Points clés
Utilisez les statistiques pour rendre les vraies questions accessibles, pas pour vénérer les chiffres.
Commencez par la question. Les statistiques transforment de vastes ensembles de données désordonnées en résumés, en comparaisons et en estimations éclairées. Elles peuvent aider à évaluer un risque de cancer, à comparer des quarterbacks ou à détecter des réponses suspectes à un examen. Le parcours de l’auteur vers cette matière a commencé par une leçon: le calcul différentiel lui semblait inutile quand on le lui enseignait comme un ensemble de formules, alors que les statistiques prenaient tout leur sens dès lors qu’elles répondaient à des questions concrètes. Selon lui, l’intuition aide souvent à comprendre plus facilement les rouages techniques.
Respectez l’outil. Un ordinateur peut effectuer rapidement des calculs sophistiqués, mais des données de mauvaise qualité ou des méthodes négligentes peuvent produire des résultats dangereusement trompeurs. Une étude pourrait conclure que les travailleurs qui font des pauses présentent des taux de cancer plus élevés, tout en négligeant le fait que beaucoup fument pendant ces pauses. Les chiffres aident à organiser les éléments de preuve; ils ne remplacent pas le jugement nécessaire pour déterminer ce que ces éléments représentent.
Les statistiques sont surtout utiles lorsqu’elles servent une interprétation rigoureuse, et non un rituel destiné à conférer une autorité mathématique. Elles ressemblent à une carte : elles réduisent un paysage complexe aux caractéristiques pertinentes pour un trajet donné, mais aucune carte ne contient tout le territoire. Cette approche pratique aide aussi à comprendre pourquoi la culture statistique importe au-delà des carrières dans la recherche. Les citoyens sont confrontés à des affirmations chiffrées en médecine, en finance et dans les politiques publiques. L’intuition reste toutefois un point de départ, pas un test définitif. On peut avoir le sentiment qu’un résultat est logique et se tromper malgré tout ; c’est précisément pourquoi des méthodes transparentes et des vérifications minutieuses sont indispensables.
Chaque indicateur synthétique dissimule quelque chose; choisissez celui qui correspond à votre question.
La valeur centrale peut tromper. La moyenne est un calcul de la valeur moyenne, mais quelques valeurs extrêmes peuvent l’éloigner considérablement de ce qui est habituel. Quand Bill Gates rejoint dix clients d’un bar qui gagnent chacun 35 000 dollars, le revenu moyen du groupe grimpe en flèche, alors que personne d’autre ne s’est enrichi. La médiane, la valeur située au milieu des observations classées par ordre croissant, reste proche du revenu du client ordinaire. Aucune de ces statistiques n’est toujours préférable: si l’on s’intéresse à une survie exceptionnellement longue après un traitement, la médiane peut masquer les patients qui vivent beaucoup plus longtemps.
Définissez la comparaison. La pertinence d’une statistique dépend de ce qui est mesuré, des personnes concernées et des unités utilisées. La production manufacturière des États-Unis a augmenté tandis que l’emploi dans le secteur manufacturier reculait: deux aspects différents d’une même réalité. Les revenus moyens peuvent progresser alors que les salaires habituels stagnent. Les variations en pourcentage dépendent aussi de leur valeur de départ, et les montants nominaux en dollars de différentes décennies ne sont pas comparables sans correction de l’inflation.
Un indicateur n’est pas une simple description neutre. Son choix détermine les caractéristiques qui deviennent visibles et celles qui disparaissent. Cela renvoie à la théorie de la mesure : avant de se demander si un chiffre est exact, il faut se demander s’il traduit bien l’idée qui nous intéresse. La prospérité d’un pays, la qualité d’une école ou la valeur d’un joueur n’ont pas de définition numérique unique qui s’imposerait d’elle-même. Les analyses les plus solides présentent souvent plusieurs mesures côte à côte, au lieu de réduire la complexité à un seul classement. Cette approche est moins accrocheuse, mais elle rend plus difficile la présentation sélective des faits.
Une régularité peut prédire ce qui va se produire sans expliquer ce qui en est la cause.
