4 vérités contre-intuitives sur l'écart type
Introduction : Au-delà de la moyenne
L'être humain moyen possède un sein et un testicule.
Cette citation illustre parfaitement le danger de se fier uniquement à la moyenne pour interpréter des données. Bien que techniquement exacte, la notion d’« humain moyen » qu’elle décrit n’existe pas et ne nous renseigne en rien sur la répartition réelle des caractéristiques au sein de la population. La moyenne peut s’avérer trompeuse en présence de variations importantes.
Pour y voir plus clair, il nous faut quantifier cette dispersion ou cette variabilité. L'outil le plus courant est l'écart type (ET). Il mesure la dispersion des données autour de la moyenne. Si beaucoup apprennent à calculer l'écart type dans un cours d'introduction aux statistiques, son interprétation recèle plusieurs nuances surprenantes, pourtant essentielles à une l'analyse des données.
La liste : Quatre points clés
1. Pourquoi diviser par n-1 : le paradoxe des « degrés de liberté »
L'une des questions les plus fréquentes en statistiques générales est de savoir pourquoi la formule de l'écart type de l'échantillon divise la somme des carrés des différences par n-1 (the number of data points minus one) instead of just n. The reason is subtle but important.
Lorsqu'on analyse des données, notre objectif est généralement d'utiliser un petit échantillon pour estimer les caractéristiques d'une population beaucoup plus large. L'écart type calculé à partir de notre échantillon est une estimation de l'écart type réel de l'ensemble de la population.
L'idée clé est la suivante : les points de données de tout échantillon donné seront, en moyenne, plus proches de la valeur cible. moyenne propre à l'échantillon qu'ils ne le sont pour le vrai (et l'inconnu) moyenne de la populationCela rend la somme des carrés des écarts à la moyenne de l'échantillon légèrement inférieure à ce qu'elle serait si on la calculait à partir de la vraie moyenne de la population. Pour corriger cette sous-estimation systématique, on divise par un nombre légèrement inférieur. n-1, which makes the final result a bit larger and a better estimate of the population’s true standard deviation.
Les statisticiens désignent ce concept par le terme de « degrés de liberté ». Étant donné que la moyenne de l'échantillon est une valeur calculée et fixe, seuls n-1 of the data points are “free” to vary before the last one is determined. While the theory can be complex, a deep understanding is not critical for most practical applications.
2. La « meilleure » estimation est en réalité biaisée.
Voici un véritable paradoxe statistique : l’écart-type de l’échantillon calculé à l’aide de n-1 formula is considered the “best possible estimate” for statistical inference, yet it is also a biaisé estimation de l'écart type de la population.
Cependant, l'écart-type calculé avec n – 1 comme dénominateur n'est pas l'estimation la plus précise de l'écart-type de la population. Au contraire, il s'agit d'une estimation biaisée. Biaisé signifie qu'en moyenne, l'écart-type calculé ne sera pas égal (dans cet exemple, sera inférieur à) l'écart-type de la population, en particulier pour les petits échantillons.
Comment la « meilleure » estimation peut-elle être biaisée ? Le paradoxe se résout lorsqu’on considère non pas l’écart type, mais… variance— qui correspond simplement au carré de l'écart type. La formule utilisant n-1 produces an impartial estimation de la population varianceCeci est crucial car les inférences statistiques, telles que les intervalles de confiance et les valeurs p, sont dérivées des propriétés de la variance. En garantissant l'absence de biais dans l'estimation de la variance, nous assurons la validité statistique des calculs ultérieurs, qui constituent l'objectif final de l'analyse. Par conséquent, nous acceptons un écart-type légèrement biaisé afin d'obtenir une base non biaisée pour nos inférences.
3. Des échantillons plus grands ne réduiront pas votre écart type.
On croit souvent, à tort, que la collecte de davantage de données devrait entraîner une diminution de l'écart type. Cette idée semble intuitive : plus de données signifie moins incertitude, n'est-ce pas ? Or, c'est faux.
