Orientation à l’unité 3

Dans cette troisième unité de l’atelier, vous êtes appelé à distinguer les variables et les principaux types de statistiques retrouvés dans les articles, en plus d’interpréter des résultats.

Pourquoi ai-je besoin de comprendre les stats?

Objectif spécifique

Interpréter des résultats statistiques à partir des principaux concepts

Êtes-vous à l’aise avec les stats?

Comment vous sentez-vous lorsque vous lisez la section des résultats d’un article scientifique dans lequel on parle de corrélation, d’écarts-types, de risque relatif, d’intervalle de confiance à 95 % ou encore, de résultats significatifs avec un p < 0,001?

Évaluer votre niveau de confort dans ce domaine :

Très à l’aise

À l’aise

Ni à l’aise, ni mal à l’aise

Pas à l’aise

Très mal à l’aise

Rétroaction

Si vous éprouvez un certain degré de malaise à la lecture des résultats dans un article scientifique, vous n’êtes pas seul!

Quelque 50 % des infirmières œuvrant dans des centres hospitaliers universitaires affirment que leur mauvaise compréhension des statistiques est une barrière à leur pratique fondée sur les données probantes.
Un nombre important de professionnels de la santé limitent leur attention au résumé et à la conclusion d’un article scientifique sans réellement prendre connaissance des résultats.
La crainte et l’anxiété envers les statistiques sont des états couramment ressentis par les étudiants.

Pourtant, la maîtrise des connaissances de base en statistique est une compétence essentielle pour intégrer la pratique fondée sur les données probantes à votre pratique.

Cette unité vous permettra de mieux comprendre les résultats statistiques en maîtrisant quelques concepts généraux et vous outillera pour développer votre sens critique à la lecture des articles que vous serez appelés à consulter.

Par où commencer?

Peu importe comment les résultats sont présentés, afin d’en comprendre le sens, quelques termes clés doivent d’abord être bien compris.

Plongeons lentement dans le sujet en expliquant les termes les plus pertinents.

Qu’est-ce qu’une variable?

En recherche quantitative, une variable est une mesure qui peut prendre plusieurs valeurs et qui souvent, possède une unité de mesure.

Êtes-vous en mesure d’en nommer quelques-unes?

Les exemples suivants sont des variables :

la taille en cm;
le sexe : féminin ou masculin;
la fréquence respiratoire en respirations/minute ou la température corporelle en °C peuvent tous varier d’une personne à l’autre.

Une infirmière prend la température d’un homme par l’oreille avec un thermomètre numérique

La première étape pour bien comprendre les statistiques consiste à bien distinguer les niveaux de mesure des variables. Il existe principalement trois niveaux de mesure des variables :

Consigne : cliquez sur le symbole de la loupe pour en savoir davantage sur les niveaux de mesure.

Nominal

Variable qui contient deux catégories ou plus et est définie grâce à des nombres souvent arbitraires, soit des nombres qui permettent de classer les catégories d’une variable.

Seules les fréquences ou les proportions (en %) peuvent être utilisées pour rapporter les résultats issus d’une variable nominale.

Ordinal

Variable qui contient trois catégories ou plus et est définie grâce à des nombres parfois arbitraires, mais qui donnent un certain ordre de grandeur.

Les fréquences et les proportions (en %) sont souvent utilisées pour rapporter les résultats issus d’une variable ordinale.

Cardinal

Variable qui est définie grâce à des nombres peu arbitraires qui offrent le plus grand nombre de possibilités d’analyse.

La moyenne est la statistique la plus souvent rapportée lorsque l’on traite une variable cardinale.

À noter : Les variables de niveau cardinal sont parfois appelées variables métriques. Vous verrez aussi parfois variables d’intervalles et variables de rapport.

Les variables nominales ne contiennent que des catégories qui n’ont aucune hiérarchie ou aucun ordre de grandeur. Prenons les exemples de variables nominales suivants :

Exemples de variables nominales et des catégories qui les composent.

Variables	Catégories
Sexe	Féminin Masculin
Occupation	Travailleur à temps plein Travailleur à temps partiel Chômeur Étudiant Retraité
Intervention	Groupe expérimental Groupe contrôle
Diabétique	Oui Non

Les variables nominales ont donc les caractéristiques suivantes :

Elles contiennent deux catégories ou plus.

Exemple :

N’importe quelle question à laquelle on répond par oui ou non. Par exemple :

Prend actuellement des médicaments

Oui
Non

Elles ont le niveau de mesure le plus faible des trois, c’est-à-dire que c’est le niveau avec lequel les manipulations mathématiques sont les plus limitées.

Exemple :

Atteinte commune à la santé mentale

Épisode dépressif majeur
Trouble anxieux
Toxicomanie

Elles sont rapportées par des fréquences ou des proportions (en %).

Exemple :

Dans une étude comportant 200 participants, on peut rapporter que 126 participantes sont des femmes ou que 63 % des participantes sont des femmes, ou encore présenter les deux données (fréquence et pourcentage).

Faits à noter :

Lorsqu’une variable nominale ne contient que deux catégories, on dit que c’est une variable dichotomique. Ainsi, dans le tableau précédent, les variables « sexe », « intervention » et « diabétique » sont toutes des variables dichotomiques.
Dans un article scientifique où les résultats sont présentés sous forme de tableau, les catégories sont souvent légèrement décalées par rapport au nom de la variable nominale pour faciliter la présentation.

Consigne : Cliquez sur le symbole pour afficher les composantes du tableau dans cet exemple fictif.

Variable	f (%)¹
Occupation
Travailleur à temps plein	36 (33,3)
Travailleur à temps partiel	27 (25,0)
Chômeur	16 (14,8)
Étudiant	25 (23,1)
Retraité	4 (3,7)

¹ f (%) = fréquence (pourcentage)

Voici la variable nominale

Voici les catégories qui composent la variable nominale

Voici les fréquences et les proportions (%) pour chaque catégorie

Comme pour les variables nominales, les variables ordinales contiennent des catégories, mais sous la forme d’un ordre de grandeur.

Imaginons que nous demandons à un groupe d’individus le niveau de douleur que chaque personne ressent sur une échelle de 1 à 3 où :

1 = aucune douleur, 2 = un peu de douleur et 3 = beaucoup de douleur.

Une échelle de douleur où 1 est un visage souriant qui représente aucune douleur, 2 est un visage qui représente un peu de douleur, et 3 est un visage qui représente beaucoup de douleur. Il y a une plus grande distance entre 2 et 3 qu’entre 1 et 2.

Comme le présente la figure ci-dessus, la distance entre deux points n’est pas nécessairement égale; elle est souvent inconnue ou arbitraire. Calculer une moyenne avec une variable ordinale n’a donc aucun sens la plupart du temps.

Une échelle de Likert à quatre crans où l’on retrouve les choix « Fortement en accord », « En accord », « En désaccord » et « Fortement en désaccord » est un exemple de niveau de mesure ordinal.

Voici quelques exemples de variables ordinales :

Exemples de variables ordinales et des catégories hiérarchiques qui les composent

Variables	Catégories
Niveau de douleur	Aucune douleur Un peu de douleur Beaucoup de douleur
Scolarité	Aucun diplôme Diplôme d’études secondaires Diplôme d’études collégiales Diplôme d’études universitaires de 1er cycle (baccalauréat) Diplôme d’études supérieures (maîtrise ou doctorat)
Attitude envers les vaccins	Favorable Neutre Défavorable
Niveau de satisfaction envers l’atelier	Très satisfait Plutôt satisfait Plutôt insatisfait Très insatisfait

Les variables ordinales ont donc les caractéristiques suivantes :

Elles nous donnent un certain ordre de grandeur. Cependant, nous n’avons aucune information sur la distance entre deux valeurs.

Exemple :

Elles permettent d’obtenir un peu plus d’information que les variables nominales.
Elles sont souvent rapportées sous la forme de fréquence ou de proportion (%).

Exemple :

Une étude pourrait mentionner que sur 150 individus sondés sur la rue, 85 ou 56,7 % étaient favorables aux vaccins, 55 ou 36,7 % se disaient neutres et 10 ou 6,7 % étaient défavorables aux vaccins.

