: Test V de Cramer, Test Q de Yule.

[invite46072631]

Bonjour,

En analysant les études destinées à promouvoir les médicaments, on constate qu’on peut mettre en évidence des effets modestes si on prend des populations importantes : il suffit d’y mettre le prix. Le seuil de significativité avec un p< 5% cher aux médecins dont la statistique n’est pas la tasse de thé (chacun son métier), peut donc être atteint avec un médicament dont l’intérêt reste discutable pour diverses raisons. Il y a des effets secondaires dont certains on été décelés, mais surtout une grande incertitude sur ceux qui se produiront sur le long terme.
Or la significativité statistique (p petit) n’est pas un bon indicateur puisque qu’il est dépendant de la taille de la population étudiée.

J’ai trouvé sur internet deux indices destinés à s’affranchir de ce biais, mais je n’en ai aucune expérience :

1). Le test Q de Yule, trouvé sur le site d’un confrère qui donne une échelle d’évaluation de la liaison, d’autant plus forte que Q (entre 0 et 1) est grand.

2). Le test V de Cramer, qui calcule la racine du rapport entre le X2 et la taille de la population, découvert sur un pdf pour licence. V est aussi compris entre 0 et 1, mais il varie en raison inverse de la liaison et je n’ai trouvé nul part une échelle de cette évaluation suivant les valeurs de V, faciles à calculer par ailleurs.

Est-ce qu’un spécialiste pourrait me trouver une échelle d’appréciations pour les valeurs du V de Cramer calculées et la façon dont il est possible d’utiliser l’un et l’autre test. (Yule et Cramer).

Je remercie par avance ceux qui auront eu le courage de me lire jusqu’ici et qui voudront bien m’aider.

Yvon
-----

[invite986312212]

bonjour,

je ne comprends pas ce que viennent faire des considérations sur les effets secondaires de médicaments dans ton interrogation. Tu as raison de dire qu'avec un échantillon suffisament grand on peut mettre en évidence une différence aussi petite que l'on veut. Mais si la différence réelle est nulle, augmenter la taille de l'échantillon ne changera rien. D'ailleurs tu parles de biais mais il n'y a pas de biais ici. Et note aussi que, si beaucoup de chercheurs se contentent d'examiner les probabilités de dépassement (les "P-values" comme on dit), la valeur de la différence est tout aussi importante, et prise en compte pour l'autorisation de mise sur le marché d'un nouveau médicament .

autrement, le V de Cramér comme le Q de Yule sont des mesures de la liaison entre variables qualitatives, et pas des tests.

[invite46072631]

@ ambrosio

Merci de ta réponse qui montre en effet que ma question n’est pas claire.
Je veux dire que l’activité, même modeste d’un médicament pouvant être prouvée, (si elle est nulle, la question ne se pose pas, évidemment) il importe de la mettre en balance avec les éventuels effets secondaires et les risques mêmes potentiels qui ne sont pas nécessairement recensés par les mêmes études. (Je prends le point de vue des médecins).Ceci était pour expliquer pourquoi je m’intéresse à ces coefficients alors que je ne suis pas statisticien. (Ce qui explique que je n’en ai pas le vocabulaire au point d’appeler tests des calculs…
Mais tu as raison, cela n’a aucun intérêt pour la question posée !



Le test du KHI2 débouche sur une significativité qui est donc fonction de la taille de la population et ne permet pas de comparer diverses études.
Le calcul du V de Cramér vise à s’affranchir de la taille de la population si j’ai bien compris et bien que ce ne soit pas un test mais une « mesure de la liaison entre variables qualitative », j’aimerais connaître la signification des chiffres obtenus entre 0 et 1 concernant cette liaison.
Est-ce que le calcul du Q de Yule mesure la même chose ?
Pour ce dernier, j’ai trouvé sur un site de médecin un tableau de correspondance entre les chiffres de ce Q et une appréciation subjective. Tu me diras ce que tu en penses, et s’il existe l’équivalent pour Le V de CRAMER :

Coefficient Q de Yule :
Q = (A*D - B*C) / (A*D + B*C)
Il mesure l'intensité de la liaison entre les deux variables (maladie/risque d'exposition) : il est :
nulle si Q = 0 ;
négligeable si Q = (0.01 - 0.09) ;
légère si Q = (0.10 - 0.29) ;
modérée si Q = (0.30 - 0.49) ;
forte si Q = (0.50 - 0.69) ;
très forte si Q = (0.70 - 1).

