Introduction : Pourquoi l'analyse de puissance compte

Chaque étude commence par une question fondamentale : combien de participants ai-je besoin ? Faire une étude avec trop peu de participants risque de manquer un effet réel (un faux négatif), tandis qu'une étude trop importante gaspille du temps, de l'argent et des ressources. Analyse de puissance Cet article permet de répondre de façon rigoureuse et fondée sur des données en calculant la taille minimale de l'échantillon nécessaire pour détecter de façon fiable un effet d'une taille donnée. Cet article passe par le processus complet d'analyse de la puissance, qui couvre ses composantes clés, les méthodes étape par étape, les options logicielles et les pièges communs.

Qu'est-ce que l'analyse de puissance?

L'analyse de la puissance est une technique statistique utilisée pour déterminer la taille de l'échantillon nécessaire pour obtenir une probabilité de rejet correcte d'une fausse hypothèse nulle (c'est-à-dire la détection d'un effet réel). Elle permet de comparer quatre variables interconnectées : la taille de l'effet, le niveau de signification (α), la puissance statistique (1 – β) et la taille de l'échantillon.

Le concept de pouvoir statistique a été officialisé par Jacob Cohen Une étude avec une puissance insuffisante peut ne pas détecter des différences significatives, entraînant des résultats non concluants et des efforts inutiles. Inversement, une étude surchargée peut détecter des effets statistiquement significatifs mais pratiquement trivial, gonfler les coûts et les préoccupations éthiques. Une analyse de puissance bien conduite aide à éviter les deux extrêmes.

Composantes clés de l'analyse de puissance

Il est essentiel de comprendre les quatre piliers de l'analyse de puissance avant de faire des calculs. Chaque composant interagit avec les autres; changer un seul peut modifier la taille de l'échantillon requis.

Taille de l'effet (-)

La taille de l'effet quantifie l'ampleur de la différence ou de la relation que vous prévoyez de trouver.

  • Cohen ,s d pour les différences entre deux moyennes (petite = 0,2, moyenne = 0,5, grande = 0,8)
  • Cohen ,s f pour l'ANOVA ou la régression (petite = 0,10, moyenne = 0,25, grande = 0,40)
  • Taux de cotes ou ratio de risque pour les résultats catégoriques
  • Coefficient de corrélation (r) pour les relations linéaires (petite = 0,1, moyenne = 0,3, grande = 0,5)

Utilisation tailles d'effet réalistes Si possible, dérivez les dimensions des effets des méta-analyses, des examens systématiques ou des études pilotes bien conçues. Les conventions Cohen=2 peuvent servir de guide approximatif lorsqu'il n'y a pas de données antérieures, mais elles ne doivent pas remplacer les connaissances spécifiques à un domaine.

Niveau d'importance (Alpha, α)

Alpha est la probabilité d'une erreur de type I – rejet d'une hypothèse nulle vraie. La plupart des champs adoptent α = 0,05, ce qui signifie qu'il existe un risque de 5% de conclure à un effet quand il n'y en a pas. Dans les paramètres à prises élevées (p. ex., essais sur médicaments), α peut être abaissé à 0,01 ou 0,001. Inversement, les études exploratoires peuvent utiliser α = 0,10. Le choix α affecte directement la taille de l'échantillon : un α plus petit exige un échantillon plus grand.

Puissance (1 – Beta)

La puissance est la probabilité de rejeter correctement une fausse hypothèse nulle. La référence conventionnelle est 0,80 (80% de puissance), ce qui signifie que vous avez une chance de 80 % de détecter l'effet spécifié s'il existe réellement. La puissance supérieure (par exemple 0,90 ou 0,95) réduit le risque d'erreur de type II mais nécessite un échantillon plus grand.

Taille de l'échantillon (n)

La taille de l'échantillon est le nombre d'observations indépendantes (participants, unités) nécessaires pour atteindre la puissance souhaitée. C'est la sortie de l'analyse de puissance. taille de l'échantillon ajustée Par exemple, si l'analyse de puissance donne n = 100 et que vous anticipez une attrition de 20 %, recrutez 100 / 0,80 = 125 participants.

Étapes à suivre pour effectuer une analyse de puissance

L'analyse de puissance peut être divisée en six étapes concrètes. Le même flux de travail s'applique que vous utilisiez des logiciels spécialisés ou des formules manuelles.

