RENNES20080904020233cuggiaLCA Rappels Stat

Lecture critique darticle Rappels Bio statistiques
Dr MARC CUGGIA MCU-PH Laboratoire dinformatique mdicale EA-3888
Plan du cours
Rappels fondamentaux Statistiques descriptives Notions de tests statistiques Algorithme de dcision Quelques tests
Test T de student 2 Corrlation rgressions linaire et Logistique
Survie : Kaplan Meier et Log Rank

http://www.med.univ-rennes1.fr
Introduction
La mthode statistique a pour but de:
dgager certaines proprits d'un ensemble de mesures (ou d'observations) ou de dcrire cet ensemble (appel population).
Introduction
Introduction
Introduction
Introduction
L chantillon
Un bon chantillon = image rduite de la population. Lchantillon doit tre reprsentatif de la population tudie Dans le cas contraire, on dit que l'chantillon est biais. Le choix de l'chantillon, le recueil des donnes ncessaires l'tude la partie fondamentale, la plus longue, de l'tude.
Statistiques descriptives
Statistiques descriptives
Le but : dcrire un ensemble d'observations l'aide de quelques lments caractristiques. Entraine gnralement une perte dinformation Mthode statistiques descriptives dpendent de la nature des variables
Variables
Caractristique ou facteur susceptible de prendre une valeur diffrente selon les individus tudis Diffrents types de variables Quantitatives Qualitatives
Variables qualitatives
Non mesurables Revient dfinir des catgories ou classes exclusives correspondant aux diffrentes modalits du caractre observ, puis dterminer quelle classe appartient chaque individu. On dnombre les effectifs appartenant chacune des classes Exemples: le sexe, la couleur des yeux, l'efficacit ou la non efficacit d'un traitement, la nature des cellules d'un tissu, le groupe sanguin,.... 3 types Variables qualitatives ordinales Variables qualitatives nominales Variables qualitatives binaires
Variables quantitatives
Caractrises par des valeurs numriques Exploitable arithmtiquement Variables quantitatives continues Prennent nimporte quelles valeurs numriques dans lintervalle dobservation Appartient lensemble des rels : toutes les valeurs sont possibles Poids 56,3 kg Taille 1,72 m Cholestrol 2,22 g/l Attention au nombre de dcimale Trs utilises en mdecine La prcision est limite par linstrument de mesure
Variables quantitatives discrtes Variables numriques discontinues. En gnral valeurs entires Souvent un dnombrement Rechute dune maladie 3 rechute par an Rappel de vaccin 4 injections Dentition 32 dents Variables temporelles Variables quantitatives particulires utilisant les units de temps Analyse de survie
Caractrisation des donnes qualitatives et ordinales unidimensionnelles

Frquence absolue et tableau des effectifs Frquences relatives Frquences cumules (relatives et absolues) Diagramme "camembert" Diagramme en btons et mode
Frquence absolue et tableau des effectifs

La frquence absolue est le nombre d'individus par classe. Ce dnombrement donne lieu une reprsentation des donnes sous forme de tableau.
Sur les classes ainsi formes, seules les oprations suivantes sont permises: raliser des classes disjointes partir d'une seule classe, regrouper certaines classes. La seule relation qui puisse tre utilise sur ces donnes est la relation d'appartenance une mme classe.
Frquences relatives
Les frquences relatives sont, pour chaque classe, le rapport de son effectif au nombre total d'individus de la srie des mesures. i i
n f = N
La somme des frquences relatives est gale 1. Parfois, les rsultats sont exprims en pourcentage, chacune des frquences relatives tant multiplie par 100 et arrondies l'unit
On peut reprsenter les effectifs absolus ou relatifs des classes par des secteurs de cercle dont la surface est proportionnelle l'effectif. Le diagramme "camembert" est bien adapt la reprsentation des donnes qualitatives "pures".
Yeux Effectif Marron 50 Vert 10 Bleu 28 Noir 12
Diagramme en btons
Pour les donnes ordinales on peut galement reprsenter les frquences absolues, relatives ou cumules par un diagramme en btons. Exemple: chantillon de 500 cancreux dont on a not le stade.
Caractrisation des donnes qualitatives deux dimensions

Les modalits de deux variables qualitatives permettent de constituer des classes exclusives auxquelles sont affectes chaque observation. Les classes exclusives sont reprsentes sous la forme d'un tableau appel tableau de contingence.
Caractrisation des donnes quantitatives une dimension

