Cours 10 : Plans expérimentaux et plans d'échantillonnage Flashcards
Quelles sont les deux types d’études en biologie?
- Étude expérimentale
2. Étude observationnelle
Qui-suis-je? « Le chercheur assigne les traitements aux unités expérimentales de façon à pouvoir comparer leurs réponses respectives »
Étude expérimentale
Qui-suis-je? « La Nature s’occupe d’assigner les traitements aux unités expérimentales. Le chercheur n’a pas d’influence sur quelle unité expérimentale reçoit quel traitement. »
Étude observationnelle
Vrai ou faux? « Les résultats expérimentaux sont généralisables (induction) et ont une portée beaucoup plus grande en général. »
Vrai!
Vrai ou faux? « les études observationnelles peuvent identifier les associations entre les traitements et les réponses des systèmes et peuvent identifier les causes de ces associations »
Faux. Seule une étude expérimentale (correctement planifiée) peut identifier les causes de ces associations.
Quel problème l’expérimentation permet-elle de contourner?
Le problème des variables de confusion
Qui-suis-je? « variable non mesurée qui varie de concert avec la variable étudiée et qui donne ainsi une fausse impression de causalité. »
Variable de confusion
Qui-suis-je? « Lors de l’expérimentation, je permet de briser de possibles associations entre les individus et d’autres variables non mesurées. »
Randomisation
par exemple, en assignant de façon aléatoire les traitements aux unités expérimentales
Qui-suis-je? « Artéfact de mesure systématique introduit par le procédé expérimental »
Biais expérimental
Vrai ou faux? « il n’existe présentement aucune façon d’éviter le biais expérimental »
Faux.
Pour éviter ce problème, il faut planifier des expériences dans des conditions aussi naturelles que possible.
À quel moment doit-on planifier les analyses statistiques nécessaires pour confirmer/infirmer vos hypothèses de recherche expérimentale?
Au début du projet
Quelles sont les étapes (7) à suivre lors de la planification d’un protocole expérimental afin de maximiser nos chances de succès (obtenir des résultats valides est utiles) ?
- Développer une question de recherche claire
- Faire la liste des résultats possibles de l’expérience
- Développer un plan expérimental
- Garder les expériences aussi simples que possible
- Vérifier les problèmes de design les plus courants
- Vérifier si la taille de l’échantillon est suffisante
- Discutez de votre design
Quelles sont les questions qu’on doit se poser lorsqu’on cherche à développer une question de recherche claire? (étape 1 de la planification)
- Quelle est l’hypothèse scientifique ?
- Est-ce que la question est intéressante ?
- Est-ce qu’elle a déjà été abordée dans la littérature ?
- Identifiez des objectifs clairs associés à des expériences claires !
Quand on parle de « faire la liste des résultats possibles de l’expérience », à quoi au juste faisons-nous référence?
En plus de ce que vous voulez, pensez à ce que vous risquez d’obtenir :
– Pourrez vous arriver à une conclusion claire quel que soit le résultat ?
– Est-ce que vos conclusions répondront à vos questions ?
Si la réponse est non aux deux questions, il faut refaire le design
La simplification des expériences d’un plan expérimental amène plusieurs avantages (4). Nommez-les.
- Ne pas perdre de vue vos objectifs
- Éviter des erreurs
- Généraliser la portée de vos résultats
- Évite les traitements statistiques incompréhensibles !
Quels sont les 4 problèmes de design les plus courants?
- Nombre de réplicas insuffisant
- Les échantillons ne sont pas indépendants
- Pseudoréplication
- Le design ne permet pas d’identifier d’avance des variables confondantes.
Quels sont les buts (2) principaux d’une bonne planification pour une étude expérimentale?
