4 pièges statistiques qui corrompent silencieusement votre analyse de données
Introduction : Les règles cachées des nombres
Face à une série de nombres, notre premier réflexe est de calculer. Nous partons du principe que si nous disposons de données, nous pouvons effectuer n'importe quelle opération mathématique de base : additionner, soustraire, calculer des moyennes ou des ratios. Cela semble être la règle mathématique la plus élémentaire. Pourtant, dans le domaine de l'analyse des données, cette supposition est dangereuse.
En réalité, tous les nombres ne se valent pas. La nature fondamentale d'une variable détermine quelles opérations mathématiques sont pertinentes et lesquelles peuvent induire en erreur. Ignorer ces distinctions revient à jouer à un jeu sans en connaître les règles élémentaires : on peut trouver une réponse, mais il y a fort à parier qu'elle sera erronée.
Il s'agit d'une compétence fondamentale pour quiconque travaille avec des données. Ne pas la maîtriser peut mener à des conclusions erronées et à des visualisations trompeuses. Dans cet article, nous allons dévoiler quatre pièges statistiques courants mais surprenants dans lesquels même les praticiens expérimentés peuvent tomber, et expliquer comment la compréhension de la nature de vos données est essentielle pour les éviter.
1. L'illusion des proportions : pourquoi 100 °C n'est pas deux fois plus chaud que 50 °C
Le premier piège est une illusion subtile de sens qui apparaît lorsque l'on confond deux types différents de données continues : les données d'intervalle et les données de rapport.
Les variables d'intervalle sont celles pour lesquelles la différence entre deux valeurs est constante et significative, mais dont le zéro est arbitraire. L'exemple classique est la température en degrés Celsius. La différence entre 10 °C et 20 °C est la même qu'entre 80 °C et 90 °C. Cependant, 0 °C (le point de congélation de l'eau) ne représente pas une absence totale de température. À l'inverse, sur l'échelle Kelvin, 0 K correspond au zéro absolu, soit l'absence totale d'énergie thermique. Puisque le Kelvin possède un zéro absolu, il s'agit d'une échelle de rapport ; on peut ainsi dire que 200 K est deux fois plus chaud que 100 K.
Variables de ratio, en revanche, possèdent un zéro réel et non arbitraire. Une valeur de zéro signifie une absence totale de cette quantité. Le poids, la taille et l'activité enzymatique sont tous des variables de rapport ; un poids de zéro signifie « aucun poids ».
Comme le zéro d'une variable d'intervalle est arbitraire, il est impossible de calculer un rapport significatif. Affirmer qu'une température de 100 °C est deux fois plus élevée que 50 °C est statistiquement incorrect. Ce rapport n'a aucun sens, car le point de départ de l'échelle n'est pas un zéro absolu.
Il est incorrect d'affirmer qu'un canari (40.5 °C) a une température 33 % supérieure à celle d'un ornithorynque (30.5 °C). Si l'on effectuait le même calcul en degrés Fahrenheit, le résultat serait différent, ce qui prouve que ce rapport n'a aucun sens.
2. L'illusion visuelle : comment les graphiques à barres peuvent mentir
Ce second piège découle directement du premier : lorsque nous visualisons des données sujettes à l’illusion des proportions, nous créons des graphiques trompeurs. Notre perception visuelle nous pousse à voir une barre deux fois plus haute qu’une autre et à penser : « C’est le double de la valeur. »
Ce raccourci visuel est trompeur lors de la représentation graphique de données d'intervalle comme la température. Un graphique à barres standard dont l'axe commence à zéro incite naturellement à comparer la hauteur relative des barres, suggérant un ratio qui, comme nous l'avons vu, n'a aucun sens. Mais même un graphique à barres avec une ligne de base surélevée est trompeur ; il crée un ratio différent , mais tout aussi fallacieux. Les graphiques à barres sont problématiques pour les données d'intervalle, quelle que soit leur ligne de base, car leur format invite intrinsèquement à une comparaison de la hauteur des barres – une comparaison toujours invalide pour ce type de données.
