Kinesither Rev 2013;13(138):25–30

Dossier
Bio-statistiques : la dimension collective de nos individualités

Quelles biostatistiques pour quelles

études ?
What biostatistics for what studies?

Groupe d'études et de recherches appliquées à la rééducation (GERAR), Mathieu Vergnault

société française des professionnels en activités physiques adaptées (SFP-APA),
20, rue d'Aubervilliers, 75019 Paris, France

Reçu le 25 mai 2012 ; accepté le 8 mars 2013

RÉSUMÉ
Mots clés
Le résultat statistique n'est que la finalité de l'analyse statistique. Si le thérapeute ne respecte
pas les conditions d'applications des tests statistiques, les valeurs ne seront pas fausses Analyse statistique
parce que le test ne se trompe pas, mais l'analyse statistique employée le sera. Le résultat Biais
de l'analyse statistique dépend de nombreux paramètres qu'il est important de maîtriser afin de Biostatistiques
se protéger d'éventuelles erreurs. La littérature n'est pas exempte de ces erreurs, il est donc Signification statistique
primordial d'accorder une attention particulière aux traitements statistiques des données. L'inter- Significativité clinique
prétation du résultat se rapporte à la question posée par l'étude ou aux hypothèses posées au
départ. Cette interprétation est donc sujette aux précédentes problématiques mais aussi aux Keywords
liens de causalité accordée par le thérapeute. La question du statistiquement significatif et du Statistical analysis
cliniquement significatif prend alors tout son sens lorsqu'il s'agit de prendre des décisions Bias
thérapeutiques pour un patient. Biostatistics
Niveau de preuve. – Non adapté. Statistical significance
© 2013 Elsevier Masson SAS. Tous droits réservés. Clinically relevant

SUMMARY
The statistical result is that the purpose of statistical analysis. If the therapist does not comply
with conditions of applications of statistical tests, the values will not be false because the test
is not mistaken, but the statistical analysis will be used. The outcome of the statistical
analysis is dependent on many settings: it is important to master in order to protect
themselves from errors. Literature is not free of these errors, it is essential to give a special
attention to the statistical treatment of data. The interpretation of results refers to question
asked by the study or hypothesis at the outset. This interpretation is prone to previous issues
but also causal links given by the therapist. The question of statistically significant and
clinically relevant takes its full meaning when it comes to make therapeutic decisions for a
patient. DOIs des articles originaux :
Level of evidence. – Not applicable. http://dx.doi.org/10.1016/j.
© 2013 Elsevier Masson SAS. All rights reserved. kine.2013.03.003,
http://dx.doi.org/10.1016/j.
kine.2013.03.004,
http://dx.doi.org/10.1016/j.

I
l n'existe pas une analyse statistique pour
L'ANALYSE STATISTIQUE kine.2013.03.002
une étude précise. La variabilité des don-
nées et des objets d'études, pousse les Les variables
chercheurs à utiliser des traitements statisti-
ques toujours différents. Cependant, avant de En biostatistique, une variable est une infor- Adresse e-mail :
choisir un test statistique, quelques critères mation ou une observation. Au vu du nombre mathieu.vergnault@hotmail.
doivent être pris en compte [1–4]. d'informations que le thérapeute rencontre sur fr

© 2013 Elsevier Masson SAS. Tous droits réservés.

