Cours 10. Plans expérimental et d'échantillonnage Flashcards

1
Q

2 types étude en biologie/écologie

A

Études expérimentales

  • Chercheur assigne traitement unités échantillonnage -> compare réponse respective
  • Ex : médicament dans étude clinique

Études observationnelles

  • «Nature» assigne traitement -> chercheur pas influence quelle unité recoit quoi
  • Ex : taux cancer foie alcooliue vs non-alcoolique
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

Étude expérimentale

A

Peut identifier cause association entre traitements et réponses -> causalité
- Si étude bien planifier

Généralement généralisable (par induction) -> moins spécifique
- Donc possède portée plus grande que observationnelle

Bonne expériementation permet contourner problème variable de confusion/confondante
- Assigne aléatoirement traitements (randomisation) -> brise possible association
individu/variable non mesuré

Reste soumise biais expérimental -> artéfact mesure systématique

  • Introduit par procédé expériemental (manière récolte mesures)
  • Besoin conditions plus naturelles possible pour éviter -> pris en compte lors planifie
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Étude observationnelle

A

Peut identifier association entre traitements et réponse -> corrélation

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

Variable de confusion/confondante

A

Déf : variable non mesurée varie avec variables étudié

  • Peut donner fausse impression causalité
  • Ex : #télé et espérance de vie, surpoids et consommation brocoli

Peut s’agir variable Z qui explique X et Y

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Plan statistique

A

Essentiel planifier analyses nécessaire confirmer/infirmer hypothèse avant expérience

  • Permet récolter bonne informations/mesures
  • Permet simplifier analyse suite mesures

Chercher toujours maximiser chance succès, soit obtenir résultats valides

Pour expérimetale;

  • Planifie pour réduire biais/influence erreur mesures
  • Choisit taille échantillons à l’avance

Pour observationnelle;
- Incopre plus bonne pratique expérimentale possible

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

Étapes élaboration plan statistique

A
  1. Développer question recherche claire
    - Hypothèse scientifique? Intéressante? Déjà abordée? Objectifs clairs = expériences clairs
  2. Lister résultats possible expériences
    - Veut obtenir/risque obtenir, Conclusion claire atteignable? Donne réponse question?
  3. Développer plan expérimental
    - Écrire, faire schémas, réviser -> Souvent
  4. Garder simple/simplifier expérience
    - Pour pas perdre objectifs de vue/éviter erreur/généraliser résulatas
    - Évite traitements incompréhensible -> peut jeter doute sur étude
  5. Vérifier problème design courant
    - Assez réplicas? Échantillons indépendants? Évite seudoréplication? Identifie variables confondantes
  6. Taille échantillon suffisante?
    - Taille effet détectable dépend #observation, Assez intervalle permet conlcuer effet?
  7. Discuter design
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Réduire biais estimations

A

Biais réfère exactitude -> inexact = biaisé

3 techniques pour minimiser;

  1. Groupes contrôle/témoins
  2. Randomisation
  3. Test aveugle
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Groupes contrôle/témoins

A

Déf : goupe sujets expériementaux traité comme autres mais subit aucun traitement
- Permet mieux estimer taille effet étudié

Préférable avoir plusieurs témoins
- Si contraites logistiques, coupes traitements avant témoins

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

Randomisation

A

Implique fait assigner aléatoirement traitements
- Absence traitement = témoins

Permet;

  • Briser possibles associations entre individus et variables confondantes/non mesurées
  • Supprimer biais associé variables confondantes/non mesurées

Doit être fait façon systématique -> ex : liste nombre aléatoire

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Test à l’aveugle

A

Implique fait cacher infos sur traitements aux humains

Simple aveugle : sujets connaissent pas traitements

Double aveugle : sujets + expériementateus connaissent pas traitements

  • Important pour limiter possibilité partilité -> veut expérience fonctionne
  • Surtout utilié contexte biomédical/psychologie -> quand sujet doit décrire effet traitement
  • Utiles plusieurs individus impliqués recherche
    • Demande 1 personne prépare traitement, 1 autre fait
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

Réduire erreur d’échantillonnage/de mesure

A

Erreur d’échantillonnage réfère précision -> imprécis = erreur
- Précision important capable détecter possible effet

Possède impact direct/important analyses statistiques
Veut réduire erreurs/impact erreurs pour laisser que variabilité naturelle entre mesures

4 techniques pour minimiser;

  1. Réplication
  2. Équilibrage
  3. Blocking
  4. Traitements extrêmes
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

Réplication

A

Simplement application traitement plusieurs unités échantilonage et nombre suffisant
- Limite pas multiplication mesure -> doit fair eattention pseudoréplication

Unité : individu ou collection individus
- Collection mesure plus chance semblable -> considère comme une mesure (moyenne)

Plus réplicas/ = moins erreur
- Rappel : SE inversement proportionnelle racine carré n (SE = S/√n)

Donc augmentation effectif = réduit erreur/intervalle confiance, augmente puissance, …
- Mais coute : $$$, temps ressource, … -> possible optimser à avance

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

Pseudoréplication

A

Problème plus répandu design expériementaux/observationnels

Apparait quand mesure individuelles pas indépendantes mais analysées comme
- Ex : compare effet fertilisateur mais triatement regroupé dans incubateurs distincts
Unité échantilonnage = incubateur

Solutions : mélange traiatement dans incubateur
- Assure variables confondantes affecte 2 traitements également

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Équilibrage

A

Simplement prévoir même n pour chaque traitement/contrôle (n1 = n2)
- Permet minimiser 1/n1 + 1/n2 tests 2 variable de t

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

Blocking

A

But : répartir unités expérimentales dans blocs varie pour raison hors contrôle

  • Permet répartir aléatoirement impacts potentiels variables confondantes
  • Ressemble randomisation, mais exerce à niveau supérieur unité échantilonnage

