9duction absolue du risque (RAR), poss\u00e8de une interpr\u00e9tation \u00e9pid\u00e9miologique directe, les mod\u00e8les d’analyse multivari\u00e9e et la recherche clinique recourent fr\u00e9quemment \u00e0 des m\u00e9triques relatives compl\u00e9mentaires : le Risque Relatif<\/a> (RR) et le Rapport des Cotes ou Odds Ratio (OR).<\/p>\n

Le Risque Relatif est le quotient de la probabilit\u00e9 d’occurrence de l’\u00e9v\u00e9nement dans le groupe expos\u00e9 ou trait\u00e9 par rapport \u00e0 celle du groupe t\u00e9moin :<\/p>\n

RR<\/em> = p<\/em>1<\/sub> \/ p<\/em>2<\/sub><\/p>\n

Un risque relatif unitaire (RR<\/em> = 1) d\u00e9note une absence d’association. Un RR<\/em> de 1,5 indique que le groupe 1 pr\u00e9sente une probabilit\u00e9 50 % sup\u00e9rieure de manifester la condition par rapport au groupe 2.<\/p>\n

L’Odds Ratio, quant \u00e0 lui, compare non pas directement les proportions, mais les cotes (\u00ab odds \u00bb) d\u00e9finies par le ratio p<\/em> \/ (1 – p<\/em>). Il s’exprime donc sous la forme canonique :<\/p>\n

OR<\/em> = [ p<\/em>1<\/sub> \/ (1 – p<\/em>1<\/sub>) ] \/ [ p<\/em>2<\/sub> \/ (1 – p<\/em>2<\/sub>) ]<\/p>\n

L’Odds Ratio jouit de propri\u00e9t\u00e9s math\u00e9matiques remarquables qui en font l’indicateur central de la r\u00e9gression logistique et des \u00e9tudes cas-t\u00e9moins en sant\u00e9 mentale. Contrairement au risque relatif, l’Odds Ratio n’est pas contraint par les proportions absolues du groupe de r\u00e9f\u00e9rence et peut s’\u00e9tendre sur l’intervalle [0, +\u221e[. Lorsque les proportions p<\/em>1<\/sub> et p<\/em>2<\/sub> sont tr\u00e8s faibles (\u00e9v\u00e9nements psychopathologiques rares, inf\u00e9rieurs \u00e0 5 %), l’Odds Ratio converge vers le Risque Relatif, ce qui justifie son usage comme estimateur indirect du risque relatif dans de nombreux protocoles \u00e9pid\u00e9miologiques r\u00e9trospectifs.<\/p>\n

9.3 Comparaison de proportions appari\u00e9es et test de McNemar<\/h3>\n

Les mod\u00e8les pr\u00e9c\u00e9dents reposent sur le postulat d’ind\u00e9pendance mutuelle entre les groupes observ\u00e9s. Or, les plans de recherche en psychologie clinique impliquent couramment des mesures r\u00e9p\u00e9t\u00e9es sur les m\u00eames sujets (plans pr\u00e9-test \/ post-test) ou des protocoles par appariement un pour un (sujets jumeaux ou appariement cas-t\u00e9moin sur variables sociod\u00e9mographiques). Dans ce cadre d\u00e9pendant, l’\u00e9valuation de l’\u00e9volution d’une proportion dichotomique impose un outil d\u00e9di\u00e9 : le test de McNemar.<\/p>\n

Les r\u00e9sultats d’un protocole appari\u00e9 se structurent sous la forme d’une table de contingence bivari\u00e9e 2 \u00d7 2 :<\/p>\n\n\n\n\n\n\n
Condition Initiale (Temps 1)<\/th>\nPost-Test : Succ\u00e8s (+)<\/th>\nPost-Test : \u00c9chec (-)<\/th>\n<\/tr>\n<\/thead>\n
Succ\u00e8s (+)<\/strong><\/td>\na<\/em> (concordant)<\/td>\nb<\/em> (discordant)<\/td>\n<\/tr>\n
\u00c9chec (-)<\/strong><\/td>\nc<\/em> (discordant)<\/td>\nd<\/em> (concordant)<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Dans ce mod\u00e8le, les cellules a<\/em> et d<\/em> repr\u00e9sentent les paires concordantes d’individus dont le statut n’a pas vari\u00e9 entre les deux temps d’\u00e9valuation. L’inf\u00e9rence sur le changement de proportion se focalise exclusivement sur les cellules discordantes b<\/em> (individus pass\u00e9s du succ\u00e8s \u00e0 l’\u00e9chec) et c<\/em> (individus pass\u00e9s de l’\u00e9chec au succ\u00e8s). L’hypoth\u00e8se nulle d’homog\u00e9n\u00e9it\u00e9 marginale postule que les transitions dans un sens sont statistiquement \u00e9quivalentes aux transitions en sens inverse (H<\/em>0<\/sub> : P<\/em>(b<\/em>) = P<\/em>(c<\/em>)).<\/p>\n

