Glossaire de Statistiques

La probabilité de rejeter l'hypothèse nulle lorsqu'elle est vraie (taux d'erreur de type I). Généralement fixé à 0,05, soit 5 % de risque de faux positif.

Analyse de la variance. Méthode statistique pour comparer les moyennes de trois groupes ou plus en analysant la variance intra et inter-groupes.

Mesure de l'asymétrie d'une distribution. Une asymétrie positive signifie une queue droite plus longue ; une asymétrie négative signifie une queue gauche plus longue.

Méthodes statistiques pour analyser les données de temps avant événement, gérant la censure lorsque le résultat n'est pas observé.

Mesure de cohérence interne et de fiabilité des échelles psychométriques. Valeurs ≥ 0,7 généralement acceptables.

Méthode d'évaluation de l'accord entre deux méthodes de mesure à l'aide de graphiques de différences.

Aire sous la courbe ROC. Mesure de la capacité discriminante d'un test ; 1,0 est parfait, 0,5 est aléatoire.

Analyse de covariance. Combine ANOVA avec ajustement pour les covariables continues.

Mesure de sélection de modèle équilibrant l'ajustement et la parcimonie. Des valeurs plus basses sont meilleures.

Calcul de la taille d'échantillon nécessaire pour détecter un effet de taille spécifiée.

ANOVA examinant les effets de deux variables catégorielles et leur interaction.

ANOVA pour les mesures du même sujet à différents moments ou conditions.

Analyse des participants dans leurs groupes assignés, indépendamment du traitement réellement reçu. Préserve la randomisation.

Analyse des seuls participants ayant complété le traitement assigné. Montre l'efficacité dans des conditions idéales mais peut introduire un biais.

Perte de participants pendant une étude. L'attrition différentielle peut biaiser les résultats.

Modèle autorégressif intégré à moyenne mobile. Modèle flexible combinant autorégression, différenciation et moyenne mobile.

Modèle de série temporelle multivariée où chaque variable dépend de ses propres décalages et de ceux des autres variables.

Algorithme MCMC général utilisant une distribution de proposition et une probabilité d'acceptation.

Distribution a priori qui, combinée avec une vraisemblance spécifique, donne un a posteriori de la même famille.

A priori exprimant un minimum de connaissance préalable, laissant les données dominer l'inférence.

A priori non informatif dérivé de l'information de Fisher. Invariant sous reparamétrisation.

A priori incorporant une connaissance préalable substantielle sur les paramètres.

Modèle divisant récursivement les données selon les valeurs des caractéristiques. Interprétable mais sujet au surajustement.

La probabilité de ne pas rejeter l'hypothèse nulle lorsqu'elle est fausse (taux d'erreur de type II). La puissance statistique égale 1 - β.

Erreur systématique qui fait dévier les estimations de la vraie valeur dans une direction constante. Peut provenir des méthodes d'échantillonnage, de mesure ou d'analyse.

Méthode de rééchantillonnage pour estimer la distribution d'échantillonnage en tirant avec remise des données.

Mesure de sélection de modèle avec une pénalité plus forte pour la complexité que l'AIC.

Erreur systématique due à la façon dont les questions sont posées ou répondues. Inclut le biais de désirabilité sociale et le biais de rappel.

Biais survenant lorsque les non-répondants diffèrent systématiquement des répondants. Menace la validité externe des résultats d'enquête.

La liste ou source à partir de laquelle un échantillon est tiré. Les bases incomplètes causent des erreurs de couverture.

Approche estimant les paramètres a priori à partir des données. Dans les modèles mixtes, utilisée pour estimer les effets aléatoires.

Le prédicteur optimal des effets aléatoires étant donné les données. Combine effets fixes avec estimations de groupe rétréties.

Bootstrap Aggregating. Entraîne des modèles sur des échantillons bootstrap et moyenne les prédictions. Réduit la variance.

Entraînement séquentiel de modèles où chacun se concentre sur les erreurs des précédents. Réduit le biais.

Statistique de test utilisée pour évaluer l'écart entre les fréquences observées et attendues. Utilisée dans les tests d'ajustement et les tests d'indépendance.

Mesure de la force et de la direction de la relation linéaire entre deux variables. Varie de -1 (négative parfaite) à +1 (positive parfaite).

Mesure de la façon dont deux variables varient ensemble. Une covariance positive indique qu'elles évoluent dans le même sens ; négative signifie des directions opposées.

Corrélation non paramétrique basée sur les rangs. Mesure la relation monotone plutôt que linéaire.

Le coefficient de corrélation le plus courant, mesurant la relation linéaire entre deux variables continues.

Méthode d'ajustement du seuil de signification lors de tests multiples. Divise alpha par le nombre de tests.

Mesure d'association pour les tableaux 2×2. Équivalent à la corrélation de Pearson pour les données binaires.

Mesure de fiabilité ou d'accord pour les mesures continues entre évaluateurs ou occasions.

Courbe des caractéristiques de fonctionnement du récepteur. Représente la sensibilité vs (1 - spécificité) à divers seuils.

Corrélation entre deux variables après avoir contrôlé pour d'autres variables.

Graphique surveillant la stabilité d'un processus dans le temps avec des limites de contrôle.

