R EVUE DE STATISTIQUE APPLIQUÉE
J.-M. G ROUIN
B. L ECOUTRE
Probabilités prédictives : un outil pour la planification des expériences
Revue de statistique appliquée, tome 44, n
o1 (1996), p. 21-35
<http://www.numdam.org/item?id=RSA_1996__44_1_21_0>
© Société française de statistique, 1996, tous droits réservés.
L’accès aux archives de la revue « Revue de statistique appliquée » (http://www.sfds.asso.fr/publicat/rsa.htm) implique l’accord avec les condi- tions générales d’utilisation (http://www.numdam.org/conditions). Toute uti- lisation commerciale ou impression systématique est constitutive d’une in- fraction pénale. Toute copie ou impression de ce fichier doit contenir la présente mention de copyright.
Article numérisé dans le cadre du programme Numérisation de documents anciens mathématiques
http://www.numdam.org/
PROBABILITÉS PRÉDICTIVES :
UN OUTIL POUR LA PLANIFICATION DES EXPÉRIENCES*
J.-M Grouin
(1),
B. Lecoutre(2) (1) Equipe
ERIS, Laboratoire dePsychologie
Université de Rouen
B.P. 108, 76134
Mont-Saint-Aignan
Cedex (2) U.R.A. 1378,Analyse
et ModélisationStochastique
C.N.R.S. et Université de Rouen
Mathématiques -
Site Colbert 76821Mont-Saint-Aignan
CedexRÉSUMÉ
Cet article
présente
une des nombreusesapplications possibles
de l’inférencebayésienne prédictive
au contexte des essaisplanifiés.
Nous nous intéressons ici à laplanification
d’uneexpérience
oùl’objectif
est la mise en évidence del’importance
d’un effet d’intérêt : comptetenu d’un
premier
échantillon El de données, on veutplanifier
uneexpérience,
soit un nouveléchantillon E2, de manière à avoir de «bonnes chances» de mettre en évidence un effet notable
sur ce nouvel échantillon E2.
Après
avoirrappelé
laprocédure générale
usuelle, basée sur la notion depuissance,
utilisée pour déterminer l’effectif nécessaire de l’échantillon E2, ainsi que lescritiques
adressées à cetteprocédure,
nousenvisageons
le calcul de laprobabilité prédictive
d’obtenir une conclusion d’effet notable basée sur le futur échantillon à
partir
de méthodesd’inférence
bayésienne.
Nous déterminonségalement
l’effectif nécessaire de l’échantillon E2correspondant
à uneprobabilité prédictive
donnée d’obtenir la conclusion recherchée.Les méthodes
présentées
sont illustrées dans le cadre de laplanification
d’uneexpérience
depsychologie.
Mots-clés : Prédiction,
inférence bayésienne, planification, effectif nécessaire, importance
d’uneffet.
SUMMARY
This paper presents one use of the
bayesian predictive
inference in the context ofexperiments.
We are interested here in thedesign
of a trial which aims atshowing
theimportance
of anexperimental
effect :given
first data accumulated from aprevious
trial wewant to determine the
required sample
size of a new trial forachieving
withhigh
chances the statistical conclusion of the effectimportance
obtained from abayesian
inference method and based on the new trial future data. Afterpresenting
the usualprocedure
based on the power fordetermining
therequired sample
size andassessing
thisprocedure critically,
we consider*
Cette recherche a été effectuée alors que les auteurs étaient rattachés à l’U.R.A. 1201, Groupe Mathématiques et Psychologie, C.N.R.S et Université de Paris V.
bayesian predictive procedures
to determine therequired sample
size. The methods areapplied
to
design
anexperiment
ofPsychology.
Keywords :
Prediction,bayesian inference,
trialdesign, sample
size,effect importance.
Introduction
De nombreux auteurs ont
souligné
l’intérêt del’approche bayésienne prédictive
dans le cadre des essais
cliniques
ou desexpériences
depsychologie : cf.
notammentLecoutre
(1984),
Choi etPepple (1989), Berry (1991),
Geisser(1993), Lecoutre,
Derzko et Grouin(1995).