Avec les variables cardinales, il n’y a plus de catégorie. Les données d’une variable cardinale se situent sur une échelle que l’on dit :

Discrète

ou

Continue

Variable discrète (Discrete variable) : Type de variable cardinale où les valeurs possibles sont des nombres entiers.

Variable continue (Continuous variable) : Type de variable cardinale qui peut prendre toutes les valeurs possibles dans un intervalle donné, y compris les fractions de nombres entiers.

Le nombre d’enfants d’un couple, le nombre de pièces d’un logement ou le nombre d’ouvriers d’un chantier en sont des exemples.

La taille des individus ou la valeur monétaire des opérations en sont des exemples.

Une variable est discrète lorsque le nombre possible de valeurs entre deux points est soit fini, soit dénombrable ou indivisible.

Une variable est continue lorsqu’elle peut, en théorie, représenter un nombre infini de valeurs possibles entre deux points.

Prenons l’exemple du nombre de frères ou sœurs qu’une personne peut avoir. Ce peut être 0, 1, 2, 3, etc., mais avoir 1,3 sœur est impossible. Ou encore, si on s’intéresse au nombre de lits par hôpital, avoir 129,34 lits est impossible.

Si on prend le temps écoulé depuis la naissance comme exemple, on pourrait affirmer avec précision qu’un individu a 53,037 années. Ou encore, on peut affirmer avec précision que la pression atmosphérique est de 101,83 kilopascals (kPa).

Activité : variables discrètes ou continues?

Êtes-vous en mesure de préciser lesquelles sont discrètes ou continues?

info_outline Consigne : cliquez sur la réponse appropriée.

Variables	Réponses
Taille mesurée en cm	Variable discrète	Variable continue
Tension artérielle mesurée en mmHg	Variable discrète	Variable continue
Fréquence cardiaque mesurée en bpm	Variable discrète	Variable continue
Température mesurée en °C	Variable discrète	Variable continue
Nombre de pilules par pilulier	Variable discrète	Variable continue
Score au test de quotient intellectuel (QI)	Variable discrète	Variable continue

Les variables cardinales ont les caractéristiques suivantes :

Elles ont le niveau de mesure le plus élevé, c’est-à-dire qu’elles permettent un maximum d’opérations mathématiques.
Elles offrent la plus grande possibilité d’analyse.

Exemples :

La fréquence cardiaque en battements par minute (bpm) : variable discrète
Le poids en kilogramme (kg) : variable continue

Les nombres procurent de l’information sur l’ordre de grandeur et sur la quantité.
La distance entre deux points est égale.
Les moyennes peuvent être calculées.

Exemples :

Le nombre de visites annuelles à l’urgence : variable discrète
La glycémie en millimoles par litre (mMol/L) : variable continue

Faits à noter :

La moyenne et l’écart-type sont les statistiques les plus souvent rapportées avec les variables cardinales. Ces termes seront expliqués plus loin dans cette unité.

Ce que disent les variables

Consigne : cliquez sur chaque boîte de dialogue pour obtenir une définition plus complète des concepts.

Maintenant que vous connaissez mieux les variables et leurs niveaux de mesures, essayons de mieux comprendre ce qu’elles tentent de nous dire à l’intérieur des résultats d’une étude.

Essentiellement, les résultats découlant des variables nous permettent de mieux comprendre le phénomène étudié en présentant au moins l’un de ces trois éléments :

Voyons en détail ces trois concepts.

En quoi consistent les statistiques descriptives?

Description

Les études cherchent à décrire, de la façon la plus simple possible, l’ensemble des données qui composent une variable.

Très peu d’études quantitatives cherchent uniquement à décrire un phénomène. Mais presque toutes les études quantitatives contiennent des éléments descriptifs pour mieux contextualiser l’étude.

Une femme regarde l’ensemble des données affichées

Fréquence

Fréquence (Frequency) : Nombre d’occurrences d’un événement dans une période déterminée.

Plus précisément, une statistique comme la fréquence nous aide à situer l’importance qu’occupent les catégories d’une variable nominale ou ordinale.

Animation 1 : Exemple de la fréquence

Transcription

Mesure de tendance centrale / Moyenne

Une mesure de tendance centrale comme la moyenne permet de résumer en un seul point l’ensemble des données d’une variable cardinale.

Mesure de tendance centrale (Measure of central tendency) : Valeur numérique déterminée comme représentative de la valeur qui est au centre d’une série statistique. Les mesures de tendance centrale les plus connues sont le mode, la médiane et la moyenne.

Moyenne (Mean) : Mesure de tendance centrale calculée en divisant la somme de toutes les valeurs observées par le nombre d’observations.

Animation 2 : Exemple de la moyenne

Transcription

Mesure de dispersion / Écart-type

La moyenne est souvent accompagnée d’une mesure de dispersion comme l’écart-type pour nous indiquer où se situe l’ensemble des données autour de cette moyenne.

Mesure de dispersion (Measure of dispersion) : Pour une série d’observations statistiques, indication ou indice établi pour exprimer leur éloignement les unes des autres.

Écart-type (Standard deviation) : Mesure de dispersion qui indique où se trouvent la plupart des individus de l’échantillon autour de la moyenne. On sait qu’environ 68 % des individus d’un échantillon se retrouvent à l’intérieur de ± 1 écart-type.

Animation 3 : Exemple de l’écart-type

Transcription

Pour en savoir plus sur l’écart-type et la courbe normale

Courbe normale (Normal curve) : Courbe utilisée pour représenter graphiquement des données d’une série statistique de distribution normale, c’est-à-dire dont la grandeur ou le comportement ne dépend que du hasard.

Visionnez cette capsule vidéo si vous souhaitez en savoir plus sur l’écart-type et la courbe normale.

Animation 4 : Courbe normale

Transcription

Activité : Reconnaître les statistiques descriptives dans un article scientifique

Allons voir si vous pouvez reconnaître ces statistiques descriptives retrouvées dans un article scientifique.

Mise en contexte :

Montoro, Thombs et Igartua (2015) ont cherché à définir les liens entre l’orientation sexuelle, le harcèlement et l’idée suicidaire chez les jeunes de 14 à 18 ans du Québec. Voici quelques éléments descriptifs de l’échantillon.

Extrait provenant de la section « Caractéristiques de l’échantillon »

« Tel qu’il est indiqué dans le tableau 1 911 élèves (49 %) étaient âgés de 16 ans ou plus, 913 (49 %) étaient de sexe féminin et 1 195 (65 %) étaient de race blanche. »

Adolescents assis sur un banc et travaillant avec des ordinateurs

1a) Tentez de discerner les variables.

Comparez vos réponses avec les nôtres :

Les trois variables, ainsi que les catégories qui les composent sont :

Variable	Catégories
Âge	16 ans ou plus Moins de 16 ans
Sexe	Féminin Masculin
Race	Blanc Autre

info_outline Consignes :

Cliquez sur « Choisissez » pour afficher les niveaux.
Sélectionnez le niveau approprié.
Appuyez sur « Comparez vos réponses avec les nôtres » pour les corriger.

1b) Tentez maintenant de discerner le niveau de mesure de chacune de ces variables :

Âge

Sexe

Race

Comparez vos réponses avec les nôtres :

Voici le niveau de mesure de ces trois variables :

L’âge est souvent de niveau cardinal ou ordinal dans les études. Mais dans ce cas-ci, comme il n’y a que deux groupes (16 ans ou plus et moins de 16 ans), l’âge est traité comme une variable de niveau nominal.
Le sexe est de niveau nominal avec les groupes féminin et masculin.
La race est de niveau nominal avec les groupes blanc et autre.

Activité : Reconnaître le niveau de mesure des variables dans un tableau

Les statistiques descriptives sont souvent présentées dans un tableau. Allons décortiquer un exemple de plus près.

Mise en contexte :

Bonanséa, Monthuy-Blanc, Aimé, Therme et Maïano (2016) ont voulu comparer les attitudes et les comportements alimentaires inappropriés ainsi que les caractéristiques psychosociales en fonction de deux niveaux de pratique sportive, soit intensive et de loisir. Avant de comparer les attitudes et les comportements alimentaires inappropriés selon la pratique sportive, les auteurs ont apporté quelques précisions sur les groupes à l’étude avec quelques statistiques descriptives. Cette portion du tableau cherche donc à décrire quelques paramètres anthropométriques et sportifs pour les deux pratiques sportives, soit de niveau intensif ou de loisir.