Mesures de la capacité d'un processus à produire des résultats dans les limites de spécification.

Nombre de façons de sélectionner des éléments sans tenir compte de l'ordre.

Ajustement de l'erreur standard lors de l'échantillonnage d'une part importante de la population.

Écart-type relatif exprimé en pourcentage de la moyenne. Permet de comparer la variabilité entre échelles.

Corrélation entre une variable continue et une variable binaire.

Somme des carrés divisée par les degrés de liberté. La statistique F en ANOVA est le ratio des carrés moyens.

Mesure d'association pour tableaux 2×2. Équivalent à la corrélation de Pearson pour deux variables binaires.

La corrélation entre deux variables après contrôle des effets d'une ou plusieurs autres variables.

La corrélation entre Y et la partie de X non expliquée par d'autres variables. Aussi appelée corrélation partielle.

Un ensemble d'événements où au moins un doit se produire. Ensemble, ils couvrent tous les résultats possibles.

Tous les résultats qui ne sont pas dans un événement. Le complément de A a une probabilité P(A') = 1 - P(A).

Variable contrôlée dans l'analyse. En ANCOVA, variable continue pouvant affecter la variable dépendante.

Teste si une série temporelle aide à prédire une autre. X "cause Granger" Y si les valeurs passées de X améliorent les prédictions de Y.

Graphique d'autocorrélation ou d'autocorrélation partielle en fonction du décalage. Utilisé pour identifier les ordres ARIMA.

Quand des séries non stationnaires partagent une tendance stochastique commune, leur combinaison linéaire est stationnaire.

Critère de sélection de modèle équilibrant ajustement et complexité. Bons modèles ont Cp près de p.

Mesure équilibrant ajustement et complexité pour la comparaison de modèles. Valeurs plus basses sont meilleures.

Correspondance entre probabilités prédites et fréquences observées. Un modèle bien calibré prédisant 30% devrait voir ~30% d'événements.

Probabilité qu'un cas sélectionné aléatoirement soit classé plus haut qu'un non-cas. Égale AUC pour résultats binaires.

La variance d'un effet aléatoire. Partitionne la variance totale en composantes inter-groupes et intra-groupes.

Dans GEE, structure de corrélation supposée au sein des grappes. Choix courants : indépendante, échangeable, AR(1).

L'équilibre entre sous-ajustement (biais élevé) et surajustement (variance élevée). Les modèles optimaux minimisent l'erreur totale.

Distribution de probabilité discrète décrivant le nombre de succès dans un nombre fixe d'essais indépendants, chacun avec la même probabilité de succès.

Le nombre de valeurs indépendantes pouvant varier dans un calcul. Affecte la forme des distributions comme t et chi-carré.

Distribution de probabilité utilisée dans l'ANOVA et l'analyse de régression. C'est le rapport de deux distributions chi-carré divisé par leurs degrés de liberté.

Distribution symétrique en forme de cloche définie par sa moyenne et son écart-type. De nombreux phénomènes naturels la suivent approximativement.

Distribution de probabilité discrète modélisant le nombre d'événements dans un intervalle fixe lorsque les événements se produisent à un taux moyen constant.

Distribution symétrique similaire à la normale mais avec des queues plus lourdes. Utilisée lorsque la taille de l'échantillon est petite ou que la variance de la population est inconnue.

Mesure de taille d'effet pour la différence entre deux moyennes en unités d'écart-type. 0,2 = petit, 0,5 = moyen, 0,8 = grand.

Distribution continue modélisant le temps entre événements dans un processus de Poisson. Sans mémoire.

Distribution continue sur [0,1] utilisée pour modéliser les proportions et les probabilités. Très flexible.

Distribution continue modélisant le temps d'attente jusqu'au k-ième événement dans un processus de Poisson.

Affichage graphique montrant la médiane, les quartiles et les valeurs aberrantes. Utile pour comparer les distributions.

Distribution de probabilité pour l'échantillonnage sans remise. Utilisée pour les populations finies.

Nombre d'essais nécessaires pour obtenir un nombre spécifié de succès.

Nombre d'essais jusqu'au premier succès dans une séquence d'essais de Bernoulli.

Méthode comparant les changements au fil du temps entre groupes traités et témoins. Suppose des tendances parallèles en l'absence de traitement.

Taille d'effet utilisant uniquement l'écart-type du groupe témoin. Approprié quand le traitement affecte la variabilité.

Mesure d'influence combinant effet de levier et taille des résidus. Identifie les observations influentes.

Mesure combien chaque coefficient de régression change lorsqu'une observation est supprimée.

Mesure combien la valeur ajustée change lorsqu'une observation est supprimée. Combine effet de levier et résidus.

Mesure d'ajustement dans les GLM. Deux fois la différence entre la log-vraisemblance du modèle saturé et du modèle ajusté.

Soustraction d'observations consécutives pour supprimer les tendances et atteindre la stationnarité.

Une valeur passée d'une série temporelle. Décalage 1 est l'observation précédente, décalage 2 est deux périodes en arrière.

Distribution des observations futures étant donné les données observées. Intègre l'incertitude des paramètres.

Distribution des données impliquée par l'a priori avant observation. Utilisée pour la vérification du prior.