http://dx.doi.org/10.1016/j.kine.2013.03.001 25
 Dossier M. Vergnault

Bio-statistiques : la dimension collective de nos individualités

le terrain, ces variables peuvent être de différentes modalités.
Les plus importantes pour la sélection d'un test statistique sont
les variables quantitatives (VQT) ou qualitatives (VQL) et les
variables dépendantes (VD) ou indépendantes (VI) de l'objet
de l'observation.
Les VQT sont associées à un chiffre pouvant être mesurées,
alors que les VQL ne possèdent pas de sens arithmétique
propre [2,5–8]. Les VD sont des variables qui subissent
l'influence des VI. Le phénomène observé se traduit par la
VD, de ce fait, la VD est fonction de la VI. Le protocole d'une
étude se monte en contrôlant les VI afin d'éviter toute variation
non maîtriser sur les VD [4,9].
Par manque de rigueur, certaines VI peuvent devenir des
variables confondantes. Ce fut le cas d'une étude parue en
1993 [10], où les auteurs ne purent conclure sur l'impact du
tabagisme passif sur le cancer du poumon chez les couples où
un des concubins fumait au domicile, du fait de la présence
d'oiseaux en cage dans la majorité des ménages étudiés.
Cette conclusion est bien sûr à rapprocher des conflits d'inté-
rêts des auteurs. Cela souligne l'importance de rigueur dans la
mise en place d'un protocole d'étude clinique afin d'éloigner le
maximum de biais entre les variables et les liens de causes
à effets existants [11–13].
Les diverses stratégies de randomisation peuvent être consi-
dérées comme une solution pour éviter les variables confon-
dantes et différents biais de sélection [14–17]. La
randomisation de certains essais cliniques est remise en
cause par certains, prétextant que des études bien contrôlées
étaient mieux menées que des études randomisées par une
meilleure rigueur méthodologique [18].
De ce point de vue, l'analyse statistique doit absolument
passer par la définition du type de variable [8,9], bien que
ce soit au lecteur critique de déterminer le type et la nature des
variables utilisées et vérifier leurs adéquations à l'analyse
statistique employée [5,19–21].
Les tests statistiques
Une mauvaise analyse statistique vous donne également des
p-values, des IC95 % et autres sigles statistiques à interpréter.
Le problème c'est que le logiciel utilisé ne vous dira jamais si
vous avez respecté les conditions pour utiliser ce test plutôt
qu'un autre. Il est alors nécessaire d'aiguiser son sens critique
et de vérifier votre analyse statistique [20]. Le Tableau I repré-
sente quelques tests statistiques couramment utilisés dans la
littérature scientifique.
Normalité de l'échantillon
La mauvaise utilisation d'un test en rapport avec la normalité
de l'échantillon est l'une des erreurs les plus courante relevée
dans la littérature scientifique [3,22,23].
Par consensus, au-dessus de 30 sujets, le groupe
assume une distribution normale ou gaussienne
[7,21,24,25].
Mais ce n'est pas toujours vrai, il est donc nécessaire de tester
cette normalité par différents tests statistiques qui comparent
la distribution de l'échantillon avec une distribution normale de
valeurs. Mais ces tests de normalité sont soumis aux tests
d'hypothèses. Votre résultat est alors assujetti aux deux ris-
ques d'erreurs [3,11,26] (voir le 1er article de ce dossier). Il est
donc primordial de vérifier cette normalité de distribution en

Tableau I. Différents tests statistiques rencontrés dans la littérature scientifique.

Tests paramétriques Tests non paramétriques Objectif du test Exemple
équivalents
Test de t groupes Test de Wilcoxon Comparer un groupe Évolution de la flexion de genou avant
appariés de sujets à 2 moments et après une séance d'arthromoteur
distincts (VQT)

Test de t groupes Test de Mann-Whitney Comparer 2 groupes Comparaison du temps de maintien unipodal
non appariés indépendants au même chez des seniors sains et des seniors ayant
moment (VQT) subi une arthroplastie de hanche

Analyse de variances Analyse de Kruskall-Wallis Multiples comparaisons Différence de force isocinétique des
Anova pour un groupe à plusieurs muscles de la cuisse à 4, 6 et 8 mois
moments via les tests de après une ligamentoplastie de genou
t ou de Wilcoxon (VQT)

Anova à 2 facteurs Kruskall-Wallis à 2 facteurs Même système que Suivant le même exemple qu'au dessus,
précédemment, mais avec déterminer s'il existe une différence
l'ajout d'une seconde variable selon le genre

