Stats 9

Question 1

Pourquoi doit-on calculer une taille d’échantillon ?

Answer 1

1. Impact sur le budget de l’étude
2. Balance entre les considérations cliniques et statistiques
3. Principes éthiques

Question 2

Balance considérations cliniques et statistiques

Effet cliniquement pertinent

Answer 2

Stats :
significatif : parfait
non significatif : n trop petit

quand le n est trop petit, on peut ne pas pouvoir détecter un effet existant important

Question 3

Balance considérations cliniques et statistiques

Effet cliniquement non pertinent

Answer 3

Stats :
significatif : n trop grand
non significatif : parfait

quand le n est trop grand, on peut arriver à stat. significatif.

Question 4

Problèmes si la taille d’échantillon est trop faible pour détecter un effet qui existe ?

Answer 4

exposition des participants inutilement à un traitement ou à une intervention

perte de temps, ressources et argent

Question 5

Problèmes si la taille d’échantillon est trop grande et détecte un effet existant non pertinent ?

Answer 5

Perte de temps, ressources et argent car une étude avec un plus petit n aurait donné la même conclusion

problème éthique potentiel si trop de patients ont été exposés inutilement à un traitement ou à une intervention

Question 6

Quelles sont les 2 types d’erreur quand on fait un test d’hypothèses ?

Answer 6

Erreurs de type I et II

Question 7

Qu’est-ce qu’une erreur de type 1

Answer 7

Rejeter l’hypothèse nulle H0 quand, en fait, H0 est vraie

Trouver un effet significatif alors qu’il ne l’est pas réellement
La probabilité de commettre une erreur de type I est α, le seuil de signification choisit (souvent limité à 5%)

Question 8

Qu’est-ce qu’une erreur de type 2?

Answer 8

Ne pas rejeter l’hypothèse nulle H0 quand, en fait, H0 est fausse
Trouver un effet non significatif alors qu’il l’est réellement
La probabilité de commettre une erreur de type II est β

Question 9

Quelle erreur peut-on faire quand le n est trop grand ?

Answer 9

Erreur de type I (on rejette H0 alors qu’elle est vraie)

Question 10

Quelle erreur peut-on faire si le n est trop petit ?

Answer 10

Erreur de type II (ne pas rejeter H0 alors qu’elle est fausse)

Question 11

Qu’est-ce que la puissance ?

Answer 11

La capacité à détecter une différence significative quand une telle différence existe, c.-à-d. la capacité de rejeter H0 si H0 est fausse

Question 12

Quelle est la formule de la puissance ?

Answer 12

1 - B

Question 13

Plus la puissance est élevée,

Answer 13

plus on s’assure que les résultats non statistiquement significatifs le sont réellement.

Question 14

Qu’est-ce qui se passe quand on diminue le seuil alpha à la puissance ?

Answer 14

si alpha diminue, alors bêta augmente et la puissance diminue.

Question 15

Qu’arrive-t-il si on augmente la taille de l’échantillon à la puissance ?

Answer 15

Quand on augmente la taille de l’échantillon, le B diminue donc la puissance augmente.

Question 16

Qu’arrive-t-il si on augmente la différence des moyennes ?

Answer 16

L’effet est plus facile à détecter.

Question 17

Entre un test bilatéral vs unilatéral, lequel a la puissance la plus élevée ?

Answer 17

Test unilatéral tant que la direction hypothétique H1 est bien spécifiée

Question 18

Si un test bilatéral a un niveau de signification alpha de 0,05, quel est le seuil du test unilatéral pour la même puissance ?

Answer 18

0,10

Question 19

Plus la variance est grande plus il est _____ de détecter un effet significatif et _____ la puissance sera grande.

Answer 19

Plus la variance est grande plus il est difficile de détecter un effet significatif et moins la puissance sera grande.

Question 20

Quelles sont les 2 façons de déterminer la taille d’échantillon requise ?

Answer 20

On désire détecter une certaine différence entre deux moyennes. On cherche donc la taille de l’échantillon requise pour la détecter avec une bonne puissance.
2. On a une capacité de recrutement fixé. On cherche donc à déterminer si la différence que l’on peut détecter avec une bonne puissance est pertinente d’un point de vue clinique. (mais on n’écrit jamais ça comme ça dans une étude)

Question 21

Qu’est-ce que la correction de Bonferroni ?