Méthodes évaluant si les chaînes MCMC ont convergé vers la distribution cible. Ex : R-hat, tracés.

Mesure bayésienne de comparaison de modèles. Comme AIC mais utilise la déviance a posteriori moyenne.

Capacité d'un modèle à distinguer entre résultats. Mesurée par AUC/c-statistique. Bonne discrimination ≠ bonne calibration.

Quand une classe est beaucoup plus fréquente que les autres. Cause les modèles à favoriser la classe majoritaire.

La différence entre une statistique d'échantillon et le paramètre de population réel due à la variation aléatoire dans la sélection de l'échantillon.

L'écart-type d'une statistique d'échantillonnage (comme la moyenne). Mesure la précision de l'estimation d'échantillon.

Rejeter une hypothèse nulle vraie (faux positif). La probabilité est contrôlée par alpha (α).

Ne pas rejeter une hypothèse nulle fausse (faux négatif). La probabilité est bêta (β) ; la puissance égale 1 - β.

Une valeur unique utilisée pour estimer un paramètre de population. Par exemple, la moyenne d'échantillon estime la moyenne de la population.

Règle ou formule pour calculer une statistique d'échantillon afin d'estimer un paramètre de population.

Un estimateur dont la valeur attendue égale le vrai paramètre. La moyenne d'échantillon est un estimateur sans biais de la moyenne de la population.

Mesure de la taille d'effet dans l'ANOVA. Proportion de la variance totale expliquée par le facteur.

Conception d'étude où les participants sont assignés aléatoirement aux groupes de traitement ou de contrôle.

Le plus petit effet qui peut être détecté avec une puissance et une taille d'échantillon spécifiées.

Méthode non paramétrique pour estimer les fonctions de survie à partir des données.

Le ratio de la variance sous échantillonnage complexe à la variance sous échantillonnage aléatoire simple. Tient compte des effets de grappe.

Lorsque l'effet d'un facteur dépend du niveau d'un autre facteur. Testé en ANOVA factorielle.

L'effet global d'un facteur moyenné sur les niveaux des autres facteurs. Distinct des effets d'interaction.

L'ensemble de tous les résultats possibles d'une expérience aléatoire. Noté S ou Ω.

La différence entre une statistique d'échantillon et le vrai paramètre de population due à la variation aléatoire.

Imprécision dans la mesure des variables. Peut être aléatoire (réduit la précision) ou systématique (introduit un biais).

Inférence incorrecte de relations individuelles à partir de données agrégées de groupe.

Quand une mesure ne peut pas détecter de valeurs au-dessus d'un certain point car la limite supérieure est atteinte.

Quand une mesure ne peut pas détecter de valeurs en dessous d'un certain point car la limite inférieure est atteinte.

Quand les participants modifient leur comportement parce qu'ils savent qu'ils sont observés.

Amélioration des résultats due à la croyance au traitement plutôt qu'au traitement lui-même.

Une estimation de valeur unique d'un paramètre de population. Exemples : moyenne d'échantillon, proportion, coefficient de corrélation.

Une plage de valeurs susceptible de contenir le paramètre. Les intervalles de confiance sont la forme la plus courante.

Mesure de l'éloignement des valeurs prédicteurs d'une observation par rapport à la moyenne.

Estimateur de variance robuste valide même quand les hypothèses sont violées. Aussi appelé Huber-White.

Erreurs standard valides sous hétéroscédasticité ou autres violations d'hypothèses. Généralement plus grandes.

Erreurs standard tenant compte de la corrélation au sein des grappes (écoles, hôpitaux, etc.).

Portion des données utilisée pour ajuster/entraîner un modèle. Typiquement 60-80% des données disponibles.

Données réservées pour évaluer la performance finale du modèle. Ne devrait être utilisé qu'une fois.

Données utilisées pour l'ajustement et la sélection de modèle, séparées de l'ensemble de test.

Dans les modèles mixtes, effets constants à travers tous les groupes. L'effet moyen de population d'un prédicteur.

Dans les modèles mixtes, effets variant entre groupes tirés d'une population. Supposés normalement distribués autour de zéro.

Méthode de régularisation combinant pénalités L1 (lasso) et L2 (ridge). Équilibre sélection de variables et rétrécissement.

Mesure d'impureté ou d'incertitude en classification. Maximale quand les classes sont également distribuées.

Le compte attendu dans chaque cellule d'un tableau de contingence si les variables sont indépendantes.

Affichage graphique des estimations d'effet de plusieurs études dans une méta-analyse.

Nuage de points de la taille d'effet vs précision de l'étude en méta-analyse. L'asymétrie suggère un biais de publication.

Mesure de la multicolinéarité en régression. VIF > 10 suggère une colinéarité problématique.

Dans les GLM, fonction connectant le prédicteur linéaire à la moyenne de la réponse. Ex : logit pour binaire, log pour comptages.

Classe de distributions incluant normale, binomiale, Poisson, gamma et exponentielle. Fondation des GLM.

Corrélation entre une série temporelle et ses valeurs décalées. Utilisée pour identifier l'ordre MA.

Corrélation entre une série et son décalage après suppression de l'effet des décalages intermédiaires.