Solution efficace pseudoréplication si répatir traitement alétoirement dans blocs
- Ex : plates dans incubateurs

Designe blocs randomisés = extension design apparié mais pour >2 traitements
- Effet traitements mesuré par différence entre traitement dans bloc (utilise ANOVA)

Très utiles si;

  • Unités dans homogènes (excepté traitements)
  • Varie dû raisons naturelles/environementalles
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

Traitements extrêmes

A

Petits effets traitement difficile à détecter
Besoin N élevé et grande précision mesure
Façon détecter si traitement a effet sur système -> inclu traitements extrèmes
- Ex : besoin utilise échelle log

17
Q

Expérience > 1 facteur

A

Intéressant répondre plusieurs question à partir 1 expérience;

  • Raisons logistiques ($, temps, matériel)
  • Facteurs peuvent intéragir

Ex : étude effet ↑ [CO2 atmo] sur écosystèmes marins

  • Facteur 1 : cause effet sere donc ↑ T°
  • Facteur 2 : cause acidification océeans (cycle carbonates)
  • Intéractions et effet sur expèces marines intéressants

Implique plan expérience factoriel -> desgin factoriel

  • Étudie toutes conbinaiosn possible traitements (2 facteur + 2 traitemesnt -> 4 expériences)
  • Permet détecter éventuelles interactions
18
Q

Si expériences pas possibles …

A

Doit faire études observationnelles
Meilleur incorpore tous éléments expériementales pour réduire
- Biais (contrôles, test aveugle)
- Influence erreur mesure (réplication, équilibrage, blocking)

Plusieurs approche pour assurer répond 1ère condition application
- Soit échantilonnage aléatoire/indépendant/représentatif

19
Q

Échantillonnage aléatoire simple

A

Échantillone simplement n dans N

Avantage : simple, efficace

Désavantages ;

  • Doit avoir accès tout population
  • Pas autant représentatif que échantillonnage stratifié
20
Q

Échantillonnage stratifié

A

Divise population en strates/blocs -> échantilonne n invidu aléatoirement bloc

  • Toujours même nombre n dans tous blocs
  • Utile diviser population selon classe social, densité, …

Avantages : représentatif

Désavantages : besoin connaissance préalable sur population

21
Q

Échanitllonnage par grappe

A

Divise population en grappes/blocs -> sélectionne alétoirement blocs échantillone tous individus
- Ex : famille

Avantages : peu couteux, facile

Désavantages : difficle jugé représentativité (oui ou non?)

22
Q

Échantillonnage systèmatique

A

Échantillonne population manière régulière -> tous x ième individu
- Ex : pose question coin rue à chaque 5 personnes

Avantages : facile expliquer/appliquer

Désavantages : problèmes représentativité
- Si présence patrons répéte dans population avec certaine fréquence

23
Q

Échantillonnage hiérarchique

A

Sélection aléatoirement n grappes et k individus dans chacune grappe

Avantages : coût, représentativité

Désavanatges : besoin connaissance préalable sur population
- Fait quand connait existe structure dans population

Souvent associé ANOVA, blocking,

24
Q

Échantillonnnage de convenance

A

Sélectionne individus accessible
- Ex : dans intersections à Shinjuku

Avantages : coût, facile

Désavanatges : mauvais représentativité possible

25
Q

Associer et ajuster (match and adjust)

A

Utilise pour minimiser influence possible variable confusion -> observationnelle
- Ex : taulle cochon (petit vs moyen vs gros)

Association : associe unité «semblables» et distribue aléatoirement traitements
- Pas toujours possible -> utilise ajustement

Ajustement : liste variables confondantes et choisit groupes partage distributions vairable valeur similaire
- Ou au moins mesure variables confondantes

Utilise ANCOVA

26
Q

Taille échantillons

A

Élément clé expérience : détermination # unité échantillonnage à inclure

  • Trop peu -> intervalle confiance trop grand, pas possible détecter effet
  • Trop grand -> directeur haït car dépenser tous fonds recherche

Doit trouvé bon compromis entre : faisabilité, puissance et précision

3 types de plans;

  1. Plan pour précision
  2. Plan pour puissance
  3. Plan pour perte de donner
27
Q

Plan pour précision

A

Calcul nombre optimal individus à échanitllonner pour obtenir ME voulue
- Donc veut estimer taille effet avec max précision

Si compare 2 moyennes (considère conditions correctes et plan équilibré)

  • Estime intervale 95% μ1-μ2 avec Y1-Y2 ± ME -> ME = 1/2 intervalle
  • Peut utiliser règle pouce : intervale confiance = 2ME ≈ 2SE où S : écart-type échantillon

Formule pour n : n = 8*( S / ME )^2 -> n dépend ME
- Plus S grande et ME voulue petite -> plus n grand

Difficulté : estimation S et décision ME à avance

  • Base sur connaissance existante (litérature)/expériences préliminaires
  • Intervale = S/2

Relation précision intervalle 95% et n augemente vite premier petit n

28
Q

Plan pour puissance

A

Planifie n pour obtenir certain probabilité/puissance pour rejeter H0 fausse

Utilise souvent puissance 80% -> si H0 fausse veut n permet prouver fausse 8/10

Formule : n = 16*(S / D)^2

  • Pour puissance 80% et α = 0,05
  • D : seuil différence (|μ1-μ2|) sous quel rejet H0 intéresse pas -> équivaut intervale précision
29
Q

Plan pour perte de données

A

Plan pour précision/puissance valable pour données à fin expériences
Si soupçonne perte unité possible/mortalité -> doit compenser en conséquences
- Augemente n dès début