Dans cet
article,
nous nous intéressonsplus particulièrement
à l’utilisation de cetteapproche
dans laplanification
d’uneexpérience
oùl’objectif
est la miseen évidence de
l’importance
d’un effet d’intérêt.Souvent,
dans cettesituation,
une information
expérimentale préliminaire
estdéjà disponible,
sous forme d’un«essai
pilote»,
ou d’unepremière expérience
dont on demande une confirmation des résultats.Formellement,
nous considérerons la situation suivante :compte
tenu d’unpremier
échantillonEl
dedonnées,
on veutplanifier
uneexpérience (soit
un nouveléchantillon
E2)
de manière à avoir de «bonnes chances» d’obtenir la conclusion recherchée. Mentionnons que l’inférenceprédictive peut également s’appliquer
à unrésultat
portant
sur l’ensemble des deux échantillons(El
UE2),
celuidéjà
recueilli etle futur échantillon
(Grouin, 1994).
Cecirépond
à une autre situationexpérimentale
que nous
n’envisagerons
pasici, qui
est celle desanalyses
intermédiaires.Dans un
premier temps,
nousrappellerons
laprocédure générale usuelle,
baséesur la notion de
puissance,
utilisée pour déterminer l’effectifnécessaire,
ainsi que lescritiques
adressées à cetteprocédure.
Ensuite, après
avoirexposé quelques
résultatsgénéraux préliminaires,
nousenvisagerons
le calcul de laprobabilité prédictive
d’obtenir une conclusion d’effet notable basée sur le futur échantillon àpartir
de méthodes d’inférencebayésienne.
Pour
simplifier l’exposé,
nous nous limiterons ici à considérer l’inférence sur une combinaison linéaire 03B4 =03A3 cg03BCg
des moyennes de groupesindépendants
9
d’observations,
sous le modèleéquinormal
usuel. Mais lesprocédures développées peuvent
être directementgénéralisées
au cas d’une inférenceportant
sur un effet associé à unecomparaison
d’intérêt dans unplan expérimental plus complexe (en particulier
unplan
à mesuresrépétées,
ou unplan cross-over) :
Lecoutre(1984);
Grouin
(1994).
Nous nous limiterons
également
au choix de distributions apriori
non-informatives sur les
paramètres.
L’inférence mise en oeuvre reflète alorsl’apport
propre aux
données;
et ce choix sejustifie
par les motivationsd’objectivité
ou deneutralité, qui
sontsous-jacentes
àl’analyse
des donnéesexpérimentales.
Enparti- culier,
il n’est pas habitueld’intégrer
dansl’analyse
les données d’uneexpérience préliminaire :
celles-ci seront donc utiliséesuniquement
pourplanifier l’expérience
future. Un intérêt
pratique important
de l’utilisation de distributions non-informatives estd’englober
lesprocédures fréquentistes
usuelles(test
designification
et intervallede
confiance),
dontl’usage
dans laprésentation
des résultatsexpérimentaux
est sou-vent incontournable en l’état actuel. Mais ce choix n’est pas
limitatif,
et l’utilisa-tion,
parexemple,
de distributions apriori conjuguées
au modèled’échantillonnage intégrant
desopinions personnelles
sur les valeurspossibles
desparamètres,
condui-rait à une formalisation similaire du
problème,
et à des calculsanalogues (Grouin, 1994).
Enfin,
les méthodes seront illustrées parl’exemple
de laplanification
d’uneexpérience
depsychologie.
1. De la
puissance
du test à laprobabilité prédictive
L’effectif du futur échantillon est
généralement
choisi en considérant lapuis-
sance du test usuel
Il
s’agit
de calculer laprobabilité p(A)
derejeter l’hypothèse
nulle 8 = 0 auseuil a, si 8 était
égale
à une valeur de référence A. Si nous fixons simultanément le seuil a, la valeur A et lapuissance p(A)
du test pour cettevaleur,
l’effectif minimal de l’échantillon nécessaire à l’obtention de la conclusion recherchée(«le
test estsignificatif
au seuila »)
est déterminé.Une difficulté essentielle est la nécessité de choisir une valeur de référence
unique
A. Un choix souventeffectué,
voire recommandé(cf.
S.J.Pocock, 1983,
parexemple)
est celui de «laplus petite
valeurAo qui
estintéressante, signifiante
pour le domaine
expérimental considéré»,
car on ne veut pas «déceler un effettrop
faible».Mais,
enpratique,
on constate que ce choix varie d’unexpérimentateur
àun autre, en fonction de motivations différentes. En
particulier
A pourra être la valeurpréalablement
observée dans uneexpérience préliminaire,
ou encore une valeurjustifiée
par des considérationsextra-statistiques,
d’ordreéconomique
parexemple.