Le ratio des vraisemblances marginales pour deux modèles. Utilisé pour la comparaison bayésienne de modèles.

Ensemble d'arbres de décision entraînés sur échantillons bootstrap avec sous-ensembles aléatoires de caractéristiques.

Quand de l'information extérieure à l'ensemble d'entraînement influence indûment la construction du modèle. Mène à des performances trop optimistes.

Mesure de la taille d'effet similaire au d de Cohen mais avec correction pour les petits échantillons.

Version corrigée du d de Cohen pour les petits échantillons. Multiplie d par un facteur de correction.

Graphique Quantile-Quantile comparant les quantiles des données aux quantiles d'une distribution théorique.

Graphique des résidus contre les valeurs prédites ou les prédicteurs. Utilisé pour vérifier les hypothèses de régression.

Version lissée d'un histogramme montrant la fonction de densité de probabilité.

Combinaison de diagramme en boîte et graphique de densité. Montre la forme de distribution, médiane et écart interquartile.

Capacité d'un modèle à bien performer sur de nouvelles données non vues. L'objectif ultime de la modélisation prédictive.

Méthode de boosting ajustant de nouveaux modèles au gradient de la fonction de perte. XGBoost et LightGBM sont populaires.

Réduction d'entropie (ou impureté de Gini) obtenue en divisant sur une caractéristique. Utilisé pour construire les arbres.

L'hypothèse qui contredit l'hypothèse nulle. Elle représente ce que le chercheur tente de prouver — généralement qu'il existe un effet ou une différence.

L'hypothèse par défaut indiquant qu'il n'y a pas d'effet ou de différence. Le test statistique évalue les preuves contre cette hypothèse.

Graphique à barres montrant la distribution de fréquence des données continues. Les barres représentent des intervalles de valeurs.

Hypothèse selon laquelle les groupes ont des variances de population égales. Requis pour certains tests paramétriques.

Variance constante des résidus dans l'analyse de régression. Hypothèse importante pour l'inférence.

Variance non constante des résidus. Viole l'hypothèse d'homoscédasticité dans la régression.

Paramètre défini avant l'entraînement (ex : force de régularisation, profondeur d'arbre). Ajusté par validation croisée.

Plage de valeurs susceptible de contenir le vrai paramètre de population. Un IC à 95 % signifie que si l'échantillonnage était répété, 95 % des intervalles contiendraient la vraie valeur.

Taux de nouveaux cas d'une condition sur une période de temps.

Tirer des conclusions sur les populations à partir de données d'échantillon. Inclut l'estimation et les tests d'hypothèses.

Extension de la C-statistique aux données de survie. Probabilité que prédictions et résultats concordent.

Sensibilité + Spécificité - 1. La valeur maximale identifie le seuil optimal sur la courbe ROC.

Mesure de probabilité de mauvaise classification utilisée dans les arbres de décision. Varie de 0 (pur) à 0.5 (binaire, également divisé).

Méthode de rééchantillonnage laissant systématiquement une observation à la fois. Utilisée pour l'estimation de biais et variance.

Mesure de l'aplatissement d'une distribution. Un kurtosis élevé indique des queues lourdes et des valeurs aberrantes ; un kurtosis faible indique des queues légères.

Mesure d'accord entre deux évaluateurs pour les données catégorielles, corrigée pour l'accord aléatoire.

La fonction de lien naturelle pour chaque distribution de la famille exponentielle. Logit pour binomiale, log pour Poisson.

Méthode de prévision donnant des poids exponentiellement décroissants aux observations plus anciennes.

Validation croisée laissant une observation à la fois. PSIS-LOO l'approxime efficacement pour les modèles bayésiens.

Le logarithme de la fonction de vraisemblance. Sommer les log-vraisemblances est plus stable que multiplier les vraisemblances.

La moyenne arithmétique d'un ensemble de valeurs, calculée en divisant la somme par le nombre d'observations. Sensible aux valeurs extrêmes.

La valeur centrale lorsque les données sont ordonnées. Moins affectée par les valeurs aberrantes que la moyenne, ce qui en fait une mesure robuste de tendance centrale.

La valeur la plus fréquente dans un ensemble de données. Un ensemble de données peut avoir un mode (unimodal), plusieurs (multimodal), ou aucun.

La quantité d'erreur d'échantillonnage aléatoire dans les résultats d'enquête. Demi-largeur de l'intervalle de confiance.

Méthode d'estimation trouvant les valeurs de paramètres qui maximisent la probabilité d'observer les données.

Forte corrélation entre les variables indépendantes. Peut rendre les coefficients de régression instables.

Moyenne où les valeurs ont des poids différents reflétant leur importance.

Racine n-ième du produit des valeurs. Appropriée pour les taux et les ratios.

Réciproque de la moyenne des réciproques. Utile pour les taux et les vitesses.

Tableau résumant les performances de classification avec les vrais/faux positifs et négatifs.

Événements qui ne peuvent pas se produire simultanément. Si A se produit, B ne peut pas se produire.

Moyenne calculée après suppression d'un pourcentage de valeurs extrêmes des deux extrémités.

Moyenne après remplacement des valeurs extrêmes par les valeurs non extrêmes les plus proches.