Une association n’est pas un mécanisme. La corrélation mesure la force du lien entre deux variables qui évoluent ensemble. Netflix exploite les régularités des notes pour recommander des films: les clients aux goûts similaires ont tendance à apprécier les mêmes titres. Cela peut produire une bonne prédiction sans expliquer pourquoi l’un ou l’autre aime un film. Cette distinction compte aussi dans les affirmations publiques. Les élèves issus de familles plus aisées ont tendance à obtenir de meilleurs scores au SAT, mais acheter des télévisions supplémentaires ne ferait pas progresser leurs résultats. Les ressources familiales et le niveau d’études des parents peuvent influer sur les deux.
Envisagez d’autres explications. Un troisième facteur peut créer un lien apparent entre deux choses, ou le sens de l’influence peut être inversé. Les personnes qui font de l’exercice peuvent peser moins lourd, mais celles qui sont en mauvaise santé peuvent aussi avoir plus de mal à faire de l’exercice. La corrélation est utile pour repérer des régularités qui méritent d’être étudiées. À elle seule, cependant, elle ne permet pas d’établir que modifier une variable entraînera une modification de l’autre.
Prédire et expliquer sont deux réussites différentes. Une prévision météorologique peut être utile sans rendre compte complètement de la physique de l’atmosphère ; une décision politique exige généralement davantage, car intervenir suppose de savoir ce qui changerait si l’on modifiait une cause. Cette distinction permet aussi d’éviter un glissement rhétorique courant : une étude indique que deux phénomènes sont associés, tandis qu’un titre transforme discrètement cette association en lien de causalité. Les affirmations causales solides exigent un protocole crédible, un mécanisme plausible ou des éléments de preuve convergents, et non une simple corrélation frappante.
Calculez les gains espérés avant d’acheter une garantie, de parier ou de choisir une porte.
Pondérez les résultats en fonction de leurs probabilités. L’espérance mathématique associe chaque gain possible à sa probabilité. Un billet de loterie peut être gagnant, mais, dans l’exemple du livre, un billet de loterie de l’Illinois coûtant un dollar avait un gain espéré d’environ 56 cents. Une espérance mathématique favorable ne garantit pas un bon résultat lors d’un seul essai; sur la durée, les résultats tendent à se rapprocher de la moyenne prévue par les probabilités.
Utilisez correctement les informations. Dans l’émission Let’s Make a Deal, les candidats choisissaient parmi trois portes, puis l’animateur, Monty Hall, en ouvrait une autre pour révéler une chèvre. Comme Monty savait où se trouvait le prix et choisissait délibérément une porte derrière laquelle se trouvait une chèvre, changer de porte faisait passer la probabilité de gagner d’un tiers à deux tiers. Pour les achats courants, le même raisonnement explique pourquoi les garanties prolongées sur les imprimantes bon marché sont généralement un mauvais pari. L’assurance est plus pertinente pour couvrir des pertes qu’une personne ne pourrait pas absorber sans difficulté, comme un incendie de maison.
L’espérance mathématique est un bon antidote aux résultats frappants mais peu représentatifs. Le gagnant de la loterie marque les esprits ; les nombreux billets perdants, non. Ce cadre ne constitue toutefois pas une règle de décision complète. Il traite les gains comme s’ils étaient interchangeables, alors que l’on peut raisonnablement accorder plus d’importance à la prévention de la ruine qu’à la maximisation d’un rendement moyen. La distinction du livre entre assurance et garanties met en lumière cette nuance : les probabilités éclairent les décisions, mais la capacité à supporter une perte et les conséquences du risque comptent également.
Une probabilité précise ne vaut rien si ses hypothèses passent à côté du risque réel.
Les modèles héritent de leurs limites. Avant la crise financière de 2008, les sociétés de Wall Street utilisaient des modèles de Valeur à risque pour estimer les pertes potentielles. Un chiffre tel qu’une limite de confiance de 99 % semblait rassurant, mais il n’excluait pas des pertes dépassant cette limite, sans guère indiquer jusqu’où elles pourraient aller. Les modèles reposaient largement sur l’histoire récente des marchés, une période trop calme pour tenir compte de l’effondrement de l’immobilier et des turbulences plus générales qui ont suivi.
Vérifiez les hypothèses cachées. Les calculs de probabilité échouent aussi lorsque des événements sont considérés comme indépendants alors qu’ils ont une cause commune. Les deux moteurs d’un avion pourraient être touchés par une volée d’oiseaux; on ne peut pas simplement multiplier leurs risques de panne comme s’ils n’avaient aucun lien. Un modèle peut être mathématiquement précis et peu fiable en pratique. Une bonne analyse des risques demande ce que le modèle laisse de côté, en particulier les événements rares susceptibles de causer des dégâts catastrophiques.