La statistique de McNemar avec correction de continuit\u00e9 de Yates s’exprime comme suit :<\/p>\n

\u03c7\u00b2McNemar<\/sub> = (|b<\/em> – c<\/em>| – 1)\u00b2 \/ (b<\/em> + c<\/em>)<\/p>\n

Sous H<\/em>0<\/sub>, cette grandeur suit une distribution de chi-carr\u00e9 \u00e0 un degr\u00e9 de libert\u00e9 (df = 1). Ce formalisme permet d’isoler l’impact r\u00e9el d’une intervention psychoth\u00e9rapeutique sur la proportion d’individus symptomatiques, tout en contr\u00f4lant l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 interindividuelle initiale.<\/p>\n

10. Calcul de la taille d’\u00e9chantillon pour l’estimation d’une proportion<\/h2>\n

10.1 Formule canonique bas\u00e9e sur la marge d’erreur admissible<\/h3>\n

L’une des \u00e9tapes critiques de la planification d’une recherche quantitative r\u00e9side dans la d\u00e9termination a priori de la taille d’\u00e9chantillon n\u00e9cessaire pour estimer la proportion de population avec une pr\u00e9cision statistique sp\u00e9cifi\u00e9e. Si l’on d\u00e9signe par E<\/em> la marge d’erreur maximale tol\u00e9r\u00e9e par le chercheur (le demi-intervalle de confiance, tel que P<\/em>(|p\u0302<\/em> – p<\/em>| \u2264 E<\/em>) = 1 – \u03b1), la d\u00e9rivation alg\u00e9brique issue de la distribution normale asymptotique s’\u00e9tablit \u00e0 partir de l’\u00e9quation :<\/p>\n

E<\/em> = Z<\/em>1 – \u03b1\/2<\/sub> \u00d7 \u221a(p<\/em>(1 – p<\/em>) \/ n<\/em>)<\/p>\n

En isolant la variable de taille n<\/em> par \u00e9l\u00e9vation au carr\u00e9 des deux membres de l’\u00e9galit\u00e9, on obtient la formule canonique pour le dimensionnement d’\u00e9chantillon :<\/p>\n

n<\/em> = (Z<\/em>\u00b21 – \u03b1\/2<\/sub> \u00d7 p<\/em>(1 – p<\/em>)) \/ E<\/em>\u00b2<\/p>\n

Cette relation analytique met en lumi\u00e8re la d\u00e9pendance quadratique de la taille d’\u00e9chantillon vis-\u00e0-vis des param\u00e8tres de pr\u00e9cision. La taille requise n<\/em> cro\u00eet proportionnellement au carr\u00e9 du quantile normal Z<\/em> (fonction du niveau de confiance) et, de mani\u00e8re plus sensible encore, en raison inverse du carr\u00e9 de la marge d’erreur tol\u00e9r\u00e9e E<\/em>\u00b2.<\/p>\n

Pour illustrer concr\u00e8tement cette dynamique math\u00e9matique, si un chercheur souhaite estimer une proportion avec une marge d’erreur de 5 points de pourcentage (E<\/em> = 0,05) \u00e0 un seuil de confiance de 95 % (Z<\/em> = 1,96), en postulant une proportion attendue de p<\/em> = 0,30, la taille minimale requise s’\u00e9tablit \u00e0 :<\/p>\n

n<\/em> = (1,96\u00b2 \u00d7 0,30 \u00d7 0,70) \/ (0,05)\u00b2 \u2248 (3,8416 \u00d7 0,21) \/ 0,0025 \u2248 322,7 soit 323 sujets.<\/p>\n

Si ce m\u00eame chercheur d\u00e9cide d’accro\u00eetre la pr\u00e9cision de son estimation en r\u00e9duisant la marge d’erreur de moiti\u00e9 pour atteindre E<\/em> = 0,025 (2,5 points de pourcentage), la taille d’\u00e9chantillon ne double pas : elle quadruple m\u00e9caniquement, passant \u00e0 1 291 sujets.<\/p>\n