Pour surmonter cette
difficulté, plusieurs
auteurs ontproposé
de calculer une«puissance
moyenne» pmoyégale
à la moyenne despuissances
évaluées sous chacunedes valeurs
possibles
de8, pondérée
selon une distributionbayésienne
sur 03B4disponible
avant
l’expérience
considérée(cf.
Brown etal., 1987, Spiegelhalter
etFreedman, 1988).
Dans le cadrebayésien,
cettepuissance
moyennes’interprète
comme laprobabilité prédictive
d’obtenir un résultatsignificatif
pour le test effectué sur le futur échantillon.La
procédure
usuelle de calcul d’effectifpeut
en fait fairel’objet
d’unecritique
fondamentale. En
effet, puisque l’objectif
réel estgénéralement
depouvoir
conclureque 8
estsupérieur
à la borne minimale d’intérêtAo,
celle-ci devrait êtreintégrée
dans la
procédure statistique elle-même,
et le testpertinent
devrait être le suivant :Dans une
perspective classique
de calculd’effectif,
lapuissance
du testpertinent
devrait alors être considérée sous une
hypothèse
alternative dutype 8
=Ao
+ x oùx
désigne
un écartpositif
parrapport
àl’hypothèse
nulle. Le choix d’une valeur x se révèle être à nouveau une source d’embarras pourl’expérimentateur.
Enfin,
une dernière difficulté vient de ce que lapuissance dépend
deparamètres parasites (variances,...).
Il n’est passatisfaisant,
comme on le faitgénéralement,
dese contenter de fixer une valeur
plus
ou moins arbitraire pour cesparamètres.
Pour résoudre les difficultés
précédentes,
nous proposons, pourplanifier
uneexpérience,
d’unepart
d’utiliserexplicitement
uneprocédure statistique
de « recherche d’une conclusion d’effet notable»(8
>Ao),
et d’autrepart
d’évaluer laprobabi-
lité
prédictive
d’obtenir cette conclusion sur le futuréchantillon, compte
tenu de l’informationpréalable disponible.
Le cadrestatistique bayésien permet
une formu- lationprécise
de ceproblème.
Pour lesplans d’expérience usuels,
les distributionsbayésiennes prédictives
misesen jeu
pour le calcul desprobabilités prédictives
peu- vent êtreexplicitées.
1.1. Notations et résultats
préliminaires
d et s2 désigneront
lesgrandeurs
aléatoires observables définiesrespectivement
par la combinaison linéaire
d cgxg
des moyennes et la variancecorrigée intragroupe.
ng est l’effectif du groupe g. Nous poserons le modèleéquinormal
usuelde
paramètres
03BCg eto-2 (variance supposée
commune aux différentsgroupes).
Sousce
modèle,
d eta2
sontconjointement
exhaustives pour lesparamètres 03B4
=03A3
Cg03BCget
a2 et
leurs distributionsd’échantillonnage
sontindépendantes,
avec :Les
procédures
de testfréquentistes
utilisent les distributionsd’échantillonnage
de la
statistique (d - 03B4)/bs, qui
est une distribution t usuelle à qdegrés
de libertéet de la
statistique d/bs, qui
est une distribution t non-centréePour la distribution
a priori
non-informative usuelle(distribution
uniforme pour lecouple (8, (log 0-2)),
les distributionsbayésiennes
aposteriori
relatives à 03B4 et0-2 (conditionnelles
à un échantillon observéE)
sontrespectivement
des distributions tgénéralisée
et khi-deux inverse(cf.
parexemple
Box etTiao, 1992) :
avec la distribution conditionnelle à
or2
où d et
s2 désignent
ici lesquantités
observées(nous
utilisons les mêmes notations que pour les variables poursimplifier
lesécritures).
Par la
suite,
nous aurons à considérer les inférences relatives d’unepart
à l’échantillondéjà
recueilliEl,
d’autrepart
à l’échantillon futurE2.