Étape 1: Définir votre question de recherche et votre hypothèse

Précisez clairement l'objectif principal de votre étude.Comparez-vous deux groupes, testez une corrélation ou examinez-vous les effets d'interaction? Précisez l'hypothèse nulle (aucun effet) et l'hypothèse alternative (un effet existe).Le type de test statistique (t-test, ANOVA, chi-carré, régression) déterminera la taille de l'effet et la méthode de calcul.

Étape 2: Estimer la taille de l'effet

Si aucune donnée n'est disponible, utilisez Cohen , comme dernière instance, pour suggérer des conventions, mais justifiez votre choix. Documentez la source de votre estimation pour appuyer la transparence et la reproductibilité. Par exemple, citez une étude précédente qui a signalé un Cohen , d, de 0,5 pour une intervention similaire.

Étape 3: Définir Alpha et Puissance

Dans la plupart des recherches en santé et en sciences sociales, α = 0,05 (deux caractères) et la puissance = 0,80 sont des normes. Si vous effectuez un essai de non-infériorité ou une analyse secondaire avec des comparaisons multiples, vous devrez peut-être ajuster l'alpha (p. ex. en utilisant la correction de Bonferroni) et augmenter la puissance en conséquence.

Étape 4: Choisissez le test statistique correct

Faites correspondre votre hypothèse au test approprié.

  • Deux moyens indépendants → test en t à deux exemples (utiliser Cohen , d)
  • Moyens combinés → test t apparié (utiliser Cohen , dZ)
  • Groupes multiples → ANOVA (utiliser Cohen , f ou η2)
  • Association entre variables catégorisées → test chi carré (utiliser l'effet taille w ou Cramér , V)
  • Corrélation → Pearson , (utiliser Fisher , transformation z)
  • Modèle de régression → Essai F pour R2 (utiliser f2 = R2/(1-R2))

Étape 5: Exécuter l'analyse de puissance en utilisant le logiciel

Les logiciels modernes rendent l'analyse de puissance simple. Les outils les plus populaires sont:

  • G* Puissance (application de bureau gratuite) : prend en charge les tests t, F, chi-carré, corrélations, et beaucoup d'autres tests. Offre à la fois a priori (taille de l'échantillon) et post-hoc (puissance atteinte).
  • Statistiques (commercial): commande avec des options étendues pour les essais randomisés et l'analyse de survie.
  • Emballages R, , Exemple : donne n par groupe.
  • Calculateurs en ligne: Disponible à partir de la ClinCalc ou les UBC sites. Utilisez avec prudence; assurez-vous qu'ils correspondent à votre conception de test.
  • SPSS: Module d'analyse de puissance intégré (nécessite une base de statistiques SPSS ou des options supplémentaires).

Étape 6 : Ajuster pour les contraintes réelles du monde

Une fois que vous avez la taille initiale de l'échantillon, considérez les facteurs pratiques:

  • Attrition et données manquantes: gonfler n en divisant par (1 – taux d'abandon anticipé). Pour un abandon de 20%, multiplier par 1,25.
  • Conceptions à plusieurs niveaux ou à regroupement: Effet de conception d'utilisation (DE = 1 + (m – 1) × ICC) où m est la taille du groupe et ICC est la corrélation intraclasse.
  • Résultats primaires multiples: Appliquer une Bonferroni ou une autre correction à l'alpha et recalculer pour chaque résultat; utiliser la plus grande n.
  • Budget et faisabilitéSi le n calculé est trop élevé, considérez les ajustements itératifs – réduisez la taille de l'effet attendu à une valeur plus réaliste, réduisez la puissance à 0,75, ou acceptez un alpha légèrement plus élevé.

Exemple pratique : T-Test à deux exemples

Imaginez que vous testiez si une nouvelle méthode d'enseignement améliore les scores de test. Vous attendez un effet moyen (Cohens d = 0,5), défini α = 0,05 (deux queues), puissance = 0,80, et prévoyez d'utiliser un test t d'échantillons indépendants.