10.2 Strat\u00e9gie de maximisation conservatoire<\/h3>\n

Un probl\u00e8me logique survient in\u00e9vitablement lors de l’application pratique de la formule pr\u00e9c\u00e9dente : le calcul de n<\/em> n\u00e9cessite de renseigner a priori la valeur du param\u00e8tre de population p<\/em>, qui est pr\u00e9cis\u00e9ment l’inconnue justifiant la conduite de l’\u00e9tude. Pour r\u00e9soudre ce paradoxe op\u00e9ratoire sans donn\u00e9es pilotes fiables, la strat\u00e9gie conventionnelle en statistique appliqu\u00e9e consiste \u00e0 appliquer le principe de maximisation conservatoire.<\/p>\n

Comme d\u00e9montr\u00e9 dans la section 4.2, la fonction de variance quadratique g<\/em>(p<\/em>) = p<\/em>(1 – p<\/em>) atteint son maximum absolu unique lorsque p<\/em> = 0,50. En fixant arbitrairement p<\/em> = 0,50 dans l’\u00e9quation de dimensionnement, le terme p<\/em>(1 – p<\/em>) prend sa valeur maximale de 0,25, ce qui donne la formulation conservatrice simplifi\u00e9e :<\/p>\n

n<\/em>max<\/sub> = (Z<\/em>\u00b21 – \u03b1\/2<\/sub> \u00d7 0,25) \/ E<\/em>\u00b2 = Z<\/em>\u00b21 – \u03b1\/2<\/sub> \/ (4E<\/em>\u00b2)<\/p>\n

Pour un niveau de confiance bilat\u00e9ral usuel de 95 % (o\u00f9 Z<\/em> \u2248 1,96), cette \u00e9quation produit la r\u00e8gle empirique bien connue :<\/p>\n

n<\/em>max<\/sub> \u2248 0,9604 \/ E<\/em>\u00b2 \u2248 1 \/ E<\/em>\u00b2<\/p>\n

Cette approche garantit que la marge d’erreur effective observ\u00e9e ne d\u00e9passera en aucun cas la marge maximale E<\/em>, quelle que soit la valeur empirique r\u00e9elle de la proportion dans la population \u00e9tudi\u00e9e. Toutefois, cette s\u00e9curit\u00e9 m\u00e9thodologique a un co\u00fbt : si la proportion r\u00e9elle s’av\u00e8re tr\u00e8s \u00e9loign\u00e9e de 0,50 (par exemple, p<\/em> = 0,05), l’application aveugle de l’hypoth\u00e8se de dispersion maximale aboutit \u00e0 un surdimensionnement substantiel de l’\u00e9chantillon. Cela entra\u00eene des d\u00e9penses budg\u00e9taires \u00e9vitables et soul\u00e8ve des enjeux \u00e9thiques li\u00e9s \u00e0 l’inclusion inutile de participants dans des protocoles de recherche biom\u00e9dicale ou psychologique.<\/p>\n

10.3 Ajustement pour populations finies et corrections de non-r\u00e9ponse<\/h3>\n

La formulation canonique de d\u00e9termination de la taille d’\u00e9chantillon postule implicitement une population parente d’une immensit\u00e9 quasi infinie par rapport \u00e0 l’\u00e9chantillon pr\u00e9lev\u00e9. Lorsque l’investigation s’adresse \u00e0 une communaut\u00e9 restreinte et close \u2014 comme le personnel soignant d’une institution hospitali\u00e8re ou les \u00e9tudiants d’un campus universitaire sp\u00e9cifique \u2014, la taille calcul\u00e9e n<\/em> peut repr\u00e9senter une part substantielle de l’effectif global N<\/em>. Dans ce cas, il convient d’appliquer la correction pour population finie \u00e0 la taille d’\u00e9chantillon initiale :<\/p>\n

n<\/em>ajust\u00e9<\/sub> = n<\/em> \/ [ 1 + ((n<\/em> – 1) \/ N<\/em>) ]<\/p>\n

Cet ajustement permet de r\u00e9duire l’effectif requis sans perte de pr\u00e9cision statistique, en tenant compte de l’information d\u00e9j\u00e0 accumul\u00e9e \u00e0 mesure que l’\u00e9chantillon se rapproche d’un recensement complet.<\/p>\n

