10. Plans expérimental et d'échantillonnage Flashcards
2 types étude en biologie/écologie
Études expérimentales
- Chercheur assigne traitement unités échantillonnage -> compare réponse respective
- Ex : médicament dans étude clinique
Études observationnelles
- «Nature» assigne traitement -> chercheur pas influence quelle unité recoit quoi
- Ex : taux cancer foie alcooliue vs non-alcoolique
Étude expérimentale
Peut identifier cause association entre traitements et réponses -> causalité
- Si étude bien planifier
Généralement généralisable (par induction) -> moins spécifique
- Donc possède portée plus grande que observationnelle
Bonne expériementation permet contourner problème variable de confusion/confondante
- Assigne aléatoirement traitements (randomisation) -> brise possible association
individu/variable non mesuré
Reste soumise biais expérimental -> artéfact mesure systématique
- Introduit par procédé expériemental (manière récolte mesures)
- Besoin conditions plus naturelles possible pour éviter -> pris en compte lors planifie
Étude observationnelle
Peut identifier association entre traitements et réponse -> corrélation
Variable de confusion/confondante
Déf : variable non mesurée varie avec variables étudié
- Peut donner fausse impression causalité
- Ex : #télé et espérance de vie, surpoids et consommation brocoli
Peut s’agir variable Z qui explique X et Y
Plan statistique
Essentiel planifier analyses nécessaire confirmer/infirmer hypothèse avant expérience
- Permet récolter bonne informations/mesures
- Permet simplifier analyse suite mesures
Chercher toujours maximiser chance succès, soit obtenir résultats valides
Pour expérimetale;
- Planifie pour réduire biais/influence erreur mesures
- Choisit taille échantillons à l’avance
Pour observationnelle;
- Incopre plus bonne pratique expérimentale possible
Étapes élaboration plan statistique
- Développer question recherche claire
- Hypothèse scientifique? Intéressante? Déjà abordée? Objectifs clairs = expériences clairs - Lister résultats possible expériences
- Veut obtenir/risque obtenir, Conclusion claire atteignable? Donne réponse question? - Développer plan expérimental
- Écrire, faire schémas, réviser -> Souvent - Garder simple/simplifier expérience
- Pour pas perdre objectifs de vue/éviter erreur/généraliser résulatas
- Évite traitements incompréhensible -> peut jeter doute sur étude - Vérifier problème design courant
- Assez réplicas? Échantillons indépendants? Évite seudoréplication? Identifie variables confondantes - Taille échantillon suffisante?
- Taille effet détectable dépend #observation, Assez intervalle permet conlcuer effet? - Discuter design
Réduire biais estimations
Biais réfère exactitude -> inexact = biaisé
3 techniques pour minimiser;
- Groupes contrôle/témoins
- Randomisation
- Test aveugle
Groupes contrôle/témoins
Déf : goupe sujets expériementaux traité comme autres mais subit aucun traitement
- Permet mieux estimer taille effet étudié
Préférable avoir plusieurs témoins
- Si contraites logistiques, coupes traitements avant témoins
Randomisation
Implique fait assigner aléatoirement traitements
- Absence traitement = témoins
Permet;
- Briser possibles associations entre individus et variables confondantes/non mesurées
- Supprimer biais associé variables confondantes/non mesurées
Doit être fait façon systématique -> ex : liste nombre aléatoire
Test à l’aveugle
Implique fait cacher infos sur traitements aux humains
Simple aveugle : sujets connaissent pas traitements
Double aveugle : sujets + expériementateus connaissent pas traitements
- Important pour limiter possibilité partilité -> veut expérience fonctionne
- Surtout utilié contexte biomédical/psychologie -> quand sujet doit décrire effet traitement
- Utiles plusieurs individus impliqués recherche
- Demande 1 personne prépare traitement, 1 autre fait
Réduire erreur d’échantillonnage/de mesure
Erreur d’échantillonnage réfère précision -> imprécis = erreur
- Précision important capable détecter possible effet
Possède impact direct/important analyses statistiques
Veut réduire erreurs/impact erreurs pour laisser que variabilité naturelle entre mesures
4 techniques pour minimiser;
- Réplication
- Équilibrage
- Blocking
- Traitements extrêmes
Réplication
Simplement application traitement plusieurs unités échantilonage et nombre suffisant
- Limite pas multiplication mesure -> doit fair eattention pseudoréplication
Unité : individu ou collection individus
- Collection mesure plus chance semblable -> considère comme une mesure (moyenne)
Plus réplicas/ = moins erreur
- Rappel : SE inversement proportionnelle racine carré n (SE = S/√n)
Donc augmentation effectif = réduit erreur/intervalle confiance, augmente puissance, …
- Mais coute : $$$, temps ressource, … -> possible optimser à avance
Pseudoréplication
Problème plus répandu design expériementaux/observationnels
Apparait quand mesure individuelles pas indépendantes mais analysées comme
- Ex : compare effet fertilisateur mais triatement regroupé dans incubateurs distincts
Unité échantilonnage = incubateur
Solutions : mélange traiatement dans incubateur
- Assure variables confondantes affecte 2 traitements également
Équilibrage
Simplement prévoir même n pour chaque traitement/contrôle (n1 = n2)
- Permet minimiser 1/n1 + 1/n2 tests 2 variable de t
Blocking
But : répartir unités expérimentales dans blocs varie pour raison hors contrôle
- Permet répartir aléatoirement impacts potentiels variables confondantes
- Ressemble randomisation, mais exerce à niveau supérieur unité échantilonnage
Solution efficace pseudoréplication si répatir traitement alétoirement dans blocs
- Ex : plates dans incubateurs
Designe blocs randomisés = extension design apparié mais pour >2 traitements
- Effet traitements mesuré par différence entre traitement dans bloc (utilise ANOVA)
Très utiles si;
- Unités dans homogènes (excepté traitements)
- Varie dû raisons naturelles/environementalles