L'écart type quantifie la variabilité inhérente au sein d'une population . La température corporelle d'une personne, par exemple, fluctue naturellement. Recueillir des données auprès d'un plus grand nombre de personnes ne modifie pas la nature biologique de cette fluctuation.La température corporelle d'une personne, par exemple, fluctue naturellement. Collecter des données auprès de plus de personnes ne change pas le fait biologique de cette fluctuation. Ce qu'un échantillon plus grand does revanche, un échantillon plus large permet de mesurer l'écart type de la population avec plus de précision.
Il s'agit d'une source fréquente de confusion, car cela contraste avec une autre statistique courante : l'erreur type de la moyenne (ETM). L'ETM does avec la taille de l'échantillon, car elle mesure la précision avec laquelle la moyenne de l'échantillon estime la moyenne de la population. En revanche, l'écart type (ET) mesure la dispersion au sein de la population elle-même. Davantage de données permettent une meilleure estimation de la moyenne (ETM plus faible) et une estimation plus précise de la dispersion (ET plus stable), mais ne modifient pas la dispersion elle-même.
Le contexte de la source fournit un exemple parfait à l'aide de données sur la température corporelle. Un petit échantillon de 12 personnes présentait un écart type de 0.40 °C. Un échantillon beaucoup plus important de 130 personnes présentait un écart type presque identique de 0.41 °C. La dispersion sous-jacente au sein de la population est restée la même ; l'échantillon plus important a simplement confirmé sa valeur avec une plus grande certitude.
4. Le piège dangereux de la pseudoréplication
L'interprétation correcte de l'écart type — et de presque tous les calculs statistiques — repose sur l'hypothèse que chaque point de données fournit une information indépendante. L'erreur consistant à traiter des mesures non indépendantes comme si elles l'étaient est appelée pseudo-réplication et conduit à des résultats statistiques trompeusement faibles et inexacts.
Voici deux exemples courants tirés du document source :
- Réplicats techniques vs. réplicats biologiques : Imaginez que vous preniez cinq mesures de pression artérielle sur chacun des trois animaux. Vous avez 15 mesures au total, mais vous n'avez pas
n=15independent samples. The five measurements from a single animal are not independent; if that animal has naturally high blood pressure, all five of its readings will likely be higher. These are répliques techniquesLes véritables sources de variation indépendante sont les trois animaux différents (répliques biologiquesL'approche correcte consiste d'abord à calculer la moyenne des cinq mesures pour chaque animal, puis à analyser les trois moyennes obtenues.n=3. - Mesures appariées : Si vous mesurez une variable dans les deux yeux de 10 personnes, vous obtenez 20 points de données. Cependant, traiter cela comme
n=20is incorrect. The two measurements from one person are not independent because they are influenced by the same genetics, diet, and overall health. The variation entre les gens est généralement beaucoup plus importante que la variation entre les deux yeux d'une même personne. La solution simple consiste à faire la moyenne des mesures pour chaque personne et à l'utiliser.n=10for your analysis.
Dans les deux cas, ne pas tenir compte du manque d'indépendance conduirait à un calcul et à une interprétation incorrects de l'écart type.
Conclusion : Voir le graphique de dispersion
L'écart type est bien plus qu'une simple étape d'une formule ; c'est un concept nuancé qui exige une réflexion approfondie. De la correction subtile de n-1 to the critical importance of data independence, understanding these truths helps us avoid common analytical pitfalls.
Nous en revenons donc au point de départ : l’être humain moyen, doté d’un sein et d’un testicule. Le problème avec cette moyenne n’est pas le calcul lui-même, mais le fait qu’elle masque la véritable nature bimodale des données. Une simple moyenne et un écart type ne suffisent pas à rendre compte de cette réalité, alors qu’un graphique illustrant la dispersion des points de données la révélerait instantanément.
En définitive, bien que l'écart-type soit une statistique de synthèse puissante, la meilleure façon d'appréhender la variabilité est de l'observer directement. Présentez vos données. Observez la dispersion. Maintenant que vous avez perçu les nuances, à quel moment de votre propre analyse de données une étude plus approfondie de la dispersion pourrait-elle révéler une toute autre réalité ?