Answer 21

alpha/nombre de test
permet de déterminer quel est la vrai erreur alpha de l’étude

Question 22

Quand le nombre de test augmente, qu’est-ce qui se passe avec la puissance ?

Answer 22

Puissance diminue

Question 23

Quand le nombre de test augmente, que doit-on faire pour ne pas affecter la puissance ?

Answer 23

Augmenter la taille de l’échantillon

Question 24

Quel est l’objectif d’avoir des issues secondaires ?

Answer 24

Permet de faire des tests sans affecter l’erreur de type I (alpha)
Les issues secondaires = exploratoires

Question 25

Dans quel contexte le calcul de puissance peut être faussé ?

Answer 25

Si l’analyse réalisée ne correspond pas au modèle statistique utilisé pour le calcul de puissance.
Le calcul de puissance doit idéalement reposer sur l’approche statistique prévue pour l’analyse des données.

Question 26

Que faire si le calcul de puissance devient trop complexe ?

Answer 26

On fait une modélisation statistique moins puissance pour déterminer la taille d’échantillon.

Méthode conservatrice car la puissance sera au moins celle nécessaire (ex. Anova à 5 facteurs –> 5 t-tests avec correction de Bonferroni)

Question 27

5 informations requises pour déterminer une taille d’échantillon

Answer 27

Capacité de recrutement
Budget
Pourcentage de perte au suivi
Déterminer la taille d’effet cliniquement pertinente
Trouver les informations requises pour le calcul de puissance (spécifiques au test que l’on fait)

Facile de trouver l’info : perte au suivi, capacité de recrutement, budget
Difficile de trouver : taille d’effet cliniquement pertinente

Question 28

Informations spécifiques pour calculer taille d’échantillon pour une comparaison de 2 moyennes

Answer 28

Différence cliniquement signifiante
Variance de la mesure (si inconnue : on prend celle du placébo et on assume qu’elle est la même pour le groupe Tx ou que celle dans le groupe Tx est plus grande (+ conservateur))

Attention: ne pas confondre erreur type et écart-type

Question 29

Que faire si on ne connait pas la variance ?

Answer 29

On prend celle du placébo et on assume qu’elle est la même pour le groupe Tx ou que celle dans le groupe Tx est plus grande (+ conservateur)

Question 30

Qu’est-ce que l’erreur type ?

Answer 30

Erreur sur la moyenne (standard error of the mean)
Sigma/racine carré de n

plus petit vs écart-type. attention de pas l’utiliser car va diminuer notre n requis.

Question 31

Informations spécifiques pour une comparaison de 2 proportions

Answer 31

Différence cliniquement signifiante
Proportion dans le groupe contrôle (définis la variance) La proportion de 0,5 correspond au scénario le plus conservateur (valeur maximale à p=0,5) pour n fixé.

Question 32

Que faire quand on ne connait pas la proportion dans le groupe contrôle ?

Answer 32

On prend une proportion de 0,5 = plus conservatrice. (équivaut à 50%)

Question 33

Informations spécifiques pour une comparaison de l’évolution de 2 groupes dépendants (étude pré-post)

Answer 33

Variance de la différence (pas la variance de la mesure)

Question 34

Quand exprime-t-on un résultat sous forme d’IC ?

Answer 34

Quand l’objectif est d’estimer et non tester.

Pas de test statistique dans ce cas, donc pas d’erreur de type II ni de notion de puissance statistique. On calcule quand même une taille d’échantillon.

Question 35

La largeur de l’intervalle de confiance dépend de ?

Answer 35

Du nombre d’observations. Plus n augmente, plus la taille de l’intervalle va diminuer (augmente la précision)

Question 36

Information spécifique si on veut estimer un paramètre

Answer 36

Variance de la mesure.
Moyenne : écart-type
Proportion : de quel ordre (0,5 à 0,7)

Question 37

Vrai ou faux : il est difficile d’établir une taille d’échantillon pour une régression linéaire

Answer 37

Faux, car dépend de plusieurs paramètres.
Encore plus complexe pour la régression logistique.

Question 38

Quelles sont les conditions pour faire une régression linéaire

Answer 38

Au moins 10 participants par variable dans le modèle
Pour des effets de moyens (Ex. psychologie) :
100 participants + 1 supplémentaire par variable dans le modèle pour estimer un coefficient
Environ 50 + 1 supplémentaire par variable pour estimer une corrélation ou R^2
–> le risque d’erreur de mesure est grand donc on veut un grand n.