La crise illustre un problème général de la science de la décision : un modèle peut inspirer confiance plus vite qu’il ne produit de connaissances. Les données historiques sont indispensables, mais extrapoler à partir d’une période courte et exceptionnellement calme peut conduire à prendre l’absence de catastrophe pour la preuve que celle-ci est impossible. Une planification robuste exige donc davantage qu’une prévision centrale. Elle s’interroge sur la façon dont les décisions résistent à des scénarios extrêmes et à des hypothèses qui se révèlent fausses. Le défi, c’est qu’aucun test de résistance ne peut prévoir toutes les surprises ; l’humilité doit donc rester un élément de la gestion des risques.
Ne faites confiance aux sondages que si l’échantillon ressemble à la population décrite.
La représentativité compte plus que la taille brute. Un échantillon correctement constitué peut révéler les opinions d’une population beaucoup plus vaste. Mais un échantillon immense ne corrige pas un biais systématique. En 1936, le Literary Digest a interrogé 10 millions de personnes et prédit que le républicain Alf Landon battrait Franklin Roosevelt. Les personnes interrogées, parmi lesquelles figuraient des abonnés au magazine et des ménages disposant d’une voiture ou d’un téléphone, étaient plus aisées que le grand public et plus susceptibles de soutenir Landon. Roosevelt a remporté une victoire écrasante.
Demandez-vous qui a été laissé de côté. Les sondeurs recourent à la sélection aléatoire, à des appels répétés et à d’autres méthodes pour obtenir un échantillon qui ressemble à la population concernée. Un sondage auprès des électeurs susceptibles de voter doit représenter ces électeurs, et pas simplement toutes les personnes des environs. La taille de l’échantillon influe sur la marge d’erreur d’échantillonnage, mais seulement si l’échantillon est crédible. La formulation des questions compte aussi: le soutien déclaré à la peine capitale a fortement diminué lorsqu’on a proposé aux répondants la réclusion à perpétuité sans possibilité de libération conditionnelle comme solution de remplacement.
L’échantillonnage est une forme d’inférence dont le point faible est souvent social plutôt que mathématique. Le fait de posséder un téléphone, de répondre à un appel ou de faire confiance à un sondage peut influer sur les résultats avant même le début des calculs. La méthodologie des sondages fait donc partie intégrante du sujet, et ne relève pas des petits caractères. En même temps, aucun échantillon ne reflète parfaitement une population qui évolue. Les résultats d’un sondage doivent être considérés comme des estimations liées à une époque, à une question et à une population, et non comme des vérités permanentes sur les croyances des gens.
Considérez la significativité statistique comme un indice contre le hasard, et non comme la preuve d’une importance réelle.
Testez une affirmation précise. Les chercheurs commencent souvent par une hypothèse nulle, par exemple l’affirmation qu’un nouveau médicament n’a aucun effet. La valeur p mesure la probabilité d’observer des résultats au moins aussi extrêmes que ceux de l’étude si cette hypothèse était vraie. Une valeur p faible peut justifier le rejet de l’hypothèse nulle, mais elle ne montre pas que l’effet est important, utile ou causal.
Gardez à l’esprit l’ampleur de l’effet. Une étude portant sur 59 enfants autistes et 38 témoins a relevé une différence de volume cérébral, avec une valeur p déclarée de 0,002. Cela constitue un indice contre l’égalité du volume cérébral moyen dans les populations étudiées, mais n’explique pas l’autisme. Les seuils de significativité impliquent également des compromis: un seuil permissif augmente le risque de faux positifs, tandis qu’un seuil strict peut faire manquer de vrais effets. L’ampleur pratique d’une différence compte autant que sa significativité statistique.
On peut facilement donner à une valeur p une interprétation excessive, car elle condense en un seul chiffre un énoncé conditionnel. Elle n’indique pas la probabilité qu’une hypothèse soit vraie et ne mesure pas la valeur d’une intervention. Cette distinction importe en médecine, où un bénéfice minime peut être détectable statistiquement dans un vaste échantillon tout en étant négligeable sur le plan clinique. L’attention portée par le livre aux faux positifs et aux faux négatifs met en évidence un autre aspect lié à la théorie de la décision : le seuil de preuve acceptable dépend en partie du coût de chaque type d’erreur.
La régression peut isoler des associations, mais elle ne peut pas fabriquer une expérience causale.