Test de x2 Test exact de Fischer Comparaison entre 2 Comparaison des progrès, en pourcentage,
groupes indépendants (VOL) de la force des extenseurs du genou entre
un groupe de sédentaire et un groupe
de sportif

Coefficient de Coefficient de corrélation Force d'association entre Relation entre la distance parcourue lors
corrélation r Rang de Spearman 2 variables d'un test de marche de 6 minutes et
de Pearson différents niveaux d'immersion aquatique

26
Kinesither Rev 2013;13(138):25–30
Bio-statistiques : la dimension collective de nos individualités
Figure 1. Histogramme d'un échantillon suivant une loi normale et
sa courbe gaussienne (a) et un échantillon suivant une autre loi de
distribution (b).
analysant l'allure générale des valeurs via un histogramme
(Fig. 1) [24,27].
Les tests statistiques exigeant une distribution normale des
valeurs sont qualifiés de paramétriques, contrairement aux
tests non paramétriques utilisés lorsque la distribution des
valeurs ne suit pas une courbe gaussienne. Les tests para-
métriques sont plus puissants et se basent sur les valeurs
elles-mêmes ou leurs différences, et non sur leurs rangs
(position de chaque valeur), comme c'est le cas lors de tests
statistiques non paramétriques [5,26,28–30].
Certains indices de dispersion comme l'écart-type (standard
deviation [SD]) ou l'écart-type à la moyenne (standard error of
the mean [SEM]) sont utiles pour analyser la distribution si, et
seulement si elle respecte une loi normale. Le SEM (variabilité
de la moyenne pour une population) est plus pratique et plus
utilisé lors de comparaison entre plusieurs groupes. De par
son calcul, il possède des valeurs plus petites que le SD, il est
parfois utilisé à tort pour prétendre à une plus grande précision
pour la variabilité d'un échantillon [22,25,31]. Les conclusions
faites sur l'amplitude de l'IC sont aussi soumises à une nor-
malité de l'échantillon (Fig. 2).
Appariement
L'appariement d'un groupe intervient afin de diminuer la varia-
bilité sur un ou plusieurs critères étudiés et de ce fait, vise à la
Dossier
Figure 2. Exemple des représentations graphiques du standard
deviation (SD), du standard error of the mean (SEM et de l'IC95 %.
perte d'indépendance de certaines observations [32]. Les
critères d'appariement sont sous-jacents aux modalités
d'inclusion et d'exclusion fixés au début de l'étude. Selon le
traitement statistique, deux cas de comparaisons sont possi-
bles. Soit l'analyse s'effectue entre deux groupes à un temps
précis (tests statistiques non appariées) soit celle-ci s'attache
à évaluer un groupe à deux temps différents (tests statistiques
appariés) [28].
Il est nécessaire d'analyser le test statistique choisi en rapport
avec le type d'appariement dépendant du protocole de l'étude
[26].
Unilatérale ou bilatérale
L'investigateur d'une étude estime que l'effet qu'il cherche
à prouver (s'il existe) ne peut se produire que dans un seul
sens, dans ce cas l'analyse statistique est unilatérale. La zone
de rejet de l'hypothèse principale est donc placée d'un seul
côté de la distribution de probabilité de référence et de ce fait
est plus puissant. C'est le cas par exemple, des études qui
compare une thérapeutique à un placebo [1].
Sinon, le chercheur utilisera des analyses statistiques bilaté-
rales car il ne sait pas dans quel sens l'effet se produira, et ne
se préoccupe pas nécessairement du sens de la différence.
Par prudence, la plupart des chercheurs préconisent l'usage
de tests bilatéraux à moins de justifier l'utilisation de tests
