Discussions autour de la P-Value

Ridding science of shoddy statistics will require scrutiny of every step, not merely the last one, say Jeffrey T. Leek and Roger D. Peng.

Source : Statistics: P values are just the tip of the iceberg : Nature News & Comment

Actuellement la mode est de bruler les statistiques inférentielles et en particulier la p-value. Une revue a banni cette approche, d’autres ne veulent plus de p mais uniquement les intervalles de confiance, etc. Si vous suivez des statisticiens ou lisez un peu de littérature biomédicale, depuis quelques semaines, c’est un déchainement.

Je vous conseille la lecture de ce court article de Nature qui replace la problématique de façon beaucoup plus froide. L’approche Bayesienne peut tout à fait être aussi biaisée et limitée que l’approche inférentielle si l’ensemble du pipe-line avant l’étape analyse statistique est mauvais. On se focalise sur les statistiques en oubliant le reste de la méthodologie, comme par exemple la production des données ou leur lifting.

Ce commentaire est bien venu pour nous rappeler que toute la chaine doit être propre pour avoir des résultats utiles. Il ne suffit pas de bruler la p-value pour régler les problèmes de la recherche biomédicale, mais connaitre ses limites et son utilité.

Ce contenu a été publié dans Non classé. Vous pouvez le mettre en favoris avec ce permalien.

4 réponses à Discussions autour de la P-Value

  1. ucelli dit :

    Je trouve préoccupante la cécité pandémique de la communité « scientifico-médicale » informée quant à l’esbrouffe de règle dans les publications.

    A supposer que les données soient propres, les perdus de vues maitrisés, le tirage au sort bordé, l’aveugle rigoureux, les periodes de run-in évitées ou honnêtes (comment? ) et autres stratagèmes autocensurés….

    Pourquoi les résumés sont ils si souvent optimistes par rapport aux résultats qu’il faut parfois champollioniser dans l’article in extenso ?

    Pourquoi continue-ton à nous vanter les resultats que l’on veut flatter en risque relatif au lieu du risque absolu qui lui est le vrai risque encouru ? Bien des méthodologistes ont pourtant plaidé pour la présetatio préférentielle des gains ou pertes de risque absolu pltôt que relatif.

    Pourquoi évite t – on comme la peste des expressions comme le NNT ou NNH (number needed to treat ou number needed to harm ) qui pourtant donnent une idée de l’intérêt de prendre tel ou tel traitement « significativement efficace » alors qu’on se rendrait compte que par exemple 1 seul malade sur 60 traité 3 ans bénéficierait du traitement ?

    Pourquoi néglige t on toujours ou presque la signification clinique d’un résultat statistiquement significativement efficace ? Et la « taille de l’effet » souvent riquigniousse dans les méga-esszais mais « positifs.

    Pourquoi néglige t on presque toujours la répétition des tests donc des p qui pourtant impose d’abaisser le seuil de significativité ?

    Pourquoi laisse t on passer sans trop de souci les « arrêts prématurés » de certains essais alors que parfois cela ressemble à une façon commode d’arêter la course quand votre favori est en tête et que l’éthique commanderait de poursuivre l’essai ?

    Sans parler des critères de jugement « de substitution » ou composites.

    Et j’en passe.

    Et les meilleures revues acceptent ça.

    Après, il est difficile de repérer les bonnes études, honnêtres, les pépites et il y en a heureusement, rari nantes in gurgite vasto.

    Si les gens savaient ….

  2. ucelli dit :

    au fait, l’article qui est commenté dans la référence que vous donnez est en accès libre , le pdf est là
    http://www.nature.com/news/scientific-method-statistical-errors-1.14700
    cliquer sur « pdf »

  3. dsl dit :

    Je ne comprends pas, si le traitement ne bénéficie qu’à un patient sur 60, pourquoi traiter les 59 autres ?
    Trêve de plaisanterie, un exemple de bonne étude c’est quoi ?

  4. Ping : Pourquoi rendre accessible les données brutes est important ? Un exemple | PerrUche en Automne

Répondre à ucelliAnnuler la réponse.

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.