La matrice H qui projette les valeurs Y observées sur les valeurs ajustées : Ŷ = HY. Les éléments diagonaux sont les effets de levier.

Extension flexible de la régression linéaire permettant des distributions de réponse non normales via une fonction de lien.

Modèle pour données de comptage avec excès de zéros, combinant une masse ponctuelle à zéro avec une distribution de comptage.

Modèle en deux parties : d'abord modélise zéro vs non-zéro, puis modélise les comptages positifs.

Modèle de série temporelle où la valeur actuelle dépend linéairement des valeurs passées. AR(p) utilise p valeurs décalées.

Modèle de série temporelle où la valeur actuelle dépend des termes d'erreur passés. MA(q) utilise q erreurs décalées.

Classe d'algorithmes pour échantillonner des distributions de probabilité. Utilisé en inférence bayésienne.

Combiner les prédictions de plusieurs modèles pondérées par leur probabilité. Tient compte de l'incertitude du modèle.

Classe d'estimateurs robustes minimisant une fonction des résidus. Inclut maximum de vraisemblance et régression robuste.

Procédure descendante pour tests multiples. Plus puissante que Bonferroni tout en contrôlant le FWER.

Modèle avec effets fixes (paramètres de population) et aléatoires (déviations spécifiques aux groupes). Aussi appelé multiniveau.

Modèle mixte pour données structurées hiérarchiquement (élèves dans écoles, patients dans hôpitaux). Tient compte du regroupement.

Modèle mixte où l'intercept varie entre groupes mais les pentes sont fixes. Structure d'effets aléatoires la plus simple.

Modèle mixte où intercept et une ou plusieurs pentes varient entre groupes.

Combiner plusieurs modèles pour améliorer les prédictions. Inclut bagging, boosting et stacking.

Précision, rappel, F1, spécificité dérivés de la matrice de confusion. Chacun met l'accent sur différents aspects de performance.

La probabilité (généralement 90 %, 95 % ou 99 %) qu'un intervalle de confiance contienne le vrai paramètre de population. Une confiance plus élevée nécessite des intervalles plus larges.

Graphique montrant la relation entre deux variables continues comme des points sur un plan cartésien.

Nombre de patients à traiter pour prévenir un événement indésirable supplémentaire.

Mise à l'échelle des données dans une plage spécifique (souvent 0-1). Différent de la standardisation.

Estimateur moins biaisé de la taille d'effet dans l'ANOVA que l'eta-carré.

Prédicteur avec coefficient fixé à 1, utilisé en régression de Poisson pour modéliser des taux.

La valeur en dessous de laquelle un pourcentage donné de données tombe. Le 90e percentile signifie que 90 % des valeurs sont inférieures.

L'ensemble complet d'éléments ou d'individus sur lesquels les conclusions doivent être tirées. Souvent trop grand pour être entièrement mesuré.

La probabilité de rejeter correctement une hypothèse nulle fausse (1 - β). Une puissance plus élevée signifie une meilleure capacité à détecter les vrais effets.

Une valeur entre 0 et 1 représentant la vraisemblance d'un événement. 0 signifie impossible, 1 signifie certain.

Valeur numérique décrivant une caractéristique de la population. Souvent inconnu et estimé à partir des statistiques d'échantillon.

Analyses effectuées après un test omnibus significatif pour identifier les différences de paires spécifiques.

Proportion d'une population avec une condition à un moment donné.

Nombre d'arrangements où l'ordre compte.

La proportion de prédictions positives qui sont correctes. Aussi appelée valeur prédictive positive. Précision = VP / (VP + FP).

Plan expérimental étudiant toutes les combinaisons de deux facteurs ou plus. Permet de tester les effets principaux et les interactions.

Quand une tendance présente dans les sous-groupes s'inverse ou disparaît lorsque les groupes sont combinés.

Paramètre d'échelle dans les GLM reliant variance et moyenne. Fixé à 1 pour Poisson et binomiale.

La probabilité d'une hypothèse ou valeur de paramètre après observation des données. Combine a priori et vraisemblance.

L'intervalle crédible le plus étroit contenant la probabilité spécifiée.

Probabilités de modèle dérivées des différences AIC. Poids pour le modèle i : exp(-ΔAIC/2) / somme.

Fonction de perte quadratique pour petits résidus et linéaire pour grands. Moins sensible aux valeurs aberrantes.

Procédure ascendante pour tests multiples. Plus puissante que Holm quand les tests sont indépendants.

Contrôle le FDR en comparant les p-values ordonnées à un seuil linéaire.

Mesures d'ajustement pour régression logistique analogues au R². Non interprétable directement comme variance expliquée.

Valeurs qui divisent les données ordonnées en quatre parties égales. Q1 (25e), Q2 (50e, médiane) et Q3 (75e percentile).

Approche d'estimation ne nécessitant que la relation moyenne-variance. Accommode la surdispersion.

Le FDR minimum auquel un test serait déclaré significatif. Analogue FDR de la p-value.

Méthode pour modéliser la relation entre une variable dépendante et une ou plusieurs variables indépendantes à l'aide d'une droite.

Le rapport des cotes d'un événement dans un groupe par rapport à un autre. Couramment utilisé dans les études cas-témoins et la régression logistique.