[invite986312212]

bon, déjà le test du Chi2 n'est pas la panacée, et même je ne suis pas sûr qu'il soit très employé pour analyser des essais cliniques. Et en tout état de cause, ce n'est pas vrai qu'on ne peut pas comparer des études portant sur des échantillons de tailles différentes. Ca se fait même couramment, c'est ce qu'on appelle "meta-analyses". Quant aux statistiques que tu cites, le Q de Yule (qui est un cas particulier du Gamma de Goodman et Kruskal) et le V de Cramér (encore plus obscur), je ne vois pas pourquoi leur distribution serait moins dépendante de la taille d'échantillon. J'ai peur que tu fasses fausse route.

[A voir en vidéo sur Futura]

[invite46072631]

Je ne sais pas si le teste du Chi2 est ou non la panacée, mais je sais que tous les études de médicaments qui sont comparées à un placebo ou à un produit de référence dans une étude randomisée et controlée (QRT en anglais) sont publiées avec un coefficient de significativité (petit p) tiré d’un test de Chi2 (ou d’écart réduit, ce qui revient au même).


Quand aux meta-analyses, ça ne consiste pas à comparer des études portant sur des échantillons de taille différentes, mais à rassembler rétrospectivement plusieurs études portant sur des sujets qui se recoupent pour en faire une seule, de plus grande taille, ce qui augmente la puissance quand c’est nécessaire.
Ce n’est pas du tout la même chose, du moins en médecine car on ne trouve jamais deux études étudiant exactement la même chose, vu le prix des études. Les méta analyses regroupent donc des populations disparates qui n’ont pas la même finesse que les études randomisées. Ce sont des études à posteriori !
Elle sont cependant très utilisées par l’industrie pharmaceutique, car quand une étude randomisée dérange, (par exemple un médicament contre le cholestérol augmente la survenue des cancers), il suffit de faire une méta-analyse avec toutes les études antérieures où on n’a pas trouvé de cancers (si on a pas cherché…) et la méta-analyse ne confirme pas la mauvaise étude à l’origine de la mauvaise rumeur. (même si p<0,00001)

Encore une fois, je ne suis pas statisticien et les « statistiques que je cite », c’est ce que j’ai lu ailleurs qui me paraissait fiable.
Pour ce qui est du V de Cramer, je l’ai trouvé sur un document pédagogique de cet auteur :


Julien Barnier
Groupe de Recherche sur la Socialisation
CNRS – UMR 5040
########
15 avril 2008


Deux phrases résument ce que j’ai compris :
« les résultats du test du χ2 et la valeur du p ne peuvent en général pas être comparés d’un tableau à l’autre.
C’est justement pour remédier à ce problème que Monsieur Harald Cramér 1 a mis au point
une statistique joliment prénommée V et qui se calcule de la manière suivante : »
…
« Par ailleurs, on peut montrer que la valeur du V est insensible à l’effectif du tableau : »

Où est selon toi la « juste » route ? ☺

[invite986312212]

(...)
Elle sont cependant très utilisées par l’industrie pharmaceutique, car quand une étude randomisée dérange, (...)

et

En analysant les études destinées à promouvoir les médicaments (...)

j'ai l'impression d'une certaine hostilité envers l'industrie pharmaceutique...

Encore une fois, je ne suis pas statisticien (...)

je te conseillerai de te procurer l'ouvrage de Bouyer, Hémon et Cordier "Epidémiologie -Principes et méthodes quantitatives" aux éditions de l'INSERM (j'espère que tu n'es pas hostile à l'INSERM). Il n'est pas cher, destiné aux médecins, donc pas du tout théorique.

Où est selon toi la « juste » route ? ☺

utiliser les méthodes classiques qui ont fait leurs preuves.