unilatéraux [1,33,34].
Multicomparaison
La multiplication des tests statistiques dans une étude est
souvent contestée car celle-ci est soumise à des erreurs
fréquentes. Ces multiples comparaisons sont réalisées la plu-
part du temps sur des VD, augmentant le risque de conclure
à tort à des différences et à des résultats faussement signifi-
catifs [4,22,23,27,35]. Il faut donc se méfier des études compa-
rant de nombreux critères.
Sans ajustements statistiques, un chercheur s'appliquant
à comparer cinq thérapeutiques, se voit donc réaliser dix
comparaisons. Si le risque d'erreur a est fixé à 0,05, le degré
de chance de ne pas commettre l'erreur a pour un seul test est
27
 Dossier
Bio-statistiques : la dimension collective de nos individualités
de 0,951. Dans cet exemple, la chance de ne pas commettre
l'erreur a est égale 0,9510, soit 0,60. De ce fait, l'erreur de type I
passe de 5 % à 40 % [27,36]. La méthode de Bonferroni-Holm
est une alternative afin que l'ensemble des comparaisons
accepte un risque global d'erreur a à 5 %, même si celle-ci
est peu utilisée [37]. Cette stratégie d'ajustement consiste
à diviser le risque a par le nombre de comparaisons
[1,27,38]. Pour l'exemple précédent, le nouveau seuil de signi-
ficativité serait de 0,5 %.
L'analyse de variance (Anova) est considérée comme la solu-
tion pour ne pas tomber dans ce type de piège lorsque votre
analyse comporte plusieurs groupes à comparer [3,36].
Corrélation et régression
Les tests de corrélation analysent l'existence d'une liaison
entre deux VQT indépendantes suivant une loi normale. Cette
relation est traduite par un coefficient « r » ou r de Pearson
compris entre –1 et 1. Plus ce coefficient est proche d'une des
extrémités, plus la liaison est forte [2,26]. À partir d'un coef-
ficient de corrélation supérieur à 0,8, la force de liaison entre
les variables étudiées est considérée comme bonne. Ce coef-
ficient doit être accompagné de sa p-value et de son IC afin de
d'exprimer plus précisément la force de liaison. La corrélation
n'implique pas d'autres variables que celles testées et cette
liaison statistique n'est pas un critère de causalité. Le coef-
ficient de détermination est la mise au carré du « r » de
Pearson. Ce coefficient de détermination permet de jauger
la qualité de la régression et est très utilisé pour préciser la
relation entre les variables étudiées [39].
La régression correspond à l'équation permettant de connaître
ou prédire la valeur d'une variable (VD) grâce à une autre (VI)
[5,40,41]. Par consensus, les VI sont placées sur l'axe des
abscisses et les VD sur l'axe des ordonnées [12]. Le plus
souvent une droite est tracée via une représentation graphique
en nuage de points. En fonction de l'équation de la droite, la
régression sera alors considérée linéaire ou non linéaire [24].
La régression décrit la façon dont la variable placée sur l'axe
des ordonnées est liée à la variable placée sur l'axe des
abscisses et non l'inverse. Ce dernier point est souvent la
cause de conclusions erronées dans la littérature scientifique
lorsque les auteurs examinent l'ordre de grandeur des coef-
ficients de corrélations trouvés, et les relations de cause à effet
vis-à-vis des régressions [22,40].
Concordance
La comparaison de deux méthodes différentes ou d'une seule
méthode par deux observateurs différents est un des thèmes
largement abordés dans le domaine de la rééducation. Ces
comparaisons font l'objet de diverses erreurs d'analyse sta-
tistique à cause des différences entre les VQT et les VQL.
