Calculateur du test exact de Fisher

Qu'est-ce que le test exact de Fisher ?

Le test exact de Fisher détermine s'il existe une association entre deux variables catégorielles lorsque les tailles d'échantillon sont petites. Contrairement au chi-carré, il calcule des probabilités exactes plutôt que de s'appuyer sur des approximations.

Question posée : « Y a-t-il une relation entre ces deux variables catégorielles ? » (lorsque la taille d'échantillon est trop petite pour le chi-carré)

Exemples :

• « Une maladie rare est-elle associée à une exposition rare ? » (peu de cas dans chaque cellule)
• « Le traitement a-t-il amélioré le résultat dans un petit essai clinique ? »
• « Y a-t-il un biais de genre dans un petit ensemble de données d'embauche ? »

Pourquoi « Exact » ?

Le chi-carré utilise une distribution continue pour approx

imer les données discrètes. Cette approximation échoue avec de petits échantillons.

Test exact de Fisher :

• Calcule la probabilité exacte de tableaux observés (ou plus extrêmes)
• Valide pour toute taille d'échantillon
• Pas d'exigence de fréquence attendue minimale

Le tableau 2×2

Disposition standard :

Étant donnés des totaux marginaux fixes (totaux de lignes et de colonnes), la probabilité de tout tableau spécifique est calculée en utilisant la distribution hypergéométrique.

Le calcul

P(tableau observé) = [(a+b)!(c+d)!(a+c)!(b+d)!] / [n!a!b!c!d!]

Pour un test bilatéral, sommez les probabilités de :

• Le tableau observé
• Tous les tableaux plus extrêmes (avec les mêmes marginaux)

Exemple

Données : Test d'un nouveau traitement sur 15 patients

Question : L'amélioration est-elle associée au traitement ?

Calcul de probabilité : P = (10!)(5!)(11!)(4!) / (15!)(8!)(2!)(3!)(2!) P = 0.286 (pour ce tableau exact)

Valeur p bilatérale : Sommez celle-ci avec des tableaux plus extrêmes = 0.608

Conclusion : Pas d'association significative (p > 0.05).

Unilatéral vs. Bilatéral

Bilatéral (Par défaut)

Teste toute association, quelle que soit la direction.

Utiliser quand : Vous n'avez pas d'hypothèse préalable sur la direction.

Unilatéral

Teste l'association dans une direction spécifique.

Utiliser quand : Vous vous souciez seulement si le traitement améliore (pas aggrave) le résultat.

Valeur p unilatérale ≈ bilatérale / 2 (approximativement).

Quand utiliser le test exact de Fisher

Règle traditionnelle : Lorsque toute fréquence attendue < 5.

Recommandation moderne : Toujours valide ; le chi-carré est une approximation généralement inutile avec l'informatique moderne.

Orientation pratique :

• Petit échantillon total (n < 20)
• Toute cellule avec compte < 5
• Événements rares ou petites fréquences attendues
• Lorsque la valeur p exacte est importante (soumissions réglementaires)

Comparaison avec le chi-carré

Pour grands échantillons : Les deux donnent des résultats similaires ; le chi-carré est computationnellement plus simple.

Pour petits échantillons : Le test de Fisher est plus précis.

Extensions au-delà de 2×2

Tableaux R×C

Le test exact de Fisher s'étend à des tableaux plus grands mais devient intensif en calcul.

La plupart des logiciels gèrent des tableaux jusqu'à une taille modérée.

Pour les très grands tableaux, l'approximation du chi-carré est généralement adéquate de toute façon.

Ajustement Mid-P

Certains statisticiens recommandent une version « mid-P » qui compte la moitié de la probabilité du tableau observé.

Justification : Réduit le conservatisme du test exact. Controverse : Les puristes préfèrent la version entièrement exacte.

Hypothèses

Indépendance

Les observations sont indépendantes — échantillonner un sujet n'affecte pas un autre.

Marginaux fixes

Les totaux de lignes et de colonnes sont considérés comme fixés par le plan d'échantillonnage.

En pratique : Le test est valide même si les marginaux n'étaient pas littéralement fixés.

Échantillonnage aléatoire

L'échantillon représente la population d'intérêt.

Applications

Épidémiologie des maladies rares

Étude d'expositions rares et de résultats rares.