Nous utiliserons les distributionsprécédentes,
en indiciant par 1 ou par 2 lesquantités d, b2, 82
et q.1.2. Recherche d’une conclusion
d’effet
notableportant
sur 03B4Il
s’agit
de déterminer laprobabilité prédictive
d’une conclusion d’effet notable(soit
b >Ao)
pourl’expérience
future. Tous les résultats nécessaires sont fournis par l’étude de la distribution que nousappelons K-prime, qui
est unegénéralisation,
entreautres, de la distribution t non-centrée
classique, qui
intervient dans lapuissance
dutest de Student. Ces résultats sont énoncés en annexe.
Pour la distribution a
priori non-informative,
la distribution aposteriori
relativeà 03B4 conditionnellement à l’échantillon futur
E2 (avec
des effectifsfixés)
estUne conclusion d’effet notable sera obtenue pour cet échantillon futur si la
probabilité bayésienne a posteriori
où
tq2
est la distribution de Studentusuelle,
estsupérieure
ouégale
à une ga-rantie 1 spécifiée
à l’avance(y
>0.5).
De manièreéquivalente,
cette conclu-sion est obtenue si le test
fréquentiste
unilatéral del’hypothèse
nulleHo :
«03B4 =
Ao» (vs Hl :
«03B4 >Ao»)
estsignificatif
au seuil Q = 1 - 03B3.L’échantillon futur conduira donc à une conclusion d’effet notable si l’événement
CJJ suivant se réalise :
est
supérieur
à la valeurtq2,’Y
telle que Pr(tq2 tq2,,yY)
= fLe calcul de la
probabilité prédictive 03C0(03C9)
de cet événement revient donc àexpliciter
la distributionprédictive
relative à lastatistique (d2 - 03940)/b2s2
étantdonné le
premier
échantillonEl.
Celle-ci se déduit des distributionsd’échantillonnage
(conditionnelles
auxparamètres)
et des distributions a
posteriori
relatives auxparamètres
issues de l’échantillonEl,
caractérisées parNous en
déduisons,
en utilisant lespropriétés classiques
des distributions conditionnelles :d’où la distribution conditionnelle à
a2qui
est une distribution t non-centréeet par suite la distribution
marginale, qui
est une distributionK-prime
La
probabilité prédictive
relative à l’événement recherché(pour
des effectifsfixés)
est donc :Celle-ci ne
dépend
en fait dedl
et s 1 que par l’intermédiaire de(d1 - 03940)/s1.
La
probabilité prédictive cdnditionnelle
à une valeur 8 fixée est obtenue enposant dl
= 8 etbl
= 0 :Remarques
Cette
probabilité prédictive
nepeut
pasdépasser
une borne maximalequi
estdéterminée par les données du
premier
échantillon seulement. Eneffet, quand
q2 ~ o0nous avons
b2
-+0,
et par suiteCette borne est la
probabilité
aposteriori
pour lepremier
échantillon que 03B4 soitsupérieur
àAo.
Par
ailleurs, quand
ql ~ oo(soit cr
= SIfixé)
etbl =
0(soit 8
=dl fixé),
nous retrouvons comme cas limite la distribution
d’échantillonnage t
non-centrée.Rappelons
que, dans le cadrefréquentiste,
laprobabilité 03C0(03C9)
est dans ce cas lapuissance
du test, c’est-à-dire ici laprobabilité
derejeter l’hypothèse
nulle d’une différenceégale
àAo
si la vraie différence vaut 8.1.3. Recherche d’une conclusion
d’effet
notableportant
sur03B4/03C3
Dans une
expérience
depsychologie,
il est usuel despécifier l’importance
d’uneffet en terme d’effet
calibré,
c’est-à-dire en fonction durapport 8 j a (cf. Rouanet, Lépine
etPelnard-Considère, 1975; Cohen, 1977; Rouanet,
Lecoutre etBernard, 1987).
La recherche d’une conclusion d’effet notable sur le futur échantillon setraduira alors de la
façon
suivante :«8 / a
> c» où cdésigne
une borne au delàde
laquelle
l’effet vrai calibrépeut
être considéré commeimportant.
Pour une distribution a
priori
noninformative,
la distribution aposteriori
relative à
8 j a
conditionnellement à l’échantillonE2
est un cas limite de la distributionK’,
que nousappelons lambda-prime :
Une conclusion d’effet calibré notable sera obtenue si la
probabilité bayésienne
a
posteriori
est
supérieure
ouégale
à unegarantie, spécifiée
à l’avance(y
>0.5).