Une femme qui pratique le taekwondo donne un coup de pied

Tableau 1

Données anthropométriques et données liées à la pratique sportive

Données anthropométriques / sportives	Intensif (n = 88)		Loisir (n = 58)		Total (n = 146)
	M ± ET		M ± ET		M ± ET
Âge (années)	17,06 ± 1,26		16,33 ± 1,72		16,77± 1,50
IMC (kg/m2)	22,23 ± 4,19		19,75 ± 2,01		21,24 ± 3,69
Catégorie de poids	N	%	N	%	N	%
Insuffisance pondérale	12	13,64 %	13	22,41 %	25	17,12 %
Poids normal	55	62,50 %	44	75,86 %	99	67,81 %
Surpoids	17	19,32 %	1	1,72 %	18	12,33 %
Obésité	4	4,55 %	0	-	4	2,74 %
Types de pratiques sportives
Judo	50	56,82 %	18	31,03 %	68	46,58 %
Taekwondo	11	12,05 %	13	22,41 %	24	16,44 %
Gymnastique	6	6,82 %	7	12,07 %	13	8,90 %
Nage synchronisée	5	5,68 %	6	10,35 %	11	7,53 %
Athlétisme	16	1,82 %	14	24,14 %	30	20,55 %

Tentez de discerner :

Les quatre variables à l’intérieur de la colonne « Données anthropométriques/sportives »
Le niveau de mesure de chacune de ces quatre variables

info_outline Consignes :

Tapez vos réponses dans les boîtes appropriées.
Appuyez sur « Comparez vos réponses avec les nôtres » pour les corriger.

Les quatre variables à l’intérieur de la colonne « Données anthropométriques/sportives »	Le niveau de mesure de ces quatre variables

Comparez vos réponses avec les nôtres :

Les quatre variables à l’intérieur de la colonne « Données anthropométriques/sportives »	Le niveau de mesure de ces quatre variables
Âge	Niveau de mesure cardinal. On y présente la moyenne et l’écart-type.
IMC	Niveau de mesure cardinal. On y présente la moyenne et l’écart-type.
Catégorie de poids	Niveau de mesure ordinal. Il y a un ordre de grandeur dans les catégories listées.
Types de pratiques sportives	Niveau de mesure nominal. Les catégories listées n’ont aucun ordre de grandeur.

Est-ce qu’il existe une relation entre les variables?

Maintenant que vous êtes plus familier avec les statistiques descriptives, allons voir comment les relations entre les variables sont communiquées dans les écrits scientifiques.

Relation

À l’exception des études descriptives, presque toutes les études cherchent à mettre en relation deux ou plusieurs variables.

Les statistiques qui résument une relation entre deux ou plusieurs variables nous permettent en fait de définir le lien qui unit ou non ces variables.

Variable dépendante et variable indépendante

Plus précisément, une variable dépendante est mise en relation la plupart du temps avec une ou plusieurs variables indépendantes.

Variable dépendante (Dependent variable) : La variable dépendante (VD) est liée à l’objet de recherche. C’est la variable passive, encore appelée variable réponse, parce qu’elle indique le phénomène que le chercheur essaie d’expliquer.

Variable indépendante ou expérimentale (Independent ou Experimental variable) : Variable souvent manipulée par le chercheur pour observer ou mesurer ses effets sur la variable dépendante.

Exemple

Variables indépendante et dépendante

Pour mieux illustrer ceci, prenons en exemple une population avec plusieurs facteurs de risque de développer un diabète de type II. Une équipe de recherche cherche à savoir si une nouvelle intervention permet de minimiser les cas de diabètes au sein de cette population.

Par exemple, ce modèle a été créé pour répondre à la question suivante :

Cette nouvelle intervention permet-elle de réduire les cas de diabète de type II comparativement au groupe contrôle chez les individus avec plusieurs facteurs de risque?

Pourriez-vous repérer les variables indépendante et dépendante?

Variable indépendante :

Variable dépendante :

Réponses

Variable indépendante : il s’agit de la variable intervention qui est composée des groupes intervention et contrôle

Variable dépendante : il s’agit de la variable diabète qui comprend les diabétiques et les non-diabétiques.

Statistiques utilisées pour définir un lien entre deux variables

Une fois que nous avons repéré les variables indépendante et dépendante, différents types de statistiques sont utilisés pour définir l’existence de lien ou non entre ces variables.

Les statistiques utilisées pour définir une relation entre deux variables dépendent du niveau de mesure des variables, soit nominal, ordinal ou cardinal.

Exemple

Variables indépendante et dépendante

Si on reprend l’exemple précédent, pouvez-vous déceler :

Le niveau de mesure de la variable indépendante « intervention »?

Le niveau de mesure de la variable dépendante « diabète »?

Réponses

Dans les deux cas, il s’agit de variables de niveau nominal. La variable intervention contient deux groupes, soit intervention et contrôle. La variable diabète contient aussi deux groupes, soit diabétiques et non-diabétiques.

Statistiques de relation

Quelques exemples de statistiques de relation que nous approfondirons sont :

les rapports de cotes (ou Odds ratio en anglais);
les risques relatifs;
les corrélations;
la comparaison des moyennes.

Rapport de cotes et risque relatif

Les rapports de cotes ou les risques relatifs permettent de décrire une relation entre deux variables nominales.

Rapport de cotes (Odds Ratio) : Mesure du lien entre l’exposition à un facteur de risque et l’apparition d’une atteinte. Plus précisément, il s’agit du rapport (quotient) entre la cote d’exposition chez les cas (sujets malades ou décédés, par exemple) et chez les témoins (sujets non malades ou vivants, par exemple).

Risque relatif (Relative risk) : Mesure du lien entre l’exposition à un facteur de risque et l’apparition d’une atteinte. Plus précisément, il s’agit du rapport (quotient) entre le risque de survenue d’un événement chez les sujets exposés à un facteur donné et le risque de survenue de cet événement chez les sujets non exposés à ce facteur.

Exemple

Dans l’exemple reliant l’intervention au diabète, le rapport de cote ou le risque relatif serait donc la statistique de relation appropriée.

Voici un exemple de résultat qui utilise un indice de risque relatif pour définir une relation.

Risque relatif

Contexte :
On cherche à savoir si une nouvelle intervention permet de prévenir les cas de diabète chez une population présentant plusieurs facteurs de risque. Un rappel que la variable intervention et la variable diabète sont toutes deux de niveau nominal.

Résultat fictif :
Selon les résultats illustrés dans cet exemple, les individus faisant partie du groupe contrôle ont un risque relatif 2,5 fois plus élevé d’être diabétiques que ceux faisant partie du groupe intervention.

Interprétation :
Ce résultat suggère qu’il existe un lien entre les variables intervention et diabète. En d’autres mots, les cas de diabète diffèrent selon l’appartenance au groupe contrôle ou intervention. De façon plus concrète, la nouvelle intervention semble atténuer la présence de nouveau cas de diabète.

Corrélation

Les corrélations de Pearson permettent de décrire une relation entre deux variables cardinales.

Exemple

Voici un exemple de résultat qui utilise un coefficient de corrélation pour définir une relation.

Corrélation

Contexte :
Des cliniciens veulent savoir si l’indice de masse corporelle (en kg/m²) et la glycémie à jeun (mMol/L) sont reliés chez une population adulte et sédentaire. Pour ce faire, on obtient des résultats pour dix participants. Un rappel que l’indice de masse corporelle et la glycémie à jeun sont deux variables de niveau cardinal.

Résultat fictif :
Selon les résultats illustrés dans cet exemple, le niveau de glycémie à jeun est modérément corrélé en fonction de l’indice de masse corporelle chez les individus avec un surplus de poids (r = 0,484).

Interprétation :
Ce résultat suggère qu’il existe un lien entre les variables indice de masse corporelle et glycémie à jeun. En d’autres mots, plus l’indice de masse corporelle est élevé, plus la glycémie à jeun est élevée également.