Dans le cas des VQL, la comparaison d'un test par deux
observateurs se réalise grâce au coefficient kappa. La concor-
dance est alors la proportion de sujets pour lesquels les
examinateurs sont d'accord entre eux. Plus ce coefficient
kappa est proche de 1, plus le degré de concordance est
excellent. Cette mesure d'accord entre deux observateurs doit
être analysée en fonction du contexte clinique [42,43].
La validation d'une nouvelle méthode thérapeutique de mesure
par rapport à une autre méthode (souvent placée en tant que
méthode de référence), porte essentiellement sur des VQT. La
méthode graphique de Bland et Altman semble être la meilleure
28
M. Vergnault
des solutions pour objectiver une concordance entre deux
méthodes, même si cette concordance est laissée à l'apprécia-
tion du chercheur (choix des limites) [44]. Il n'est pas rare de
rencontrer l'utilisation à tort, de la régression et du coefficient de
corrélation pour justifier de la concordance entre deux variables,
alors que ces analyses mesurent l'intensité et l'existence d'un
lien entre deux mesures [45,46].
Dans le cas des études de reproductibilité (test et retest), le
coefficient de corrélation intraclasse (CCI) est privilégié.
Comme tout coefficient il est compris entre 0 et 1 et un coef-
ficient égal ou supérieur à 0,80 est un strict minimum pour
estimer que les tests réalisés sont reproductibles [47].
CLINIQUE VERSUS STATISTIQUE
Les associations retrouvées en termes mathématiques ne
reposent sur aucun lien de causalité, bien que la statistique
ne soit qu'une mathématique contextualisée [48]. Il faut alors
se pencher sur la signification du statistiquement significatif.
Est-ce que des résultats statistiquement significatifs
sont cliniquement intéressants ?
Une diminution significative de 0,8 8C de la température cutanée
au niveau du genou dans un groupe de patients opérés d'une
ligamentoplastie améliore-t-elle la flexion ou la douleur à deux
semaines postopératoires ? Est-ce qu'une augmentation signi-
ficative de 14 mètres au test de marche de six minutes améliore
l'autonomie des patients insuffisants cardiaques ?
Il y a alors confusion entre d'un côté un événement qui ne
semble pas arriver par hasard (statistique) et de l'autre un effet
sur la santé du sujet (clinique) [6,49,50].
Dénoncée depuis longtemps, l'erreur est donc de
considérer que plus un résultat est significatif, plus il
sera cliniquement intéressant [51].
L'analyse critique des résultats passe par la recherche de
relation avec la pratique et souvent, des résultats statistique-
ment significatifs n'ont aucun intérêt sur le terrain pour le
thérapeute ou le patient [4,30,52–55]. Il n'existe pas de
consensus sur la significativité clinique, car celle-ci est dépen-
dante des situations, des professionnels, des patients, des
pathologies et a fortiori du référentiel de l'étude. Il faut alors
éviter toute généralisation des résultats et contextualiser les
conclusions sous-jacentes [1,22,56].
Les valeurs de la p-value, de l'IC, de la TE et de la PS ainsi que
de la taille de l'échantillon sont importantes à considérer lors-
qu'il est question d'effet clinique. [22,52,57,58].
QUELLES BIOSTATISTIQUES POUR QUELLES
ÉTUDES ?
Rappeler en introduction, la grande variabilité des études, des
données mesurées, des protocoles cliniques, ainsi que des
questions et hypothèses posées occasionnent des traitements
et des analyses statistiques toujours différentes. Le choix du
ou des tests statistiques répondent à divers critères. Les points