Tenez compte des facteurs concurrents. L’analyse de régression estime le lien entre un résultat et une ou plusieurs variables explicatives, tout en tenant compte d’autres variables mesurées. Dans les études de Whitehall, les chercheurs ont examiné des fonctionnaires britanniques et constaté que les emplois offrant peu de contrôle étaient associés à un risque accru de maladie cardiaque, même après prise en compte de facteurs comme le tabagisme et la pression artérielle. La méthode aide à distinguer des régularités qui se chevauchent, mais ses conclusions restent tributaires des données et des variables incluses.
Les données observationnelles peuvent induire en erreur. Une vaste étude a un jour associé les suppléments d’œstrogènes à une diminution des crises cardiaques, et une théorie plausible appuyait leur prescription. Des essais cliniques contrôlés ont ensuite révélé une augmentation des risques, notamment de maladie cardiaque et d’accident vasculaire cérébral. Ce contraste montre pourquoi l’ajustement statistique n’équivaut pas à une assignation aléatoire des traitements. Des différences non mesurées entre les groupes peuvent encore fausser une estimation, même si la régression est calculée avec soin.
La régression est puissante parce que les questions sociales et médicales ne se présentent presque jamais comme des comparaisons de laboratoire parfaitement nettes. Elle peut tenir compte des différences mesurées et faire apparaître des relations que des moyennes brutes masquent. Sa limite est tout aussi importante : contrôler des variables dans un tableur ne garantit pas que tous les facteurs de confusion ont disparu. Les chercheurs ont besoin d’une théorie pour déterminer quels facteurs comptent, ainsi que de protocoles de recherche qui étayent l’interprétation causale. La réplication et les éléments de preuve indépendants ne sont pas des formalités administratives ; ce sont des garde-fous contre un modèle convaincant fondé sur des observations incomplètes.
Évaluez les programmes en les comparant à une version crédible de ce qui se serait passé sans eux.
Trouvez le contrefactuel. L’évaluation d’un programme cherche à déterminer ce qui se serait passé sans une intervention. Une expérience randomisée constitue des groupes de traitement et de comparaison en répartissant les participants au hasard. Lorsque la randomisation est impossible, les chercheurs peuvent chercher une expérience naturelle ou comparer des groupes situés de part et d’autre d’un seuil d’admissibilité arbitraire.
Les comparaisons ingénieuses comptent. À Washington, D.C., des chercheurs ont étudié les journées d’alerte terroriste, durant lesquelles les effectifs policiers augmentaient pour des raisons sans rapport avec la criminalité de rue habituelle. La criminalité était environ 7 % plus faible les jours d’alerte élevée que les jours sans ces précautions supplémentaires. Pour étudier les établissements sélectifs, les chercheurs ont comparé des étudiants admis dans des écoles prestigieuses qui avaient choisi d’y étudier avec des étudiants tout aussi qualifiés qui étaient allés ailleurs. L’avantage général sur les revenus était faible, à l’exception des étudiants issus de familles à faible revenu. Aucun de ces exemples ne permet d’observer tous les résultats possibles, mais chacun offre une comparaison plus crédible qu’une simple affirmation fondée sur l’avant et l’après.
Le contrefactuel est la moitié invisible du raisonnement causal. Un programme peut sembler efficace parce que la situation s’est améliorée pour tout le monde, ou inefficace parce que les conditions se sont détériorées alors même qu’il a atténué le déclin. Les groupes de comparaison permettent de distinguer ces possibilités. La méthode montre aussi pourquoi la randomisation est précieuse : elle vise à rendre les groupes semblables avant le traitement, plutôt qu’à tenter de corriger ensuite chaque différence. Quand la randomisation n’est pas possible, un protocole soigneusement conçu peut tout de même améliorer l’inférence, mais les conclusions doivent tenir compte de l’incertitude qui subsiste.
Quand un indicateur devient une cible, attendez-vous à ce que chacun cherche à optimiser son score.
La mesure modifie les comportements. Les résultats aux tests peuvent aider à suivre les apprentissages, mais associer récompenses et sanctions à un chiffre unique peut inciter à contourner les règles. À Houston, des administrateurs soumis à la pression d’améliorer les taux de décrochage pouvaient classer les élèves ayant quitté l’école comme des élèves transférés ou ayant connu d’autres types de départ. Un taux de décrochage annoncé de 1,5 % a été contesté par une enquête qui l’estimait entre 25 % et 50 %.
