SmartStat SP31/32

Population / echantillon : on ne peut pas interroger tout le monde, on etudie un echantillon (ici 38 agents) pour en tirer des conclusions sur la population (tous les agents du district).

Variable qualitative (categories : sexe, profession, oui/non) vs variable quantitative (chiffres : age, score CAP). Le test a choisir depend du type de variables.

Moyenne : la valeur « centrale » (somme / nombre). Mediane : la valeur qui coupe l'echantillon en deux (50 % au-dessus, 50 % en dessous) — utile quand il y a des valeurs extremes.

Ecart-type (ET) : mesure la dispersion autour de la moyenne. Petit ET = valeurs proches ; grand ET = valeurs tres etalees.

Intervalle de confiance a 95 % (IC 95 %) : la fourchette dans laquelle se trouve « probablement » la vraie moyenne. Ex. CAP = 66 % [61 ; 71] veut dire : on est sur a 95 % que la vraie moyenne est entre 61 et 71 %.

Le type de variable commande tout : la facon de la decrire, le graphique adapte, le test statistique et meme le type d'etude. On distingue deux grandes familles.

Comment DECRIRE selon le type

Comment SITUER pour le test statistique

Comment SITUER selon le type d'etude

A quoi ca sert : savoir si une difference observee est reelle ou due au hasard.

Comment lire : le seuil habituel est 0,05.

• p < 0,05 → la difference est statistiquement significative (peu probable qu'elle soit due au hasard).
• p ≥ 0,05 → difference non significative (peut etre due au hasard).

Etoiles : * p<0,05   ** p<0,01   *** p<0,001 (plus il y a d'etoiles, plus le resultat est solide).

Attention : « significatif » ne veut pas dire « important ». Un petit ecart peut etre significatif sur un grand echantillon, et inversement.

Exemple dans l'appli : CS vs PS, p<0,001*** → l'ecart de score entre centres et postes de sante n'est pas du au hasard.

A quoi ca sert : comparer la moyenne de 2 groupes (variable quantitative).

Quand l'utiliser : ex. score CAP des formes vs non formes, des hommes vs femmes, des CS vs PS.

Comment lire : on regarde le p. Si p<0,05, les deux groupes ont des scores vraiment differents.

L'appli utilise le test t de Welch (ne suppose pas des variances egales, plus prudent). Tableaux VIII, IX et XII du module Tableaux.

A quoi ca sert : comme le test t, mais pour 3 groupes ou plus.

Quand l'utiliser : ex. score CAP selon la categorie professionnelle (medecin, infirmier, sage-femme...) ou selon la tranche d'age.

Comment lire : elle donne un F et un p. Si p<0,05, au moins un groupe differe des autres (sans dire lequel — il faut alors des tests complementaires).

Tableaux X et XI du module Tableaux (ANOVA a un facteur).

A quoi ca sert : verifier s'il existe un lien entre 2 variables qualitatives (categories).

Quand l'utiliser : ex. « la formation (oui/non) est-elle liee a une bonne pratique (oui/non) ? », « le type de structure est-il lie a la conformite ? »

Comment lire : on compare les effectifs observes aux effectifs attendus si le hasard seul jouait. Si p<0,05, il y a bien une association.

Condition : effectifs suffisants (en general ≥ 5 par case). Sinon on utilise le test exact de Fisher.

Utilise dans le memoire (Tableau XXIII, analyse bivariee des facteurs associes aux pratiques inadequates).

A quoi ca sert : identifier les facteurs qui influencent un resultat oui/non (ex. « avoir une mauvaise pratique »), en tenant compte de plusieurs facteurs en meme temps.

Odds Ratio (OR) : mesure la force du lien.

• OR = 1 → pas d'effet.
• OR > 1 → facteur de risque (augmente la probabilite). Ex. OR=3 : 3 fois plus de risque.
• OR < 1 → facteur protecteur (diminue la probabilite). Ex. OR=0,4 : 60 % de risque en moins.

Comment lire : un OR est fiable si son IC 95 % ne contient pas 1 et si p<0,05.

OR brut vs OR ajuste (aOR) : le brut regarde un facteur seul ; l'ajuste (aOR) corrige l'effet des autres facteurs — c'est le plus fiable.

Utilise dans le memoire (Tableau XXIV, determinants independants des pratiques inadequates).

