Presque tous les organismes subventionnaires exigent l’estimation d’une taille d’échantillon adéquate pour détecter les effets hypothétiques de l’étude. Mais toutes les études ont intérêt à estimer la taille de l’échantillon, car cela peut permettre d’économiser beaucoup de ressources.
Pourquoi ? Les études sous-dimensionnées ne peuvent pas trouver de résultats réels, et les études surdimensionnées en trouvent même de peu substantiels. Les études sous-dimensionnées et surdimensionnées font toutes deux perdre du temps, de l’énergie et de l’argent ; les premières en utilisant des ressources sans trouver de résultats, et les secondes en utilisant plus de ressources que nécessaire. Les deux exposent un nombre inutile de participants à des risques expérimentaux.
L’astuce consiste à dimensionner une étude de manière à ce qu’elle soit juste assez grande pour détecter un effet d’importance scientifique. Si votre effet s’avère être plus important, tant mieux. Mais vous devez d’abord rassembler des informations sur lesquelles baser les estimations.
Une fois que vous avez rassemblé ces informations, vous pouvez calculer à la main en utilisant une formule que l’on trouve dans de nombreux manuels, utiliser l’un des nombreux logiciels spécialisés ou confier le tout à un statisticien, selon la complexité de l’analyse. Mais quelle que soit la façon dont vous ou votre statisticien la calculez, vous devez d’abord effectuer les 5 étapes suivantes :
Étape 1. Spécifiez un test d’hypothèse.
La plupart des études comportent de nombreuses hypothèses, mais pour le calcul de la taille de l’échantillon, choisissez une à trois hypothèses principales. Rendez-les explicites en termes d’hypothèse nulle et d’hypothèse alternative.
Etape 2. Précisez le niveau de signification du test.
C’est généralement alpha = 0,05, mais ce n’est pas obligatoire.
Étape 3. Précisez la plus petite taille de l’effet qui présente un intérêt scientifique.
C’est souvent l’étape la plus difficile. Il ne s’agit pas ici de spécifier la taille d’effet que vous vous attendez à trouver ou que d’autres ont trouvée, mais la plus petite taille d’effet présentant un intérêt scientifique.
Qu’est-ce que cela signifie ? Toute taille d’effet peut être statistiquement significative avec un échantillon suffisamment grand. Votre travail consiste à déterminer à quel moment vos collègues vont dire : » Et alors, si c’est significatif ? Cela n’affecte rien ! »
Pour certaines variables de résultat, la bonne valeur est évidente ; pour d’autres, pas du tout.
Quelques exemples :
- Si votre thérapie faisait baisser l’anxiété de 3 %, cela améliorerait-il réellement la vie d’un patient ? De combien la baisse devrait-elle être importante ?
- Si les temps de réponse au stimulus dans la condition expérimentale étaient 40 ms plus rapides que dans la condition témoin, cela signifie-t-il quelque chose ? Une différence de 40 ms est-elle significative ? Est-ce que 20 ? 100?
- Si l’on trouvait 4 coléoptères de moins par plante avec le traitement qu’avec le contrôle, cela affecterait-il vraiment la plante ? Est-ce que 4 coléoptères de plus peuvent détruire, ou même rabougrir une plante, ou faut-il 10 ? 20?
Étape 4. Estimez les valeurs des autres paramètres nécessaires au calcul de la fonction puissance.
La plupart des tests statistiques ont le format effet/erreur standard. Nous avons choisi une valeur pour l’effet à l’étape 3. L’erreur standard est généralement l’écart-type/n. Pour résoudre n, ce qui est le but de tout ceci, nous avons besoin d’une valeur pour l’écart-type. Il n’y a que deux façons de l’obtenir.
1. La meilleure façon est d’utiliser les données d’une étude pilote pour calculer l’écart type.
2. L’autre façon est d’utiliser les données historiques – une autre étude qui a utilisé la même variable dépendante. Si vous avez plus d’une étude, c’est encore mieux. Faites la moyenne de leurs écarts types pour obtenir une estimation plus fiable.
Parfois, les deux sources d’information peuvent être difficiles à trouver, mais si vous voulez des tailles d’échantillon un tant soit peu précises, vous avez besoin de l’une ou de l’autre.
Étape 5. Précisez la puissance prévue du test.
La puissance d’un test est la probabilité de trouver une signification si l’hypothèse alternative est vraie.
Une puissance de 0,8 est le minimum. S’il sera difficile de refaire l’étude ou d’ajouter quelques participants supplémentaires, une puissance de 0,9 est préférable. Si vous demandez une subvention, une puissance de 0,9 est toujours meilleure.
Maintenant, calculez.
.