Les incitations peuvent être néfastes. Les classements publics de mortalité des cardiologues ont incité certains médecins à éviter les patients à haut risque, susceptibles de détériorer leurs statistiques même si une opération pouvait les aider. Les évaluations des enseignants fondées sur les progrès des élèves aux tests peuvent apporter des éléments utiles, mais ces résultats sont bruités et ne rendent pas compte de tous les acquis scolaires. Les indicateurs fonctionnent mieux comme un élément d’une évaluation plus large, attentive à la manière dont les gens pourraient modifier leurs comportements en réaction.
Il s’agit d’un problème de mesure assorti d’une boucle de rétroaction comportementale : dès qu’une mesure influe sur le statut ou la rémunération, le système mesuré s’adapte. Cela peut entraîner une amélioration réelle, une conformité stratégique, ou les deux à la fois. Cette observation renvoie à la conception organisationnelle, où les incitations doivent récompenser la mission sous-jacente plutôt que le critère de substitution le plus facile à mesurer. La solution ne consiste pas à abandonner les mesures, mais à employer plusieurs indicateurs, à vérifier l’apparition d’effets indésirables et à préserver le jugement professionnel lorsqu’un score unique créerait des incitations perverses.
Les données peuvent prédire des faits privés, mais la prédiction ne suffit pas à justifier leur utilisation.
La prédiction peut sembler intrusive. Target a analysé les habitudes d’achat pour repérer les clientes susceptibles d’être enceintes. Son modèle combinait des achats, comme une lotion sans parfum et des compléments vitaminiques, afin de produire un score prédictif. Dans un cas rapporté, le détaillant a envoyé à une adolescente des offres liées à la grossesse avant que son père sache qu’elle attendait un enfant. Cet exemple montre comment des transactions ordinaires peuvent révéler des informations sensibles sans que la personne les communique explicitement.
L’exactitude ne vaut pas autorisation. Des analyses de données similaires peuvent aider les assureurs à estimer les risques, les entreprises à personnaliser leurs offres ou la police à repérer les lieux où des crimes risquent de se produire. Mais une prédiction peut être erronée, et même une prédiction exacte peut être utilisée de façon injuste. Le livre s’achève en mettant en regard le pouvoir fondé sur les données et les questions de vie privée, de liberté et de consentement. Les calculs statistiques peuvent estimer ce qui est probable; ils ne peuvent pas décider à eux seuls de ce que les organisations devraient faire de ces connaissances.
Les systèmes prédictifs font passer la vie privée de la notion de secret à celle d’inférence. Une personne peut ne communiquer aucune information médicale explicite tout en devenant identifiable à travers les régularités de ses comportements quotidiens. Cela pose un problème de gouvernance : le consentement au sens traditionnel peut ne pas couvrir les conclusions qu’une entreprise tire de données recueillies à d’autres fins. L’exactitude est également un critère éthique insuffisant. L’équité, la proportionnalité et la possibilité de contester une décision lourde de conséquences sont importantes, en particulier lorsqu’un modèle attribue un niveau de risque à des personnes qui ne peuvent pas comprendre son fonctionnement.
Analyse
L’apport central du livre n’est pas un ensemble de formules, mais une manière de réfléchir aux éléments de preuve. Il part régulièrement d’une affirmation séduisante pour mettre au jour les choix qu’elle dissimule: qu’a-t-on mesuré, qui a été pris en compte, quelle comparaison a-t-on faite et quelles hypothèses ont transformé une régularité observée en conclusion? Ses anecdotes rendent les idées techniques mémorables en montrant les conséquences des erreurs statistiques, qu’il s’agisse de sondages trompeurs, de résultats scolaires manipulés, de pertes financières ou de préjudices médicaux.
La distinction la plus utile pour organiser ces idées est celle qui sépare description, prédiction et causalité. Une statistique synthétique décrit; une corrélation peut prédire; l’inférence causale exige une comparaison défendable avec un contrefactuel. Dans la pratique, ces fonctions se recoupent, mais les confondre est une source régulière d’incompréhension dans le débat public. Le livre montre aussi que la compétence technique ne peut pas trancher tous les désaccords. Choisir un indicateur, fixer un seuil d’erreur et décider si le profilage prédictif est acceptable supposent tous des jugements portant sur les valeurs et les conséquences.