Comparaison entre les moyennes

Les comparaisons des moyennes permettent de décrire une relation entre une variable cardinale et une variable nominale contenant de deux à cinq groupes.

Exemple

Voici un exemple de résultat qui utilise la comparaison entre les moyennes pour définir une relation.

Comparaison entre les moyennes

Contexte :
On cherche à savoir si une nouvelle intervention permet de diminuer la glycémie à jeun (en mMol/L) chez des individus atteints de diabète de type II. Pour ce faire, on compare les résultats du groupe intervention à celui du groupe contrôle. Un rappel que la glycémie est une variable cardinale alors que l’intervention est une variable nominale.

Résultat fictif :
Selon les résultats illustrés dans cet exemple, le niveau de glycémie à jeun est légèrement plus élevé pour le groupe contrôle (6,7 ± 1,2 mMol/L) comparativement au groupe intervention (6,0 ± 0,9 mMol/L).

Interprétation :
Puisque les moyennes diffèrent entre les deux groupes, ces résultats suggèrent qu’il existe un lien entre les variables intervention et glycémie à jeun. En fait, la glycémie moyenne du groupe intervention est un peu plus basse que celle du groupe contrôle. Toutefois, l’ajout de statistique déductive s’avèrera nécessaire pour conclure si cette différence est réelle. Nous reviendrons plus en détail sur cet élément plus loin dans l’unité.

Nous nous pencherons sur ces différentes statistiques de relation dans la prochaine partie.

Pouvez-vous reconnaître les types de relations?

Après les prochaines sections, vous serez en mesure de mieux reconnaître :

Les rapports de cotes ou les risques relatifs
Les corrélations
Les comparaisons entre les moyennes

Les rapports de cotes ou les risques relatifs

Les rapports de cotes (RC) ou les risques relatifs (RR) sont souvent utilisés lorsque l’on veut connaître le lien entre une intervention et un diagnostic.

Ce type de statistique permet de décrire une relation entre deux variables nominales dichotomiques.

Une variable nominale dichotomique contient deux catégories.

La plupart du temps, les RC ou les RR sont construits à partir d’un tableau de contingence qui a ce format :

Consigne : cliquez sur le symbole pour afficher les variables.

Les RC ou les RR permettent d’illustrer à quel point le groupe exposé au risque est atteint de la maladie en comparaison au groupe qui est non exposé au risque.

À titre d’exemple, une analyse pourrait conclure que les probabilités d’être atteint d’un cancer sont 3,6 fois plus élevées chez les fumeurs que chez les non-fumeurs. On indiquerait donc un rapport de cotes comme ceci : RC = 3,59. (Même si RC = 3,59, soit une valeur avec deux décimales, on utilise la valeur arrondie 3,6.)

		RC = 3,59
Tabagisme	Cancer
	Atteint d’un cancer	Pas atteint d’un cancer
Fumeurs	63 (a)	42 (b)
Non-fumeurs	28 (c)	67 (d)

Faits à noter :

Selon la configuration du tableau de contingence ci-haut :

Un RC ou un RR > 1 indique que le fait d’être exposé au risque augmente les « chances » d’être atteint de la maladie ou de la conséquence indésirable.

Un RC ou un RR = 1 indique qu’il n’y a aucune relation entre le facteur de risque et la maladie ou la conséquence indésirable.

Un RC ou un RR < 1 indique, de façon paradoxale, que le fait d’être exposé au risque diminue les « chances » d’être atteint de la maladie ou de la conséquence indésirable.

Activité : Décortiquer les rapports de cotes dans un article scientifique

Tentons de décortiquer les rapports de cotes retrouvés dans un article scientifique.

Mise en contexte :

Montoro et ses collaborateurs (2015) ont cherché à définir les liens entre l’orientation sexuelle, le harcèlement et l’idée suicidaire chez les jeunes de 14 à 18 ans du Québec.

Notes :

RC = Rapport de cote (ou Odds Ratio en anglais)
IC = Intervalle de confiance. Cette notion sera vue plus en détail dans la section sur la déduction

Un étudiant triste dans le couloir de l'école

Extrait provenant de la section Idée suicidaire, planification et tentative de suicide :

« …les élèves s’identifiant comme hétérosexuels sans attirance ou comportement envers le même sexe étaient presque trois fois plus susceptibles de mentionner des idées suicidaires lorsqu’ils étaient victimes de harcèlement, que le même groupe sans harcèlement (RC = 2,76, IC 95 % = 2,06 à 3,69, p < ,001). Les élèves non hétérosexuels ne subissant aucun harcèlement étaient presque quatre fois plus susceptibles (RC = 3,97, IC 95 % = 2,26 à 6,97, p < ,001); et les élèves non-hétérosexuels ayant mentionné du harcèlement étaient plus de huit fois plus susceptibles (RC = 8,13, IC 95 % = 4,68 à 14,15, p < ,001). »

Extrait tiré de l’article de Montoro et al., 2015.

Les trois rapports de cotes (RC) décrivent trois relations. Pour les trois cas, la conséquence indésirable est l’idée suicidaire. Pour les trois cas également, le groupe « hétérosexuel non victime de harcèlement » est le groupe de référence, soit le groupe non exposé au risque.

Sachant cela, saurez-vous indiquer les groupes exposés au risque pour chaque rapport de cotes (RC)?

Consignes :

Cliquez sur « Choisissez » pour afficher les facteurs de risque.
Sélectionnez le facteur approprié.
Appuyez sur « Vérifiez vos réponses » pour les corriger.

	RC = 2,76
Facteur de risque	Idée suicidaire
	Oui	Non
Hétérosexuel non victime de harcèlement La bonne réponse est Hétérosexuel victime de harcèlement. Note : le facteur « harcèlement » est isolé. La bonne réponse est Hétérosexuel victime de harcèlement. Note : le facteur « harcèlement » est isolé.	98 135	289 1098

	RC = 3,97
Facteur de risque	Idée suicidaire
	Oui	Non
Hétérosexuel non victime de harcèlement La bonne réponse est Non-hétérosexuel non victime de harcèlement. Note : le facteur « orientation sexuel » est isolé. La bonne réponse est Non-hétérosexuel non victime de harcèlement. Note : le facteur « orientation sexuel » est isolé.	20 135	41 1098

	RC = 8,13
Facteur de risque	Idée suicidaire
	Oui	Non
Hétérosexuel non victime de harcèlement La bonne réponse est Non-hétérosexuel victime de harcèlement. Note : les facteurs « orientation sexuel » et « harcèlement » sont imbriqués dans la comparaison. La bonne réponse est Non-hétérosexuel victime de harcèlement. Note : les facteurs « orientation sexuel » et « harcèlement » sont imbriqués dans la comparaison.	28 135	28 1098

Pour en savoir plus sur le rapport de cotes et le risque relatif

Revenons avec l’exemple où les résultats stipulaient que les probabilités d’être atteint d’un cancer sont 3,6 fois plus élevées chez les fumeurs que chez les non-fumeurs (RC = 3,59).

Voici un exemple de tableau de contingence qui aurait permis d’arriver à ce constat.

Sous le tableau, vous avez les équations mathématiques qui expliquent comment les RC ou le RR sont calculés. (Celles-ci ne sont jamais indiquées dans un article. Nous vous les illustrons pour vous expliquer le processus.)

Tableau fictif illustrant les cas de cancer en fonction du tabagisme pour un échantillon quelconque

Tabagisme	Cancer
	Atteint d’un cancer	Pas atteint d’un cancer
Fumeurs	n=63 (a)	n=42 (b)
Non-fumeurs	n=28 (c)	n=67 (d)

Pour calculer le rapport de cote (RC) :

$R C = \frac{(a / b)}{(c / d)}$

$R C = \frac{(63 / 42)}{(28 / 67)}$

$R C = 3, 59$

Interprétation :

Les probabilités d’être atteint d’un cancer sont 3,6 fois plus élevées chez les fumeurs que chez les non-fumeurs (RC = 3,59).

Pour calculer le risque relatif (RR) :

$R C = \frac{a / (a + b)}{c / (c + d)}$

$R C = \frac{63 / (63 + 42)}{28 / (28 + 67)}$

$R C = 2, 04$

Interprétation :

Le risque relatif d’être atteint d’un cancer est 2 fois plus élevé chez les fumeurs que chez les non-fumeurs (RR = 2,04).