à prendre en compte pour le choix d'un test statistique se
retrouvent dans le Tableau II [1–4].
Kinesither Rev 2013;13(138):25–30
Bio-statistiques : la dimension collective de nos individualités
Tableau II. Critères à prendre en compte pour la sélec-
tion d'un test statistique.
Critères pour le choix d'un test statistique
Question posée par l'étude
Nature des variables – VI, VD, VQL, VQT
Grandeurs étudiées – moyennes, pourcentages, etc.
Conditions du test d'hypothèse – risque a et b
Latéralité du test
Distribution des données – normalité de l'échantillon
Type d'appariement
Nombre de comparaison
La facilité des analyses statistiques fréquentistes, dévelop-
pées par Pearson et Fisher, a contribué à l'utilisation presque
exclusive de leurs méthodes dans la littérature médicale [58].
Pourtant, la biostatistique fréquentiste est sujette à des criti-
ques importantes depuis plus de 40 ans. Selon différents
auteurs, un consensus interpelle les différents acteurs de la
recherche prétextant que « les tests d'hypothèse nulle ne sont
pas complètement stupides, mais les statistiques bayésiennes
sont meilleures » [51,59]. Allons-nous observer la disparition
des p-value et des tests d'hypothèse pour prendre en compte
de manière plus appropriée l'IC, la PS et la TE pour les futures
analyses statistiques ?
Cette remise en cause en faveur de la théorie de Bayes, qui
applique son raisonnement sur des probabilités événemen-
tielles, pourrait revoir totalement l'utilisation de la logique sta-
tistique fréquentiste étudiée ici. C'est d'ailleurs l'inférence
bayésienne qui est privilégiée lors des méta-analyses. Même
si l'utilisation des biostatistiques bayésiennes présente des
limites, le prochain modèle statistique semble se créer à partir
des théories fréquentistes et bayésiennes [60].
La prépondérance des analyses statistiques au sein de la
littérature scientifique fait de la biostatistique une discipline
à part entière. Sa compréhension dans les études scientifi-
ques ainsi que son autorité dans le protocole d'une étude
clinique fait de la biostatistique un élément majeur de la forma-
tion du thérapeute. Néanmoins, l'aide d'un biostatisticien est
souvent nécessaire lors de la vérification de protocole et
certaines analyses statistiques poussées, justifiant l'impor-
tance de la pluridisciplinarité dans le domaine de la rééduca-
tion/réhabilitation [1].
Points à retenir
 La mauvaise utilisation d'un test en rapport
avec la normalité de l'échantillon est l'une
des erreurs les plus courantes.
 Il faut se pencher sur la signification du statis-
tiquement significatif.
 L'analyse critique des résultats passe par la
recherche de relation avec la pratique.
Dossier
Déclaration d'intérêts
L'auteur déclare ne pas avoir de conflits d'intérêts en relation avec cet
article.
Remerciements
Je remercie les membres du GERAR, Anne Ayala et Nathanaël
Shahmaei, pour avoir pris le temps de lire, d'analyser, de vérifier et
de critiquer ce travail.
RÉFÉRENCES
[1] Roy PM, Calvel L, Dubart AE, Jabre P, Ricard-Hibon A, Thys F,
et al. Guide pratique de recherche clinique. S-Éditions; 2008.
[2] Ancelle T. Statistique épidémiologie, 3rd ed., Maloine: Collection
« sciences fondamentales »; 2007.
[3] Riou B, Landais P. Principes des tests d'hypothèse en statis-
tique : alpha, bêta et P. Ann Fr Anesth Reanim 1998;17:1168–80.
[4] Riffenburgh RH. Statistics in medicine, 2nd ed., Elsevier Aca-
demic Press; 2006.
[5] Greenleagh T. How to read a paper. Statistics for the non sta-