Rappel: les variables quantitatives peuvent tre de deux types: variables discontinues (ou discrtes) et variables continues. Dans le cas des variables discontinues, il est possible de reprsenter les donnes par un diagramme en btons, comme dans le cas de donnes ordinales. Dans tous les cas, on peut diviser l'intervalle de variation de la variable en un certain nombre de classe et l'on dnombre toutes les mesures l'intrieur de chaque classe.
Histogramme
Construction: on porte sur l'axe des abscisses les extrmits de chaque classe pour chacune d'elles on construit un rectangle dont la base est le segment limit aux extrmits de la classe et la surface est proportionnelle l'effectif de la classe.
effectif
an
Histogramme
Pour les variables quantitatives
Il faut le plus souvent regrouper en classe
Intervalle : 1 ans Intervalle : 5 ans
Intervalle : 10 ans
Les graphiques
Les tableau reprsentent les donnes exactes Les graphique font ressortir une vision synthtique Recommandation dans un articles : Figures numrotes en chiffre arabe Numrotation correspond lordre dappel dans le texte Toute figure est appele dans le texte Pas de 3 d ni de camembert viter les superpositions de graphe Pas de colorisation abusive Simple Lgend (titre, axes, units) Honnte
Mesures en statistiques
Paramtres
2 types : Paramtres de POSITION Mdiane Quartiles, dciles, percentiles Mode Moyenne Frquences relatives Frquence
DISPERSION
Paramtres de Dispersion Extrmes (Minimum, Maximum) Entendue (Range) Intervalle interquartile Variance cart type Coefficient de variation
POSITION
Moyenne
Moyenne La moyenne s'exprime dans les mmes units que les valeurs observes. Indicateur de tendance centrale servant rsumer une srie de donnes dune variable quantitative
Frquence
Mdiane
Est la valeur qui partage la srie des individus en 2 groupes deffectifs gaux. La mdiane est moins influence que la moyenne arithmtique par les valeurs extrmes de la variable. La moiti des sujets prsentent une valeur infrieure la mdiane. Lautre moiti une valeur suprieure la mdiane.
Quartiles Sont les 3 valeurs qui partagent la distribution en 4
25%
25% 25%
25%
1er quartile : spare 25% des valeurs les plus faibles et 75% des valeurs les plus levs
25%
75%
3 me quartile : spare 75% des valeurs les plus faibles et 25% des valeurs les plus levs
75%
25%
Le deuxime quartile spare 50 % des valeurs les plus faible de 50% des valeurs les plus leves 2me quartile Mdiane !
50 %
50 %
Dispersion
Dispersion
Min Max : Trs sensible aux valeurs extrmes Permet de dtecter les erreurs tendue : Valeur Max Valeur min Espace interquartiles Qi = Q3 Q1 contient 50% des valeurs de la srie
cart type : Dune population
Dun chantillon
cart type = mme grandeur que la moyenne. ms

0.8
C Des changements pour les valeurs de la moyenne et la variance entranent des changements dans la forme et la position de la distribution normale. A. = 4, = 1 B. = 8, = 1 C. = 8, = 0.5
0.6
frel
0.4 A
0.2 B 0
10
12
POINT DINFLEXION DE LA COURBE
Box Plot
Un distribution peut donc tre rsum par :

Un paramtre de position Un paramtre de dispersion
les rsultats d'une tude, ralise sur un chantillon reprsentatif de nourrissons masculins, ont donn une estimation de la taille moyenne de 60,2 cm avec un intervalle de confiance 95 % de [59,2 - 61,2]. Il y aurait donc 95 chances sur cent pour que la taille moyenne des nourrissons masculins Franais de 3 mois soit comprise entre 59,2 et 61,2 cm.
Principes des tests statistiques
Introduction (1)
Le test statistique est loutil de la comparaison Lorsquon effectue une comparaison entre deux ou plusieurs sries de donnes, on observe toujours une diffrence, plus ou moins grande entre les paramtres mesurs Le but du test : si la diffrence observe est simplement due au hasard (fluctuations dchantillonnage) ou si au contraire la diffrence observe est bien relle
Condition dutilisation dun test (1)

Il doit tre ralis dans le cadre dune rflexion scientifique Cest une dmarche dans laquelle des hypothses sont bties partir de faits antrieurs observs Ensuite ces hypothses sont testes A partir des rsultats des tests, les hypothses sont soit rejetes soit acceptes Puis de nouvelles hypothses sont bties Les rsultats dun test nont de valeur que si ils sont inscrits dans cette dmarche
Condition dutilisation dun test (2)

Ex : On veut comparer la taille des individus qui passent le samedi aprs midi sur les trottoirs droites et gauches de la rue de la libert Rennes On pourrait effectivement trouver une diffrence, mme significative Mais elle naurait aucun sens La dmarche qui consisterait rechercher POSTERIORI une explication ce phnomne serait absurde
Conditions dapplications (4) Paralllement, il existe 2 familles de tests :