Vous vous questionnez sur ce qui distingue le rapport de cotes du risque relatif? Consultez ce document .

Les corrélations

Les corrélations de Pearson permettent de décrire une relation entre deux variables cardinales.

Les corrélations de Pearson peuvent être présentées de deux façons :

par un nuage de points
par un coefficient de corrélation

Le coefficient de corrélation (r) a la particularité de varier entre -1 et +1.

Les corrélations : quelques indicateurs

Voici quelques indicateurs permettant d’interpréter des coefficients de corrélations.

Un coefficient où :

Décrit une relation négative parfaite et le nuage de points ressemble à :

R = -1,00

Nuage de points formant une diagonale parfaite du coin supérieur gauche au coin inférieur droit.

R = -0,70

Décrit une relation négative forte et le nuage de points ressemble à :

Nuage de points formant une diagonale plutôt forte allant du coin supérieur gauche au coin inférieur droit.

R = -0,50

Décrit une relation négative modérée

Nuage de points formant une diagonale plutôt modérée allant du coin supérieur gauche au coin inférieur droit.

R = -0,35

Décrit une relation négative faible à modérée et le nuage de points ressemble à :

Nuage de points formant une diagonale plutôt faible allant du coin supérieur gauche au coin inférieur droit.

R = -0,20

Décrit une relation négative faible

Nuage de points formant une diagonale très faible allant du coin supérieur gauche au coin inférieur droit.

Décrit une absence de relation et le nuage de points ressemble à :

R = 0,00

Nuage de points éparpillé dans tous les sens.

R = 0,20

Décrit une relation positive faible

Nuage de points formant une diagonale très faible allant du coin inférieur gauche au coin supérieur droit.

R = 0,35

Décrit une relation positive faible à modérée et le nuage de points ressemble à :

Nuage de points formant une diagonale plutôt faible allant du coin inférieur gauche au coin supérieur droit.

R = 0,50

Décrit une relation positive modérée

Nuage de points formant une diagonale plutôt modérée allant du coin inférieur gauche au coin supérieur droit.

R = 0,70

Décrit une relation positive forte et le nuage de points ressemble à :

Nuage de points formant une diagonale plutôt forte allant du coin inférieur gauche au coin supérieur droit.

Décrit une relation positive parfaite et le nuage de points ressemble à :

R = 1,00

Nuage de points formant une diagonale parfaite du coin inférieur gauche au coin supérieur droit.

Activité : Interpréter une corrélation provenant d’un article scientifique

Tentons d’interpréter les résultats provenant d’une corrélation retrouvée dans les écrits scientifiques.

Mise en contexte :

Temfemo, Doutrellot et Ahmaidi (2008) ont cherché à comparer les effets de deux types d’intervention sur le renforcement musculaire chez les patients qui ont reçu une prothèse totale de hanche.

Dans la figure qui suit, les auteurs ont voulu mettre en relation la force isométrique du moyen fessier avec l’activité électromyographie du même muscle.

Notes :

FIV_Pic (kg) : Force isométrique volontaire la plus élevée mesurée en kilogramme
EMG_Pic (µV) : Activité électromyographie (activité électronique du muscle) la plus élevée mesurée en microvolt

Figure provenant de la section des résultats

Nuage de points formant une diagonale très forte allant du coin inférieur gauche au coin supérieur droit.

En observant la figure, diriez-vous que la relation entre la force isométrique et l’activité électromyographie est :

Négative

Positive

En observant la figure, diriez-vous que la relation entre la force isométrique et l’activité électromyographie est :

Parfaite

Très forte

Forte

Modérée

Faible à modérée

Faible

Nulle

Pour en savoir plus sur les corrélations

D’autres types de corrélations sont utilisés pour mesurer les relations entre des variables ordinales ou une variable ordinale et une variable cardinale.

Par exemple, on peut évoquer la corrélation de Spearman ou encore la corrélation Tau, pour ne nommer que celles-là. S’il y a des différences dans les formules mathématiques utilisées pour calculer le coefficient de ces relations, l’interprétation que l’on en fait est similaire à celle que nous venons d’expliquer pour les corrélations de Pearson. C’est-à-dire qu’une valeur de zéro signifie qu’il n’y a pas de relation alors que des valeurs se rapprochant de 1,0 et de -1,0 signifient des relations fortes.

Les comparaisons entre les moyennes

Les comparaisons entre les moyennes permettent de décrire une relation lorsque :

La variable dépendante est de niveau cardinal.

La variable indépendante est de niveau nominal.

Souvent, la variable nominale contient de deux à quatre catégories (groupes) selon l’étude.

Lorsque l’on compare des moyennes entre des groupes, on compare les moyennes et les écarts-types.

Petit truc :

Si vous voyez les termes test-t, analyse de variance ou ANOVA à la lecture d’un article scientifique, il s’agit de tests statistiques qui permettent la comparaison entre les moyennes.

Les tests-t permettent de comparer les moyennes entre deux groupes.

Normalement, ceci implique que la variable indépendante est de niveau nominal avec deux catégories.

L’ANOVA est l’acronyme pour « analyse de variance ». L’ANOVA est habituellement employée lorsque l’on compare les moyennes entre trois groupes ou plus.

Donc, que ce soit test-t ou ANOVA, vous savez que :

La variable dépendante est de niveau cardinal.
La variable indépendante est de niveau nominal contenant deux groupes (test-t) ou trois groupes et plus (ANOVA).

Activité : Interpréter une comparaison entre les moyennes

Allons voir si vous pouvez interpréter une comparaison entre les moyennes à l’intérieur d’une figure.

Mise en contexte :

Temfemo et al. (2008) ont cherché à comparer les effets de deux types d’intervention sur le renforcement musculaire chez les patients avec une prothèse totale de hanche.

Dans la figure qui suit, les auteurs ont mis en relation le temps de maintien (en secondes) par rapport au moment des tests et par rapport au type d’intervention.

Un physiothérapeute manipule la jambe d’un patient avec une prothèse totale de hanche

Précisions :

Visionnez cette animation pour vous guider.

Transcription

Figure provenant de la section des résultats

Figure illustrant le temps de maintien en seconde en fonction du moment du test et du type d’intervention

En observant la figure, le temps de maintien est-il associé au moment du test ? (Ou en d’autres mots, le temps de maintien diffère-t-il en fonction du moment du test ?)

Oui

Non

Toujours en observant la figure, le temps de maintien est-il associé au type d’intervention? (Ou en d’autres mots, le temps de maintien diffère-t-il en fonction du type d’intervention ). Rappel, le type d’intervention comprend le groupe contrôle et le groupe expérimental

Oui

Non

Maintenant, cette relation observée à T3 est-elle réelle pour l’ensemble de la population? Les statistiques déductives, que nous verrons ci-dessous, nous permettent de répondre à cette question.

Pouvons-nous déduire que la relation observée s’applique à la population générale?

Consigne : cliquez sur le symbole pour agrandir l’image.

Dans la section précédente, nous avons porté attention à trois types de relation couramment observés dans les écrits, soit :

Les rapports de cotes ou le risque relatif

Tableau de contingence mettant en relation l’idée suicidaire avec la présence de harcèlement.

Les corrélations

Les comparaisons entre les moyennes

Une fois que nous avons pris connaissance de la relation entre les variables, on veut savoir si ce que nous observons est applicable à la population générale.

Ce sont les statistiques déductives qui nous permettent de répondre à cette question.

Les statistiques déductives

Déduction

Une fois qu’une relation entre deux variables est décrite, on cherche à déduire si elle est généralisable ou réelle pour la population ciblée.

Voilà pourquoi les statistiques de relation sont habituellement suivies des statistiques de déduction.

En fait, les statistiques de déduction permettent de répondre à la question suivante.

Le lien décrit est-il réel, oui ou non, pour la population en général?

D’ordre général, on peut catégoriser les statistiques déductives en deux types principaux.

Une image d’une foule pour représenter la population générale

D’abord, il y a l’estimation de paramètres qui utilise les intervalles de confiance (p. ex. on retrouve régulièrement des intervalles de confiance à 95 % dans les écrits).