tisticians. I: different types of data need different statistical tests.
BMJ 1997;315:364–6.
[6] Bewick V, Cheek L, Ball J. Statistics review 8: qualitative data –
tests of association. Crit Care 2004;8:46–53.
[7] Estrade JL. Statistiques appliquées à la kinésithérapie. Les dif-
férentes variables. Kinesither Rev 2008;78:48–52.
[8] Couraud S. Biostatistiques avec feuilles de calcul Excel© ou
équivalent. Rev Pneumol Clin 2009;65:377–85.
[9] Gore SM. Assessing methods – Many variables. Br Med J
1981;283:901–5.
[10] Gardiner A, Lee P. Pet birds and lung cancer. Br Med J 1993;6869
(306):60.
[11] Glantz SA. Primer of biostatistics, 6th ed., McGraw-Hill Medical
Publishing division; 2005.
[12] Salmi LR. Lecture critique et rédaction médicale scientifique,
comment lire, rédiger et publier une étude clinique ou épidémio-
logique. Elsevier; 1998.
[13] Shapiro S, Rosenberg L, Palmer LJ. Biais in case-control
studies. In: Elston R, Olson J, Palmer, editors. Biostatistical
genetics and genetic epidemiology. Wiley; 2002.
[14] Greenland S. Confounding. In: Elston R, Olson J, Palmer, editors.
Biostatistical genetics and genetic epidemiology. Wiley; 2002.
[15] Gore SM. Assessing clinical trials – Why randomise? Br Med J
1981;282:1958–60.
[16] Gore SM. Assessing clinical trials – Restricted randomisation. Br
Med J 1981;282:2114–7.
[17] Gore SM. Assessing clinical trials – Simple randomisation. Br
Med J 1981;282:2036–9.
[18] Dreyfuss D. Faut-il continuer à faire des études randomisées ?
Rev Mal Respir 2005;22:381–5.
[19] Greenhalgh T, Taylor R. How to read a paper. Papers that go
beyond numbers (qualitative research). BMJ 1997;315:740–3.
[20] Conceicao MJ. Critical reading of the statistical data in scientific
studies. Rev Bras Cir Cardiovasc 2008;3(23):396–9.
[21] Septans AL, Kwiatkowski F. Choix du bon test statistique. In:
Kramar A, Mathoulin-Pélissier S, editors. Méthodes biostatisti-
ques appliquées à la recherche clinique en cancérologie. John
Libey Eurotext; 2011.
[22] Lang T. Twenty statistical errors even YOU can find in biomedical
research articles. Croat Med J 2004;45:361–70.
29
 Dossier
Bio-statistiques : la dimension collective de nos individualités
[23] Glantz SA. Biostatistics: how to detect, correct and prevent errors
in the medical literature. Circulation 1980;61:1–7.
[24] Falissard D. Comprendre et utiliser les statistiques dans les
sciences de la vie, 3rd ed., Masson; 2005.
[25] Carlin JB, Doyle LW. Statistics for clinicians. 3: basic concepts of
statistical reasoning: standard errors and confidence intervals. J
Paediatr Child Health 2000;36:502–5.
[26] Greenhalgh T. How to read a paper: the basics of evidence-based
medicine, 3rd ed., Blackwell Publishing, BMJ Books; 2006.
[27] Aptel F, Cucherat M, Blumen-Ohana E, Denis P. Interprétation
des essais cliniques. J Fr Ophtalmol 2011;34:755–61.
[28] Whithley E, Ball J. Statistics review 5: comparison of means. Crit
Care 2002;6:424–8.
[29] Whithley E, Ball J. Statistics review 6: nonparametric methods.
Crit Care 2002;6:509–13.
[30] Coutant C. Introduction à l'analyse critique statistique d'un arti-
cle. Tribune des internes. Gynecol Obstet Fertil 2009;37:
765–8.
[31] Chatelier G, Durieux P. Moyenne, médiane, et leurs indices de
dispersion : quand les utiliser et comment les présenter dans un
article scientifique ? Rev Mal Respir 2003;20:421–4.
[32] Carrat F. Comparer deux groupes. Rev Med Interne 2000;21:
118–21.
[33] Champely S, Verdot C. Que signifie la significativité statistique ?
L'apport de la taille d'effet et de la puissance statistique. Staps