Une autre implication est que la culture statistique devrait être institutionnelle, et non seulement individuelle. Les lecteurs peuvent remettre en question un sondage ou un titre, mais ce sont les organisations qui contrôlent les données, les modèles, les incitations et l’accès aux voies de recours. Des méthodes transparentes sont utiles, mais la transparence, à elle seule, n’empêche ni les échantillons biaisés, ni les hypothèses fragiles, ni les usages préjudiciables. La culture du raisonnement quantitatif la plus solide associe l’examen attentif des chiffres à l’humilité intellectuelle: les affirmations restent révisables, l’incertitude est exprimée clairement et aucun indicateur unique n’est pris pour la réalité elle-même. Les statistiques dissipent une part de la confusion, mais elles ne dispensent pas les gens d’assumer la responsabilité de leurs conclusions et de leurs actes.
Résumé des avis
Naked Statistics reçoit dans l’ensemble des critiques positives pour sa manière de rendre les statistiques accessibles et captivantes grâce à des exemples concrets et à l’humour. Les lecteurs apprécient les explications limpides de concepts complexes, sans recours à des mathématiques poussées. Certains trouvent le livre trop élémentaire pour les personnes qui connaissent déjà les statistiques. L’ouvrage est salué pour encourager l’esprit critique face aux affirmations statistiques. Parmi les réserves figurent quelques passages parfois arides et un recours excessif aux exemples sportifs américains. Dans l’ensemble, il est recommandé comme introduction aux étudiants et aux lecteurs curieux de comprendre les statistiques.
Les lecteurs ont aussi lu
Glossaire
Théorème central limite
Les moyennes d’échantillons se regroupentRésultat statistique selon lequel les moyennes d’échantillons aléatoires suffisamment grands tendent à former une distribution normale autour de la moyenne de la population, même lorsque la population sous-jacente ne suit pas elle-même une distribution normale. Il aide les chercheurs à estimer dans quelle mesure le résultat d’un échantillon est susceptible de différer de la valeur de la population.
Espérance mathématique
Gain moyen pondéré par les probabilitésGain moyen attendu sur un ensemble de résultats répétés, calculé en multipliant chaque résultat possible par sa probabilité, puis en additionnant les produits. Cette notion permet de comparer des choix incertains, comme un billet de loterie ou un investissement, mais ne prédit pas ce que donnera une tentative particulière.
Valeur à risque
Seuil de perte estiméMesure du risque financier qui estime une limite de perte sur une période donnée et à un niveau de probabilité donné. Par exemple, une estimation à 99 % indique que, selon le modèle, les pertes devraient rester inférieures au montant indiqué dans 99 % des cas. Elle ne précise pas quelle pourrait être la gravité des pertes dans les autres cas.
Hypothèse nulle
Hypothèse initiale mise à l’épreuveHypothèse de départ utilisée dans un test statistique, souvent celle selon laquelle un traitement observé n’a aucun effet ou deux groupes ne diffèrent pas. Les chercheurs évaluent si les données observées seraient inhabituelles si l’hypothèse nulle était vraie. Les éléments recueillis peuvent justifier son rejet, mais ne pas la rejeter ne prouve pas qu’elle est vraie.
Valeur p
Probabilité sous l’hypothèse nulleProbabilité d’observer des résultats au moins aussi extrêmes que ceux d’une étude, en supposant que l’hypothèse nulle est vraie. Une valeur p faible peut constituer un indice contre cette hypothèse. Elle n’indique pas la probabilité que l’hypothèse soit vraie, n’établit pas de lien de causalité et ne mesure pas l’importance pratique d’un effet.
Analyse de régression
Estime des relations ajustéesMéthode permettant d’estimer comment un résultat varie en fonction d’une ou de plusieurs variables explicatives. La régression multiple estime l’association avec chaque variable incluse tout en tenant compte des autres variables du modèle. Elle peut aider à distinguer des tendances qui se chevauchent, mais des facteurs omis, des données de mauvaise qualité ou une causalité inversée peuvent tout de même rendre les résultats trompeurs.
Biais de sélection
Inclusion non représentative dans les donnéesDistorsion qui survient lorsque les personnes ou les observations incluses dans un échantillon diffèrent systématiquement de la population que l’étude vise à décrire. Même un très grand échantillon peut être biaisé si certains groupes sont plus susceptibles d’être sélectionnés, joignables ou disposés à participer.