A quoi ca sert : mesurer l'accord entre deux mesures — ici entre ce que l'agent declare faire et ce qu'on observe reellement.

Comment lire (Kappa de Cohen) : <0,20 tres faible ; 0,21–0,40 faible ; 0,41–0,60 moyen ; 0,61–0,80 bon ; >0,80 excellent.

Dans l'etude, l'ecart declare/observe (Tableau VII) montre une surestimation des bonnes pratiques par les agents.

Score CAP global = 0,30 × Connaissances + 0,20 × Attitudes + 0,50 × Pratiques. Les pratiques pesent le plus car ce sont elles qui protegent reellement.

Niveaux : Excellent ≥ 80 % ; Bon 60–79 % ; Moyen 40–59 % ; Faible 20–39 % ; Critique < 20 %.

Certification des structures : Or ≥ 80   Argent 60–79   Bronze 40–59   Non certifiee < 40.

Oui, aux options pres. Les tests sont des formules mathematiques universelles : memes donnees + meme test + memes options = meme resultat, quel que soit le logiciel (principe de reproductibilite).

Les petites differences viennent des options par defaut, jamais du logiciel « qui aurait raison » : test t de Student vs Welch, correction de Yates activee ou non, bilateral vs unilateral, type de sommes des carres en ANOVA, arrondis...

Ce qui les distingue : Python (gratuit, generaliste — ici l'appli calcule avec ses propres formules) ; R (gratuit, reference en recherche) ; Stata (payant, tres utilise en epidemiologie) ; SPSS (payant, a clics, populaire en sante).

Conseil these : indiquer le logiciel + version dans les Methodes, et recalculer les 2-3 resultats cles dans un outil reconnu et gratuit (R, Jamovi ou Epi Info de l'OMS/CDC) pour confirmer « resultats concordants ».

Les tests t et ANOVA supposent une distribution a peu pres normale (« en cloche »). Avant de les utiliser, on verifie la normalite (ex. test de Shapiro-Wilk) et, sur petit echantillon, on reste prudent.

Si la distribution n'est pas normale, on utilise l'equivalent non-parametrique (base sur les rangs) :

Regle pratique : petit echantillon ou donnees tres asymetriques → privilegier le non-parametrique, et rapporter la mediane plutot que la moyenne.

Prevalence = nombre de cas existants a un instant / population (photo instantanee). Incidence = nombre de nouveaux cas sur une periode (vitesse d'apparition).

Risque relatif (RR) vs Odds Ratio (OR) : les deux mesurent une association. Le RR s'utilise dans les etudes de cohorte (suivi) ; l'OR dans les etudes transversales et cas-temoins (comme cette etude CAP). Interpretation similaire : >1 risque, <1 protecteur, =1 pas d'effet.

Pour un test/diagnostic : Sensibilite (capacite a detecter les vrais malades), Specificite (a reconnaitre les vrais sains), VPP/VPN (valeurs predictives positive/negative, qui dependent de la prevalence).

Dans une etude CAP, on parle surtout de prevalence de bonnes pratiques et d'OR des facteurs associes.

Un resultat significatif peut etre fausse par un biais. Les principaux :

• Biais de desirabilite sociale : les enquetes declarent faire « ce qu'il faut ». C'est exactement l'ecart declare (66 %) / observe (51 %) de ton etude — d'ou l'importance de la grille d'observation.
• Biais de selection : l'echantillon n'est pas representatif (ex. seuls les volontaires repondent).
• Biais de memoire : les participants se souviennent mal (dates, frequences).
• Facteur de confusion : une 3e variable brouille le lien (ex. l'age lie a la fois a la formation et a la pratique). La regression logistique multivariee sert justement a corriger ces confusions (OR ajustes).

Puissance statistique = capacite de l'etude a detecter un effet reel (on vise ≥ 80 %). Un echantillon trop petit peut « rater » une vraie difference (resultat non significatif a tort).

Regle des evenements par variable (EPV) pour la regression logistique : au moins 10 evenements par variable testee. Ex. avec 22 « pratiques inadequates », le modele ne devrait comporter que 2 variables maximum — c'est pourquoi le modele multivarie de l'appli reste exploratoire.

Pour une future etude, calculer la taille d'echantillon a l'avance (logiciels gratuits : G*Power, Epi Info StatCalc, OpenEpi).