2007;77:49–61.
[34] Laurencelle L. Inventer ou estimer la puissance statistique ?
Quelques considérations utiles pour le chercheur. Tutorials
Quant Methods Psychol 2007;2(3):35–42.
[35] Rubinstein LV. Statistical review for medical journals, guidelines
for authors. In: Redmond C, Colton T, editors. Biostatistics in
clinical trials. Wiley; 2001.
[36] Bewick V, Cheek L, Ball J. Statistics review 9: one-way analysis
of variance. Crit Care 2004;8:130–6.
[37] Duval X. Analyse d'un essai thérapeutique. Presse Med
2007;36:519–23.
[38] Guyatt G, Jaeschke R, Heddle N, Cook D, Shannon H, Walter
S. Basic statistics for clinicians: 1. Hypothesis testing. Can Med
Assoc J 1995;152(1):27–32.
[39] Poinsot D. 2004. Statistiques pour statophobes. [en ligne :
http://perso.univ-rennes1.fr/denis.poinsot] Consulté le 28 avril
2012.
[40] Guyatt G, Walter S, Shannon H, Cook D, Jaeschke R, Heddle
N. Basic statistics for clinicians: 4. Correlation and regression.
Can Med Assoc J 1995;152(4):497–504.
[41] Bewick V, Cheek L, Ball J. Statistics review 7: correlation and
regression. Crit Care 2003;7:451–9.
30
M. Vergnault
[42] Fuhrman C, Chouaïd C. Concordance de deux variables : les
approches numériques. Rev Mal Respir 2004;21:123–5.
[43] McGinn T, Wyer PC, Newman TB, Keitz S, Leipzig R, Guyatt G.
Tips for learners of evidence-based medicine: 3. Measures of
observer variability (kappa statistic). Can Med Assoc J 2004;11
(171):1369–73.
[44] Grenier B, Dubreuil G, Journois D. Comparaison de deux
méthodes de mesure d'une même grandeur : méthode de Bland
et Altman. Ann Fr Anesth Reanim 2000;19:128–35.
[45] Journois D. Concordance de deux variables : l'approche gra-
phique. Rev Mal Respir 2004;21:127–30.
[46] Tooth LR, Ottenbacher KJ. The K statistic in rehabilitation
research: an examination. Arch Phys Med Rehabil 2004;85:
1371–6.
[47] Weir JP. Quantifying test-retest reliability using the intraclass
correlation coefficient and the SEM. J Strength Cond Res
2005;19(1):231–40.
[48] Gattuso L. L'enseignement de la statistique, où, quand,
comment, pourquoi pas ? Stat Enseignement 2011;2(1):5–30.
[49] Akobeng AK. Confidence intervals and p-values in clinical deci-
sion-making. Acta Pædiatrica 2008;97:1004–7.
[50] Vicente KJ, Torenvliet GL. The Earth is spherical (p < 0:05):
alternative methods of statistical inference. Theor Issues Ergon
Sci 2000;1(3):248–71.
[51] Lecoutre B, Poitevineau J. Aller au-delà des tests de signification
traditionnels : vers de nouvelles normes de publication. Année
Psychol 2000;100(4):683–713.
[52] Whithley E, Ball J. Statistics review 3: hypothesis testing and P
values. Crit Care 2002;6:222–5.
[53] Maisonneuve H. Guide du thésard, 7th ed., Éditions Scientifi-
ques L&C; 2010.
[54] Perneger T, Perrier A. Analyses de variance (1re partie). Rev Mal
Respir 2004;21:797–801.
[55] Durlak JA. How to select, calculate, and interpret effect sizes. J
Pediatr Psych 2009;34(9):917–28.
[56] Friedman L. Clinical significance versus statistical significance.
In: Redmond C, Colton T, editors. Biostatistics in clinical trials.
Wiley; 2001.
[57] Whithley E, Ball J. Statistics review 2: samples and populations.
Crit Care 2002;6:143–8.
[58] Ada L. Laissez tomber le petit p. Kinesither Rev 2009;96:1.
[59] Gliner JA, Leech NL, Morgan GA. Problems with null hypothesis
significance testing (NHST): what do the textbooks say? J Exp
Educ 2002;71(1):83–92.
[60] Wong AYL, Warren S, Kawchuk GN. A new statistical trend in
clinical research – Bayesian statistics. Phys Ther Rev 2010;15
(5):372–81.