Demanière
équivalente,
cette conclusion est obtenue si le testfréquentiste
unilatéralde
l’hypothèse
nulleHo : «8 j a
= c»(vs Hl : «8/ a
>c»)
estsignificatif
au seuil03B1 = 1 - 03B3.
L’échantillon futur conduira donc à une conclusion d’effet calibré notable si l’événement w suivant se réalise :
d2/82
estsupérieure
à la valeur x03B3 donnée par la fonction derépartition
de ladistribution t non-centrée :
Le calcul de la
probabilité prédictive 03C0(03C9)
de cet événement revient donc àexpliciter
la distributionprédictive
relative à lastatistique d2 j 82.
Nous obtenons en
procédant
comme dans la sectionprécédente :
qui
nedépend
en fait ded 1
et s, que par l’intermédiaire durapport d1/s1.
Bienentendu,
pour c =0,
il estéquivalent
de considérer l’effet ou l’effet calibré.Remarques
Cette
probabilité prédictive
nepeut
pasdépasser
une borne maximalequi
estdéterminée par les données du
premier
échantillon seulement. Eneffet, quand
q2 ~ 00nous avons
b2
~0,
et par suiteCette borne est la
probabilité
aposteriori
pour lepremier
échantillon que6/u
soit
supérieur
à c.Par
ailleurs, quand
ql ~ oo et(soit a
= SIfixé)
etbl - 0 (soit 8
=dl fixé),
nous retrouvons encore comme cas limite la distributiond’échantillonnage t
non-centrée.
2.
Application
à laplanification
d’uneexpérience
depsychologie
Cosidérons à titre d’illustration les données extraites de
l’expérience
de L.Vézin
(in Ghiglione
etRichard, 1993,
pages589-590,
Tome2),
dontl’objectif
est decomparer
plusieurs
méthodes dansl’apprentissage
d’unerègle
par différentssujets.
La
règle
utilisée concerne les vitesses de rotation des roues d’un engrenage : lerapport
des vitesses est inversementproportionnel
au nombre de dents. Les deux méthodes(retenues
dans notreexemple)
sont les suivantes : unepremière
méthodeoù
l’exploration
del’engrenage
par lesujet
est libre et une deuxième méthode oùl’exploration
del’engrenage
par lesujet
estguidée
avec desquestions
et desindications
quant
à laréponse
correcte. Le niveaud’acquisition
a été mesuré au coursd’une
épreuve
dite de transfert des connaissances danslaquelle
des roues différentes ainsi que desrapports
de vitesse différents de ceux de laphase d’apprentissage
ont étéutilisés.
Chaque sujet
passe uneépreuve comportant
9problèmes
et obtient une noteégale
au nombre deproblèmes
correctement résolus(de
0 à9).
Une affectation dessujets
au hasard en deux groupescorrespondant
aux deux méthodes a été effectuée.Les
effectifs,
moyennes etécart-types corrigés
calculés pour les deux méthodes sur lepremier
échantillonEl
des données observées sont les suivants :2.1. Recherche d’une conclusion
d’effet
notableportant
sur 03B4La borne minimale
Ao
au delà delaquelle
l’effet d’intérêt est considéré commeimportant
estprise égale
ici à unpoint
de moyenne(Ao
=+1).
Sur leplan descriptif,
la différence observée entre les deux moyennes
(dl
=1.7 )
est donc notable. Prenons lagarantie
= 0.95.La
probabilité bayésienne
aposteriori standard,
conditionnellement auxdonnées du
premier échantillon, que b
soitsupérieur
à + 1 estCe résultat est
encourageant,
mais ne nouspermet cependant
pas de conclure àun effet notable avec une
garantie
d’au moins 0.95. Dans une tellesituation,
onpeut envisager
deplanifier
une nouvelleexpérience,
avec un nombre desujets
par groupeplus
élevé.Considérons d’abord la
procédure généralement
utilisée pour déterminer le nombre n desujets
par groupe du futur échantillon dans cette situation(voir l’introduction) :
on calcule lapuissance
du testusuel,
c’est-à-dire laprobabilité
derejeter l’hypothèse
nulle 8 = 0(vs 8
>0)
si la différence 03B4 étaitégale
à60
= +1(ou
éventuellement à la valeur observée
dl = +1.7),
enprenant
pour la varianceu 2
la valeur observée 3.79. Nous avons parexemple
lesprobabilités
La
première critique
àl’égard
de cetteprocédure
estqu’elle
neprend
pasdirectement en considération la conclusion recherchée
(différence supérieure
à+1);
la seconde
critique
estqu’elle ignore
notre incertitude sur la vraie valeur dea2.
