This title slide is titled "Choisir et interpréter un test statistique" (Choosing and interpreting a statistical test). Its subtitle reads "Guide pratique pour analyses statistiques en recherche clinique" (Practical guide for statistical analyses in clinical research).

Choisir et interpréter un test statistique

Guide pratique pour analyses statistiques en recherche clinique

Source: Présentation PowerPoint professionnelle en français

This slide presents the medical context of a cohort study on hospitalized patients. It outlines the primary objective of selecting appropriate statistical tests for the data, the secondary objective of interpreting results and p-values, and their crucial importance for valid clinical conclusions.

Contexte de l’étude et objectifs

• Contexte médical : étude sur cohorte de patients hospitalisés
• Objectif principal : choisir tests statistiques adaptés aux données
• Objectif secondaire : interpréter résultats et p-values
• Importance cruciale en recherche clinique pour conclusions valides

Source: User request on statistical tests in clinical research

The slide displays a dataset of 100 patients in a table with columns for Patient ID, Age (years), Sex (M/F), BMI (kg/m²), and Disease (Present/Absent). It shows the first five sample rows, featuring patients aged 38-62 with BMIs from 22.1-29.8 and mixed disease statuses.

Jeu de données (N=100 patients)

{ "headers": [ "ID Patient", "Âge (ans)", "Sexe (H/F)", "IMC (kg/m²)", "Maladie" ], "rows": [ [ "001", "45", "H", "24.5", "Absente" ], [ "002", "62", "F", "29.8", "Présente" ], [ "003", "38", "H", "22.1", "Absente" ], [ "004", "55", "F", "27.3", "Présente" ], [ "005", "49", "H", "26.2", "Absente" ] ] }

This workflow slide details four steps for data preparation and cleaning: importing data from sources like CSV/Excel using pandas, handling missing values via identification and imputation with sklearn's SimpleImputer, detecting/treating outliers with boxplots and IQR/z-score methods, and standardizing variables using StandardScaler or MinMaxScaler. Each step includes specific descriptions and recommended tools for implementation.

Préparation et nettoyage des données

{ "headers": [ "Étape", "Description", "Méthodes / Outils" ], "rows": [ [ "1. Import des données", "Charger les données depuis la source (CSV, Excel, etc.)", "pandas.readcsv(), pd.readexcel()" ], [ "2. Gestion des valeurs manquantes", "Identifier (isnull()), supprimer ou imputer (moyenne, médiane)", "df.isnull().sum(), SimpleImputer (sklearn)" ], [ "3. Détection et traitement des outliers", "Visualiser (boxplots) et traiter (IQR, z-score)", "Boxplots, IQR method, clipping ou suppression" ], [ "4. Standardisation", "Normaliser les variables numériques pour les analyses suivantes", "StandardScaler (sklearn), MinMaxScaler" ] ] }

This univariate analysis slide reports an average age of 52.3 years for the studied population. It also shows a median BMI of 27.5 and mean systolic blood pressure of 142 mmHg (SD 15.2).

Analyse univariée

• 52.3: Âge moyen (ans)

Moyenne population étudiée

• 27.5: IMC médian

Indice de masse corporelle

• 142: Tension systolique moyenne

mmHg, écart-type 15.2

The Shapiro-Wilk test for normality assumes a normal data distribution under the null hypothesis (H₀), rejecting it (indicating non-normality) if p-value < 0.05. It applies only to quantitative variables, excels with small samples (<50), and guides selection of parametric versus non-parametric tests.

Tests de normalité (Shapiro–Wilk)

• Hypothèse nulle (H₀) : distribution normale des données.
• p-value < 0,05 → rejeter la normalité (non-normalité).
• Applicable uniquement aux variables quantitatives.
• Test puissant pour échantillons de petite taille (< 50).
• Interprétation guide choix paramétrique/non-paramétrique.

The slide outlines choosing statistical tests based on data normality via Shapiro-Wilk (p > 0.05). Parametric tests (t-test for 2 groups, ANOVA for ≥3) require normality and homoscedasticity; non-parametric alternatives (Wilcoxon for 2, Kruskal-Wallis for ≥3) are used otherwise and are robust to violations.

