Aller au contenu principal
🎯 L2 • Data / Économétrie avancée Disponible

Quantifier ce que l’échantillon permet réellement de conclure

Estimation, intervalles de confiance, tests d'hypothèses, erreurs de type I/II, p-value, théorème central limite.

1 QCM disponible 20 Questions dans les QCM

Banque publiée de la matière : 20 questions au total. Les compteurs ci-dessus concernent les QCM listés sur cette page. Explorer aussi les fiches notions et leurs entraînements.

Commencer à réviser

Choisis un QCM et tes scores s'enregistreront automatiquement.

← Toutes les matières L2
🤖 Auto Disponible

QCM inference-statistique L2 - Estimation, tests et puissance statistique

QCM de 20 questions avec corrections détaillées sur Estimation, tests et puissance statistique (inference-statistique). Révisez efficacement avec des explications pédagogiques pour le niveau L2.

20 questions Intermédiaire Jusqu'à 40 XP
Révision Challenge Examen
Voir ce QCM

Présentation de Inférence statistique

L'Inférence statistique en Licence 2 permet de généraliser de l'échantillon à la population : estimation ponctuelle et par intervalle de confiance, propriétés des estimateurs (sans biais, convergent, efficace), théorème central limite, tests d'hypothèses paramétriques, risques de première et seconde espèce, puissance et p-value, tests du khi-deux. Fondement de la validation empirique des modèles.

Objectifs pédagogiques

Maîtriser la logique de l'inférence : estimation ponctuelle et par intervalle, construction et puissance des tests d'hypothèses, afin de généraliser des conclusions d'un échantillon à une population avec un niveau de confiance contrôlé.

Auteurs de référence en Inférence statistique

Les penseurs et théoriciens incontournables abordés dans nos QCM et dans les programmes universitaires.

Ronald Fisher Jerzy Neyman Gilbert Saporta George Casella

Notions et périmètre de Inférence statistique en Licence 2

Repères de cours pour situer la matière. Le contenu de chaque questionnaire est précisé sur sa page ; confrontez ce périmètre à votre propre cours.

Échantillonnage et distributions d'échantillonnage
Estimation ponctuelle : biais, convergence, efficacité
Méthode du maximum de vraisemblance
Intervalles de confiance
Tests d'hypothèses : risques de première et seconde espèce
Tests paramétriques (moyenne, proportion, variance)
Tests d'ajustement et d'indépendance (khi-deux)

Compétences visées en Inférence statistique

  • Distinguer paramètre, estimateur et estimation.
  • Construire un intervalle de confiance d’une moyenne.
  • Interpréter p-value, risque de première espèce et puissance.
  • Choisir un test cohérent avec le plan d’échantillonnage.

La distribution d’échantillonnage est la référence

L’inférence cherche à apprendre sur une population à partir d’un échantillon. Le paramètre est une caractéristique inconnue de cette population ; l’estimateur est une règle de calcul, donc une variable aléatoire avant l’observation des données ; l’estimation est sa valeur obtenue. Si l’on pouvait répéter le même plan d’échantillonnage, les estimations varieraient. Leur distribution d’échantillonnage décrit cette variabilité et fonde les erreurs-types, intervalles et tests. Elle ne doit pas être confondue avec la distribution des revenus ou des durées individuels.

Le mécanisme de sélection est déterminant. Un échantillon de volontaires peut être biaisé même s’il est très grand. Un tirage par établissements crée une dépendance entre personnes du même établissement ; une mesure avant et après sur les mêmes individus crée un appariement. Les formules destinées à des observations indépendantes ne conviennent pas automatiquement à ces situations. Définir la population cible, les unités tirées et les probabilités de sélection vient donc avant le choix d’une commande statistique.

Qualités des estimateurs et erreur-type

Un estimateur est sans biais si son espérance égale le paramètre recherché. Il est convergent s’il se rapproche de ce paramètre en probabilité lorsque la taille augmente. Ces deux propriétés sont distinctes : une règle peut être biaisée dans un petit échantillon mais convergente. La précision se juge par sa variance, tandis que l’erreur quadratique moyenne combine variance et biais au carré. Un estimateur légèrement biaisé peut ainsi être préférable selon un critère de risque clairement défini.

Pour n observations indépendantes de même variance finie σ², la moyenne possède une variance σ²/n et une erreur-type σ divisée par la racine de n. L’écart-type des observations décrit leur dispersion ; l’erreur-type décrit celle de la moyenne. Doubler la taille ne divise donc pas l’incertitude par deux : il faut quadrupler n pour diviser l’erreur-type par deux dans ce cadre. Si les observations sont corrélées, des covariances supplémentaires interviennent et le nombre brut de lignes ne suffit plus à déterminer la précision.

Estimer par vraisemblance et construire un intervalle

Le maximum de vraisemblance choisit le paramètre qui rend les observations les plus compatibles avec une loi spécifiée. Pour des essais de Bernoulli indépendants ayant une probabilité commune, il conduit à la proportion de succès. Les propriétés asymptotiques usuelles demandent une identification du paramètre et des conditions de régularité. Choisir une famille inadaptée peut produire une estimation précise d’une cible mal définie. La vraisemblance ne dispense donc ni de vérifier le support de la variable ni d’examiner la dépendance.

Un intervalle de confiance à 95 % est construit par une procédure qui couvrirait le paramètre dans environ 95 % des répétitions appropriées. Après observation, le paramètre fréquentiste est fixe : on ne lui attribue pas directement une probabilité de 95 % d’être dans cet intervalle particulier. Pour une moyenne normale de variance inconnue, l’intervalle utilise la loi de Student avec n − 1 degrés de liberté. Pour de grands échantillons, une approximation normale peut être raisonnable sous des conditions adaptées, mais la taille seule ne garantit pas son exactitude.