Le coefficient de détermination, représentant la proportion de variance de la variable dépendante expliquée par les variables indépendantes.

Le rapport de la probabilité d'un événement dans un groupe exposé par rapport à un groupe non exposé. Couramment utilisé dans les études de cohorte.

Mesure de la taille d'effet dans l'analyse de survie, comparant le risque d'événement entre les groupes dans le temps.

Méthode de régression pour les variables de résultat binaires, modélisant les log-cotes comme une fonction linéaire des prédicteurs.

Différences entre les valeurs observées et prédites dans la régression. Analysés pour vérifier les hypothèses du modèle.

Régression avec plusieurs variables indépendantes prédisant un résultat.

Modèle de risques proportionnels reliant les covariables au risque au fil du temps.

R² modifié qui pénalise pour le nombre de prédicteurs. Meilleur pour la comparaison de modèles.

La proportion de vrais positifs correctement identifiés. Identique à la sensibilité. Rappel = VP / (VP + FN).

Méthode d'inférence causale exploitant les seuils dans l'assignation au traitement. Compare les résultats juste au-dessus et en dessous du seuil.

Régression incluant des termes polynomiaux (x², x³, etc.) pour modéliser des relations curvilinéaires.

Régression régularisée ajoutant une pénalité sur les coefficients au carré (L2). Réduit le surajustement.

Régression régularisée avec pénalité sur les coefficients absolus (L1). Peut réduire certains coefficients exactement à zéro.

Ajout d'un terme de pénalité pour prévenir le surajustement en contraignant la complexité du modèle.

La différence de risque entre groupes exposés et non exposés. Le risque attribuable à l'exposition.

Tendance des valeurs extrêmes à être suivies par des valeurs moins extrêmes. Peut être confondue avec des effets de traitement.

Quand l'ampleur d'un effet change avec la quantité d'exposition. Fournit des preuves de causalité.

Résidu divisé par une estimation de son écart-type excluant l'observation courante. Suit une distribution t.

Résidu divisé par son erreur standard estimée. Des valeurs au-delà de ±2 ou ±3 suggèrent des valeurs aberrantes potentielles.

GLM pour données de comptage supposant que la réponse suit une distribution de Poisson. Utilise le lien log.

GLM pour données de comptage surdispersées où la variance excède la moyenne. Ajoute un paramètre de dispersion.

Racine carrée signée de la contribution de chaque observation à la déviance. Résidus préférés pour les GLM.

Différence entre valeurs observées et ajustées divisée par l'écart-type estimé. Résidu brut standardisé par la variance.

Caractéristique des séries temporelles non stationnaires. Présente quand le coefficient autorégressif égale 1.

Diagnostic de convergence comparant la variance intra-chaîne et inter-chaînes. Valeurs près de 1 suggèrent la convergence.

Évalue toutes les combinaisons possibles de prédicteurs pour trouver les modèles optimaux.

Pseudo R² comparant la log-vraisemblance du modèle au modèle nul. Valeurs 0.2-0.4 indiquent excellent ajustement.

Pseudo R² normalisé pour avoir un maximum de 1. Ajuste le R² de Cox-Snell.

Méthode d'estimation pour modèles mixtes donnant des estimations de variance non biaisées. Préférée au ML pour les composantes de variance.

Dans les modèles mixtes, les effets aléatoires sont tirés vers zéro, surtout pour petits groupes.

Recherche exhaustive d'une grille de paramètres spécifiée pour trouver les hyperparamètres optimaux.

Approche statistique qui intègre les connaissances ou croyances préalables dans l'analyse, en les mettant à jour à mesure que de nouvelles données deviennent disponibles via le théorème de Bayes.

Statistique de test en ANOVA, calculée comme le rapport de la variance inter-groupes à la variance intra-groupes. Des valeurs plus grandes suggèrent des différences entre les moyennes.

Lorsqu'un résultat a peu de chances d'être dû au hasard seul (généralement p < 0,05). N'implique pas nécessairement une importance pratique.

Le nombre d'écarts-types par rapport à la moyenne. Permet la comparaison entre différentes distributions.

Valeur numérique calculée à partir des données d'échantillon. Utilisée pour estimer les paramètres de population.

Taux de vrais positifs. Proportion de cas positifs réels correctement identifiés.

Taux de vrais négatifs. Proportion de cas négatifs réels correctement identifiés.

Probabilité de recevoir un traitement basée sur les covariables. Utilisé pour l'appariement et l'ajustement.

Minimum, Q1, médiane, Q3 et maximum. Résumé complet de la distribution.

La moyenne harmonique de la précision et du rappel. Équilibre les deux métriques en un seul score.

La probabilité de recevoir un traitement étant donné les covariables observées. Utilisé dans les études observationnelles pour réduire la confusion.

La somme des écarts au carré par rapport à une moyenne. Partitionnée en composantes inter-groupes (SCE) et intra-groupes (SCI) en ANOVA.

Conversion des valeurs en scores z en soustrayant la moyenne et divisant par l'écart-type. Résultat : moyenne=0, ET=1.

Méthodes qui fonctionnent bien même lorsque les hypothèses sont violées ou que des valeurs aberrantes sont présentes.

Teste l'autocorrélation d'ordre un dans les résidus. Valeurs près de 2 indiquent pas d'autocorrélation.