Les tests paramtriques qui comparent les paramtres entres eux, ncessitant certaines conditions sur la distribution de la variable Les tests non paramtriques ou de rang, qui comparent des distributions, sans hypothse particulire sur la distribution de la variable tudie
Conditions dapplications (5)

Il existe galement deux types de test :
Les comparaisons entre des sries dindividus Les tests de liaisons entre 2 variables
Principe du test de comparaison (1)

On a deux situation :
1. Comparer un chantillon observ une population de rfrence :
On se demande si la distribution de la population dont est issu lchantillon est identique la distribution thorique, ou bien si elle est diffrente
Population inconnue
chantillon
Population de rfrence

2. Comparer deux ou plusieurs chantillons entres eux :
On se demande si les distributions des populations dont sont issus les chantillons sont identiques ou diffrentes.
Population 1
chantillon 1
Population 2
chantillon 2

Dans les deux situations, lobjet du test est de comparer les 2 populations Le principe du test est de regarder :
si la diffrences observes est due au hasard ou au contraire, cette diffrence est telle quil est peu probable de lobserver par hasard
tapes dun test de comparaison

1. tablir lhypothse nulle 2. Proposer une hypothse alternative 3. Choisir le test et vrifier ses conditions dapplication 4. Calcul du test 5. Les risques derreur 6. Interprtation finale dun test de comparaison
tablir lhypothse nulle (H0)

lhypothse a priori : les paramtres ou les distributions des populations dont sont issus les chantillons sont identiques.
Hypothse alternative H1 (1)

lhypothse H1 sera retenue au cas o les rsultats du tests aboutiraient rejeter H0

Selon le type du problme pos, on propose une H1 alternative bilatrale ou unilatrale. H1 bilatrale : lorsquon ne cherche pas connatre le sens de la diffrence. On se contente de postuler que les 2 paramtres ou les deux distributions sont diffrents.
Paramtre Population 1

H1 unilatrale : si lon sintresse un sens particulier de lingalit de 2 paramtres tel que
paramtre 1> paramtre 2
paramtre 1< paramtre 2
Paramtre Population 1 Paramtre Population 2 Paramtre Population 1
Exercice (1)
On veut comparer la frquence du palu dans deux rgions dAfrique. P1 et P2 les frquences des individus infects dans ces deux rgions : Poser lhypothse nulle H0 Poser lhypothse alternative H1
Exercice (2)
H0 : P1 = P2 : les deux frquences sont identiques H1 : P1 P2 : les deux frquences sont diffrentes
Il sagit dune hypothse alternative bilatrale car on ignore a priori dans quelle rgion la frquence du palu est la plus leve.
Exercice (3)
On dsire tester un vaccin contre le palu en comparant la survenue de palu entre un groupe vaccin et un groupe tmoin non vaccin. P1 et P2 le pourcentage des individus infects dans chacune des deux populations reprsents par les deux groupes. Poser H0 et H1
Exercice (4)
H0 : P1 = P2 : Le vaccin na aucune efficacit H1 : P1 < P2 : La frquence des individus infects dans le groupe vaccin est infrieure la frquence dans le groupe non vaccin. H1 unilatrale car on sintresse dans ce cas exclusivement aux effets bnfiques attendus du vaccin.
Calcul du test de comparaison (1)

Un fois les hypothses clairement poses, on applique le test. Les tests consistent : Calculer une quantit mathmatique uo qui exprime lcart entre les paramtres ou les distributions. confronter uo un modle de distribution thorique U. A regarder si uo est une valeur probable ou improbable de de U (que lon borne en fonction du risque )
Rsultats dun test de comparaison (2)

= 1 +2
1 2
u1 u2
test
On ne rejette pas Ho

= 1 +2
1 2
u1 u2

= 1 +2
1 2
u1 u2

2. u0 est extrieure lintervalle des valeurs limite [u1-u2] :
Il est encore possible que ce rsultat soit li une simple fluctuation dchantillonnage (il reste chances que ce soit vrai) On dcide de ne pas tenir compte de cette faible probabilit On rejette H0 et on accepte H1 dune diffrence relle entre les paramtres et les distributions tudis On dit que cette diffrence est significative

= 1 +2
1 2
u1 u2
On rejette Ho
Choix des risques derreur (1)

1. Risque :
En rejetant H0 on prend un risque :
la probabilit dobserver des valeurs rares de la variable U, si H0 est vrai Risque de se tromper en rejetant H0, si par malheur H0 tait vraie.
Cest le risque daffirmer une diffrence alors quelle n existe pas. Risque ou risque de premire espce = probabilit de rejeter H0, si H0 est vraie. est fix a priori. Sa valeur est universellement admise 5%
Choix des risques derreur (2) 2. Risque
Risque de ne pas rejeter H0 alors que H1 tait vrai.