[IC 95]

Ou encore, il y a les tests d’hypothèses qui utilisent les lois de la probabilité avec une marge d’erreur qui est souvent de 5 %. En fait, c’est à partir des tests d’hypothèse que l’on retrouve le fameux p < 0,05.

p < 0,05

Nous approfondirons les concepts d’intervalles de confiance et de tests d’hypothèses à la prochaine section.

Mieux comprendre les intervalles de confiance et les valeurs de p

Comment déduire si ce que l’on observe à l’intérieur d’un échantillon est représentatif pour la population ciblée?

Nous nous pencherons sur deux stratégies statistiques souvent utilisées en recherche quantitative pour répondre à cette question.

En général, on veut avoir moins de 5 % de risques de se tromper lorsqu’on dit que l’on peut généraliser les résultats à l’ensemble de la population étudiée. Il s’agit d’une convention généralement acceptée, mais d’autres valeurs pourraient être utilisées dans certaines recherches. Voici donc les deux stratégies :

L’intervalle de confiance à 95 % (IC 95 %)
Le p < 0,05

Une foule sous forme d’un point d’interrogation

Activité : intervalle de confiance à 95 % (IC 95 %)

Supposons que vous vous intéressez au tabagisme chez les fumeurs âgés 18 à 35 ans.

Votre échantillon contient 50 individus qui, en moyenne, consomment 6 cigarettes / jour et le calcul de l'intervalle de confiance à 95 % donne entre 3,7 et 8,3 cigarettes / jour.

Que signifient ces résultats pour vous?

Voyez notre réponse :

Ceci signifie que vous pouvez être confiant à 95 % que le nombre réel de cigarettes consommées par jour en moyenne chez les fumeurs âgés entre 18 et 35 ans se situe entre 3,7 et 8,3.

Le « fameux » p < 0,05

Consignes :

Lisez les deux résultats suivants.
Quelle serait votre interprétation?
Cliquez sur la carte pour consulter nos réponses.

Les fumeurs sont trois fois plus à risque de développer le cancer des poumons que les non-fumeurs (p < 0,001)

Ces résultats nous indiquent que le lien entre le tabagisme (fumeurs et non-fumeurs) et les cas de cancer des poumons est réel pour la population ciblée, car p < 0,001. Il y donc moins de 1 chance sur 1000 de se tromper en l'affirmant.

Les fumeurs sont trois fois plus à risque de développer le cancer des poumons que les non-fumeurs (p = 0,273)

Ces résultats nous indiquent que même si une tendance est observée, le lien entre le tabagisme et le cancer des poumons n'est pas confirmé, car la valeur de p n'est pas statistiquement significative (p = 0,273).

Maintenant, à vous d’interpréter des résultats

Maintenant que vous comprenez mieux les intervalles de confiance et les tests d’hypothèses, tentez d’interpréter ces résultats qui comprennent des statistiques de relation et de déduction.

Résultat no 1.

Pour une cohorte atteinte du syndrome métabolique, les individus faisant partie du groupe contrôle ont un risque relatif 2,5 fois plus élevé d’être diabétiques que ceux faisant partie du groupe intervention (IC 95 % = 1,3 à 4,2).

Un médecin tenant un petit tableau avec le mot diabète au tableau.

Notre interprétation :

Pour l’échantillon en question, on sait que le risque relatif d’être diabétique est 2,5 fois plus élevé pour les individus du groupe contrôle que pour les individus ayant reçu la nouvelle intervention. Grâce à l’intervalle de confiance à 95 %, on sait que le risque relatif réel pour cette population se situe entre 1,3 et 4,2.

Résultat no 2.

Le niveau de glycémie à jeun est modérément corrélé en fonction de l’indice de masse corporelle chez les individus avec un surplus de poids (r = 0,458 ; p < 0,01).

bmi, calculateur d'indice de masse corporelle

Notre interprétation :

Pour l’échantillon, on sait que la glycémie à jeun et l’indice de masse corporelle sont liés avec un coefficient de corrélation où r = 0,458. Comme nous l’avons vu, ce lien peut être considéré de force modérée. Puisque p < 0,01, on a moins de 1 % de chance de se tromper en affirmant que le lien entre la glycémie à jeun et l’indice de masse corporelle est réel pour cette population.

Résultat no 3.

Le niveau de glycémie à jeun est légèrement plus élevé pour le groupe contrôle (6,8 ± 1,3 mMol/L) comparativement au groupe intervention (5,9 ± 1,7 mMol/L) (p < 0,05). .

Notre interprétation :

Pour l’échantillon, on voit bien que la glycémie moyenne n’est pas la même en fonction du type d’intervention. Puisque p < 0,05, on a moins de 5 % de chance de se tromper en affirmant que le type d’intervention est lié à la glycémie pour cette population.

Prêt à relever le défi?

Maintenant que vous connaissez le niveau de mesure des variables ainsi que les statistiques descriptives, de relation et déductives, tentez d’interpréter ces résultats provenant d’articles scientifiques.

Activité : rapports de cote

Tentez d’interpréter les résultats qui comprennent des rapports de cote. Pour ce faire, reprenons l’extrait de l’article de Montoro et ses collaborateurs (2015) sur les liens entre l’orientation sexuelle, le harcèlement et l’idée suicidaire chez les jeunes de 14 à 18 ans du Québec.

Rappel :

RC = Rapport de cote (ou Odds Ratio en anglais)
IC = Intervalle de confiance

Extrait provenant de la section Idée suicidaire, planification et tentative de suicide :

« ...les élèves s’identifiant comme hétérosexuels sans attirance ou comportement envers le même sexe étaient presque trois fois plus susceptibles de mentionner des idées suicidaires lorsqu’ils étaient victimes de harcèlement, que le même groupe sans harcèlement (RC = 2,76, IC 95 % = 2,06 à 3,69, p < ,001). Les élèves non hétérosexuels ne subissant aucun harcèlement étaient presque quatre fois plus susceptibles (RC = 3,97, IC 95 % = 2,26 à 6,97, p < ,001); et les élèves non-hétérosexuels ayant mentionné du harcèlement étaient plus de huit fois plus susceptibles (RC = 8,13, IC 95 % = 4,68 à 14,15, p < ,001). »

Extrait tiré de l’article de Montoro et al., 2015.

À la lecture de ce texte, êtes-vous en mesure d’interpréter les trois résultats?

Résultat 1

RC = 2,76

Comparez votre interprétation avec la nôtre

Les probabilités d’avoir une idée suicidaire sont 2,8 fois plus élevées pour les victimes de harcèlement comparativement à ceux qui n’ont pas été victimes chez les hétérosexuels sans attirance pour le même sexe.

IC 95 % = 2,06 à 3,69

Comparez votre interprétation avec la nôtre

Nous pouvons être confiants à 95 % que le rapport de cote réel pour cette population ciblée se situe entre 2,06 et 3,69.

p < ,001

Comparez votre interprétation avec la nôtre

Puisque p < 0,001, il y a moins d’une chance sur 1 000 que ce lien ne soit pas réel pour cette population ciblée.

Résultat 2

RC = 3,97

Comparez votre interprétation avec la nôtre

Chez les participants qui n’ont pas vécu de harcèlement, les probabilités d’avoir une idée suicidaire sont 4 fois plus élevées pour les non-hétérosexuels comparativement aux hétérosexuels sans attirance envers le même sexe.

IC 95 % = 2,26 à 6,97

Comparez votre interprétation avec la nôtre

Nous pouvons être confiants à 95 % que le rapport de cote réel pour cette population ciblée se situe entre 2,26 à 6,97.

p < ,001

Comparez votre interprétation avec la nôtre

Puisque p < 0,001, il y a moins d’une chance sur 1 000 que ce lien ne soit pas réel pour cette population ciblée.

Résultat 3

RC = 8,13

Comparez votre interprétation avec la nôtre

Les probabilités d’avoir une idée suicidaire sont 8 fois plus élevées pour les non-hétérosexuels victimes de harcèlement que pour les hétérosexuels sans attirance envers le même sexe et qui n’ont pas été victimes de harcèlement.