- Réduire les biais et l’influence des erreurs de mesure 2. Choisir d’avance la taille de nos échantillons
Vrai ou faux? « Dans une étude observationnelle, il faut incorporer le plus possible les meilleures pratiques d’une étude expérimentale. »
Vrai
Qui-suis-je? « Problème d’exactitude dans les résultats d’un échantillonnage »
Biais
Qui-suis-je? « Problème de précision dans les mesures d’un échantillon »
Erreur de mesure
Qui-suis-je? « Groupe de sujets expérimentaux qui sont traités en tout point comme tous les autres, excepté pour le traitement et qui permet de mieux estimer la taille de l’effet étudié. »
Groupes contrôles/témoins
Vrai ou faux? « Il est recommandé d’avoir plusieurs groupes témoins, même si ça coûte cher »
Vrai
Qui-suis-je? « Fait d’assigner aléatoirement les traitements (et l’absence de traitement = groupe contrôle) aux unités expérimentales et qui permet de briser de possibles associations avec des variables confondantes et de supprimer les biais associés. »
Randomisation
De quelle façon est-ce que la randomisation doit absolument être faite pour être legit?
Elle doit être faite de façon systématique, par exemple avec R
Qui-suis-je? « Lorsqu’on cache l’information concernant les traitements aux intervenants humains. »
Tests à l’aveugle
Quels sont les deux types possibles de tests à l’aveugle? Les nommer et les décrire.
- Expérience en simple aveugle : les sujets humains (par ex. patients) ne distinguent pas leur traitement.
- Expérience en double aveugle : Ni les sujets ni les expérimentateurs humains ne distinguent les traitements.
Dans quels cas (2), par exemple, est-il utile d’utiliser des tests à l’aveugle?
- Dans le contexte biomédical et dans les expériences de psychologie : lorsque le sujet humain doit décrire de façon subjective l’impact du traitement.
- Lorsque plusieurs individus sont impliqués dans vos recherches.
(Vous pouvez faire préparer les traitement par
quelqu’un et les faire faire par d’autres.)
Vrai ou faux? « l’erreur de mesure a un impact direct et important sur les analyses statistiques. »
Vrai
Que permet la réduction des erreurs de mesure, ou du moins, de leur impact?
De ne laisser que la variabilité naturelle entre les mesures.
De quelles façons (4) peut-on réduire l’erreur d’échantillonnage?
- Augmenter le nombre de réplicas
- Équilibrage (même effectif (n) pour tous les traitements)
- Répartir les données en blocs
- Traitements extrêmes
Vrai ou faux? « La réplication des mesures ne se limite pas à la multiplication des mesures. »
Vrai
Quel est le problème le plus répandu dans les designs expérimentaux?
La pseudoréplication
Qui-suis-je? « J’apparaît lorsque des mesures individuelles qui ne sont pas indépendantes sont néanmoins analysées comme si elles l’étaient. »
Pseudoréplication
Vrai ou faux? « L’erreur d’échantillonnage est diminuée lorsqu’on augmente le nombre de réplicas. »
Vrai
Vrai ou faux? « L’erreur standard est inversement proportionnelle à la racine carrée de l’effectif. »
Vrai.
Dans quel intervalle de nombre de mesures l’erreur standard connaît-elle la plus grande diminution?
Entre 10 et 20 mesures.
Quelles sont les conséquences (positives ou négatives) qui sont liées à l’augmentation de l’effectif d’échantillonnage?
(+) Réduit l'erreur d'échantillonnage (+) Intervalles de confiance plus précis (+) Augmente la puissance des tests (-) Coût : \$\$$ (-) Temps (-) Ressources humaines
Qui-suis-je? « Concept de prévoir le même effectif n pour chaque traitement (et les contrôles). »
Équilibrage
Qui-suis-je? « Concept qui vise à répartir les unités expérimentales dans des blocs qui peuvent différer pour diverses raisons qu’on ne contrôle pas. »
« Blocking »
Que permet d’accomplir le « blocking »?
Cela permet de répartir aléatoirement les impacts potentiels de variables confondantes
Vrai ou faux? « Le blocking est une forme de randomisation mais qui s’exerce à un niveau supérieur sur l’unité expérimentale. »
Vrai
Selon quelle condition est-ce que le blocage est une solution efficace à la pseudoréplication?
