Analyse statistique en biologie

Types d'analyse statistique en biologie

Après avoir passé en revue ce qu'est l'analyse statistique, nous pouvons maintenant nous concentrer sur les types courants d'analyse statistique utilisés dans les expériences biologiques.

Analyse statistique descriptive

• Les statistiques descriptives décrivent ou résument les données.
• Cette statistique ne te permet pas de faire des déductions ou des conclusions au-delà des données.
• Les statistiques descriptives sont essentielles pour aider à visualiser des quantités considérables de données.
• Les mesures de la tendance centrale (moyenne, médiane, mode), les mesures de la dispersion (écart-type, étendue et quartiles), l'asymétrie et le coefficient de corrélation sont des exemples courants d'analyse descriptive.

Analyse statistique déductive

• Les statistiques inférentielles nous permettent de comparer ce que nous testons et de faire des prédictions à partir des données, contrairement aux statistiques descriptives.
• Les statistiques inférentielles utilisent des échantillons de tailles multiples et des essais pour faire des généralisations sur une population plus large.
• Les généralisations que nous pouvons faire consistent à déterminer si les données de notre échantillon ou de notre expérience sont basées sur le hasard ou si elles sont statistiquement significatives. Statistiquement significatif signifie que les données de l'échantillon sont représentatives de la population à laquelle nous nous intéressons.
• Les tests t, le chi carré, les valeurs p et la régression linéaire sont des exemples courants d'analyse déductive.

Bien qu'il existe d'autres analyses statistiques que les deux mentionnées ci-dessus, les analyses descriptives et inférentielles sont les plus couramment utilisées dans la recherche biologique.

Méthodes d'analyse statistique

Maintenant que nous avons examiné les types d'analyse statistique en biologie. Nous pouvons examiner plus en détail les exemples courants mentionnés dans les statistiques descriptives et inférentielles. La quantité d'informations dans cet article sera limitée aux seules statistiques que nous devons connaître en biologie.

Corrélation

Les études ou tests corrélationnels mesurent le degré de corrélation entre deux ou plusieurs variables. Par étroitement liées, nous entendons linéairement ou comment elles changent ensemble à un rythme constant. Les scientifiques utilisent généralement cette méthode pour décrire les relations entre deux ou plusieurs variables sans établir de lien de cause à effet. Comme les études corrélationnelles relèvent des statistiques descriptives, elles permettent de décrire des relations simples. Par exemple, réfléchis à la corrélation entre le temps passé à étudier et les notes. En général, on dira qu'il y a une corrélation positive si les élèves étudient activement.

Nous mesurons les corrélations à l'aide du coefficient de corrélation ou r, qui va de -1 à +1.

• Les valeurs négatives de r indiquent une corrélation négative. Une corrélation ou une relation négative se produit lorsqu'une variable augmente et que l'autre diminue, comme le montre la figure 1.
• Les valeurs r positives indiquent une corrélation positive. Une corrélation ou une relation positive se produit lorsque les deux variables augmentent, comme le montre la figure 2.
• Une corrélation négative parfaite serait r= -1, et une corrélation positive parfaite serait r= +1. Il est extrêmement rare de trouver des corrélations parfaites dans le monde réel.
• Par exemple, si nous regardons la figure 2, une corrélation parfaite de r= +1 se produirait si chaque fois que l'élève étudie, ses notes augmentent. Cela ne se produit pas parce que 1) la note la plus élevée qu'un élève puisse obtenir est de 100 %, 2) après un certain temps d'étude, les résultats diminuent parce que les élèves sont distraits, fatigués, etc. et 3) nous avons besoin d'une alimentation et d'un sommeil adéquats pour que notre cerveau fonctionne de façon optimale.
• Plus r est proche de 0, plus il est probable qu'il n'y ait pas de corrélation, comme le montre la figure 3.

Fig. 1 : Corrélation négative illustrée. Fig. 2 : Corrélation positive illustrée. Fig. 3 : Aucune corrélation illustr ée.

Plus la pente est importante, qu'elle soit négative ou positive, plus la ligne est raide. La différence est que les pentes positives penchent ou s'inclinent vers la droite par rapport aux pentes négatives, qui s'inclinent ou s'inclinent vers la gauche. Le graphique sans corrélation est simplement une ligne droite ou une pente de 0.

Régression

Les régressions définissent la force entre une variable indépendante (généralement désignée par X) et une variable dépendante (généralement marquée par Y). Si plus de deux variables indépendantes sont impliquées, nous avons affaire à un modèle de régression linéaire multiple. Nous mesurons la régression à l'aide du coefficient de détermination ou \( R^2\). Plus le coefficient de détermination est élevé, mieux le modèle s'adapte à nos données.

Moyenne

La moyenne d'un ensemble de données est un terme mathématique bien connu. Nous l'utilisons pour examiner la vue d'ensemble ou la tendance générale d'un ensemble de données. N'oublie pas que la moyenne peut être une méthode statistique inexacte si les données comportent beaucoup de valeurs aberrantes. On la calcule en additionnant tous les nombres de l'ensemble de données, puis en divisant par le nombre de nombres de l'ensemble de données.

