Cours 7 - VI, VCS et VE (partie 1) Flashcards
3 types de validité qui sont importantes à évaluer lors de la lecture d’un article
- VCS
- VE
- VI
3 étapes de la recherche
- choix de la pop et de l’échantillon
- tester des hypothèses à priori
- construire la méthodologie de l’étude
validité externe
résultats d’une étude peuvent être appliqués à des personnes en dehors de l’échantillon (pop)
impact des conditions expérimentales sur VE
+ conditions expérimentales sont proches de la pratique réelle, + l’étude aura une bonne validité externe
nomme 2 biais pouvant interférer avec VE
- erreur d’échantillonnage
- validité écologique faible
échantillon représentatif de la pop
on considère un échantillon représentatif s’il possède les mêmes caractéristiques que la pop pour toutes les variables importantes pour l’étude
contexte idéal : échantillon devrait avoir en tout point mêmes caractéristiques que la pop
quoi regarder pour savoir si l’échantillon est représentatif
- critères d’inclusion et d’exclusion des études
- recrutement
- données descriptives de l’échantillon
exemple erreur d’échantillonnage : mauvaise répartition des genres
nomme 4 stratégies pour réduire les erreurs d’échantillonnage
- randomisation
- utilisation d’un échantillon large
- sélectionner des participants de plusieurs sites
- réplication de l’étude dans de nouveaux échantillons
stratégies pour réduire les erreurs d’échantillonnage : randomisation
chaque individu de la pop a la même chance d’être sélectionné
échantillon de convenance
utilisation d’un échantillon de participants facilement disponibles
quel biais peut être engendré par échantillon de convenance
risque majeur d’erreur d’échantillonnage
stratégies pour réduire les erreurs d’échantillonnage : sélectionner participants de plusieurs sites
un même site peut amener participants + âgés, + atteints par maladie, utilisant un tx médicamenteux différent
stratégies pour réduire les erreurs d’échantillonnage : répliquer l’étude dans d’autres échantillons
utiliser la même méthodologie de recherche mais dans d’autres échantillons de la pop
validité écologique
on essaie d’avoir un environnement (dans lequel est réalisé l’étude) le + proche possible de la pratique réelle
ecq validité écologique est la même pour tous les thérapeutes
non! peut être faible pour un tx et forte pour un autre…
stratégies pour limiter les biais dans le cadre de la validité écologique
- considérer : endroit (patients hospitalisés ou non?) procédure d’intervention (ecq professionnel hyperspécialisés? besoin matériel spécifique?) et temps (fréquence des séances? durée du tx?)
- répliquer dans de nouvelles conditions ou avec d’autres thérapeutes
face à un article, qu’est-ce que tu dois faire en tant que clinicien face à un article pour prendre en compte VE
- regarder si l’échantillon est similaire à ta clientèle
- vérifier que conditions de l’étude soient similaires à nos conditions de pratiques
qu’entraîne une erreur d’échantillonnage
ø de généralisation possible
qu’entraîne une faible validité écologique
limite l’applicabilité des résultats
validité de conclusion statistique (VCS)
précision de la conclusion tirée de l’analyse statistique (selon p < ou > à 0,05)
nomme 2 biais pouvant interférer avec VCS
- fishing
- puissance statistique
biais VCS : fishing
auteurs testent hypothèses a postériori (hypothèses qu’ils n’avaient pas prévu d’explorer) ==> prob car calcul de la taille de l’échantillon a été fait pour hypothèse a priori !!!!!!!!
impact du fishing
augmentation du risque de voir une différence qui est due au hasard (erreur type 1)
stratégies pour limiter le fishing
- vérifier si les résultats présentés répondent à l’hypothèse de recherche
- utiliser des procédures statistiques qui prennent compte des analyses multiples (ex. correction de Bonferroni)
- effectuer une autre étude pour tester cette nouvelle hypothèse
correction de Bonferroni
permet d’ajuster le risque alpha en le divisant par le nombre d’analyses (si 5 analyse prévues, chacune sera effectuée au niveau alpha/5)
fishing augmente chances de faire une erreur de type…
1!! car on trouve un effet qui n’existe pas ou qui est due à la chance
biais VCS : puissance statistique
capacité d’une étude à détecter une différence
puissance statistique s’appuie sur 3 paramètres :
- taille de l’échantillon (+ grand n augmente puissance)
- taille de l’effet (grande taille d’effet augmente la puissance)
- risque alpha
que faire lorsqu’une étude ne trouve pas de différence (effet)
vérifier la puissance!