Maintenant, compte
tenu des résultats de lapremière expérience,
laprobabilité prédictive
d’obtenir une conclusion d’effet notable(8
>1),
avec unegarantie
de0.95 au moins pour un futur
échantillon,
avec nsujets
par groupe, est donnée par :avec la
probabilité
conditionnelle à 03B4La
figure
1 donne laprobabilité prédictive 7r(w, n)
en fonction de l’effectif npar groupe. Nous considérons
également
laprobabilité prédictive
conditionnelle à6 = +1.7. Nous avons par
exemple :
Par
conséquent,
si nous voulons avoir au moins une chance sur deux depouvoir
conclure à l’existence d’un effet notable avec une
garantie supérieure
à 0.95 aumoins,
il faudra un effectif de 44
sujets
par groupe. Si nous voulons au moins trois chancessur
quatre,
cet effectif devra être de 387. Etc. On voit que ces effectifs sont nettementsupérieurs
à ceux que l’on obtient en utilisant laprocédure
usuelle.Probabilité Courbe des probabilités prédictives 03C0(03C9,n) relatives à une
prédictive conclusion d’effet notable basée sur l’échantillon futur
it(o,n) en fonction des effectifs n par groupe
Effectif n par groupe - échantillon futur E2
FIGURE 1
2.2. Recherche d’une conclusion
d’effet
notableportant
sur03B4/03C3
Le
problème
estcomparable
à celui traitéprécédemment.
La borne minimalec au delà de
laquelle
l’effet calibrépeut
être considéré commeimportant
estprise
iciégale
à 1/2. Laprobabilité bayésienne
aposteriori standard,
conditionnellement auxdonnées du
premier échantillon,
que8/a
soitsupérieur
à+1/2
estA nouveau, nous ne pouvons pas conclure à l’existence d’un effet notable avec
une
garantie
de 0.95 au moins àpartir
despremières
données.La
probabilité bayésienne
0.846 est du même ordre que celle calculéeprécédemment
dans le cas d’une recherche de conclusiond’importance
sur l’effet8,
ce
qui
est cohérent avec le choix de la borne minimale d’intérêt c =1/2 ~ 03940/s1.
Demême les valeurs des
probabilités prédictives 03C0(03C9, n)
sont sensiblementéquivalentes
à celles obtenues dans le cas
précédent :
on trouve parexemple 7r (w, 200)
=0.701,
au lieu de 0.705.
3. Conclusion
En
conclusion,
nous pensonspouvoir
affirmer que les méthodes basées sur l’inférenceprédictive
devraient avoir uneplace parmi
les méthodes inférentielles usuelles pourl’analyse
des donnéesexpérimentales.
Ellespermettent
derépondre
defaçon générale
auxinterrogations
del’expérimentateur,
vis à vis de la stabilité de résultatsdéjà observés,
sur des donnéesfutures;
et ellespeuvent
être utilisées avecprofit
dans un contexte deplanification
oud’analyse
intermédiaire. Ces méthodesapparaissent particulièrement pertinentes
pour déterminer l’effectif nécessaire à l’ob- tention d’une conclusion souhaitée. L’évaluation dupotentiel
inductif du futur échan- tillon à l’aide desprobabilités prédictives pourrait
ainsi éviter auxexpérimentateurs
bien des illusions
quant
aux chances réelles depouvoir
atteindre la conclusion sou-haitée.
Les solutions
développées
ici sont relativementsimples
à mettre en oeuvre. Des programmesinformatiques généraux
ont été réalisés et serontprochainement
diffusés.Nous noterons encore que,
lorsque
des informationsexpérimentales prélimi-
naires ne sont pas
disponibles,
les mêmesprocédures peuvent
encore êtreutilisées,
enremplaçant
la distribution aposteriori
issue de l’échantillonEl
par une distribution« subjective »,
de la mêmefamille, qui
pourra parexemple
résulter de la consultationd’experts
du domaine concerné.Références
Bibliographiques
Berry
D.A.(1991) - Experimental design
fordrug development :
ABayesian
approach.