Par ailleurs, toute \u00e9tude empirique en milieu r\u00e9el se heurte \u00e0 la probl\u00e9matique des donn\u00e9es manquantes, des refus de consentement et de l’attrition exp\u00e9rimentale (\u00ab drop-out \u00bb). Si un protocole requiert analytiquement un \u00e9chantillon final effectif de n<\/em>ajust\u00e9<\/sub> participants pour atteindre la puissance d\u00e9sir\u00e9e, et que le taux anticip\u00e9 de r\u00e9ponse globale ou de r\u00e9tention longitudinale est not\u00e9 R<\/em> (avec 0 < R<\/em> \u2264 1), la taille d’\u00e9chantillon \u00e0 recruter initialement (n<\/em>recrutement<\/sub>) doit \u00eatre corrig\u00e9e en amont :<\/p>\n

n<\/em>recrutement<\/sub> = n<\/em>ajust\u00e9<\/sub> \/ R<\/em><\/p>\n

N\u00e9gliger cette anticipation syst\u00e9matique de la non-r\u00e9ponse expose les \u00e9tudes \u00e9pid\u00e9miologiques \u00e0 une perte d’effectif terminale qui compromet l’acuit\u00e9 des intervalles de confiance et la robustesse des conclusions tir\u00e9es.<\/p>\n

11. Biais m\u00e9thodologiques et menaces sur la validit\u00e9 de l’estimation<\/h2>\n

11.1 Biais de repr\u00e9sentativit\u00e9 et d’auto-s\u00e9lection<\/h3>\n

L’exactitude d’une estimation de proportion ne d\u00e9pend pas uniquement de crit\u00e8res quantitatifs de taille d’\u00e9chantillon ; elle est conditionn\u00e9e au premier chef par la repr\u00e9sentativit\u00e9 de la cohorte d’\u00e9tude vis-\u00e0-vis de la population cible. Dans les sciences du comportement contemporaines, l’une des menaces les plus r\u00e9pandues est le biais d’auto-s\u00e9lection. Ce ph\u00e9nom\u00e8ne survient d\u00e8s lors que l’inclusion dans l’\u00e9chantillon d\u00e9pend d’une d\u00e9marche volontaire non contr\u00f4l\u00e9e des sujets, par exemple lors de recrutements sur des plateformes num\u00e9riques ou au sein de cohortes d’\u00e9tudiants en psychologie.<\/p>\n

Ce mode de s\u00e9lection induit un \u00e9chantillonnage non probabiliste souvent biais\u00e9 en faveur de populations socialement favoris\u00e9es, plus instruites, plus connect\u00e9es et pr\u00e9sentant des niveaux d’adh\u00e9sion sp\u00e9cifiques aux objets d’\u00e9tude (biais souvent r\u00e9sum\u00e9 sous l’acronyme anglophone WEIRD<\/a> : Western, Educated, Industrialized, Rich, Democratic). Les individus les plus vuln\u00e9rables \u2014 personnes souffrant de handicap moteur ou cognitif, sans domicile fixe, individus en rupture sociale ou souffrant de troubles psychiatriques d\u00e9saffiliants \u2014 sont syst\u00e9matiquement sous-repr\u00e9sent\u00e9s dans ces dispositifs.<\/p>\n

La proportion estim\u00e9e p\u0302<\/em> obtenue par de tels proc\u00e9d\u00e9s ne refl\u00e8te alors plus la proportion de population p<\/em> de l’ensemble universel vis\u00e9, mais uniquement celle de la sous-population accessible et motiv\u00e9e. D\u00e8s lors, toute tentative d’inf\u00e9rence directe de ces estimations partielles \u00e0 la population g\u00e9n\u00e9rale constitue une erreur de sp\u00e9cification de la population d’inf\u00e9rence, susceptible d’invalider les g\u00e9n\u00e9ralisations \u00e9pid\u00e9miologiques.<\/p>\n

11.2 Biais d’auto-\u00e9valuation et d\u00e9sirabilit\u00e9 sociale<\/h3>\n

Dans l’\u00e9valuation quantitative des proportions associ\u00e9es \u00e0 des conduites stigmatis\u00e9es, ill\u00e9gales ou socialement r\u00e9prouv\u00e9es (consommation d’opiac\u00e9s, id\u00e9es de passage \u00e0 l’acte suicidaire, agressions sexuelles ou comportements discriminatoires), l’utilisation d’instruments d’auto-\u00e9valuation directe introduit un biais de mesure majeur : le biais de d\u00e9sirabilit\u00e9 sociale. Les r\u00e9pondants tendent \u00e0 moduler leurs r\u00e9ponses pour se conformer aux attentes per\u00e7ues de l’\u00e9valuateur ou pour pr\u00e9server leur image sociale, produisant une sous-estimation syst\u00e9matique de la proportion r\u00e9elle p<\/em> de ces comportements.<\/p>\n

