Cours 10. Plans expérimental et d'échantillonnage

Question 1

2 types étude en biologie/écologie

Answer 1

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

Question 2

Étude expérimentale

Answer 2

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

Question 3

Étude observationnelle

Answer 3

Peut identifier association entre traitements et réponse -> corrélation

Question 4

Variable de confusion/confondante

Answer 4

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

Question 5

Plan statistique

Answer 5

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

Question 6

Étapes élaboration plan statistique

Answer 6

1. Développer question recherche claire
   - Hypothèse scientifique? Intéressante? Déjà abordée? Objectifs clairs = expériences clairs
2. Lister résultats possible expériences
   - Veut obtenir/risque obtenir, Conclusion claire atteignable? Donne réponse question?
3. Développer plan expérimental
   - Écrire, faire schémas, réviser -> Souvent
4. Garder simple/simplifier expérience
   - Pour pas perdre objectifs de vue/éviter erreur/généraliser résulatas
   - Évite traitements incompréhensible -> peut jeter doute sur étude
5. Vérifier problème design courant
   - Assez réplicas? Échantillons indépendants? Évite seudoréplication? Identifie variables confondantes
6. Taille échantillon suffisante?
   - Taille effet détectable dépend #observation, Assez intervalle permet conlcuer effet?
7. Discuter design

Question 7

Réduire biais estimations

Answer 7

Biais réfère exactitude -> inexact = biaisé

3 techniques pour minimiser;

1. Groupes contrôle/témoins
2. Randomisation
3. Test aveugle

Question 8

Groupes contrôle/témoins

Answer 8

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

Question 9

Randomisation

Answer 9

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

Question 10

Test à l’aveugle

Answer 10

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

Question 11

Réduire erreur d’échantillonnage/de mesure

Answer 11

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;

1. Réplication
2. Équilibrage
3. Blocking
4. Traitements extrêmes

Question 12

Réplication

Answer 12

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

Question 13

Pseudoréplication

Answer 13

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

Question 14

Équilibrage

Answer 14

Simplement prévoir même n pour chaque traitement/contrôle (n1 = n2)
- Permet minimiser 1/n1 + 1/n2 tests 2 variable de t

Question 15

Blocking

Answer 15

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

Question 16

Traitements extrêmes

Answer 16

Petits effets traitement difficile à détecter
Besoin N élevé et grande précision mesure
Façon détecter si traitement a effet sur système -> inclu traitements extrèmes
- Ex : besoin utilise échelle log

Question 17

Expérience > 1 facteur

Answer 17

Intéressant répondre plusieurs question à partir 1 expérience;

• Raisons logistiques ($, temps, matériel)
• Facteurs peuvent intéragir

Ex : étude effet ↑ [CO2 atmo] sur écosystèmes marins

• Facteur 1 : cause effet sere donc ↑ T°
• Facteur 2 : cause acidification océeans (cycle carbonates)
• Intéractions et effet sur expèces marines intéressants

Implique plan expérience factoriel -> desgin factoriel

• Étudie toutes conbinaiosn possible traitements (2 facteur + 2 traitemesnt -> 4 expériences)
• Permet détecter éventuelles interactions

Question 18

Si expériences pas possibles …

Answer 18

Doit faire études observationnelles
Meilleur incorpore tous éléments expériementales pour réduire
- Biais (contrôles, test aveugle)
- Influence erreur mesure (réplication, équilibrage, blocking)

Plusieurs approche pour assurer répond 1ère condition application
- Soit échantilonnage aléatoire/indépendant/représentatif

Question 19

Échantillonnage aléatoire simple

Answer 19

Échantillone simplement n dans N

Avantage : simple, efficace

Désavantages ;

• Doit avoir accès tout population
• Pas autant représentatif que échantillonnage stratifié

Question 20

Échantillonnage stratifié

Answer 20

Divise population en strates/blocs -> échantilonne n invidu aléatoirement bloc

• Toujours même nombre n dans tous blocs
• Utile diviser population selon classe social, densité, …

Avantages : représentatif

Désavantages : besoin connaissance préalable sur population

Question 21

Échanitllonnage par grappe

Answer 21

Divise population en grappes/blocs -> sélectionne alétoirement blocs échantillone tous individus
- Ex : famille

Avantages : peu couteux, facile

Désavantages : difficle jugé représentativité (oui ou non?)

Question 22

Échantillonnage systèmatique

Answer 22

Échantillonne population manière régulière -> tous x ième individu
- Ex : pose question coin rue à chaque 5 personnes

Avantages : facile expliquer/appliquer

Désavantages : problèmes représentativité
- Si présence patrons répéte dans population avec certaine fréquence

Question 23

Échantillonnage hiérarchique

Answer 23

Sélection aléatoirement n grappes et k individus dans chacune grappe

Avantages : coût, représentativité

Désavanatges : besoin connaissance préalable sur population
- Fait quand connait existe structure dans population

Souvent associé ANOVA, blocking,

Question 24

Échantillonnnage de convenance

Answer 24

Sélectionne individus accessible
- Ex : dans intersections à Shinjuku

Avantages : coût, facile

Désavanatges : mauvais représentativité possible

Question 25

Associer et ajuster (match and adjust)

Answer 25

Utilise pour minimiser influence possible variable confusion -> observationnelle
- Ex : taulle cochon (petit vs moyen vs gros)

Association : associe unité «semblables» et distribue aléatoirement traitements
- Pas toujours possible -> utilise ajustement

Ajustement : liste variables confondantes et choisit groupes partage distributions vairable valeur similaire
- Ou au moins mesure variables confondantes

Utilise ANCOVA

Question 26

Taille échantillons

Answer 26

Élément clé expérience : détermination # unité échantillonnage à inclure

• Trop peu -> intervalle confiance trop grand, pas possible détecter effet
• Trop grand -> directeur haït car dépenser tous fonds recherche

Doit trouvé bon compromis entre : faisabilité, puissance et précision

3 types de plans;

1. Plan pour précision
2. Plan pour puissance
3. Plan pour perte de donner

Question 27

Plan pour précision

Answer 27

Calcul nombre optimal individus à échanitllonner pour obtenir ME voulue
- Donc veut estimer taille effet avec max précision

Si compare 2 moyennes (considère conditions correctes et plan équilibré)

• Estime intervale 95% μ1-μ2 avec Y1-Y2 ± ME -> ME = 1/2 intervalle
• Peut utiliser règle pouce : intervale confiance = 2ME ≈ 2SE où S : écart-type échantillon

Formule pour n : n = 8*( S / ME )^2 -> n dépend ME
- Plus S grande et ME voulue petite -> plus n grand

Difficulté : estimation S et décision ME à avance

• Base sur connaissance existante (litérature)/expériences préliminaires
• Intervale = S/2

Relation précision intervalle 95% et n augemente vite premier petit n

Question 28

Plan pour puissance

Answer 28

Planifie n pour obtenir certain probabilité/puissance pour rejeter H0 fausse

Utilise souvent puissance 80% -> si H0 fausse veut n permet prouver fausse 8/10

Formule : n = 16*(S / D)^2

• Pour puissance 80% et α = 0,05
• D : seuil différence (|μ1-μ2|) sous quel rejet H0 intéresse pas -> équivaut intervale précision

Question 29

Plan pour perte de données

Answer 29

Plan pour précision/puissance valable pour données à fin expériences
Si soupçonne perte unité possible/mortalité -> doit compenser en conséquences
- Augemente n dès début