Expérience naturelle
Possibilité de comparaison non planifiéeSituation dans laquelle un événement externe ou une règle crée des groupes qui ressemblent à des groupes de traitement et de comparaison, alors même que les chercheurs n’ont pas réparti les participants au hasard. La comparaison qui en résulte peut aider à estimer l’effet d’une intervention, à condition que l’événement influence les résultats par l’intermédiaire du traitement et non d’autres mécanismes pertinents.
Contrefactuel
Résultat en l’absence de traitementRésultat qui aurait été observé pour une personne, un groupe ou un lieu s’il n’avait pas reçu un traitement ou une intervention particulière. Comme on ne peut généralement pas observer le même sujet à la fois avec et sans traitement, l’évaluation de programme recourt à des groupes de comparaison ou à des plans de recherche pour approcher cette autre possibilité manquante.
Méthode des doubles différences
Compare l’évolution entre des groupesMéthode d’évaluation de programme qui compare l’évolution d’un résultat au fil du temps dans un groupe traité à son évolution, pendant la même période, dans un groupe similaire non traité. Cette comparaison aide à tenir compte des tendances générales communes aux deux groupes, en supposant que leurs trajectoires auraient autrement été similaires.
FAQ
De quoi parle Naked Statistics ?
- Démystifier les statistiques : Naked Statistics, de Charles Wheelan, vise à simplifier les statistiques et à les rendre accessibles au grand public. Le livre privilégie la compréhension des concepts plutôt que la mémorisation de formules.
- Applications concrètes : L’ouvrage s’appuie sur des exemples parlants, comme les statistiques sportives et les données de sondages, pour montrer comment les statistiques éclairent les phénomènes du quotidien et leur pertinence dans des domaines tels que l’économie et la santé.
- Donner des moyens aux lecteurs : Wheelan encourage les lecteurs à analyser les données de façon critique, afin de leur permettre de comprendre et d’interpréter les informations statistiques avec assurance.
Pourquoi lire Naked Statistics ?
- Un style captivant : Le récit plein d’humour et d’entrain de Wheelan rend l’apprentissage des statistiques agréable, grâce à des anecdotes personnelles et à des exemples parlants.
- Des connaissances pratiques : Le livre donne aux lecteurs des outils pour interpréter les données avec esprit critique, compétence essentielle pour prendre des décisions éclairées dans un monde guidé par les données.
- Accessible à tous : Conçu pour les lecteurs qui ont peu ou pas de connaissances en mathématiques, Naked Statistics présente les concepts complexes sous une forme facile à assimiler.
Quels sont les principaux enseignements de Naked Statistics ?
- Les statistiques sont partout : Elles jouent un rôle essentiel dans divers aspects de la vie, du sport à la politique, et nous aident à mieux nous orienter dans le monde.
- Corrélation et causalité : Il est essentiel de comprendre la différence entre corrélation et causalité, car corrélation n’implique pas causalité.
- Théorème central limite : Ce concept fondamental permet de tirer des conclusions puissantes sur des populations à partir de données d’échantillons, ce qui est essentiel à l’analyse statistique.
Qu’est-ce que le Théorème central limite dans Naked Statistics ?
- Définition : Ce théorème affirme que les moyennes de grands échantillons tirés d’une population suivent une distribution normale autour de la moyenne de cette population.
- Importance en statistique : Il sous-tend de nombreuses méthodes statistiques, notamment les tests d’hypothèse et les intervalles de confiance, et permet aux données d’échantillons de refléter les caractéristiques d’une population.
- Application pratique : Les chercheurs peuvent tirer des conclusions à partir de données limitées, car les moyennes d’échantillons se regroupent autour de la véritable moyenne de la population.
Comment Naked Statistics explique-t-il la corrélation ?
- Comprendre la corrélation : La corrélation mesure le degré de relation entre deux variables. Une corrélation positive indique qu’elles augmentent ensemble, tandis qu’une corrélation négative indique l’inverse.
- Coefficient de corrélation : Il va de -1 à 1 ; les valeurs proches de 1 ou de -1 indiquent une relation plus forte, tandis que 0 suggère l’absence de corrélation.
- Idées fausses sur la causalité : Le livre souligne que corrélation n’implique pas causalité, une idée fausse courante en analyse statistique.
Quelles erreurs statistiques courantes sont abordées dans Naked Statistics ?
- Statistiques trompeuses : Les statistiques peuvent être manipulées pour induire en erreur, d’où l’importance de l’esprit critique lorsqu’on interprète des affirmations.