Pour pallier ces distorsions lors de l’investigation de variables sensibles, les m\u00e9thodologistes recourent \u00e0 des mod\u00e8les probabilistes sophistiqu\u00e9s, au premier rang desquels figure la technique de la r\u00e9ponse al\u00e9atoire con\u00e7ue initialement par Stanley Warner (1965). Le principe consiste \u00e0 introduire un m\u00e9canisme al\u00e9atoire (comme le tirage d’une carte ou le lancement d’une pi\u00e8ce) dont le r\u00e9sultat demeure secret pour l’enqu\u00eateur, dictant au participant s’il doit r\u00e9pondre v\u00e9ridiquement \u00e0 la question sensible ou fournir une r\u00e9ponse pr\u00e9d\u00e9termin\u00e9e (dire \u00ab oui \u00bb ind\u00e9pendamment de sa r\u00e9alit\u00e9 personnelle).<\/p>\n

Gr\u00e2ce aux lois r\u00e9gissant les probabilit\u00e9s conditionnelles et la formule des probabilit\u00e9s totales, l’enqu\u00eateur peut, \u00e0 l’\u00e9chelle agr\u00e9g\u00e9e de la population, estimer la proportion th\u00e9orique inconnue p<\/em> tout en garantissant un anonymat individuel absolu. Cela permet de neutraliser la d\u00e9sirabilit\u00e9 sociale et de restaurer la validit\u00e9 des estimations \u00e9pid\u00e9miologiques sur les sujets sensibles.<\/p>\n

11.3 Biais de non-r\u00e9ponse et attrition exp\u00e9rimentale<\/h3>\n

Le biais de non-r\u00e9ponse constitue une autre alt\u00e9ration syst\u00e9matique de l’estimation d’une proportion. Ce ph\u00e9nom\u00e8ne se produit lorsque le m\u00e9canisme sous-jacent qui incite un individu \u00e0 refuser de participer, ou \u00e0 abandonner en cours d’\u00e9tude, est directement li\u00e9 \u00e0 la caract\u00e9ristique psychologique ou biologique \u00e9valu\u00e9e. Dans la taxonomie de Rubin sur les donn\u00e9es manquantes, cette situation rel\u00e8ve du m\u00e9canisme des donn\u00e9es manquantes non ignorables (\u00ab Missing Not at Random \u00bb ou MNAR).<\/p>\n

Consid\u00e9rons une \u00e9tude longitudinale \u00e9valuant la proportion d’individus pr\u00e9sentant un \u00e9tat d’\u00e9puisement professionnel s\u00e9v\u00e8re au sein d’une corporation. Si les praticiens les plus atteints sont pr\u00e9cis\u00e9ment ceux qui, en raison de leur anesth\u00e9sie affective ou de leur \u00e9puisement psychique, ne r\u00e9pondent pas aux questionnaires, la proportion d’\u00e9chantillon p\u0302<\/em> calcul\u00e9e sur les seuls questionnaires retourn\u00e9s sous-estimera structurellement la pr\u00e9valence r\u00e9elle du syndrome dans l’ensemble de la profession.<\/p>\n

Pour limiter les cons\u00e9quences de cette attrition diff\u00e9rentielle, les biostatisticiens emploient des m\u00e9thodes de correction a posteriori, telles que la pond\u00e9ration par l’inverse de la probabilit\u00e9 d’inclusion, le calage sur marges et les techniques de redressement par post-stratification. Ces proc\u00e9dures r\u00e9\u00e9quilibrent le poids statistique des participants observ\u00e9s en fonction des variables sociod\u00e9mographiques connues de la population g\u00e9n\u00e9rale, afin de r\u00e9duire les distorsions introduites par la non-r\u00e9ponse s\u00e9lective.<\/p>\n

