Des données à la décision, du poste de santé au niveau national.

Population / échantillon : on ne peut pas interroger tout le monde, on etudie un échantillon (ici 38 agents) pour en tirer des conclusions sur la population (tous les agents du district).

Variable qualitative (catégories : sexe, profession, oui/non) vs variable quantitative (chiffres : age, score CAP). Le test a choisir depend du type de variables.

Moyenne : la valeur « centrale » (somme / nombre). Médiane : la valeur qui coupe l'échantillon en deux (50 % au-dessus, 50 % en dessous) — utile quand il y a des valeurs extremes.

Écart-type (ET) : mesure la dispersion autour de la moyenne. Petit ET = valeurs proches ; grand ET = valeurs très etalees.

Intervalle de confiance a 95 % (IC 95 %) : la fourchette dans laquelle se trouve « probablement » la vraie moyenne. Ex. CAP = 66 % [61 ; 71] veut dire : on est sur a 95 % que la vraie moyenne est entre 61 et 71 %.

Le type de variable commande tout : la facon de la décrire, le graphique adapte, le test statistique et meme le type d'étude. On distingue deux grandes familles.

Comment DECRIRE selon le type

Comment SITUER pour le test statistique

Comment SITUER selon le type d'étude

A quoi ca sert : savoir si une différence observée est réelle ou due au hasard.

Comment lire : le seuil habituel est 0,05.

• p < 0,05 → la différence est statistiquement significative (peu probable qu'elle soit due au hasard).
• p ≥ 0,05 → différence non significative (peut être due au hasard).

Etoiles : * p<0,05   ** p<0,01   *** p<0,001 (plus il y a d'etoiles, plus le résultat est solide).

Attention : « significatif » ne veut pas dire « important ». Un petit écart peut être significatif sur un grand échantillon, et inversement.

Exemple dans l'appli : CS vs PS, p<0,001*** → l'écart de score entre centres et postes de santé n'est pas du au hasard.

A quoi ca sert : comparer la moyenne de 2 groupes (variable quantitative).

Quand l'utiliser : ex. score CAP des formes vs non formes, des hommes vs femmes, des CS vs PS.

Comment lire : on regarde le p. Si p<0,05, les deux groupes ont des scores vraiment différents.

L'appli utilise le test t de Welch (ne suppose pas des variances egales, plus prudent). Tableaux VIII, IX et XII du module Tableaux.

A quoi ca sert : comme le test t, mais pour 3 groupes ou plus.

Quand l'utiliser : ex. score CAP selon la catégorie professionnelle (médecin, infirmier, sage-femme...) ou selon la tranche d'age.

Comment lire : elle donne un F et un p. Si p<0,05, au moins un groupe differe des autres (sans dire lequel — il faut alors des tests complementaires).

Tableaux X et XI du module Tableaux (ANOVA a un facteur).

A quoi ca sert : vérifier s'il existe un lien entre 2 variables qualitatives (catégories).

Quand l'utiliser : ex. « la formation (oui/non) est-elle liee a une bonne pratique (oui/non) ? », « le type de structure est-il lie a la conformite ? »

Comment lire : on compare les effectifs observes aux effectifs attendus si le hasard seul jouait. Si p<0,05, il y a bien une association.

Condition : effectifs suffisants (en général ≥ 5 par case). Sinon on utilise le test exact de Fisher.

Utilise dans le mémoire (Tableau XXIII, analyse bivariée des facteurs associes aux pratiques inadequates).

A quoi ca sert : identifier les facteurs qui influencent un résultat oui/non (ex. « avoir une mauvaise pratique »), en tenant compte de plusieurs facteurs en meme temps.

Odds Ratio (OR) : mesure la force du lien.

• OR = 1 → pas d'effet.
• OR > 1 → facteur de risque (augmente la probabilité). Ex. OR=3 : 3 fois plus de risque.
• OR < 1 → facteur protecteur (diminue la probabilité). Ex. OR=0,4 : 60 % de risque en moins.

Comment lire : un OR est fiable si son IC 95 % ne contient pas 1 et si p<0,05.

OR brut vs OR ajuste (aOR) : le brut regarde un facteur seul ; l'ajuste (aOR) corrige l'effet des autres facteurs — c'est le plus fiable.

Utilise dans le mémoire (Tableau XXIV, determinants indépendants des pratiques inadequates).