  1. Sélectionnez -tests ---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
  2. Définir -Tail(s)=Two, -Tail(s)=Tail(s)=Tail(s)=Tail(s)=Tail(s)=Tail(s)=Tail(s)=Tail(s)=Tail(s)=Tail(s)=Tail(s)=Tail(s)=Tail(s)=Tail(s)=Tail(s)=Tail(s)=Tail(s)=Tail(s)=Tail(s)=Tail(s)=Tail(s)=Tail(s)=Tail(s)=Tail(s)=Tail(s)=Tail(s)=Tail(s)=Tail(s)=Tail(s)=Tail(s)=Tail(s)=Tail(s)=Tail(s)=Ta)=Ta =Ta =
  3. Cliquez sur -Calculer.- Résultat : taille totale de l'échantillon = 128 (64 par groupe).

Compte tenu de l'abandon de 15% : 128 / 0,85 - 151, recrutez donc 76 par groupe. Si le budget vous limite à 100 au total, vous pouvez recalculer avec puissance = 0,70 ou accepter une taille d'effet plus faible si les études antérieures le soutiennent.

Erreurs courantes et comment les éviter

L'analyse de puissance n'est que aussi bonne que les entrées.

  • Utilisation des conventions Cohen , sans justification: Essayez toujours de trouver des estimations basées sur la littérature. Les conventions ne remplacent pas les connaissances du domaine.
  • En supposant un test à queue unique sans hypothèse directionnelle claire: Les tests à deux queues sont plus sûrs à moins d'avoir de solides raisons théoriques pour une direction spécifique.
  • Incertitude de la taille de l'effet d'ignorance: Effectuer des analyses de sensibilité avec une gamme d'effets plausibles (par exemple 0,3, 0,5, 0,7) pour voir comment la taille de l'échantillon change.
  • Analyse de la puissance après l ' essai sur la base des données observées: Le calcul de la puissance après une étude utilisant la taille de l'effet observé est circulaire et trompeur.
  • Oublier de s'ajuster pour plusieurs tests ou groupes: Chaque comparaison supplémentaire gonfle l'erreur de type I ; ajuster l'alpha ou utiliser une méthode comme Bonferroni ou Sidak.
  • Non-dépendance Dans les plans groupés (par exemple, les étudiants dans les salles de classe), ignorer la CCI peut sous-estimer de façon drastique la taille de l'échantillon.

Considérations avancées

Pour les études complexes, le cadre d'analyse de la puissance de base s'étend à :

  • Analyse de survie: Utiliser la puissance de test logrank, généralement basée sur les rapports de risque attendus et les périodes de cumul.
  • Mesures longitudinales ou répétées: La puissance dépend du nombre de mesures, de la corrélation entre les points de temps et du modèle d'attrition. G*Power="s - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
  • Essais d'équivalence et de non-infériorité: Il faut spécifier une marge d'équivalence (Δ) plutôt qu'un effet zéro. La puissance est calculée à l'aide d'approches d'intervalle de confiance.
  • Analyse de la puissance bayésienne: Au lieu de paramètres fixes, incorporer des distributions antérieures pour la taille de l'effet. Des outils comme ou en R peuvent simuler des probabilités postérieures de détection d'un effet.

Reportage de votre analyse de puissance

Une section transparente d'analyse de pouvoir dans une proposition de subvention ou un manuscrit devrait comprendre :

  1. Hypothèse de recherche primaire et test statistique prévu.
  2. Niveau Alpha et puissance souhaitée.
  3. Estimation de la taille des effets et de leur source (p. ex., - Basé sur une méta-analyse de Smith et al. (2020), nous nous attendions à Cohen , d = 0,40.-).
  4. Taille de l'échantillon calculée et logiciel utilisé.
  5. Ajustements pour l'attrition ou les effets de conception.
  6. Toute analyse de sensibilité montrant une robustesse à différentes hypothèses.

Par exemple: -Nous avons prévu un test t indépendant (α = 0,05, puissance à deux queues = 0,80) pour détecter un effet moyen (d = 0,5). En utilisant G*Power 3.1, nous avons demandé 64 participants par groupe.

Conclusion

En évaluant systématiquement les dimensions des effets, en choisissant les niveaux d'alpha et de puissance appropriés et en utilisant un logiciel validé, vous assurez que votre étude a une forte probabilité de détecter des effets significatifs tout en évitant les déchets. Rappelez-vous que l'analyse de puissance est itérative : revoyez vos hypothèses à mesure que de plus amples informations deviennent disponibles et documentez toujours vos décisions pour la reproductibilité. En cas de doute, consultez un biostatisticien – en particulier pour des conceptions complexes – pour éviter des erreurs coûteuses. Une étude bien puissante est le fondement d'une recherche fiable et pertinente.