Erreur-type et coefficient de variation

La règle SE = s ÷ √n n’est pas une convention : elle découle du comportement des variances lorsqu’on combine des observations. Travaillez d’abord sur la variance, car les variances s’additionnent là où les écarts-types ne s’additionnent pas. Si une observation indépendante a une variance σ², alors la somme de n observations indépendantes a une variance nσ². La moyenne divise cette somme par n, et diviser une quantité par n divise sa variance par n² : la variance de la moyenne vaut donc nσ² ÷ n² = σ²/n. En prenant la racine carrée, on retrouve l’erreur-type, σ ÷ √n. C’est la loi de la racine carrée de l’échantillonnage, et elle a une conséquence pratique brutale : la précision progresse comme la racine carrée de l’effort. Pour diviser l’erreur-type par deux, il faut quadrupler l’échantillon ; pour la rendre dix fois plus petite, il faut cent fois plus d’observations. Doubler le recrutement n’apporte donc qu’environ 41 % de précision en plus, puisque √2 ≈ 1,41. En inversant la formule, on répond à la question que se pose l’infirmière chercheuse qui planifie une étude : la taille nécessaire pour une erreur-type cible est n = (s ÷ erreur-type cible)². Si s = 12 mg/dL et que la cible est 1,5 mg/dL, n = (12 ÷ 1,5)² = 8² = 64 patients. La même loi explique l’intervalle de confiance souvent imprimé à côté d’une moyenne, soit environ estimation ± 1,96 × SE : diviser cet intervalle par deux coûte exactement ce que coûte diviser l’erreur-type par deux.

Pourquoi l’erreur-type est-elle un écart-type ? Parce que la moyenne d’un échantillon est elle-même une quantité aléatoire. Imaginez que l’on répète l’étude sur mille échantillons tirés de la même population. Chaque échantillon produit sa propre moyenne, et ces moyennes ne sont pas toutes égales : elles se dispersent. Représentez-les et vous obtenez la distribution d’échantillonnage de la moyenne. L’erreur-type est tout simplement l’écart-type de cette distribution d’échantillonnage : c’est pourquoi elle mesure une fluctuation, et non des patients. Deux résultats nommés gardent cette image honnête. D’abord, la distribution d’échantillonnage de la moyenne est plus étroite que la distribution des observations et devient plus en forme de cloche à mesure que n augmente : c’est le théorème de la limite centrale. Ensuite, environ 95 % des moyennes d’échantillon tombent à moins de 1,96 erreur-type de la vraie moyenne de la population, ce qui est l’origine de l’intervalle de confiance classique. L’avertissement pratique pour les soins est net : un tableau de bord de service qui rapporte la durée moyenne de séjour sous la forme moyenne ± SE peut sembler remarquablement stable alors que les patients individuels restent de trois jours à trois semaines. La statistique dépend aussi de ce que l’on estime. Une proportion a sa propre erreur-type, et une différence entre deux moyennes aussi : « l’erreur-type » n’a donc pas de sens tant que la statistique n’est pas nommée. Face à une moyenne, posez deux questions distinctes : quelle est la variabilité des patients, et combien de patients y avait-il ? Seule la seconde gouverne l’erreur-type.

Diviser l’écart-type par la moyenne rend la dispersion sans dimension : c’est tout l’intérêt du CV, qui survit à un changement d’unité. Les laboratoires de biologie médicale s’appuient sur cette propriété. L’imprécision analytique d’un dosage est régulièrement citée sous forme de CV, ce qui permet de juger une méthode de dosage du glucose en mg/dL face à une méthode de dosage du sodium en mmol/L ; les cartes de contrôle signalent un dosage dont le CV dépasse une limite convenue localement. Le même pourcentage permet à un service de comparer la variabilité biologique entre patients à la variabilité technique de l’appareil qui les mesure. Le CV a cependant des limites qu’un débutant doit respecter, et elles découlent toutes de l’arithmétique du rapport. Premièrement, il exige une échelle de rapport avec un zéro véritable. La température en °C échoue : une moyenne de 20 °C avec s = 2 °C donne un CV de 10 %, mais 40 °C n’est pas deux fois plus chaud que 20 °C ; le rapport n’a donc aucun sens physique. Deuxièmement, une moyenne proche de zéro fait exploser le CV : un s de 2 pour une moyenne de 0,5 donne 400 %, et un s de 2 pour une moyenne de 0,01 donne 20 000 %. Troisièmement, les variables qui peuvent prendre des valeurs négatives ou traverser zéro — un bilan hydrique, un score de variation, une différence de températures — n’ont aucun CV sensé. Quatrièmement, pour des données fortement asymétriques, la moyenne et l’écart-type décrivent des aspects différents de la forme, et leur rapport peut tromper. Utilisé à l’intérieur de ces limites, le CV répond à une question que l’écart-type ne peut pas traiter : la variabilité en fraction de la taille typique. En pratique de laboratoire, une règle approximative veut qu’un CV inférieur à environ 10 % signale une mesure relativement stable, mais ce seuil est une convention locale, non une loi de la nature.