Études cas-témoins avec peu de cas.

Petits essais cliniques

Études pilotes, essais sur maladies rares, recherche de phase précoce.

Génétique

Test d'associations avec des allèles rares.

Contrôle qualité

Comparaison des taux de défauts lorsque les défauts sont rares.

Recherche comportementale

Expériences sur petits échantillons, études de cas.

Mesures d'association

Le test de Fisher donne la valeur p. Pour la taille d'effet, calculez :

Rapport de cotes

OR = (a × d) / (b × c)

De l'exemple : OR = (8 × 2) / (2 × 3) = 2.67

Les patients traités avaient 2,67 fois plus de chances d'amélioration.

Risque relatif

RR = [a/(a+b)] / [c/(c+d)]

RR = (8/10) / (3/5) = 0.80 / 0.60 = 1.33

Les patients traités étaient 1,33 fois plus susceptibles de s'améliorer.

Intervalles de confiance

Le test de Fisher peut fournir des intervalles de confiance exacts pour le rapport de cotes.

Ceux-ci sont souvent asymétriques et plus précis que les intervalles d'approximation normale pour les petits échantillons.

Idées fausses courantes

« Utilisez d'abord le chi-carré, puis Fisher si nécessaire »

Pratique moderne : Le test de Fisher est toujours valide. Utilisez-le lorsque les valeurs p exactes comptent ou que les échantillons sont petits.

« Fisher est conservateur »

Légèrement vrai. La nature discrète signifie que les valeurs p ne peuvent pas toujours être exactement 0.05. L'ajustement mid-P résout cela.

« Fisher seulement pour 2×2 »

Des extensions existent pour des tableaux plus grands, bien que le calcul augmente.

Présentation des résultats

Format APA :

« Le test exact de Fisher n'a révélé aucune association significative entre le traitement et l'amélioration, p = .61. Le rapport de cotes était de 2,67, IC à 95% [0,28, 37,8], indiquant une tendance non significative vers de meilleurs résultats avec le traitement. »

Inclure :

• Valeur p exacte
• Mesure d'effet (OR ou RR)
• Intervalle de confiance
• Fréquences ou proportions descriptives

Contexte historique

Ronald Fisher a développé ce test dans les années 1930, apparemment pour une célèbre expérience de « dame dégustant du thé ».

Une collègue prétendait pouvoir détecter si le thé ou le lait était versé en premier dans une tasse. Fisher a conçu une expérience avec 8 tasses et calculé les probabilités exactes pour tester sa prétention.

Cette anecdote (qu'elle soit entièrement exacte ou non) illustre le but du test : inférence exacte avec de petits échantillons où les approximations échouent.

Le test illustre la contribution plus large de Fisher au développement de méthodes statistiques exactes aux côtés des approximations pour grands échantillons qui dominent les manuels.

Considérations de calcul

Pour les tableaux 2×2 : Calcul trivial.

Pour les tableaux plus grands : Le test nécessite de sommer sur tous les tableaux possibles avec les mêmes marginaux. Cela peut représenter des millions de tableaux.

Algorithme de réseau : Développé dans les années 1980-90, rend les tableaux plus grands réalisables.

Logiciels modernes : Gèrent couramment les tableaux de taille modérée.

Calculs associés

• Test d'indépendance du chi-carré — Grands échantillons
• Calculateur de rapport de cotes — Taille d'effet pour 2×2
• Calculateur de risque relatif — Taille d'effet de cohorte
• Test Z à deux proportions — Comparaison sur grand échantillon
• Test de McNemar — Données catégorielles appariées

Résumé

Le test exact de Fisher détermine si deux variables catégorielles sont associées en calculant des probabilités exactes basées sur la distribution hypergéométrique. Contrairement au chi-carré, il ne nécessite aucune taille d'échantillon minimale ou fréquence attendue. Le test considère tous les tableaux possibles avec les mêmes totaux de lignes et de colonnes et somme les probabilités des tableaux aussi extrêmes ou plus extrêmes que celui observé. Utilisez Fisher pour les petits échantillons, les événements rares ou lorsque des valeurs p exactes sont requises. Rapportez la valeur p exacte, le rapport de cotes ou le risque relatif, et les intervalles de confiance pour une interprétation complète.