à condition de répartir les traitements aléatoirement à l’intérieur des blocs
Qu’est-ce que le design en blocs randomisés?
Une extension d’un design apparié mais pour > 2 traitements
Comment l’effet des traitements dans un
design en blocs randomisés est-il mesuré?
Comme pour un test de t apparié : par la différence entre les traitements à l’intérieur des blocs
Pourquoi faire des traitements extrêmes?
Parce que les petits effets d’un traitement sont difficiles à détecter, parce qu’il faut un N élevé et une grande précision de mesure.
Qui-suis-je? « Une façon de détecter si un traitement a un effet sur le système étudié »
Faire des traitements extrêmes
Quel est l’avantage de faire des expériences qui étudient plus qu’un facteur à la fois?
- Permet de répondre à plusieurs questions en une expérience
- Coûte moins cher, moins de temps et de matériel
- Utile lorsque les facteurs peuvent interagir ensemble
Qui-suis-je? « Type de plan expérimental que l’on doit faire lorsqu’on fait l’étude expérimentale de plus qu’un facteur? »
Plan d’expérience factoriel OU design factoriel
En quoi consiste un plan d’expérience factoriel?
C’est un plan qui étudie toutes les combinaisons de traitement possibles et qui permet de détecter d’éventuelles interactions.
Qui-suis-je? « Type d’expérience vers laquelle on se retourne lorsque les études expérimentales ne sont pas possibles. »
Études observationnelles
Quel est le seul élément des études expérimentales qui n’est JAMAIS inclus, même dans les meilleures études observationnelles?
La randomisation
Quelles sont les façons possibles (7) qu’on peut échantillonner une population?
- Échantillonnage aléatoire simple
- Échantillonnage stratifié
- Échantillonnage par grappes
- Échantillonnage systématique
- Échantillonnage hiérarchique
- Échantillonnage de convenance
- Associer et ajuster (Match & Adjust)
Quelles sont les méthodes d’échantillonnages qui ont un problème de représentativité?
- Échantillonnage aléatoire simple
- Échantillonnage par grappes
- Échantillonnage systématique *si patron répété
- Échantillonnage de convenance
Quelles méthodes d’échantillonnage nécessites qu’on ait des connaissances préalables sur la population échantillonnée?
- Échantillonnage stratifié
- Échantillonnage hiérarchique
Quel est le plus grand défi des études observationnelles?
Minimiser l’influence possible de variables de confusion.
Quelle est la méthode d’échantillonnage qui vise spécifiquement à diminuer l’influence possible de variables de confusion?
Associer et ajuster (Match & Adjust)
Quels sont les impacts liés à un nombre d’unités expériementales (A) trop faible dans une expérience?
(B) Trop grande?
(A) intervalle de confiance sera trop large pour détecter un effet
(B) votre directeur va vous haïr lorsque vous aurez dépensé tous ses fonds de recherche $$$
Quels sont les 3 types de plans qui permettent de bien estimer quelle taille d’échantillon est nécessaire pour une expérience donnée?
- Plan pour la précision
- Plan pour la puissance
- Plan pour la perte de données
En quoi consiste un plan pour la précision?
estimer la taille de l’effet avec un maximum de précision (un niveau de précision prédéterminé) en se basant sur des connaissances existantes (littérature) ou faire des expériences préliminaires.
Quel est l’intervalle du nombre d’effectif (n) qui a le plus grand impact sur l’augmentation de la précision?
Entre 2 et 10
En quoi consiste un plan pour la puissance?
Planification de notre effectif afin d’obtenir une certaine probabilité de rejeter une hypothèse nulle fausse , c.-à-d. une certaine puissance.
Vrai ou faux? « Dans les plans pour la puissance, une puissance souvent utilisée est 80% »
Vrai
Dans quelle condition est-ce qu’on doit considérer à utiliser un plan pour la perte de données?
si on soupçonne une perte d’unités d’échantillonnages possible (tags sur animaux, balises sur la glace…) ou de la mortalité, il faut compenser en conséquence (+++), c’est-à-dire augmenter dès le départ notre effectif.