stratégies pour éviter une puissance statistique faible
- augmenter la taille de l’échantillon
- mise en place de stratégies pour le recrutement et pour éviter de perdre des patients au suivi
- augmenter la taille de l’effet que l’on souhaite détecter (???????)
- dans analyse exploratoire, on peut utiliser risque alpha + grand
validité interne
avec quel niveau de confiance je peux considérer les résultats de l’étude comme non biaisés (en lien avec qlté méthodologique de l’étude)
question qui faut se poser pour vérifier VI de l’étude
existe-t-il une autre explication pour les résultats de cette étude?
nomme 11 biais pouvant interférer avec la VI
- biais de maturation
- biais de sélection
- facteurs historiques
- régression à la moyenne
- biais d’attrition
- effet hawthorne
- effet de test
- outils de mesure
- effet pygmalion
- égalisation compensatoire de traitement
- démoralisation compensatoire
biais VI : biais de maturation
des changements se produisent au fil du temps chez les participants en raison du développement (ex. chez enfant) ou de la guérison
biais VI : biais de sélection
groupes comparés dans l’étude ne sont pas similaires sur les caractéristiques importantes
biais VI : facteurs historiques
événements qui se produisent entre le pré-test et post-test
biais VI : régression à la moyenne
scores extrêmes changent et se rapprochent de la moyenne grâce à des tests répétés
biais VI : effet test
un test antérieur affecte le résultat du test ultérieur (plus le test a été effectué, moins les résultats sont valides –> qqun qui s’entraîne avant de refaire le test d’équilibre)
biais VI : biais de mesure
des outils de mesure non valides ou peu fiables, une erreur de test ou un mauvais état de l’instrument entraînent des résultats inexacts
biais VI : biais d’attrition
participants qui abandonnent affectent les résultats de l’étude
biais VI : effet Pygmalion/Rosenthal
chercheurs s’attendent à ce que les participants du groupe expérimental s’améliorent, ou les participants du groupe expérimental s’attendent à ce qu’ils s’améliorent (ex. prof qui sait qu’il a une classe forte)
biais VI : égalisation compensatoire de traitement
groupe témoin est motivé par les chercheurs à rivaliser avec le groupe d’intervention
biais VI : démoralisation compensatoire
comportement des chercheurs décourage le groupe contrôle, ou les participants sont découragés parce qu’ils font partie du groupe contrôle
biais VI : effet Hawthorne
participants modifient leurs comportements car ils sont conscients d’être observés
biais VI : effet Hawthorne
participants modifient leurs comportements car ils sont conscients d’être observés
biais VI pouvant être détectés/supposés lors de la lecture d’un article
- facteurs historiques
- biais de mesure
- effet Hawthorne
stratégies pour limiter les biais dans le cadre de la VI
- groupe contrôle
- randomisation ou appariement des participants
- mise en place d’une insu
- utilisation de méthode statistique
groupe contrôle permet de réduire quels biais de la VI
- biais de maturation
- biais de régression à la moyenne
- facteurs historiques
- effet test
randomisation permet de réduire quels biais de la VI
- biais de sélection
- biais de maturation
appariement des participants permet de réduire quels biais de la VI
- biais de sélection
- biais de maturation
insu permet de réduire quels biais de la VI
- biais de mesure
- effet Pygmalion
- égalisation compensatoire
- démoralisation compensatoire
- effet Hawthorne
utilisation de méthode statistique permet de réduire quels biais de la VI
** analyse en ITT (permet de se rapprocher des conditions réelles de pratique)
- biais d’attrition