Écart-type

L'écart-type est une méthode statistique qui mesure la distance entre nos données et la moyenne. Un écart-type faible signifie que nos données sont proches de la moyenne et qu'elles s'écartent de la moyenne ou de la norme si notre écart-type est élevé. Les distributions normales ont des données symétriques sans asymétrie. Les chercheurs utilisent généralement l'écart type lorsqu'ils ont besoin de déterminer si leurs points de données sont regroupés ou non.

Exemples d'analyse statistique

Maintenant que nous comprenons la définition de l'analyse statistique ainsi que les types et les méthodes d'analyse statistique, il est temps de passer aux exemples ou aux applications des méthodes d'analyse statistique mentionnées ci-dessus.

Parmi les exemples d'utilisation de la moyenne par les scientifiques dans le cadre de l'analyse statistique, on peut citer les tests d'hypothèse ou la comparaison des moyennes

La méthode de comparaison des moyennes consiste à comparer les moyennes de deux ou plusieurs ensembles ou groupes différents.

Si nous comparons deux groupes ou ensembles, nous pouvons utiliser des tests t, mais si tu dois comparer plus de deux groupes, les chercheurs utilisent généralement un test ANOVA. Nous ne parlerons que du test t le plus couramment utilisé.

Pour utiliser un test t, nous devons d'abord supposer que nos données sont :

• Les deux échantillons ont été obtenus par échantillonnage aléatoire.
• Les deux échantillons ont des observations indépendantes l'une de l'autre.
• Les deux échantillons sont normalement distribués ou s'en rapprochent.
• Les deux échantillons ont une variance ou une distribution similaire.
• Les deux échantillons ont des données continues ou des données qui peuvent prendre n'importe quelle valeur, pas seulement des nombres entiers.

Quel type de test t les scientifiques utilisent-ils ?

• Un test t apparié est utilisé lorsque les groupes d'intérêt proviennent d'une seule population. Il compare les moyennes de deux valeurs provenant du même objet, de la même population, etc. Par exemple, comparer les taux de cholestérol des mêmes humains ou sujets en 1999 et en 2007.
• Un test t indépendant ou un test t à deux échantillons est utilisé lorsque les groupes d'intérêt proviennent de populations différentes. Il compare les moyennes de deux valeurs provenant d'objets, de populations, etc. différents. Par exemple, comparer le taux de cholestérol en 1999 entre différents humains ou sujets.
• Un test t à un échantillon est utilisé lorsqu'un groupe est comparé à une mesure ou une valeur standard. Par exemple, les scientifiques savent que le taux de cholestérol idéal d'une femme est d'environ 50 mg/dl. Les scientifiques recueillent des données sur des femmes qui se rendent dans le même hôpital et qui n'ont plus de problèmes de cholestérol. Ils veulent voir comment la moyenne de ce groupe se compare à la valeur de 50 mg/dl.

Après avoir sélectionné le type de test t nécessaire en fonction de leurs expériences, les chercheurs utilisent généralement un logiciel statistique pour calculer la valeur t. Plus la valeur t absolue est grande, plus la moyenne de l'échantillon diffère de la moyenne de la population.

Les valeurs importantes qui se rapportent à un test t sont :

• L'hypothèse nulle (\(H_0\)) affirme qu'il n'y a pas de corrélation ou de relation entre les deux variables étudiées. En d'autres termes, les résultats ne sont pas statistiquement significatifs et sont dus au hasard. L'hypothèse nulle est toujours considérée comme vraie jusqu'à preuve du contraire.
• La valeur p décrit la probabilité que notre hypothèse nulle soit vraie. Un p > 0,05 indique que tes résultats ne sont pas statistiquement significatifs et que l'hypothèse nulle est vraie. Lorsque p est inférieur ou égal à 0,05, l'étude est statistiquement significative.

L'écart type et la moyenne peuvent être utilisés ensemble pour te dire où se situent les valeurs de ton ensemble de données si elles suivent une distribution normale

Nous appelons cette règle la règle empirique ou la règle 68-95-99,7, qui stipule :

• Environ 68 % des scores se situent à moins d'un écart-type (ET) de la moyenne.

• Environ 95 % des notes se situent à moins de 2 écarts types (ET) de la moyenne.

• Environ 99,7 % des notes se situent à moins de 3 écarts types (ET) de la moyenne.

Les scientifiques utilisent la règle empirique pour s'assurer que leur ensemble de données ou les valeurs prédites sont proches de la moyenne. Si ce n'est pas le cas, la probabilité que la prédiction, l'expérience ou la théorie soit juste est faible.

Objectif de l'analyse statistique

Les chercheurs utilisent l'analyse statistique dans le but de répondre à des questions essentielles et souvent expérimentales en biologie. En général, les scientifiques collectent des données pour répondre à des questions telles que "Quel est le degré de corrélation ?", "Combien ?", "Combien ?", etc. L'analyse statistique peut fournir une méthode pour quantifier les données et les observations recueillies.

Par exemple, une société pharmaceutique nous dit que la plupart de ses patients n'ont présenté aucun effet indésirable du médicament au cours des trois essais. Nous voudrions déterminer la taille de l'échantillon. En d'autres termes, nous voulons savoir ce que signifie "la plupart". La plupart signifie-t-elle 120/200 ou seulement 60 % des personnes survivent, ou encore 199/200 personnes survivent ? Nous voudrions également savoir si l'échantillon a été prélevé au hasard, quelle est la moyenne de l'ensemble des données et ce qu'ils entendent par effets secondaires indésirables.