Table of Contents
Quelque part dans ton chapitre de méthodologie, ton encadrant attend une phrase comme : « Une analyse de puissance a indiqué qu'un échantillon de 128 participants était nécessaire. » Si tu ne sais pas vraiment ce que cela signifie, ou si tu l'as copiée d'autres mémoires en espérant que personne ne pose de question, ce guide est pour toi.
La puissance statistique est une idée simple sous une apparence intimidante. À la fin de cet article, tu sauras ce qu'elle signifie, pourquoi presque tout le monde utilise 80 % et comment obtenir un nombre défendable avec notre calculateur gratuit de puissance statistique, une alternative à G*Power qui fonctionne dans le navigateur.
Ce qu'est réellement la puissance statistique
Supposons que l'effet étudié soit réel : l'intervention fonctionne, les deux groupes diffèrent vraiment ou la corrélation existe. La puissance statistique est la probabilité que ton étude le détecte.
Une puissance de 80 % signifie que, si l'effet est réel, ton test a 80 % de chances de produire un résultat significatif et 20 % de risques de le manquer complètement. Ce résultat manqué est une erreur de type II, la tragédie silencieuse d'une recherche sous-dimensionnée. L'effet existait, mais ton étude ne pouvait pas le voir.
Les deux façons dont une étude peut se tromper
Un faux positif, ou erreur de type I, considère un effet comme réel alors qu'il ne l'est pas. Sa probabilité correspond à l'alpha, généralement 5 %. Un faux négatif, ou erreur de type II, manque un effet réel. Sa probabilité vaut 1 moins la puissance. Avec 80 % de puissance, tu acceptes un risque de 20 % de manquer l'effet.
Les quatre paramètres et leurs compromis
Une analyse de puissance comporte quatre quantités. Fixes-en trois et la quatrième en découle. C'est tout ce que fait un calculateur de puissance.
- Taille d'effet : l'ampleur de la différence ou de la relation. Les petits effets demandent de grands échantillons.
- Alpha : ton seuil de signification, presque toujours 0,05.
- Puissance : ta probabilité de détection cible, généralement 0,80.
- Taille d'échantillon : la quantité que tu cherches le plus souvent à calculer.
La taille d'effet domine le résultat. Pour une comparaison de deux groupes avec le d de Cohen :
Échantillon requis par groupe, test t bilatéral, alpha 0,05, puissance 80 %
| Taille d'effet | d de Cohen | Par groupe | Total |
|---|---|---|---|
| Petite | 0,2 | 394 | 788 |
| Moyenne | 0,5 | 64 | 128 |
| Grande | 0,8 | 26 | 52 |
Lis ce tableau deux fois. Rechercher un petit effet exige environ six fois l'échantillon d'un effet moyen. Voilà pourquoi des attentes honnêtes sur la taille d'effet comptent plus que presque toute autre décision de planification et pourquoi les études qui se contentent de « voir ce qui ressort » ne trouvent si souvent rien.
Pourquoi 80 % de puissance est devenu la norme
Le seuil de 80 % remonte à Jacob Cohen. Il estimait qu'un faux positif était environ quatre fois plus grave pour la science qu'un faux négatif. Avec un alpha de 5 %, accepter un risque de 20 % de manquer l'effet maintient ce rapport de 4 pour 1. Ce jugement est devenu une convention, comme la confiance à 95 %.
Faut-il parfois s'en écarter ? Oui. La recherche clinique et les études à fort enjeu utilisent souvent une puissance de 90 %. Certains projets étudiants exploratoires acceptent ouvertement moins. En revanche, ne recueille pas 40 réponses avant de choisir la puissance qui fera paraître 40 suffisant.
L'analyse de puissance précède le terrain
Une analyse après le recueil décrit les données, elle ne justifie pas l'échantillon. Fais-la pendant la planification, indique les paramètres retenus et laisse le résultat fixer ton objectif de recrutement. Les évaluateurs voient la différence.
Choisir honnêtement une taille d'effet
Cette étape bloque souvent, car la réponse honnête est qu'il faut porter un jugement argumenté. Trois stratégies utiles, par ordre de préférence :
- Littérature antérieure. Cherche des études qui mesurent quelque chose de comparable et utilise leurs effets publiés de façon un peu plus prudente, car ils sont souvent optimistes.
- Plus petit effet pertinent. Demande-toi quelle différence minimale aurait encore une importance pratique, puis dimensionne l'étude pour celle-ci. C'est la formulation la plus défendable dans un mémoire.
- Repères de Cohen. Petit avec d = 0,2, moyen avec d = 0,5 et grand avec d = 0,8 en dernier recours quand la littérature est limitée. Indique clairement que tu utilises des repères conventionnels.
Un exemple complet à adapter
Supposons que ton mémoire compare le niveau de stress d'étudiants qui utilisent une application de pleine conscience avec celui d'étudiants qui ne l'utilisent pas. Les études antérieures suggèrent un effet moyen, autour de d = 0,5.
- Test : comparaison bilatérale de deux groupes indépendants.
- Taille d'effet : d = 0,5, justifiée par la littérature.
- Alpha : 0,05. Puissance : 0,80.
- Résultat : 64 par groupe, 128 au total réponses complètes.
Planifie ensuite à rebours à partir de 128. Avec un taux de réponse réaliste, combien d'invitations faut-il ? Notre calculateur de taux de réponse transforme l'objectif en plan d'invitations. Le calculateur de taille d'échantillon couvre le cas plus simple où tu décris une population plutôt que de comparer des groupes. Si tu hésites entre les deux, la formule de taille d'échantillon explique la différence.
Toujours sous-dimensionné ? Dis-le clairement
Une analyse honnête peut produire un nombre impossible à atteindre. Trois options sont respectables : rendre un effet plus grand mesurable grâce à une intervention plus forte ou des instruments plus fiables, simplifier le plan avec moins de groupes ou des mesures répétées, ou poursuivre en signalant clairement la limite et en présentant l'étude comme préliminaire. Ignorer discrètement l'analyse ne l'est pas. Protège aussi la qualité des données. Une étude assez puissante mais remplie de bots et de réponses précipitées vaut moins qu'une étude plus petite et propre. Commence par des contrôles d'attention.
Questions fréquentes
Que signifie une puissance statistique de 80 % ?
Si l'effet étudié est réel, une étude avec une puissance de 80 % a 80 % de chances de le détecter comme statistiquement significatif et 20 % de risques de le manquer. Ce résultat manqué est une erreur de type II.
Quelle différence entre analyse de puissance et calcul d'échantillon ?
Un calcul fondé sur la marge d'erreur décrit une population, par exemple le pourcentage d'étudiants qui pensent quelque chose. L'analyse de puissance planifie la détection d'effets ou de différences, par exemple si les groupes A et B diffèrent. Les comparaisons et tests d'hypothèse nécessitent une analyse de puissance.
G*Power est-il le seul moyen de faire une analyse de puissance ?
Non. G*Power est un logiciel de bureau gratuit et un bon choix. Pour les cas courants comme les tests t, les corrélations et la comparaison de deux proportions, un calculateur de puissance dans le navigateur fournit les mêmes nombres plus rapidement.
Puis-je effectuer l'analyse après avoir recueilli les données ?
L'analyse de puissance a posteriori est largement déconseillée. Fais-la avant le terrain pour fixer ton objectif. Après le recueil, rapporte plutôt des intervalles de confiance.
Retrouve tous les calculateurs cités dans la collection d'outils de recherche gratuits.