Ceci arrive lorsquil existe bel et bien uen diffrence entre paramtres tudis mais la valeur observe u se situe nanmoins dans lintervalle 95% des valeurs probables de U.
Risque : risque de deuxime espce = probabilit de ne pas rejeter H0, si H1 est vraie est appel manque de puissance. 1- est appel puissance dun test = la capacit de rejeter H0 si celle-ci est effectivement fausse La puissance dun test est lie leffectif des chantillon. Plus la taille augmente, plus la puissance augmente et le risque diminue.
Interprtation finale du test de comparaison (1)

Hypothse nulle nest pas rejete :
Rien ne permet daffirmer que les paramtres ou les distributions compars sont diffrents.
On naffirme jamais quune hypothse nulle est vraie car :

Elle aurait peut-tre pu tre rejete si la puissance du test tait leve Il existe de nombreuses raisons pour que les distributions mesures soient identiques bien que les populations soient compltement distinctes (biais).

On rejette H0 : On accepte donc H1 : H1 bilatrale : les distribution ou paramtres sont diffrents. H1 unilatrale : lun des paramtres est infrieur (ou suprieur) lautre. On sintresse au sens de la diffrence. Et donc qu une extrmit de la distribution U. Le risque de se tromper est divis par 2 (et donc deux fois moindre que la hypothse bilatrale.)

Degr de signification : Le risque est fix a priori (et le plus souvent 5%) Lorsque le calcul de u0 montre que le seuil U a t franchi, on rejette H0 avec un risque gal . On peut aller plus loin et prciser le risque pris ou la force de notre conviction rejeter H0 Cest le degr de signification p, a posteriori. On dit que la diffrence observe est significative au risque p
Principes des tests de liaison (1)

On teste lexistence dune liaison entre deux variables X et Y dun chantillon :
Vrifier quil existe une relation dordre statistique entre ces variables
2 variables sont lies :

variation de lune entrane la variation de lautre
Variabilit biologique :
fluctuations dans les mesures des variables : pour une valeur de X, on peut observer plusieurs valeurs de Y et inversement Difficile dutiliser un tableau ou un graphique pour tudier cette liaison
Principes des tests de liaison (2)

On suppose que la liaison tudie suit un modle mathmatique thorique: Test : vrifier si la relation observe se rapproche suffisamment du modle thorique H0 : il nexiste pas dadquation avec le modle propos H1 : adquation avec le modle propos Si on rejette H0 on accepte H1 il existe une relation statistique significative entre les 2 variables Une relation statistique, en aucun cas une relation de causalit
Exercice 1
Posez H0 et H1 dans les situations suivantes: Comparaison de 2 traitement nouveaux A et B Comparaison de 4 traitements A, B, C et D Comparaison dun traitement A versus placebo Variation de la hauteur des arbres en fonction de leur altitude
Rponses
Comparaison de 2 traitement nouveaux A et B
H0 : les deux traitements sont quivalents H1 bilatrale : les deux traitement ont une efficacit diffrente
Comparaison de 4 traitements ABC et D

H0 : les 4 traitement sont quivalents. H1 bilatrale : au moins lun des traitements a une efficacit diffrente des autres.
Comparaison dun traitement A versus placebo

H0 : le traitement A et le placebo sont quivalent H1 unilatrale: Le traitement A a une activit suprieure au placebo
Variation de la hauteur des arbres en fonction de leur altitude