A quoi ca sert : mesurer l'accord entre deux mesures — ici entre ce que l'agent declare faire et ce qu'on observe réellement.

Comment lire (Kappa de Cohen) : <0,20 très faible ; 0,21–0,40 faible ; 0,41–0,60 moyen ; 0,61–0,80 bon ; >0,80 excellent.

Dans l'étude, l'écart declare/observe (Tableau VII) montre une surestimation des bonnes pratiques par les agents.

Score CAP global = 0,30 × Connaissances + 0,20 × Attitudes + 0,50 × Pratiques. Les pratiques pesent le plus car ce sont elles qui protegent réellement.

Niveaux : Excellent ≥ 80 % ; Bon 60–79 % ; Moyen 40–59 % ; Faible 20–39 % ; Critique < 20 %.

Certification des structures : Or ≥ 80   Argent 60–79   Bronze 40–59   Non certifiee < 40.

Oui, aux options pres. Les tests sont des formules mathematiques universelles : memes données + meme test + memes options = meme résultat, quel que soit le logiciel (principe de reproductibilite).

Les petites différences viennent des options par défaut, jamais du logiciel « qui aurait raison » : test t de Student vs Welch, correction de Yates activee ou non, bilateral vs unilateral, type de sommes des carres en ANOVA, arrondis...

Ce qui les distingue : Python (gratuit, generaliste — ici l'appli calcule avec ses propres formules) ; R (gratuit, référence en recherche) ; Stata (payant, très utilise en epidemiologie) ; SPSS (payant, a clics, populaire en santé).

Conseil these : indiquer le logiciel + version dans les Méthodes, et recalculer les 2-3 résultats cles dans un outil reconnu et gratuit (R, Jamovi ou Epi Info de l'OMS/CDC) pour confirmer « résultats concordants ».

Les tests t et ANOVA supposent une distribution a peu pres normale (« en cloche »). Avant de les utiliser, on verifie la normalite (ex. test de Shapiro-Wilk) et, sur petit échantillon, on reste prudent.

Si la distribution n'est pas normale, on utilise l'equivalent non-parametrique (base sur les rangs) :

Règle pratique : petit échantillon ou données très asymetriques → privilegier le non-parametrique, et rapporter la médiane plutot que la moyenne.

Prévalence = nombre de cas existants a un instant / population (photo instantanee). Incidence = nombre de nouveaux cas sur une période (vitesse d'apparition).

Risque relatif (RR) vs Odds Ratio (OR) : les deux mesurent une association. Le RR s'utilise dans les études de cohorte (suivi) ; l'OR dans les études transversales et cas-temoins (comme cette étude CAP). Interprétation similaire : >1 risque, <1 protecteur, =1 pas d'effet.

Pour un test/diagnostic : Sensibilité (capacité a detecter les vrais malades), Spécificité (a reconnaitre les vrais sains), VPP/VPN (valeurs predictives positive/négative, qui dependent de la prévalence).

Dans une étude CAP, on parle surtout de prévalence de bonnes pratiques et d'OR des facteurs associes.

Un résultat significatif peut être fausse par un biais. Les principaux :

• Biais de desirabilite sociale : les enquetes declarent faire « ce qu'il faut ». C'est exactement l'écart declare (66 %) / observe (51 %) de ton étude — d'ou l'importance de la grille d'observation.
• Biais de sélection : l'échantillon n'est pas représentatif (ex. seuls les volontaires repondent).
• Biais de mémoire : les participants se souviennent mal (dates, fréquences).
• Facteur de confusion : une 3e variable brouille le lien (ex. l'age lie a la fois a la formation et a la pratique). La régression logistique multivariée sert justement a corriger ces confusions (OR ajustes).

Puissance statistique = capacité de l'étude a detecter un effet réel (on vise ≥ 80 %). Un échantillon trop petit peut « rater » une vraie différence (résultat non significatif a tort).

Règle des événements par variable (EPV) pour la régression logistique : au moins 10 événements par variable testee. Ex. avec 22 « pratiques inadequates », le modèle ne devrait comporter que 2 variables maximum — c'est pourquoi le modèle multivarie de l'appli reste exploratoire.

Pour une future étude, calculer la taille d'échantillon a l'avance (logiciels gratuits : G*Power, Epi Info StatCalc, OpenEpi).