Pour ce type de données, il est plus informatif et moins trompeur de présenter les valeurs à l'aide de points plutôt que de barres. Un graphique à points permet de visualiser les valeurs individuelles et leurs différences sans suggérer un rapport erroné basé sur leur distance à un point zéro arbitraire. Dans certains cas, un simple tableau peut s'avérer plus approprié que n'importe quel graphique pour ces valeurs.
3. Le principe d'ambiguïté : quand les variables refusent d'être catégorisées
Le troisième piège statistique ne consiste pas à enfreindre une règle absolue, mais à ne pas reconnaître la flexibilité inhérente aux règles elles-mêmes. En pratique, « les catégories de variables sont loin d'être aussi distinctes qu'il n'y paraît ». La classification correcte d'une variable dépend souvent entièrement du contexte de l'analyse.
Un exemple parfait de cette ambiguïté est La couleur.
- Dans une étude psychologique sur la perception où l'on demande aux participants de choisir entre « rouge », « bleu » et « vert », la couleur est un nominal variable. Les valeurs sont des catégories distinctes sans ordre inhérent.
- Cependant, si l'on mesure ces mêmes couleurs en fonction de leur longueur d'onde électromagnétique, la couleur devient une rapport variable. Elle possède un zéro absolu, et l'on peut affirmer avec certitude qu'une longueur d'onde est deux fois plus longue qu'une autre.
Ce principe démontre que le contexte est primordial. Avant d'analyser une variable, il faut d'abord comprendre comment elle a été mesurée et ce qu'elle représente dans le cadre de la question posée.
4. Le commandement du calcul : vos calculs doivent correspondre au type de données.
Le piège final et le plus grave est un manque de rigueur : effectuer des calculs qui ne sont tout simplement pas valides pour le type de votre variable. Différentes variables vous confèrent différentes autorisations mathématiques.
Par exemple, bien qu'il soit possible de calculer une distribution de fréquence (c'est-à-dire de compter le nombre de fois où chaque valeur apparaît) pour tout type de variable, les calculs plus complexes comme la signifier ou écart-type ne sont pertinents que pour les variables d'intervalle et de rapport.
Il est particulièrement important de garder cela à l'esprit pour les variables ordinales, qui expriment un rang ou un ordre, mais pas une différence constante entre les valeurs. Une échelle de douleur de 1 à 10 en est un exemple courant. Un score de 7 est supérieur à 5, et 5 est supérieur à 3. Cependant, on ne peut pas supposer que la différence de douleur entre 7 et 5 soit la même qu'entre 5 et 3. Le passage perçu d'une « légère gêne » (3) à une « douleur modérée » (5) peut être bien plus faible que celui entre une « douleur modérée » (5) et une « douleur intense » (7). Faire la moyenne de ces valeurs revient à calculer le classement d'une course (1er, 5e, 10e) sans connaître les écarts de temps entre les coureurs : le classement moyen ne renseigne en rien sur les différences de performance réelles.
De même, certains calculs sont encore plus restrictifs. Le coefficient de variation (CV), qui est l'écart type divisé par la signifier, n'est pertinent seulement pour les variables de rapport. En effet, ce calcul dépend d'un zéro absolu ; si l'on changeait les unités d'une variable d'intervalle (comme le passage du Celsius au Fahrenheit), le CV changerait et deviendrait inexploitable.
Conclusion : Demandez-vous « De quel type de nombre s’agit-il ? »
Avant même d'effectuer le moindre calcul, tri ou visualisation, la première étape d'une analyse de données rigoureuse consiste à prendre le temps de comprendre la nature fondamentale des variables manipulées. Les quatre pièges – l'illusion des ratios, les artifices de visualisation, le principe d'ambiguïté et les calculs erronés – découlent tous d'une même erreur fondamentale : considérer tous les nombres comme obéissant aux mêmes règles. Cette habitude d'interroger les variables est la marque d'un analyste de données expérimenté et constitue le premier rempart contre les conclusions erronées.
La prochaine fois que vous analyserez un ensemble de données, ne vous contentez pas de vous demander ce que disent les chiffres ; demandez-vous plutôt : de quel genre de chiffres s’agit-il et que sont-ils réellement autorisés à me révéler ?
