Calculateur de puissance statistique

Qu'est-ce que la puissance statistique ?

La puissance statistique est la probabilité de détecter un effet lorsqu'il existe réellement. Si une intervention fonctionne vraiment, quelle est la chance que votre étude le découvre ?

$\text{Puissance} = 1 - \beta$

Où $\beta$ est la probabilité d'une erreur de Type II (faux négatif — manquer un effet réel).

Une étude avec 80% de puissance a 80% de chances de détecter un effet vrai et 20% de chances de le manquer.

Les quatre quantités connectées

L'analyse de puissance implique quatre quantités interreliées — spécifiez-en trois pour trouver la quatrième :

1. Taille d'échantillon (n) : Nombre de sujets
2. Taille d'effet (d) : Magnitude de la différence
3. Niveau de signification (α) : Taux de faux positifs
4. Puissance (1 - β) : Probabilité de détection

Ce calculateur trouve la puissance étant donné les trois autres.

Le concept de la formule

Pour un test t à deux échantillons :

$\text{Puissance} = P(\text{rejeter } H_0 \mid H_1 \text{ est vrai}) = P(|t| > t_{\text{critique}} \mid \text{effet vrai} = \delta)$

Cette probabilité provient de la distribution t non centrale, décalée par l'effet vrai.

Interpréter la puissance

La convention de 80% : La plupart des domaines considèrent 80% de puissance adéquate. Cela signifie accepter 20% de chances de manquer un effet réel.

Exemples pratiques

Évaluer une étude planifiée

« Je peux recruter 50 sujets par groupe. Quelle est ma puissance pour détecter d = 0,5 ? »

Donné : n = 50, d = 0,5, α = 0,05 Puissance ≈ 0,70

Vous avez 70% de chances de détecter un effet moyen — à la limite acceptable.

Évaluer la faisabilité

« Puis-je détecter un petit effet (d = 0,2) avec les ressources disponibles ? »

Donné : n = 100 par groupe, d = 0,2, α = 0,05 Puissance ≈ 0,29

Seulement 29% de puissance — susceptible de manquer même un effet réel. Besoin de n ≈ 400 par groupe pour 80% de puissance.

Évaluation rétrospective

« L'étude n'a trouvé aucun effet significatif. Était-elle adéquatement alimentée ? »

Cela informe l'interprétation mais notez : la puissance post-hoc basée sur les tailles d'effet observées est problématique (voir ci-dessous).

Facteurs affectant la puissance

Taille d'échantillon

La puissance augmente avec n :

Doubler n ne double pas la puissance — il y a des rendements décroissants.

Taille d'effet

La puissance augmente avec la taille d'effet :

Les grands effets sont faciles à détecter ; les petits effets sont difficiles.

Niveau de signification

Un α plus strict réduit la puissance :

Des seuils de signification plus élevés nécessitent des échantillons plus grands.

Variabilité

Une variance plus élevée (σ plus grand) réduit la puissance. Réduire l'erreur de mesure augmente la puissance sans ajouter de sujets.

La courbe de puissance

Une courbe de puissance trace la puissance vs la taille d'effet pour n et α fixes :

• Puissance = α quand effet = 0 (taux d'erreur de Type I)
• La puissance approche 1 quand l'effet augmente
• Les courbes plus raides indiquent des tests plus sensibles

Unilatéral vs bilatéral

Les tests unilatéraux ont une puissance plus élevée pour le même n :

Mais les tests unilatéraux ne devraient être utilisés qu'avec une forte justification préalable.

Puissance post-hoc : une mise en garde

Calculer la puissance après avoir vu les résultats, en utilisant la taille d'effet observée, est problématique :

• C'est mathématiquement déterminé par la valeur p
• Valeur p élevée → puissance post-hoc faible (logique circulaire)
• Ne répond pas à « L'étude était-elle adéquatement alimentée ? »

Pour l'évaluation rétrospective, calculez la puissance pour une taille d'effet significative, pas celle observée.

Contexte historique

Jerzy Neyman et Egon Pearson (années 1930) ont développé la théorie des erreurs de Type I et Type II, établissant la puissance comme concept fondamental.

Jacob Cohen (1962, 1988) a plaidé pour l'analyse de puissance, notant que la plupart des recherches en psychologie étaient sous-alimentées.

Malgré des décennies de sensibilisation, la puissance reste un problème. Les revues trouvent constamment :

• Puissance médiane en psychologie : 35-50%
• De nombreux résultats publiés sont probablement des faux positifs d'études sous-alimentées

Relation avec les intervalles de confiance

Un IC à 95% qui n'exclut pas zéro implique un résultat non significatif à α = 0,05.

Les IC larges indiquent une faible précision — souvent due à de petits échantillons (faible puissance pour détecter des effets significatifs).

Les IC étroits indiquent une haute précision — l'étude détecterait de petits effets.

Méta-analyse et puissance

Les études individuelles peuvent être sous-alimentées, mais combiner les études en méta-analyse augmente la taille d'échantillon effective et la puissance.

Puissance de méta-analyse à effets fixes :

• Approximativement : √(Σnᵢ) remplace √n
• Plus d'études = plus de puissance

Calculs associés

• Taille d'échantillon pour deux moyennes — Trouver n pour la puissance désirée
• Taille d'échantillon pour deux proportions — Pour les résultats binaires
• Calculateur d'effet minimum détectable — Quel effet pouvez-vous détecter ?
• Calculateur d de Cohen — Estimer la taille d'effet
• Calculateur de distribution t — Valeurs p à partir de statistiques t

Résumé

La puissance statistique — la probabilité de détecter un effet vrai — dépend de la taille d'échantillon, de la taille d'effet et du niveau de signification. Le seuil conventionnel de 80% de puissance accepte un taux de manque de 20% pour les effets réels. Les études sous-alimentées gaspillent des ressources, produisent des résultats non concluants et contribuent au biais de publication. Calculez toujours la puissance avant de mener une étude, utilisez des tailles d'effet réalistes et assurez-vous que votre design a une puissance adéquate pour répondre à votre question de recherche.