Un lien statistique (p<0,05) ne prouve pas qu'un facteur cause l'autre. Pour argumenter une causalite, on s'appuie sur les critères de Bradford Hill (resume) :

• Force de l'association (OR eleve), constance (retrouvee ailleurs), temporalite (la cause precede l'effet)
• Gradient dose-réponse, plausibilite biologique, coherence avec les connaissances

Une étude transversale (comme celle-ci) montre des associations, pas des causes : rester prudent dans la formulation (« associe a » plutot que « provoque »).

Grille STROBE : la référence internationale pour rediger une étude observationnelle (checklist a suivre pour la these et la publication).

Toujours donner l'IC 95 % a cote du résultat, pas seulement le p : il informe sur la précision (un IC large = estimation incertaine).

Tests multiples : quand on fait beaucoup de comparaisons, le risque de « faux positif » augmente. On peut appliquer une correction (ex. Bonferroni : diviser le seuil 0,05 par le nombre de tests).

Règle d'or : annoncer ses hypothèses avant l'analyse, et distinguer analyses principales et exploratoires.

Variable dépendante : ce qu'on cherche a expliquer (ex. bonne pratique). Variable indépendante : le facteur explicatif (ex. formation).

H0 (hypothèse nulle) : « il n'y a pas de différence ». Un p<0,05 permet de la rejeter.

Alpha (α) : seuil de signification (0,05). Erreur de type I : conclure a tort a un effet. Erreur de type II : rater un vrai effet.

ET : écart-type. IC 95 % : intervalle de confiance. ddl : degres de liberte.

Après une régression logistique, on verifie si le modèle est bon avec deux indicateurs (calcules en direct dans le module Tableaux) :

R2 de Nagelkerke : l'equivalent du R2 pour la logistique. Il varie de 0 a 1 et indique la part de variation expliquee par le modèle. Reperes usuels : < 0,2 faible ; 0,2–0,4 correct ; > 0,4 bon. (Le R2 de Cox-Snell est similaire mais ne peut jamais atteindre 1.)

Test de Hosmer-Lemeshow : verifie que les probabilités predites collent aux observations. Ici, on souhaite p > 0,05 (c'est l'inverse des autres tests !) : un p > 0,05 = bon ajustement ; un p < 0,05 = le modèle s'ajuste mal.

A savoir : les valeurs affichées dans l'appli sont recalculees en direct sur le modèle actuel et peuvent differer de celles du mémoire (ex. Nagelkerke = 0,42 ; H-L p = 0,68), car le modèle et le codage des variables ne sont pas identiques. Les valeurs du mémoire restent la référence pour la redaction.

A quoi ca sert : mesurer si deux variables quantitatives varient ensemble (ex. « le score de connaissances augmente-t-il avec le score de pratiques ? »).

La valeur r va de -1 a +1 :

• r > 0 : lien positif (les deux augmentent ensemble). Ex. r = +0,8.
• r < 0 : lien négatif (quand l'une monte, l'autre baisse). Ex. r = -0,6.
• r proche de 0 : pas de lien lineaire.

Force du lien (reperes usuels) : |r| < 0,3 faible ; 0,3–0,5 moyen ; 0,5–0,7 fort ; > 0,7 très fort.

Pearson vs Spearman : Pearson pour des données normales et un lien lineaire ; Spearman (base sur les rangs) si les données ne sont pas normales ou le lien non lineaire.

r² (r au carre) : c'est le « coefficient de determination » = part de variation partagee. Ex. r = 0,7 → r² = 0,49 : 49 % de la variation d'une variable est expliquee par l'autre.

Piege classique : une corrélation forte ne prouve pas une causalite (voir section 15). Deux variables peuvent varier ensemble a cause d'un 3e facteur.

A ne pas confondre : le coefficient Kappa (section 7) mesure l'accord entre deux mesures d'une meme chose ; le coefficient de corrélation mesure le lien entre deux variables différentes.

Chaque bouton ouvre une sélection YouTube en francais sur le sujet (les meilleures video du moment, avec exemples concrets). Chaines de référence : « La statistique expliquee a mon chat », « WhyU / cours de biostatistique », et les cours universitaires francophones.

Astuce : sur YouTube, filtre par « Cette année » et regarde le nombre de vues pour repérer les meilleures video. Pour un cours complet, cherche aussi « cours de biostatistique PACES/DFGSM » (facultes de medecine francophones).