H0 : il nexiste aucune liaison entre la hauteur des arbre et laltitude H1 unilatrale : il existe une liaison ngative entre la hauteur des arbres et leur altitude.
Exercice 2
Vous participez la mise au point dun traitement suppos efficace sur une maladie mortelle, mais dangereux en cas dutilisation errone. Lefficacit du produit est teste sur des groupes danimaux malades et sains. Vous choisissez de : 10, 5 ou 1% ?
Rponse
1% : il faut avoir le moindre risque de conclure tort une efficacit qui nexisterait pas.
Exercice 3
Vous participez la mise au point dun vaccin potentiellement efficace dans la prvention dune maladie grave, et par ailleurs nayant pas deffet secondaires. Lefficacit est teste en comparant un chantillon de sujets vaccins par le nouveau vaccin et un chantillon vaccin par un vaccin placebo. Vous choisissez de diminuer prioritairement ? puissance taille des chantillons
Rponses
est le risque diminuer en priorit. Il ne faudrait pas passer ct dune efficacit relle du vaccin. On choisira un risque faible. Un tel choix entrane automatiquement une augmentation de la puissance (1- ) et donc de la taille des chantillons
Comment choisir un test ???
Srie apparies Qualitatif Sries indpendants 2 groupes Sries indpendants k groupes Effectif theo>5
2 de Mc Nemar
2 de Pearson 2 de Yates Test de Fisher 2 de Pearson 2 de Yates Test de Fisher Ecart rduit appari
Effectif theo>5
n>30 1 groupe de sujet 2 mesures rptes 10<n<30 Critre de jugement Hypothses vrifies 2 groupes 10<n1 et n2 <30
Test de Student appari
n1 et n2>30
Test Ecart rduit
Test de Student
k groupes Hypothses Normalit, galit des variances 1 groupe 2 mesures rptes Petits effectifs
ANOVA
Quantitatif
Test de Wilcoxon
Hypothses non vrifies
2 groupes
Petits effectifs
Test de Mann et Whitney
http://www.med.univ-rennes1.fr k groupes
Petits effectifs
Test de Kruskall et Wallis
Comparaison 0 de la pente de la droite de rgression liant Y X Vrifie Hypothses vrifies normalit galit des variances Non vrifis 1 chantillon n couples (x,y) 1 chantillon n couples (x,y) Coefficient de corrlation Pearson et son test
Liaison entre 2 caractres quantitatifs
Petits effectifs
Coefficient de corrlation de Spearman et son test
Test du
Test du 2
Formulation quivalente : Test du chi-deux, du chi-carr, du 2 Pearson Ils servent tudier la relation entre 2 variables qualitatives : Liens entre survenue dune maladie (M+,M-) et sexe (M,F) Catgorie socioprofessionnelles et dpartement bretons % des prmaturs en France versus Angleterre
Tableau de contingence
sapplique des effectifs regroups sur un tableau de contingence Un tableau comportant des effectifs observs (Oij) dans ces cases et les totaux de chaque ligne et de chaque colonne dans ses marges
Classes de la variable A A1 A2 Ai Total
B1 O11 O21
B2 O12
Bj
Total t1 t2
Oij n1 n2 nj
ti N
Comparaison de 2 pourcentages (5)
Interprtation du test de 2 ( = 5%)

Condition dapplication :
Les effectifs thoriques doivent tre suprieurs ou gaux 5
H1 bilatrale :
Si 2o est infrieur 25% on ne rejette pas H0. : pas de lien entre les 2 variables, ou pas de diffrence entre les % Si 2o est suprieur 25% on rejette H0 : il existe un lien significatif entre les 2 variables, ou diffrence significative entre les %. On cherche alors p.
Exercice
Comparaison de 2 pourcentages (1)

Exemple de problme :
Des patients atteints de la mme maladie ont t traits par deux traitements diffrents. Parmi les 70 qui ont reu le traitement A, 22 (31,4%) ont guri. Parmi les 50 qui ont reu le traitement B, 25 (soit 50%) ont guri. Le taux de gurison est il diffrent entre les deux traitement ?
Test de T
Exercice : 1 chantillon / population

Dans un chantillon de 18 sujets suspects dtre atteints de trypanosomiase, on mesure la quantit de protines dans le liquide cphalorachidien. On trouve dans ce groupe une protinorachie moyenne de 460 mg/l avec un cart type de 280 mg/l. Dans la population gnrale, la protinorachie est en moyenne de 300 mg/l. On se demande si ce groupe de sujet prsente une protinorachie diffrente de normale ? Formulez les hypothses H0 et H1 Quel test utilisez-vous ? Justifiez la rponse Que concluez vous ?
Rponse
H0: la protinorachie des sujets atteints de drpanocytose ne diffre pas de celle de la population gnrale H1: la protinorachie des sujets atteints de drpanocytose est diffrente de celle de la population n < 30 : Test de T Condition dapplication : on suppose que la protinorachie est distribue normalement chez les sujets atteints de drpanocytose to>t5%: on rejette H0 la protinorachie des sujets atteints de drpanocytose est significativement diffrente de celle de la population p < 0,03
Exercice 2 : comparaison de 2 chantillons independants

On a mesur un marqueur biologique chez 2 sries de sujets, lune compose de sujets sains, lautre de sujets atteints dhpatite alcoolique. Ltude a trouv les rsultats suivants:
Effectif (n) Sujets sains Sujets alcooliques 15 12 Moyenne du marqueur (g/l) 1,6 1,4 Ecart type 0,19 0,21
On veut comparer les 2 populations. Formuler les hypothses Quel test choisissez vous ? Quelles en sont les conditions dapplication ? Que concluez vous ?
Exercice (2)
H0: la valeur moyenne du marqueur est identique dans les 2 populations H1: la valeur moyenne du marqueur est diffrente chez les sujets atteints dhpatite alcoolique
n < 30 : test de T Condition dapplication : on suppose que :