Un lien statistique (p<0,05) ne prouve pas qu'un facteur cause l'autre. Pour argumenter une causalite, on s'appuie sur les criteres de Bradford Hill (resume) :

• Force de l'association (OR eleve), constance (retrouvee ailleurs), temporalite (la cause precede l'effet)
• Gradient dose-reponse, plausibilite biologique, coherence avec les connaissances

Une etude transversale (comme celle-ci) montre des associations, pas des causes : rester prudent dans la formulation (« associe a » plutot que « provoque »).

Grille STROBE : la reference internationale pour rediger une etude observationnelle (checklist a suivre pour la these et la publication).

Toujours donner l'IC 95 % a cote du resultat, pas seulement le p : il informe sur la precision (un IC large = estimation incertaine).

Tests multiples : quand on fait beaucoup de comparaisons, le risque de « faux positif » augmente. On peut appliquer une correction (ex. Bonferroni : diviser le seuil 0,05 par le nombre de tests).

Regle d'or : annoncer ses hypotheses avant l'analyse, et distinguer analyses principales et exploratoires.

Variable dependante : ce qu'on cherche a expliquer (ex. bonne pratique). Variable independante : le facteur explicatif (ex. formation).

H0 (hypothese nulle) : « il n'y a pas de difference ». Un p<0,05 permet de la rejeter.

Alpha (α) : seuil de signification (0,05). Erreur de type I : conclure a tort a un effet. Erreur de type II : rater un vrai effet.

ET : ecart-type. IC 95 % : intervalle de confiance. ddl : degres de liberte.

Apres une regression logistique, on verifie si le modele est bon avec deux indicateurs (calcules en direct dans le module Tableaux) :

R2 de Nagelkerke : l'equivalent du R2 pour la logistique. Il varie de 0 a 1 et indique la part de variation expliquee par le modele. Reperes usuels : < 0,2 faible ; 0,2–0,4 correct ; > 0,4 bon. (Le R2 de Cox-Snell est similaire mais ne peut jamais atteindre 1.)

Test de Hosmer-Lemeshow : verifie que les probabilites predites collent aux observations. Ici, on souhaite p > 0,05 (c'est l'inverse des autres tests !) : un p > 0,05 = bon ajustement ; un p < 0,05 = le modele s'ajuste mal.

A savoir : les valeurs affichees dans l'appli sont recalculees en direct sur le modele actuel et peuvent differer de celles du memoire (ex. Nagelkerke = 0,42 ; H-L p = 0,68), car le modele et le codage des variables ne sont pas identiques. Les valeurs du memoire restent la reference pour la redaction.

A quoi ca sert : mesurer si deux variables quantitatives varient ensemble (ex. « le score de connaissances augmente-t-il avec le score de pratiques ? »).

La valeur r va de -1 a +1 :

• r > 0 : lien positif (les deux augmentent ensemble). Ex. r = +0,8.
• r < 0 : lien negatif (quand l'une monte, l'autre baisse). Ex. r = -0,6.
• r proche de 0 : pas de lien lineaire.

Force du lien (reperes usuels) : |r| < 0,3 faible ; 0,3–0,5 moyen ; 0,5–0,7 fort ; > 0,7 tres fort.

Pearson vs Spearman : Pearson pour des donnees normales et un lien lineaire ; Spearman (base sur les rangs) si les donnees ne sont pas normales ou le lien non lineaire.

r² (r au carre) : c'est le « coefficient de determination » = part de variation partagee. Ex. r = 0,7 → r² = 0,49 : 49 % de la variation d'une variable est expliquee par l'autre.

Piege classique : une correlation forte ne prouve pas une causalite (voir section 15). Deux variables peuvent varier ensemble a cause d'un 3e facteur.

A ne pas confondre : le coefficient Kappa (section 7) mesure l'accord entre deux mesures d'une meme chose ; le coefficient de correlation mesure le lien entre deux variables differentes.

Chaque bouton ouvre une selection YouTube en francais sur le sujet (les meilleures video du moment, avec exemples concrets). Chaines de reference : « La statistique expliquee a mon chat », « WhyU / cours de biostatistique », et les cours universitaires francophones.

Astuce : sur YouTube, filtre par « Cette annee » et regarde le nombre de vues pour reperer les meilleures video. Pour un cours complet, cherche aussi « cours de biostatistique PACES/DFGSM » (facultes de medecine francophones).