Quand la variance observée excède celle attendue sous le modèle supposé. Courante dans les données de comptage.

Somme des carrés des erreurs de prédiction par validation croisée leave-one-out. Évalue la capacité prédictive.

Stratégie de construction de modèle ajoutant ou supprimant des prédicteurs selon des critères statistiques.

Construction de modèle commençant sans prédicteurs, ajoutant séquentiellement le plus significatif.

Écart quadratique moyen entre probabilités prédites et résultats binaires. Plus bas est meilleur ; 0 est parfait.

Choisir quels prédicteurs inclure dans un modèle. Méthodes incluent filtre, wrapper et approches embarquées.

Technique de suréchantillonnage synthétique de la minorité. Crée des exemples synthétiques de la classe minoritaire.

Énonce que la distribution d'échantillonnage de la moyenne tend vers une distribution normale lorsque la taille de l'échantillon augmente, quelle que soit la distribution de la population.

Mesure standardisée de l'ampleur d'un effet ou d'une relation, indépendante de la taille de l'échantillon. Exemples : d de Cohen, r et η².

Procédure formelle pour décider si les données d'échantillon fournissent suffisamment de preuves pour rejeter une hypothèse nulle en faveur d'une hypothèse alternative.

Le nombre d'observations dans un échantillon. Des tailles plus grandes fournissent généralement des estimations plus précises et une puissance statistique plus élevée.

Test statistique comparant les moyennes lorsque les données suivent une distribution t. Utilisé pour les petits échantillons ou lorsque l'écart-type de la population est inconnu.

Test statistique utilisant la distribution normale. Approprié lorsque la taille de l'échantillon est grande ou que l'écart-type de la population est connu.

Test statistique pour l'indépendance dans les tableaux de contingence, particulièrement utile pour les petits échantillons.

Test non paramétrique comparant les courbes de survie entre deux groupes ou plus.

Test non paramétrique comparant deux groupes indépendants. Alternative au test t lorsque les hypothèses ne sont pas satisfaites.

Test non paramétrique pour échantillons appariés. Alternative au test t apparié lorsque les hypothèses ne sont pas satisfaites.

Alternative non paramétrique à l'ANOVA à un facteur. Compare les médianes de trois groupes indépendants ou plus.

Test de normalité des données. Teste si un échantillon provient d'une population normalement distribuée.

Test d'égalité des variances entre groupes. Plus robuste aux écarts à la normalité que le test de Bartlett.

Test d'hypothèse examinant l'effet dans une seule direction. Région de rejet entièrement d'un côté.

Test d'hypothèse examinant l'effet dans les deux directions. Région de rejet divisée entre les deux côtés.

Test de comparaisons multiples post-hoc contrôlant le taux d'erreur de famille après l'ANOVA.

Tableau montrant la distribution de fréquence de deux ou plusieurs variables catégorielles.

Test pour données binaires appariées. Évalue le changement dans les proportions avant et après.

Corrélation non paramétrique mesurant l'association ordinale. Basée sur les paires concordantes et discordantes.

Formule pour mettre à jour les probabilités en fonction de nouvelles preuves. Fondement de l'inférence bayésienne.

Test non paramétrique comparant la distribution d'un échantillon à une distribution théorique.

Test non paramétrique pour la médiane utilisant uniquement les signes des différences. Simple mais moins puissant.

Alternative non paramétrique à l'ANOVA à mesures répétées. Basée sur les rangs.

Transformation de puissance pour atteindre la normalité ou l'homoscédasticité.

Test t modifié qui n'assume pas des variances égales entre les groupes.

Expérience comparant deux variantes pour déterminer laquelle performe mieux.

Tableau affichant la distribution de fréquences de deux variables catégorielles ou plus. Base des tests du chi-carré.

Test exact d'association dans les tableaux 2×2. Préféré au chi-carré lorsque les fréquences attendues sont petites (< 5).

La proportion de personnes développant une maladie pendant une période d'épidémie. Incidence cumulative en contexte épidémique.

Le nombre de décès dans une population sur une période divisé par la taille de la population.

La proportion de personnes atteintes d'une maladie qui en meurent. Indique la gravité de la maladie.

Application du logarithme pour réduire l'asymétrie droite et stabiliser la variance.

Transformation réduisant l'asymétrie droite et stabilisant la variance pour les données de comptage.

Famille de transformations de puissance incluant log, racine carrée et réciproque. Le paramètre optimal est estimé à partir des données.

L'inverse du VIF : 1 - R² lors de la régression d'un prédicteur sur tous les autres. Faible tolérance (< 0.1) indique multicolinéarité.

Test de racine unitaire dans les séries temporelles. Hypothèse nulle : racine unitaire présente (non stationnaire).

Test de stationnarité avec hypothèse nulle opposée à ADF : nulle est stationnarité, alternative est racine unitaire.

Teste si les autocorrélations des résidus sont collectivement nulles. Vérifie si le modèle capture les patterns.

En MCMC, nombre équivalent d'échantillons indépendants étant donné l'autocorrélation dans la chaîne.

Probabilité de faire au moins une erreur de type I parmi tous les tests. Contrôlé par Bonferroni, Holm, etc.