- Excès de confiance dans les modèles : Le livre met en garde contre l’excès de confiance dans les modèles statistiques, qui peuvent donner un faux sentiment de sécurité, comme l’a montré la crise financière de 2008.
- Oubli du contexte : Les erreurs découlent souvent d’une mauvaise prise en compte du contexte des données ; il est donc essentiel de comprendre le contexte et la méthodologie.
Quel est le problème de Monty Hall dans Naked Statistics ?
- Un scénario de jeu télévisé : Inspiré de Let’s Make a Deal, le jeu consiste pour les candidats à choisir l’une de trois portes, derrière l’une desquelles se trouve une voiture, les deux autres cachant des chèvres.
- Changer de porte : Après la révélation d’une chèvre, changer de porte fait passer la probabilité de gagner la voiture de 1/3 à 2/3.
- Une explication intuitive : Cet exemple montre comment l’intuition peut mener à des conclusions erronées sur les probabilités et explique pourquoi il vaut mieux changer de porte.
Comment Naked Statistics aborde-t-il l’importance des données ?
- Garbage In, Garbage Out : Le livre souligne que la qualité des données est essentielle à l’exactitude de l’analyse, car des données de mauvaise qualité conduisent à des conclusions trompeuses.
- Échantillons représentatifs : Il examine l’importance d’utiliser des échantillons représentatifs pour tirer des conclusions valides sur des populations plus vastes.
- Difficultés de collecte des données : Il reconnaît l’existence de difficultés telles que le biais de sélection, qu’il est essentiel de prendre en compte pour interpréter correctement les résultats statistiques.
Quelle est l’importance des statistiques descriptives dans Naked Statistics ?
- Résumer les données : Les statistiques descriptives condensent des ensembles de données complexes en éléments significatifs, ce qui facilite la compréhension des tendances et des motifs.
- Mesures de tendance centrale : Le livre explique la moyenne, la médiane et le mode, qui décrivent le centre d’une distribution de données et présentent chacun des avantages et des inconvénients.
- Comprendre la variabilité : Il aborde des mesures comme l’écart-type, qui indique la dispersion des données et est essentiel pour comprendre leur fiabilité et leur significativité.
Comment Naked Statistics explique-t-il le concept de probabilité ?
- Définition de la probabilité : Elle étudie l’incertitude et la vraisemblance des résultats, aidant à quantifier les risques et à prendre des décisions éclairées.
- Événements indépendants et dépendants : Le livre distingue les événements dont les résultats sont indépendants de ceux qui sont liés, distinction essentielle pour les calculs.
- Applications concrètes : Il illustre l’usage des probabilités dans des domaines comme la finance et la santé, pour évaluer les risques et faire des prédictions.
Comment Naked Statistics explique-t-il l’inférence statistique ?
- Comprendre l’inférence : Elle consiste à utiliser des données d’échantillons pour tirer des conclusions sur une population, comme l’illustrent les essais évaluant l’efficacité d’un médicament.
- Tests d’hypothèse : Le livre présente les tests d’hypothèse, qui partent d’une hypothèse nulle et s’appuient sur les données pour décider s’il convient de la rejeter.
- Niveaux de confiance : Il explique les niveaux de confiance, généralement fixés à 95 %, qui indiquent la fiabilité des résultats d’une étude.
Quelles sont les meilleures citations de Naked Statistics et que signifient-elles ?
- « Il est facile de mentir avec les statistiques, mais difficile de dire la vérité sans elles. » : Cette citation souligne le pouvoir des statistiques dans la construction des récits et l’importance d’en faire un usage responsable.
- « Les statistiques peuvent nous aider à traiter les données, qui ne sont, en réalité, qu’un nom élégant pour désigner l’information. » : Elle met en évidence le rôle des statistiques pour donner du sens à de vastes ensembles de données, ce qui est essentiel à une prise de décision éclairée.
- « Le paradoxe des statistiques, c’est qu’elles sont partout, mais que la discipline elle-même a la réputation d’être ennuyeuse et inaccessible. » : Cette citation souligne l’ironie d’une discipline au rôle essentiel, mais perçue comme rébarbative, et encourage les efforts pour la rendre captivante.
Télécharger le PDF
Télécharger l'EPUB
.epub est idéal pour lire des livres numériques sur téléphone, tablette ou liseuse.