Choix du test statistique

| Normalité OK (Shapiro-Wilk p > 0,05).

• t-test : comparaison 2 moyennes quantitatives.
• ANOVA : comparaison ≥3 moyennes quantitatives.

Hypothèses : normalité, homoscédasticité. | Normalité non respectée (sinon).

• Wilcoxon : 2 groupes quantitatifs.
• Kruskal-Wallis : ≥3 groupes quantitatifs.

Critères : robustes aux violations d'hypothèses. |

The slide "Analyse bivariée" is a table outlining statistical tests for bivariate analysis by variable types. It lists Pearson correlation for quantitative-quantitative pairs (correlation), t-test for quantitative-categorical pairs (difference in means), and Chi² test for categorical-categorical pairs (association).

Analyse bivariée

{ "headers": [ "Type", "Test", "Ex." ], "rows": [ [ "Q↔Q", "Pearson", "Corrélation" ], [ "Q↔Cat", "t-test", "Diff. moyennes" ], [ "Cat↔Cat", "Chi²", "Association" ] ] }

The slide explains the correlation coefficient as a measure of linear dependence and a p-value below 0.05 as grounds to reject the null hypothesis of independence. It recommends avoiding type I/II errors via multiple adjustments and favoring confidence intervals over p-values alone.

Études de dépendance et p-values

• Coefficient de corrélation : mesure de la dépendance linéaire
• p-value < 0,05 : rejet de H₀ d'indépendance
• Éviter erreurs type I/II avec ajustements multiples
• Préférer intervalles de confiance à p-values seules

The left column explains regression coefficients β, which quantify each explanatory variable's effect on the target (controlling for others) and their significance via p-value < 0.05. The right column covers R² (proportion of variance explained, 0-1), adjusted R² (penalizing extra variables), and global model significance via F-test p<0.05.

Régression linéaire multiple

This slide lists four statistical tests not applied: ANOVA (due to normality violations for multi-group means), Kruskal-Wallis (fewer than 3 independent groups), Wilcoxon (no paired before/after data), and Spearman (Pearson correlation sufficient). It highlights reasons for excluding these alternatives in the analysis.

Tests non appliqués

{ "features": [ { "icon": "📊", "heading": "ANOVA (groupes multiples)", "description": "Non appliqué : violation de normalité pour comparaison de moyennes entre plus de 2 groupes." }, { "icon": "🔍", "heading": "Kruskal-Wallis (non-paramétrique)", "description": "Alternative non-paramétrique écartée : moins de 3 groupes indépendants dans les données." }, { "icon": "⚖️", "heading": "Wilcoxon (test paired)", "description": "Non utilisé : absence de mesures appariées avant/après sur les mêmes sujets." }, { "icon": "📈", "heading": "Spearman (corrélation non-linéaire)", "description": "Écarté : corrélation linéaire (Pearson) suffisante et normalité des rangs non requise." } ] }

The conclusion slide summarizes key results, including appropriate parametric/non-parametric test choices, precise p-value and coefficient interpretations, and a high-performing multiple linear regression model (high R²). It highlights good practices like systematically checking assumptions (normality, homoscedasticity), reporting confidence intervals, ensuring reproducibility via code and seeds, and thanks the audience for their attention.

Conclusion

**Synthèse des résultats clés

• Choix adapté des tests paramétriques/non paramétriques
• Interprétation précise des p-values et coefficients
• Modèle de régression linéaire multiple performant (R² élevé)

Bonnes pratiques

• Vérifier systématiquement les assomptions (normalité, homoscédasticité)
• Rapporter les intervalles de confiance (CI)
• Assurer la reproductibilité (code source, seeds aléatoires)**

Merci pour votre attention !

Source: Choisir et interpréter un test statistique

This title slide is named "Remerciements" (French for "Thanks" or "Acknowledgments"). The subtitle thanks the audience for their attention, invites questions, and provides a contact email.

Remerciements

Merci pour votre attention ! Questions ? Contact : [email].

Source: Choisir et interpréter un test statistique