le marqueur se distribue normalement dans les 2 populations Les variances des 2 populations sont gales
Calcul du test = on rejette H0 Les malades atteints dhpatite alcoolique prsentent une valeur du marqueur significativement diffrente de celle des sujets sains p < 0,02
Exercice (1)
On dsire tudier leffet dune nouvelle stratgie de traitement du diabte sur la glycmie. On dose la glycmie chez 15 sujets avant le dbut du nouveau protocole (srie A) et 3 mois aprs (srie B) :
A B 2,47 2,30 3,09 2,96 2,14 2,23 2,47 2,34 3,06 2,84 2,72 2,59 2,29 2,15 1,90 1,88 2,34 2,32 2,75 2,65 2,67 2,68 2,80 2,58 2,51 2,43 2,23 2,02 2,20 2,17
Le nouveau protocole est-il efficace ? Formuler les hypothses Quel test choisissez vous ? Quelles en sont les conditions dapplication ? Que concluez vous ?
Rponse
Comparaison de moyennes sur sries apparies :
H0 : les glycmies sont identiques avant et aprs le nouveau protocole H1 : la glycmie est abaisse grce au nouveau protocole n < 30 : test de T Condition dapplication : la diffrence de glycmie avant et aprs le traitement est distribue de faon normale Calculs : on rejette H0 La glycmie est abaisse significativement aprs administration de la nouvelle stratgie p < 0,0005
Corrlation et Rgression linaire
Reprsentation graphique
Etudier le lien entre 2 variables quantitatives : scatter ou nuage de points Reprsenter les couples de valeurs (x,y)
1 individu : Mr Dupont 1,85 m et 74 kg
Correlation et rgression
La rgression permet dtudier lassociation entre deux variables quantitatives, en tudiant les variations de lune en fonction des valeurs de lautre. Le coefficient de corrlation est une mesure dassociation entre deux variables quantitatives faisant jouer des rles symtriques aux valeurs. On cherche savoir simplement sil existe une liaison entre ces deux variables et quantifier lintensit de la liaison
Interprtation de
>0 <0
=0
Proprit de
est toujours compris entre -1 et 1 permet de mesurer la FORCE DE LASSOCIATION entre X et Y. Plus est proche de +1 ou de -1, plus lassociation est forte
Si X et Y sont indpendantes alors =0 Linverse nest pas vrai : Si ~0, les variables peuvent soient tre indpendantes mais aussi tre lies (mais non linairement) On peut seulement affirmer que les variables X et Y ne sont pas lies linairement
Test du r
Rappel : r concerne les variables dun chantillon Le calcul de r peut tre sujet fluctuation. Tester r, cest tenter daffirmer ou pas que sa valeur est statistiquement significative et ce avec un risque matris (p<0,05) Mme mcanisme que pour les autres test : hypothses sur la population Ho = Hypothse nulle : =0 H1 = Hypothse alternative :
=0
(test bilateral)
Les observation pour chaque variable doivent tre indpendantes les unes des autres. Ex : comparaison des donnes Y en fonction du temps X Les donnes de la veille ne sont pas indpendantes des donnes du lendemain. Il ya auto-correlation ncessite dautres techniques danalyse. Attention au facteur tiers : biais de confusion
http://www.ea3888.univrennes1.fr
Rgression linaire
Exemple
Terme (semaine) 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 Poids moyen de naissance (grammes) 1146,92 1292,73 1694,52 1892,00 1986,11 2000,34 2119,46 2290,85 2569,11 2800,77 3019,50 3210,61 3364,59 3475,05 3553,32 3582,63 3604,81
Termes de naissances (X) et les poids de naissance (Y) dune POPULATION de nouveau n
Exemple
Le poids moyen varie en fonction du terme il y a une liaison entre le terme et le poids de naissance La courbe de rgression est celle qui joint les points successifs La FONCTION de REGRESSION est la fonction qui permet de dcrire mathmatiquement cette courbe
Cas de la rgression linaire

En pratique, on ne recherche pas la forme exacte de la courbe. On se contente le plus souvent dune droite. La fonction f est alors linaire et dquation :
f ( x ) = E (Y / x ) = + x = + x y
La droite de rgression permettant de mieux reprsenter les points est : = + x Sans tre strictement linaire, la liaison entre le terme et le poids peut tre reprsente par une droite. On estime et On teste si est significativement different de 0
Comment interprter et
= - 3115,6 + 162,30 x Estimation de = 162,30 (p=0,003) augmentation moyenne du poids de naissance quand le terme augmente dune semaine Augmentation MOYENNE Les poids de 2 bbs ns 1 semaine dintervalle diffrent EN MOYENNE de 162,30 g Elle nest considrer que sur la priode considre na pas dinterprtation concrte. au poids moyens des nouveau ns ayant un terme = 0 semaine
Rgression linaire multiple