12. Perspectives avanc\u00e9es et mod\u00e9lisation multivari\u00e9e des proportions<\/h2>\n

12.1 R\u00e9gression logistique pour l’\u00e9tude des d\u00e9terminants de la proportion<\/h3>\n

Au-del\u00e0 de l’estimation univari\u00e9e, la recherche contemporaine vise \u00e0 comprendre comment la probabilit\u00e9 qu’un individu manifeste un attribut varie en fonction d’un vecteur de covariables continues et cat\u00e9gorielles. Dans cette optique, l’utilisation d’un mod\u00e8le de r\u00e9gression lin\u00e9aire classique (MCO) est inadapt\u00e9e, car il peut pr\u00e9dire des probabilit\u00e9s aberrantes situ\u00e9es hors de l’intervalle [0, 1] et viole l’hypoth\u00e8se d’homosc\u00e9dasticit\u00e9 en raison de la d\u00e9pendance de la variance bernoullienne vis-\u00e0-vis de p<\/em>.<\/p>\n

Le mod\u00e8le standard pour pallier ces limites est la r\u00e9gression logistique binaire, int\u00e9gr\u00e9e \u00e0 la famille des mod\u00e8les lin\u00e9aires g\u00e9n\u00e9ralis\u00e9s (GLM). Elle utilise la fonction de lien logit, d\u00e9finie comme le logarithme n\u00e9p\u00e9rien de la cote (\u00ab log-odds \u00bb) :<\/p>\n

logit(p<\/em>) = ln( p<\/em> \/ (1 – p<\/em>) ) = \u03b20<\/sub> + \u03b21<\/sub>X<\/em>1<\/sub> + \u03b22<\/sub>X<\/em>2<\/sub> + … + \u03b2k<\/em><\/sub>X<\/em>k<\/em><\/sub><\/p>\n

L’application de la fonction logistique inverse (ou fonction sigmo\u00efde) permet d’exprimer la proportion conditionnelle de succ\u00e8s p<\/em> en garantissant son confinement strict dans l’intervalle ouvert ]0, 1[ :<\/p>\n

p<\/em> = 1 \/ [ 1 + exp( -(\u03b20<\/sub> + \u2211 \u03b2j<\/em><\/sub>X<\/em>j<\/em><\/sub>) ) ]<\/p>\n

Dans ce mod\u00e8le, l’exponentiation des coefficients de r\u00e9gression (exp(\u03b2j<\/em><\/sub>)) s’interpr\u00e8te directement comme l’Odds Ratio ajust\u00e9 pour chaque pr\u00e9dicteur, toutes choses \u00e9tant \u00e9gales par ailleurs. Ce formalisme permet d’examiner comment l’\u00e2ge, le statut \u00e9conomique ou des traits de personnalit\u00e9 modulent conjointement la proportion populationnelle d’un trouble psychiatrique donn\u00e9.<\/p>\n

12.2 Approches bay\u00e9siennes de l’estimation d’une proportion<\/h3>\n

Parall\u00e8lement \u00e0 l’\u00e9cole fr\u00e9quentiste dominante, la statistique bay\u00e9sienne propose un cadre alternatif pour mod\u00e9liser une proportion de population. Dans ce paradigme, le param\u00e8tre p<\/em> n’est pas trait\u00e9 comme une constante fixe inaccessible, mais comme une variable al\u00e9atoire dot\u00e9e de sa propre distribution de probabilit\u00e9, traduisant l’\u00e9tat d’incertitude du chercheur avant et apr\u00e8s l’observation des donn\u00e9es empiriques.<\/p>\n

Pour mod\u00e9liser une proportion binomiale dans le cadre bay\u00e9sien, la distribution conjugu\u00e9e classique est la loi Beta, d\u00e9finie par deux hyperparam\u00e8tres de forme \u03b1 et \u03b2, not\u00e9e Beta(\u03b1, \u03b2). La distribution a priori refl\u00e8te l’\u00e9tat des connaissances ou des incertitudes ant\u00e9rieures concernant la proportion sous \u00e9tude :<\/p>\n

f<\/em>(p<\/em>; \u03b1, \u03b2) \u221d p<\/em>\u03b1 – 1<\/sup> (1 – p<\/em>)\u03b2 – 1<\/sup><\/p>\n

Lorsqu’un \u00e9chantillon empirique r\u00e9v\u00e8le x<\/em> succ\u00e8s et n<\/em> – x<\/em> \u00e9checs, la mise \u00e0 jour bay\u00e9sienne via le th\u00e9or\u00e8me de Bayes conduit analytiquement \u00e0 une distribution a posteriori de m\u00eame forme conjugu\u00e9e :<\/p>\n

p<\/em> | Donn\u00e9es ~ Beta(\u03b1 + x<\/em>, \u03b2 + n<\/em> – x<\/em>)<\/p>\n