Tester une hypothèse sans inverser les probabilités

Un test fixe une hypothèse nulle, une alternative et une statistique dont le comportement sous l’hypothèse nulle est connu ou approché. Le risque de première espèce α est la probabilité de rejeter à tort l’hypothèse nulle lorsque celle-ci est vraie. La p-value mesure, sous le modèle nul, la probabilité d’une statistique au moins aussi extrême que celle observée selon le test choisi. Elle n’est ni la probabilité que l’hypothèse nulle soit vraie ni celle que le résultat soit dû au hasard au sens ordinaire.

La puissance est la probabilité de rejeter sous une alternative déterminée ; elle dépend de la taille d’effet, de la variance, de l’effectif et du seuil. Un test bilatéral recherche des écarts dans les deux directions ; un test unilatéral doit être justifié avant de voir le signe du résultat. Une différence minuscule peut être significative dans une immense base, tandis qu’un effet important peut rester imprécis dans un petit échantillon. Rapporter estimation, intervalle et unité économique évite de réduire la conclusion au franchissement du seuil de 5 %.

Exemple calculé : délai moyen et test de Student

Un service observe un échantillon fictif de 25 dossiers indépendants. Le délai moyen est de 42 jours et l’écart-type empirique, calculé avec le diviseur 24, vaut 10 jours. On suppose une population normale pour utiliser une inférence exacte en petit échantillon. L’erreur-type de la moyenne est 10/√25 = 2 jours. Le quantile de Student à 97,5 % avec 24 degrés de liberté vaut environ 2,064.

L’intervalle de confiance bilatéral à 95 % est donc 42 ± 2,064 × 2, soit de 37,872 à 46,128 jours. Pour tester une moyenne de 40 jours contre une alternative bilatérale, la statistique vaut (42 − 40)/2 = 1. Sa valeur absolue est inférieure à 2,064 : on ne rejette pas au seuil de 5 %. La p-value est d’environ 0,327. Cela ne prouve pas que la moyenne vaut exactement 40 jours ; les données restent compatibles avec plusieurs valeurs.

Supposons qu’une décision exige de détecter une hausse de deux jours. L’intervalle obtenu est trop large pour conclure précisément sur une différence de cet ordre. Une réflexion sur la puissance et l’effectif nécessaire serait utile avant une nouvelle collecte. Si les 25 dossiers provenaient en réalité de quelques équipes fortement dépendantes, l’erreur-type de deux jours pourrait être inadaptée. Le calcul reste arithmétiquement correct, mais son interprétation dépend des conditions d’échantillonnage annoncées.

Méthode : choisir la comparaison et contrôler la multiplicité

Pour deux moyennes indépendantes, examiner la possibilité de variances différentes et utiliser une procédure adaptée, comme Welch, plutôt que supposer leur égalité sans raison. Pour des observations appariées, analyser les différences au sein des paires conserve l’information de dépendance. Pour un tableau de contingence, le test du khi-deux compare effectifs observés et attendus sous indépendance, avec une approximation qui exige des effectifs attendus suffisants. Des catégories très rares peuvent demander une autre procédure plutôt qu’une application automatique.

Définir à l’avance les hypothèses principales et le sens des tests. Lorsque de nombreux tests sont effectués, le risque d’obtenir au moins un rejet erroné augmente ; des corrections ou un contrôle du taux de fausses découvertes répondent à des objectifs différents. Distinguer analyses confirmatoires et exploratoires, conserver les résultats non significatifs et éviter d’arrêter la collecte dès qu’un seuil est franchi sans protocole séquentiel prévu. Terminer par une conclusion sur la taille d’effet plausible et la population concernée, pas seulement par les mots accepter ou rejeter.

Questions de cours

Une p-value de 0,03 signifie-t-elle 3 % de chances que le modèle nul soit vrai ?

Non. Elle est calculée en supposant le modèle nul et concerne des résultats au moins aussi extrêmes selon la statistique choisie.

Ne pas rejeter revient-il à accepter l’hypothèse nulle ?

Non. Le test peut manquer de puissance. Une conclusion d’équivalence nécessite une marge substantielle et une procédure adaptée.

Quelle différence entre écart-type et erreur-type ?

Le premier décrit la dispersion des observations ; la seconde décrit la variabilité d’un estimateur entre échantillons. Leurs valeurs et leurs usages diffèrent.

Pourquoi un intervalle à 99 % est-il plus large ?

La procédure cherche une couverture plus élevée à données et méthode identiques. Elle utilise donc un quantile critique plus grand.

Fiches pour approfondir Inférence statistique

Bibliographie recommandée en Inférence statistique

Ouvrages de référence utilisés dans les universités françaises pour Licence 2

Statistical Inference

• Duxbury •

ISBN : 978-0534243128

Probabilités, analyse des données et statistique

• Technip •

ISBN : 978-2710809807

Méthodes statistiques

• Economica •

ISBN : 978-2717848014

Ces lectures éclairent le périmètre traité. Le contenu est à confronter au cours de votre établissement ; il ne constitue pas un programme officiel.

Comment réviser Inférence statistique efficacement ?

Relire le cours

Commencez par relire vos notes et le manuel de référence pour rafraîchir les concepts clés.

Mode Révision

Utilisez le mode Révision avec les indices et corrections détaillées pour tester vos connaissances.

Mode Examen

Une fois prêt, passez en mode Examen pour vous évaluer dans les conditions réelles.