Calculateur de correction de Bonferroni

Qu'est-ce que la correction de Bonferroni ?

La correction de Bonferroni ajuste les niveaux de signification lors de l'exécution de plusieurs tests statistiques. Elle contrôle le taux d'erreur global (FWER) — la probabilité de faire au moins une erreur de Type I parmi tous les tests.

Le problème : Avec 20 tests à α = 0,05, attendez-vous à 1 faux positif même si aucun effet vrai n'existe.

La solution : Divisez α par le nombre de tests.

$\alpha_{ajusté} = \frac{\alpha}{m}$

Où m est le nombre de tests.

Le problème des comparaisons multiples

Test unique

Avec α = 0,05, il y a 5% de chance de faux positif.

Tests multiples

Formule : $1 - (1 - \alpha)^m$

Sans correction, les faux positifs s'accumulent rapidement.

Comment fonctionne Bonferroni

Niveau alpha ajusté

Si test à α global = 0,05 avec m = 10 comparaisons :

$\alpha_{Bonferroni} = \frac{0,05}{10} = 0,005$

Chaque test individuel utilise α = 0,005.

Valeurs p ajustées

Alternativement, multipliez chaque valeur p par m :

$p_{ajusté} = \min(p \times m, 1)$

Comparez les valeurs p ajustées à l'original α = 0,05.

Exemple

Scénario : Comparer 4 groupes de traitement par paires (6 comparaisons).

α ajusté = 0,05/6 = 0,0083

Seules les comparaisons avec p brut < 0,0083 restent significatives.

Quand utiliser Bonferroni

Approprié

• Comparaisons pré-planifiées (pas guidées par les données)
• Analyse confirmatoire
• Quand les faux positifs sont coûteux
• Petit nombre de tests (< 20)
• Les tests sont indépendants ou positivement corrélés

Moins approprié

• Beaucoup de tests (> 20) : Trop conservateur
• Analyse exploratoire : Utilisez des méthodes moins strictes
• Tests dépendants : D'autres méthodes peuvent être plus puissantes
• Quand les faux négatifs sont coûteux

Avantages

Simplicité

Facile à calculer et à expliquer.

Conservateur

Garantit FWER ≤ α.

Pas d'hypothèses

Fonctionne pour toute combinaison de tests, quelle que soit la dépendance.

Flexibilité

Peut être appliqué à n'importe quel ensemble de valeurs p.

Inconvénients

Trop conservateur

Surtout avec beaucoup de tests, les effets réels peuvent être manqués.

Exemple : Avec 100 tests, α_ajusté = 0,0005. Même des effets vrais modérés peuvent ne pas atteindre la signification.

Puissance réduite

À mesure que le nombre de tests augmente, la puissance pour détecter les vrais effets diminue.

Même ajustement pour tous

Ne distingue pas entre les tests d'importance variable.

Alternatives à Bonferroni

Holm-Bonferroni (descendant)

Plus puissant que Bonferroni tout en contrôlant le FWER.

1. Ordonner les valeurs p de la plus petite à la plus grande
2. Comparer p_(i) à α/(m - i + 1)
3. Rejeter jusqu'au premier non-rejet, puis arrêter

Holm rejette plus (3 vs 2) tout en maintenant le contrôle du FWER.

Correction de Šidák

Légèrement moins conservatrice que Bonferroni :

$\alpha_{Šidák} = 1 - (1 - \alpha)^{1/m}$

Pour m = 10 : α_Šidák = 0,00512 vs 0,00500 de Bonferroni.

Benjamini-Hochberg (FDR)

Contrôle le taux de fausses découvertes plutôt que le FWER. Plus puissant pour les tests à grande échelle.

Tukey HSD

Pour toutes les comparaisons par paires après ANOVA. Utilise la distribution de l'étendue studentisée.

Dunnett

Pour comparer chaque traitement à un seul contrôle.

Comparaison des méthodes

Combien de tests sont effectués ?

Compter correctement les tests est crucial :

Compter tous les tests effectués

Y compris ceux qui « n'ont pas fonctionné ».

Inclure les tests préliminaires

Si vous avez testé la normalité, l'homogénéité, etc., ceux-ci comptent.

Ne pas compter :

• Les statistiques descriptives
• Les intervalles de confiance pour le même paramètre
• Les analyses de sous-groupes déclarées a priori

Applications

Comparaisons post-hoc

Après ANOVA, comparer toutes les paires de moyennes de groupes.

Analyses de sous-groupes

Tester les effets de traitement dans plusieurs sous-groupes de patients.

Critères d'évaluation multiples

Essais cliniques avec plusieurs mesures de résultat.

Études génétiques

Bien que les méthodes FDR soient généralement préférées pour des milliers de tests.

Études d'imagerie

Plusieurs régions cérébrales ou voxels.

Rapporter les résultats

Méthode 1 : Rapporter l'alpha ajusté

« La correction de Bonferroni a été appliquée pour 6 comparaisons par paires, utilisant α = 0,05/6 = 0,0083. Deux comparaisons sont restées significatives : A vs B (p = 0,003) et B vs C (p = 0,008). »

Méthode 2 : Rapporter les valeurs p ajustées

« Les valeurs p ont été ajustées en utilisant la correction de Bonferroni. Des différences significatives ont été trouvées entre A et B (p_adj = 0,018) et entre B et C (p_adj = 0,048). »

Erreurs courantes

Corriger quand ce n'est pas nécessaire

Une seule comparaison primaire pré-spécifiée n'a pas besoin de correction.

Sous-compter les tests

Oublier les analyses préliminaires ou les tests abandonnés.

Sur-corriger

Corriger pour les tests d'autres études ou des hypothèses non liées.

Utiliser avec des milliers de tests

Bonferroni est trop conservateur pour les tests à l'échelle génomique. Utilisez les méthodes FDR.

Contexte historique

Carlo Emilio Bonferroni (1892-1960) était un mathématicien italien qui a développé des inégalités de probabilité utilisées dans cette correction.

L'inégalité de Bonferroni stipule : $P(A_1 \cup A_2 \cup \cdots \cup A_m) \leq \sum P(A_i)$

Cette inégalité garantit que diviser α par m contrôle le taux d'erreur global.

Calculs associés

• Calculateur Tukey HSD — Post-hoc pour ANOVA
• ANOVA à un facteur — Test omnibus avant comparaisons
• Test t à deux échantillons — Comparaisons individuelles
• Test du chi-carré — Comparaisons catégorielles

Résumé

La correction de Bonferroni contrôle le taux d'erreur global en divisant α par le nombre de tests ou en multipliant les valeurs p par le nombre de tests. Elle est simple et robuste mais conservatrice — considérez Holm-Bonferroni pour plus de puissance tout en maintenant le contrôle du FWER, ou les méthodes FDR pour beaucoup de tests. Comptez tous les tests effectués, y compris les analyses préliminaires. Rapportez soit le niveau alpha ajusté, soit les valeurs p ajustées. Utilisez-la pour les analyses confirmatoires avec un petit nombre de comparaisons pré-planifiées.