L’esp\u00e9rance math\u00e9matique a posteriori de la proportion s’\u00e9tablit alors comme un compromis pond\u00e9r\u00e9 entre l’information a priori et la proportion d’\u00e9chantillon observ\u00e9e :<\/p>\n

E<\/em>(p<\/em> | Donn\u00e9es) = (\u03b1 + x<\/em>) \/ (\u03b1 + \u03b2 + n<\/em>)<\/p>\n

Cette approche permet de d\u00e9finir des intervalles de cr\u00e9dibilit\u00e9 bay\u00e9siens (par exemple, l’intervalle de densit\u00e9 a posteriori maximale, HPDI). Contrairement \u00e0 l’intervalle fr\u00e9quentiste conventionnel \u2014 dont l’interpr\u00e9tation formelle renvoie \u00e0 la fr\u00e9quence limite de recouvrement sur une infinit\u00e9 d’\u00e9chantillonnages r\u00e9p\u00e9t\u00e9s \u2014, l’intervalle de cr\u00e9dibilit\u00e9 s’interpr\u00e8te de mani\u00e8re directe : \u00e9tant donn\u00e9 les donn\u00e9es observ\u00e9es et le mod\u00e8le a priori, il existe une probabilit\u00e9 de 95 % que la v\u00e9ritable proportion de population p<\/em> soit contenue dans l’intervalle calcul\u00e9.<\/p>\n

12.3 M\u00e9ta-analyse des proportions dans la recherche en sant\u00e9 mentale<\/h3>\n

En \u00e9pid\u00e9miologie psychiatrique contemporaine, les donn\u00e9es de pr\u00e9valence d’un trouble \u00e9manent souvent de multiples \u00e9tudes ind\u00e9pendantes men\u00e9es \u00e0 travers le monde, caract\u00e9ris\u00e9es par des tailles d’\u00e9chantillons et des contextes culturels disparates. Pour obtenir une estimation de la proportion globale \u00e0 l’\u00e9chelle d’une r\u00e9gion ou du monde, les chercheurs utilisent des protocoles de m\u00e9ta-analyse sur proportions uniques.<\/p>\n

L’agr\u00e9gation directe de proportions pose des d\u00e9fis techniques li\u00e9s \u00e0 l’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 des variances d’\u00e9chantillonnage et aux bornes physiques [0, 1]. Ces contraintes deviennent particuli\u00e8rement aigu\u00ebs lorsque les \u00e9tudes rapportent des proportions nulles ou tr\u00e8s faibles. Pour stabiliser la variance, les m\u00e9ta-analystes appliquent la transformation double arc-sinus de Freeman-Tukey :<\/p>\n

t<\/em> = arcsin(\u221a(x<\/em> \/ (n<\/em> + 1))) + arcsin(\u221a((x<\/em> + 1) \/ (n<\/em> + 1)))<\/p>\n

Cette transformation normalise la distribution des variances d’\u00e9chantillonnage, qui ne d\u00e9pendent plus alors que de la taille de chaque \u00e9chantillon (avec une variance th\u00e9orique approxim\u00e9e par 1 \/ (n<\/em> + 0,5)).<\/p>\n

Les estimations transform\u00e9es sont ensuite combin\u00e9es via des mod\u00e8les \u00e0 effets al\u00e9atoires (mod\u00e8le de DerSimonian et Laird), qui d\u00e9composent la variance totale en deux composantes : l’erreur d’\u00e9chantillonnage intra-\u00e9tude et l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 biologique ou socioculturelle r\u00e9elle entre les \u00e9tudes (variance inter-\u00e9tudes \u03c4\u00b2). Apr\u00e8s agr\u00e9gation, le r\u00e9sultat global est ramen\u00e9 dans l’\u00e9chelle d’origine des proportions par transformation inverse. Cette m\u00e9thodologie garantit une synth\u00e8se rigoureuse des proportions de population, essentielle pour \u00e9clairer les d\u00e9cisions sanitaires internationales et comprendre l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des ph\u00e9nom\u00e8nes psychologiques \u00e0 l’\u00e9chelle mondiale.<\/p>\n

R\u00e9f\u00e9rences<\/h2>\n