Procédure de comparaisons multiples pour comparer plusieurs traitements à un seul témoin.

Test post-hoc conservateur permettant tout contraste. Contrôle le FWER pour toutes les comparaisons possibles.

Test post-hoc pour variances et tailles d'échantillon inégales. Ne suppose pas l'homogénéité des variances.

Variante du test t ne supposant pas l'égalité des variances. Utilise des degrés de liberté ajustés.

Test d'ajustement mettant l'accent sur les queues de distribution. Plus sensible que Kolmogorov-Smirnov.

Teste si les données suivent une distribution spécifiée en comparant les CDF empirique et théorique.

Test de Kolmogorov-Smirnov modifié pour tester la normalité quand les paramètres sont estimés à partir des données.

Teste la normalité en utilisant l'asymétrie et le kurtosis. Sous normalité, les deux devraient être près des valeurs attendues.

Teste l'égalité des variances entre groupes. Sensible à la non-normalité ; préférer Levene pour données non normales.

Variante du test de Levene utilisant la médiane au lieu de la moyenne. Plus robuste à la non-normalité.

Teste l'aléatoire en comptant les runs (séquences de valeurs similaires). Trop peu ou trop suggère non-aléatoire.

Teste la calibration de la régression logistique en comparant événements observés et attendus par groupes de risque.

Compare modèles emboîtés utilisant -2 fois la différence des log-vraisemblances. Suit une distribution chi-carré.

Teste si un paramètre égale une valeur spécifiée (souvent 0) utilisant l'estimation et son erreur standard.

Teste les paramètres en utilisant la fonction score évaluée à l'hypothèse nulle. Aussi appelé test du multiplicateur de Lagrange.

La probabilité d'observer les données étant donné des valeurs de paramètres spécifiques. Centrale à l'estimation du maximum de vraisemblance et à l'inférence bayésienne.

La probabilité d'obtenir des résultats au moins aussi extrêmes que ceux observés, en supposant que l'hypothèse nulle est vraie. Plus la valeur est faible, plus les preuves contre H₀ sont fortes.

Une variable dont les valeurs possibles sont des résultats numériques d'un phénomène aléatoire. Peut être discrète ou continue.

Mesure de la dispersion calculée comme l'écart quadratique moyen par rapport à la moyenne. Le carré de l'écart-type.

Point de données significativement différent des autres observations. Peut indiquer une erreur ou un phénomène intéressant.

Valeur d'une statistique de test définissant la frontière pour le rejet de l'hypothèse nulle.

Facteur d'inflation de la variance. Mesure la multicolinéarité ; valeurs > 10 indiquent un problème.

Mesure de l'association entre variables catégorielles basée sur le chi-carré. Varie de 0 à 1.

La moyenne à long terme d'une variable aléatoire. Moyenne pondérée des résultats possibles.

Variable qui affecte le traitement mais n'influence le résultat que par le traitement. Utilisée pour estimer les effets causaux.

Mesure d'association pour variables nominales basée sur le chi-carré. Varie de 0 (aucune association) à 1 (association parfaite).

La variable de résultat qui est mesurée ou prédite. Aussi appelée variable réponse ou variable Y.

Variable manipulée ou utilisée pour prédire le résultat. Aussi appelée prédicteur ou variable X.

Variable affectant la force ou la direction de la relation entre deux autres variables. Crée des effets d'interaction.

Variable expliquant comment ou pourquoi un effet se produit. La variable indépendante affecte le médiateur, qui affecte le résultat.

Variable non observée directement mais inférée d'autres variables mesurées. Exemples : intelligence, attitudes.

Probabilité des données moyennée sur toutes les valeurs de paramètres pondérées par l'a priori. Aussi appelée évidence.

Divise les données en k sous-ensembles, entraîne sur k-1 plis, teste sur le restant, fait tourner. Choix courant : k=5 ou k=10.

La validation la plus simple : diviser les données en ensembles d'entraînement et de test.

Critère d'information entièrement bayésien utilisant la densité prédictive ponctuelle logarithmique.

L'écart entre le 25e et le 75e percentile, représentant les 50 % centraux des données. Mesure robuste de dispersion moins affectée par les valeurs aberrantes.

La différence entre les valeurs maximale et minimale d'un ensemble de données. Mesure simple de dispersion mais sensible aux valeurs aberrantes.

Un sous-ensemble de la population sélectionné pour l'étude. Devrait être représentatif pour permettre des inférences valides sur la population.

Mesure de la dispersion représentant l'écart typique par rapport à la moyenne. La racine carrée de la variance.

Étude observationnelle suivant des groupes exposés et non exposés dans le temps.

Étude comparant les antécédents d'exposition entre les cas avec le résultat et les témoins sans.

Étude mesurant les expositions et les résultats au même moment. Instantané d'une population.

Estimation combinée de l'écart-type de deux échantillons ou plus.

Algorithme MCMC échantillonnant chaque paramètre conditionnellement aux valeurs courantes des autres.

Construction de modèle commençant avec tous les prédicteurs, supprimant séquentiellement le moins significatif.

Méthode pour analyser données corrélées se concentrant sur les effets moyens de population. Robuste à la mauvaise spécification de corrélation.