IC 95 % = 4,68 à 14,15

Comparez votre interprétation avec la nôtre

Nous pouvons être confiants à 95 % que le rapport de cote réel pour cette population ciblée se situe entre 4,68 et 14,15.

p < ,001

Comparez votre interprétation avec la nôtre

Puisque p < 0,001, il y a moins d’une chance sur 1 000 que ce lien ne soit pas réel pour cette population ciblée.

Faits à noter :

Un rapport de cotes (ou un risque relatif) de 1 signifie qu’il n’y a pas de différence entre deux groupes qui sont comparés. Si l’intervalle de confiance à 95 % contient la valeur de 1, on ne pourra pas dire avec confiance qu’il y a une différence dans la population ciblée.

Activité : coefficients de corrélations

Les coefficients de corrélations sont souvent présentés sous la forme d’un tableau de corrélations dans les écrits.

Saurez-vous interpréter ces résultats correctement?

Mise en contexte :

Bégin, Boucher, St-Laurent, Heppell et Ratté (2016) ont cherché à mieux comprendre les liens qui unissent l’estime de soi, l’estime corporelle et les attitudes alimentaires par rapport à différentes atteintes à la santé mentale, notamment les troubles des conduites alimentaires et les troubles anxieux.

Femme lisant des étiquettes de produits alimentaires à l'épicerie

Notes :

TCA signifie « Trouble des conduites alimentaires »
L’estime de soi explicite est mesurée par l’outil Échelle d’Estime de Soi de Rosenberg (ÉES-10)
L’estime de soi implicite est mesurée par l’outil Implicit Association Test (IAT)
Les attitudes alimentaires dysfonctionnelles sont mesurées par la version francophone de l’outil Eating Disorder Examination-Questionnaire (EDE-Q4)
L’insatisfaction corporelle est mesurée par l’outil Échelle d’estime corporelle (EEC)

Voici le tableau 2 de la section résultat qui résume quelques-uns de ces liens. Visionnez cette animation pour connaître quelques éléments clés pour vous guider.

Transcription

Testez vos connaissances!

Tableau 2

Matrice de corrélations de Pearson des variables à l’étude pour le groupe TCA

Échelles	Estime de soi explicite	Estime de soi implicite	Restriction alimentaire	Préoccupation alimentaire	Préoccupation poids	Préoccupation silhouette	Insatisfaction apparence	Insatisfaction poids
Estime de soi explicite	1	0.03	-0.35**	-0.40**	-0.48**	-0.56**	0.75**	0.55**
Estime de soi implicite		1	-0.25	-0.10	-0.24	-0.26	0.09	0.24
Restriction alimentaire			1	0.57**	0.48**	0.51**	-0.48**	-0.48**
Préoccupation alimentaire				1	0.47**	0.52**	-0.47**	-0.35**
Préoccupation poids					1	0.86**	-0.63**	-0.73**
Préoccupation silhouette						1	-0.69**	-0.73**
Insatisfaction apparence							1	0.79**
Insatisfaction poids								1
Note : L’estime de soi explicite est mesurée par le ÉES-10; l’Estime de soi implicite par l’IAT; les attitudes alimentaires dysfonctionnelles sont mesurés par l’EDE-Q4 et l’insatisfaction corporelle est mesurée par l’EEC. * p ≤ .05; ** p ≤ .01

1. Quelles sont les deux variables qui ont la relation positive la plus forte?

Réponse

La préoccupation envers le poids et la préoccupation envers la silhouette sont les plus fortement corrélées positivement avec r = 0,86.

1.1. Pouvez-vous en faire l’interprétation?

Comparez à notre interprétation

Plus les participants sont préoccupés par le poids, plus ils sont également préoccupés par la silhouette. Cette relation est d’ailleurs forte avec r = 0,86.

2. Quelles sont les deux variables qui ont la relation négative la plus forte?

Réponse

L’insatisfaction envers le poids est fortement corrélée négativement avec la préoccupation envers le poids (r = -0,73) et envers la silhouette (r = -0,73).

2.1. Pouvez-vous en faire l’interprétation?

Comparez à notre interprétation

Moins les participants sont satisfaits de leur poids, plus ils sont préoccupés par leur poids et leur silhouette. Ces deux relations sont d’ailleurs fortes avec r = -0,73.

3. Quelles sont les deux variables qui ont la relation la plus faible?

Réponse

L’estime de soi explicite et implicite ont la corrélation la plus faible (r = 0,03).

3.1. Pouvez-vous en faire l’interprétation?

Comparez à notre interprétation

Puisque le coefficient de corrélation est très près de 0 (r = 0,03), il n’y a pratiquement aucun lien entre l’estime de soi explicite et implicite.

4. Quelle variable n’a aucune relation statistique significative avec l’ensemble des variables?

Réponse

L’estime de soi implicite n’est corrélée de façon statiquement significative avec aucune autre variable. Ceci est visible par l’absence d’astérisque (*) pour chacune des corrélations où l’estime de soi implicite est impliquée. D’ailleurs, tous les coefficients de corrélations associés à l’estime de soi sont faibles ou quasi-nuls avec des r variant entre -0,26 et 0,24.

Activité : comparaisons des moyennes

Les comparaisons des moyennes sont très fréquentes dans les écrits scientifiques.

Saurez-vous interpréter les résultats qui découlent du tableau qui suit?

Mise en contexte :

Aimé, Cyr, Ricard, Guèvremont et Bournival (2016) ont cherché à préciser les liens entre l’alexithymie, les comportements alimentaires problématiques et la psychopathologie chez les femmes.

Qu’est-ce que l’alexithymie?

L’alexithymie est un trait de personnalité caractérisé par une difficulté à identifier, différencier et exprimer ses émotions.

Jeune femme déprimée mange de la glace au bar

Notes :

Les niveaux de restrictions, de préoccupations par rapport au poids et de préoccupations par rapport à la silhouette ont été mesurés par l’outil Eating Disorder Examination Questionnaire-6 (EDE-Q6).
L’outil EAT-26 (Eating Attitudes Test-26) mesure les attitudes et comportements alimentaires problématiques.
L’estime de soi a été mesurée à partir du Rosenberg Self-Esteem Scale (RSES).
La préoccupation face aux erreurs a été mesurée par le Frost Multidimensional Perfectionism Scale (FMPS).
Les symptômes dépressifs ont été mesurés par le Center for Epidemiologic Studies Depression Scale (CES-D).

Voici le tableau 1 de la section résultat qui résume quelques-uns des liens entre l’alexithymie et quelques symptômes alimentaires ou facteurs psychologiques.

Tableau 1

Caractéristiques des participantes en fonction de la présence ou de l’absence d’alexithymie

Caractéristiques	Alexithymie (n = 92)	Non-alexithymie (n = 42)	F	p
Indice de masse corporelle	27,68 ± 7,69	30,96 ± 8,45	4,48	.036
Symptomatologie alimentaire
Restrictions	2,73 ± 1,80	1,81 ± 1,53	9,27	.003
Préoccupations par rapport au poids	3,72 ± 1,23	4,28 ± 1,49	5,3	.023
Préoccupations par rapport à la silhouette	4,70 ± 1,27	4,22 ± 1,26	4,11	.045
Score total au EAT-26	27,83 ± 14, 93	21,67 ± 11, 89	6,56	.012
Facteurs psychologiques
Estime de soi	25,19 ± 5, 90	30,89 ± 5, 75	27,92	.000
Préoccupations face aux erreurs	32,17 ± 7, 35	26,72 ± 8, 18	13,61	.000
Symptômes dépressifs	27,14 ± 11, 39	16,40 ± 9, 77	31,34	.000

En observant le tableau, pouvez-vous discerner :

1. Où se situe la variable nominale?

Réponse

Les deux colonnes « Alexithymie » et « Non-alexithymie » forment la variable « Alexithymie ». Il s’agit de la variable indépendante.

2. Où se situent les variables cardinales?

Réponse

Indice de masse corporelle
Restrictions
Préoccupations par rapport au poids
Préoccupations par rapport à la silhouette
Score total au EAT-26
Estime de soi
Préoccupations face aux erreurs
Symptômes dépressifs

Elles sont toutes des variables cardinales, car les résultats sont exprimés sous la forme de moyenne ± écart-type.