Y=1X1 + 2X2 ++ nXn +
Y = variables dpendantes Xn covariables ou variables explicatives Taille dfinitive (cm) = 0,881xT 0,198xP 1,597xAO + 0,403xTP + 3,958 T : taille actuelle, P: actuel, AO= ge osseux, TP= moy taille parents Montre que la taille dfinitive dpend de diffrents facteurs Montre le poids relatif des facteurs Taille actuelle >5 cm taille dfinitive = 0,881x5cm = 4,4cm
Chaque coefficient est test (par rapport 0) Exprim soit avec le p soit avec intervalle de confiance : IC AO [-1,3;3] Si lIC inclut 0 alors pas significatif
Rgression logistique
Idem rgression linaire Variable dpendante : qualitative binaire
Ex : survenue ou pas dune HTA Logit probaHTA =0,068xtabac + 0,7xOb+0,9xRonf Les Co-variables sont qualitatives ou quantitatives
Les exp odd ratio. : OR Ronf = exp(0,9) = 2,5 les sont tests (p ou IC) : pas de significatif si contient 1
Introduction lanalyse de survie
Etude de survie
Principe :
Sintresser la survenue dun vnement dcs au cours du temps Prendre en compte les donnes incompltes ou censures.
Champs dapplication
Description de la survie dun groupe de sujet Comparaison de la survie de 2 ou plusieurs groupes dans un but
Pronostique Ou dintervention (traitement, programme sanitaire, etc)
Lvnement peut tre toute variable dtat de nature binaire
Exemple dorigines et dvnements
En pratique clinique
La description des vnements est rarement exhaustive.
Il est rare de comptabiliser tous les dcs
Observations compltes Observations incompltes
Dfinitions pour lanalyse de survie

Date dorigine
Date de dbut de prise en compte du suivi des observations
Essai thrapeutique : par ex date du tirage au sort Etude pronostique : date du diagnostic
Date des dernires nouvelles

Date laquelle les derniers renseignements concernant ltat du sujet ont t colligs
Etat aux dernires nouvelles

tat caractris par une variable binaire : par ex : vivant ou dcd.

Date de point :
Choix dune date au-del de laquelle on ne tiendra pas compte de ltat
Recul :
Dlai coul entre la date dorigine et la date de point
Temps de participation
Calcul partir de la date dorigine et de la date des dernires nouvelles ou de la date de point
Date dorigine
Date de point
temps
Recul

Perdu de vue :
Sujet dont on ne connat pas ltat la date de point
Exclu vivant :
Sujet vivant la date de point

Les dates permettent de calculer la dure du suivi pour chaque sujet ou le temps de participation l'tude. On distingue deux situations : le dcs est survenu au cours du suivi, c'est--dire avant la date de point (ou date de fin de suivi). La dure de suivi est calcule entre la date d'origine et la date du dcs. le dcs n'est pas observ au cours du suivi sa dure est alors censure. Deux cas se prsentent alors
Exclus-vivants
soit le sujet n'est pas dcd la date de point.
Il est dit exclu-vivant. Sa dure de suivi est gale la diffrence entre la date de point et la date d'origine. Mais, cela ne signifie pas qu'il est exclu de l'tude. Au contraire, on enrichit l'analyse
Date dorigine Date de point
temps
Perdus de vue
soit le sujet est perdu de vue.
Il ne vient plus aux visites de surveillance. Sa dure de suivi est gale la diffrence entre la date des dernires nouvelles et la date d'origine. Les perdus de vue requirent une analyse attentive car il faut s'assurer que le mcanisme par lequel ils sont perdus de vue est indpendant du phnomne tudi, sinon un biais est introduit dans l'analyse.
Date dorigine
Date de point
Estimation non paramtrique de Kaplan Meier

Principe de lestimation
tre encore en vie aprs un instant t, cest :
tre en vie juste avant t Et ne pas mourir au temps t
Reprsentation graphique : courbe de survie
Sujet n1 DCD S(3)=0,9
Intervalle de confiance de lestimateur de kaplan Meier

Reprsentation graphique des intervalles de confiance
Mdiane de survie
Dfinie comme le temps auquel la fonction de survie estime vaut 0,5.
Comparaison des courbes de survie

Donnes du problmes :
tude de population prsentant le syndrome dAlport. vnement tudi : survenue dune insuffisance rnale terminale
Ex : Comparer les courbes de non survenue de l'insuffisance rnale terminale chez les hommes par rapport aux femmes issus de familles diffrentes.
Comparaison des courbes de survie
Le test du Log Rank