Journalof Biopharmaceutical
Statistics1,
81-102.Box
G.E.P.,
Tiao G.C.(1992) - Bayesian Inference
in StatisticalAnalysis (deuxième édition). Wiley :
New York.Brown
B.W.,
HersonJ.,
AtkinsonE., Rozell,
M.E.(1987) - Projection
fromprevious
studies : a
bayesian
andfrequentist compromise.
Controlled Clinical Trials8,
29-49.Choi
S.C., Pepple
P.A.(1989) - Monitoring
clinical trials based onpredictive probability
ofsignificance.
Biometrics45 ,
317-323.Cohen J.
(1977) - Statistical Power Analysis for
the Behavioral Sciences. New York : Academic Press.Fisher R.A.
(1990) -
StatisticalMethods, Experimental Design
andScientific Infe-
rence
(réédition).
Oxford : OxfordUniversity
Press.Geisser S.
(1993) -
PredictiveInference :
An Introduction. New York :Chapman
etHall.
Ghiglione R.,
Richard J.-F.(1993) -
Cours dePsychologie.
Paris :Dunod,
Tome 2.Grouin J.-M.
(1994) - Procédures bayésiennes prédictives
pour les essaisexpérimen-
taux. Thèse de doctorat de
Mathématiques Appliquées.
Paris : Université René Descartes.Lecoutre,
B.(1984) - L’Analyse Bayésienne
desComparaisons.
Lille : Presses Universitaires de Lille.Lecoutre
B.,
DerzkoG.,
Grouin J.-M.(1995) - Bayesian predictive approach
forinference about
proportions.
Statistics inMedicine, 14,
1057-1063.Lecoutre, B., Guigues, J.-L., Poitevineau,
J.(1992) -
Distributionof quadratic
formsof multivariate Student variables.
Applied
Statistics41,
617-627.Pocock S.J.
(1983) -
ClinicalTrials,
apractical approach. Wiley.
Rouanet
H., Lépine D.,
Pelnard-Considère J.(1975) - Bayes-fiducial procedures
as
practical
substitutes formisplaced significance
tests : anapplication
toeducational data. In D.N.M. De
Gruitjer
and L.J.Th. VanderKamp (Eds),
Advances in
Psychological
and EducationalMeasurement,
New York :Wiley,
33- 50.
Rouanet
H.,
LecoutreB.,
Bernard J.-M.(1987) -
L’inférencefiducio-bayésienne
comme méthode
d’analyse
de données : Unexemple d’application
à des donnéespsychométriques. Statistique
etAnalyse
des Données11,
58-74.Spiegelhalter D.J., Freedman,
L.S.(1988) - Bayesian Approaches
to Clinical Trials.Bayesian
Statistics3, Oxford University
Press p. 453-477.Annexe : Distribution
K-prime
Nous
énonçons
dans cette annexe les résultats concernant la distribution K-prime, qui permettent
dejustifier
et de mettre en oeuvre lesprocédures développées
dans cet article.
Caractérisation
La distribution
K-prime
a été introduite dans Lecoutre(1984)
avec la ca-ractérisation suivante :
(i.e. XI y2
suit une distribution du tgénéralisée
avec par définition :bution usuelle du t de Student
à q
+ rdegrés
deliberté)
alors x a la distribution
K-prime
à q et rdegrés
deliberté,
d’indice d’excentricité a et d’échelle b :Cette distribution inclut comme cas
particuliers :
2022 pour q = oo, la distribution t non
centrée, qui
intervient dans lapuissance
du testde Student
distribution souvent limitée au cas b = 1 et notée alors :
t’r(03B1).
e pour r = oo, la distribution
lambda-prime, qui
intervient dans la distributionbayésienne
aposteriori
relative aurapport plo,
de la moyenne àl’écart-type
sous lemodèle normal
(cette
distribution a notamment été utilisée parFisher, 1990,
pages126-127)
Caractérisations
équivalentes
Si l’un des trois ensembles de conditions suivants est
rempli
sont des
réels) :
indépendantes
Propriétés
Relation
remarquable
Les fonctions de
répartition
des distributionsK-prime
à q et rdegrés
de libertéet
K-prime
à r et qdegrés
de liberté sont liées par la relationremarquable :
avec le cas
particulier
Densité
Moments
Fonction de
répartition
Nous donnons la fonction de
répartition
pour b = 1. Pour bquelconque
onutilisera :
utilisera
où IB est la fonction Bêta
incomplète
Les séries