3. Que signifient les colonnes F et p?

Réponse

Colonne F : Il s’agit du test statistique employé pour comparer les moyennes entre les groupes alexithymie et non-alexithymie. La valeur de p est obtenue à partir du résultat du test de F. Vous n’avez pas à interpréter la valeur de F. Seul le p est important.

Colonne p : C’est la valeur qui vous permet de savoir si les différences observées sont représentatives pour la population ciblée. Souvenez-vous que si p < 0,05, vous avez moins de 5 % de chance de vous tromper en affirmant qu’il y a une différence entre les deux groupes.

Statistiquement significatif ou cliniquement significatif?

Nous avons vu à l’unité 2 (étape 3) que la signification statistique démontre que les résultats ne sont probablement pas dus au hasard.

La signification clinique, quant à elle, suppose que les résultats doivent être utiles et applicables à la pratique.

Nous venons de voir que les statistiques de déduction nous permettent d’être confiant (en général à 95 %) que les résultats observés ne sont pas dus au hasard et qu’ils seraient bien réels non seulement dans notre échantillon, mais aussi dans un autre échantillon tiré de la même population cible.

Maintenant, les statistiques nous disent-elles quelque chose de la signification clinique?

Infirmière et patient senior pratiquant une activité physique

Règle générale, les statistiques de description et les statistiques de relation peuvent nous renseigner sur l’ampleur d’un changement ou d’une relation, alors que les statistiques de déduction nous renseignent seulement sur le degré de confiance que nous pouvons avoir envers ces premiers nombres.
Certaines statistiques mesurant la taille de l’effet ont pour but spécifique de nous informer de l’ampleur du changement (par exemple, le d de Cohen), alors que d’autres informations peuvent aider à interpréter l’information contenue dans les statistiques descriptives générales.

Comment utiliser les statistiques de description ou de relation pour savoir si les résultats sont cliniquement significatifs?

Cliquez sur ce document pour voir un exemple.

Devoir optionnel

Vous pouvez maintenant analyser les résultats quantitatifs d’un article de votre choix relié à votre domaine professionnel et envoyer à votre formateur (bpinet@uottawa.ca) l’article choisi en précisant la portion du texte, le tableau ou la figure en question en plus des réponses aux questions suivantes :

Quelles sont les variables dépendantes et indépendantes?
Quel est le niveau de mesure (nominal, ordinal ou cardinal) pour chacune de ces variables?
Les éléments communiqués sont-ils de nature descriptive, relationnelle ou déductive?
Si les résultats comprennent des statistiques déductives, semble-t-il y avoir un lien significatif entre les variables dépendantes et indépendantes?

Vous recevrez ainsi de la rétroaction à votre analyse.

Concepts clés

Voici les concepts clés qui sont importants à retenir pour une meilleure compréhension des résultats statistiques.

Les résultats statistiques nous communiquent normalement trois éléments :

La description d’une variable;
La relation entre deux ou plusieurs variables;
La déduction, à savoir si la relation observée dans l’échantillon est réelle pour la population ciblée.

À la lecture des résultats quantitatifs d’une étude scientifique, tentez de discerner :

Les variables dépendantes et indépendantes;
Le niveau de mesure de ces variables;
Les éléments qui sont communiqués, soit des éléments de description, de relation ou de déduction.

Même si un résultat s’avère statistiquement significatif, prenez la peine de retourner voir les statistiques de description ou de relation pour déterminer si les résultats observés sont applicables cliniquement.

Avec ces quelques concepts clés, vous voilà mieux outillé pour développer votre sens critique à la lecture des résultats quantitatifs!

Unité 3

Mieux comprendre les résultats statistiques

Orientation à l’unité 3

Pourquoi ai-je besoin de comprendre les stats?

Objectif spécifique

Êtes-vous à l’aise avec les stats?

Rétroaction keyboard_arrow_down

Par où commencer?

Qu’est-ce qu’une variable?

Les exemples suivants sont des variables : keyboard_arrow_down

Nominal

Ordinal

Cardinal

Ce que disent les variables

En quoi consistent les statistiques descriptives?

Description

Fréquence

Animation 1 : Exemple de la fréquence

Mesure de tendance centrale / Moyenne

Animation 2 : Exemple de la moyenne

Mesure de dispersion / Écart-type

Animation 3 : Exemple de l’écart-type

info Pour en savoir plus sur l’écart-type et la courbe normale

Animation 4 : Courbe normale

assignment Activité : Reconnaître les statistiques descriptives dans un article scientifique

Mise en contexte :

Comparez vos réponses avec les nôtres : keyboard_arrow_down

Comparez vos réponses avec les nôtres : keyboard_arrow_down

assignment Activité : Reconnaître le niveau de mesure des variables dans un tableau

Mise en contexte :

Tableau 1

Données anthropométriques et données liées à la pratique sportive

Comparez vos réponses avec les nôtres : keyboard_arrow_down

Est-ce qu’il existe une relation entre les variables?

Relation

Variable dépendante et variable indépendante

Exemple

Variables indépendante et dépendante

help Cette nouvelle intervention permet-elle de réduire les cas de diabète de type II comparativement au groupe contrôle chez les individus avec plusieurs facteurs de risque?

Réponses keyboard_arrow_down

Statistiques utilisées pour définir un lien entre deux variables

Exemple

Variables indépendante et dépendante

Réponses keyboard_arrow_down

Statistiques de relation

Rapport de cotes et risque relatif

Exemple

Risque relatif

Corrélation

Exemple

Corrélation

Comparaison entre les moyennes

Exemple

Comparaison entre les moyennes

Pouvez-vous reconnaître les types de relations?

Les rapports de cotes ou les risques relatifs

Une variable nominale dichotomique contient deux catégories.

Les RC ou les RR permettent d’illustrer à quel point le groupe exposé au risque est atteint de la maladie en comparaison au groupe qui est non exposé au risque.

Faits à noter :

assignment Activité : Décortiquer les rapports de cotes dans un article scientifique

Mise en contexte :

Extrait provenant de la section Idée suicidaire, planification et tentative de suicide :

info Pour en savoir plus sur le rapport de cotes et le risque relatif

Pour calculer le rapport de cote (RC) :

Interprétation :

Pour calculer le risque relatif (RR) :

Interprétation :

Les corrélations

Les corrélations de Pearson permettent de décrire une relation entre deux variables cardinales.

assignment Activité : Associer les coefficients de corrélation aux nuages de points

Les corrélations : quelques indicateurs

R = -1,00

R = -0,70

R = -0,50

R = -0,35

R = -0,20

R = 0,00

R = 0,20

R = 0,35

R = 0,50

Rétroaction

Les exemples suivants sont des variables :

Pour en savoir plus sur l’écart-type et la courbe normale

Activité : Reconnaître les statistiques descriptives dans un article scientifique

Comparez vos réponses avec les nôtres :

Comparez vos réponses avec les nôtres :

Activité : Reconnaître le niveau de mesure des variables dans un tableau

Comparez vos réponses avec les nôtres :

Cette nouvelle intervention permet-elle de réduire les cas de diabète de type II comparativement au groupe contrôle chez les individus avec plusieurs facteurs de risque?

Réponses

Réponses

Activité : Décortiquer les rapports de cotes dans un article scientifique

Pour en savoir plus sur le rapport de cotes et le risque relatif

Activité : Associer les coefficients de corrélation aux nuages de points

Activité : Interpréter une corrélation provenant d’un article scientifique

Pour en savoir plus sur les corrélations

Activité : Interpréter une comparaison entre les moyennes

Activité : intervalle de confiance à 95 % (IC 95 %)

Que signifient ces résultats pour vous?

Voyez notre réponse :

Activité : rapports de cote

À la lecture de ce texte, êtes-vous en mesure d’interpréter les trois résultats?

Comparez votre interprétation avec la nôtre

Comparez votre interprétation avec la nôtre

Comparez votre interprétation avec la nôtre

Comparez votre interprétation avec la nôtre

Comparez votre interprétation avec la nôtre

Comparez votre interprétation avec la nôtre

Comparez votre interprétation avec la nôtre

Comparez votre interprétation avec la nôtre

Comparez votre interprétation avec la nôtre

Activité : coefficients de corrélations