Comment vrifier si cette diffrence entre les 2 groupes est significative au seuil de 5 % ?
La mthode statistique la plus employe est le test du logrank consiste comparer le nombre d'vnements observs, ici l'insuffisance rnale terminale, au nombre d'vnements attendus,
Si le test est significatif, les 2 courbes sont significativement diffrentes
Limites de linterprtation
Chirurgie
Courbes qui se croisent

Dans ce cas, les risques s'inversent pour chaque groupe un moment donn. Le test du logrank n'est plus appropri.
Chimiothrapie
Par exemple si,

dans un groupe, la mortalit postopratoires est prcoce aprs la chirurgie d'un cancer mais qu'elle se stabilise ultrieurement et si la mortalit initiale est modre aprs chimiothrapie mais qu'elle est importante ultrieurement, la dcision mdicale peut en tre modifie.
Un nouveau protocole peut permettre de prciser ces profils de mortalit diffrentielle.
Limites de linterprtation des courbes de survie

Des interprtations errones lies la lecture de la partie droite d'une courbe de survie. Il est habituel qu'une courbe s'aplanisse aprs un certain dlai lorsque la survenue des vnements est moins frquente.
Il n'est pas judicieux d'interprter cet aplanissement comme porteur de sens sauf si le nombre de sujets encore risque reste encore important. A l'inverse, si la dernire donne est un dcs, la courbe de survie plonge vers l'axe des abscisses. Ceci ne signifie pas qu'aucun sujet ne survivrait au del de ce temps de suivi.
Mthode actuarielle
Mme principe que KM Utile lorsque les effectifs sont importants Les taux sont valus intervalle rgulier fixs a priori (par exemple tous les mois, ou tous les ans )
ACTUARIELLE
KAPLAN MEIER

RENNES20080904020233cuggiaLCA Rappels Stat

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

RENNES20080904020233cuggiaLCA Rappels Stat

Încărcat de

Drepturi de autor:

Formate disponibile

Lecture critique darticle Rappels Bio statistiques

Dr MARC CUGGIA MCU-PH Laboratoire dinformatique mdicale EA-3888

Survie : Kaplan Meier et Log Rank

Caractrisation des donnes qualitatives et ordinales unidimensionnelles

Frquence absolue et tableau des effectifs

Caractrisation des donnes qualitatives deux dimensions

Caractrisation des donnes quantitatives une dimension

Quartiles Sont les 3 valeurs qui partagent la distribution en 4

cart type : Dune population

cart type = mme grandeur que la moyenne. ms

POINT DINFLEXION DE LA COURBE

Un distribution peut donc tre rsum par :

Principes des tests statistiques

Condition dutilisation dun test (1)

Condition dutilisation dun test (2)

Conditions dapplications (4) Paralllement, il existe 2 familles de tests :

Conditions dapplications (5)

Principe du test de comparaison (1)

Principe du test de comparaison (2)

Principe du test de comparaison (3)

tapes dun test de comparaison

tablir lhypothse nulle (H0)

Hypothse alternative H1 (1)

Hypothse alternative H1 (2)

Hypothse alternative H1 (3)

paramtre 1> paramtre 2

paramtre 1< paramtre 2

Paramtre Population 1 Paramtre Population 2 Paramtre Population 1

Calcul du test de comparaison (1)

Rsultats dun test de comparaison (2)

Rsultats dun test de comparaison (3)

Rsultats dun test de comparaison (4)

Rsultats dun test de comparaison (5)

Rsultats dun test de comparaison (6)

Choix des risques derreur (1)

Choix des risques derreur (2) 2. Risque

Risque de ne pas rejeter H0 alors que H1 tait vrai.

Interprtation finale du test de comparaison (1)

On naffirme jamais quune hypothse nulle est vraie car :

Interprtation finale du test de comparaison (2)

Interprtation finale du test de comparaison (3)

Interprtation finale du test de comparaison (4)

Principes des tests de liaison (1)

2 variables sont lies :

Principes des tests de liaison (2)

Comparaison de 4 traitements ABC et D

Comparaison dun traitement A versus placebo

Variation de la hauteur des arbres en fonction de leur altitude

Comment choisir un test ???

Test de Student appari

Test Ecart rduit

Hypothses non vrifies

Test de Mann et Whitney

Test de Kruskall et Wallis

Liaison entre 2 caractres quantitatifs

Coefficient de corrlation de Spearman et son test

Classes de la variable A A1 A2 Ai Total

Comparaison de 2 pourcentages (5)

Interprtation du test de 2 ( = 5%)

Comparaison de 2 pourcentages (1)

Exercice : 1 chantillon / population

Exercice 2 : comparaison de 2 chantillons independants

n < 30 : test de T Condition dapplication : on suppose que :

Corrlation et Rgression linaire