Facteur de confusionEn statistique, un facteur de confusion, ou facteur confondant, ou encore variable confondante, est une variable aléatoire qui influence à la fois la variable dépendante et les variables explicatives. Ces facteurs sont notamment à l'origine de la différence entre corrélation et causalité (Cum hoc ergo propter hoc). En santé publique, c'est une variable liée à la fois au facteur de risque et à la maladie ou à un autre évènement de l'étude lié à la santé, ce qui est susceptible d'induire un biais dans l'analyse du lien (entre maladie et facteur de risque), produisant ainsi de fausses associations.
Homogeneity and heterogeneityHomogeneity and heterogeneity are concepts relating to the uniformity of a substance, process or image. A homogeneous feature is uniform in composition or character (i.e. color, shape, size, weight, height, distribution, texture, language, income, disease, temperature, radioactivity, architectural design, etc.); one that is heterogeneous is distinctly nonuniform in at least one of these qualities.
Survey data collectionWith the application of probability sampling in the 1930s, surveys became a standard tool for empirical research in social sciences, marketing, and official statistics. The methods involved in survey data collection are any of a number of ways in which data can be collected for a statistical survey. These are methods that are used to collect information from a sample of individuals in a systematic way. First there was the change from traditional paper-and-pencil interviewing (PAPI) to computer-assisted interviewing (CAI).
Pratique fondée sur les preuvesLa pratique fondée sur les preuves, sur les faits, ou sur des données probantes est une approche interdisciplinaire de la pratique clinique qui a gagné du terrain après son apparition au début des années 1990 par l'intermédiaire du médecin canadien Gordon Guyatt. En 1992, une publication indique : . Elle a commencé en médecine comme médecine factuelle (EBM) et se propage aux professions paramédicales de la santé, domaines éducatifs et autres.
Research designResearch design refers to the overall strategy utilized to carry out research that defines a succinct and logical plan to tackle established research question(s) through the collection, interpretation, analysis, and discussion of data. Incorporated in the design of a research study will depend on the standpoint of the researcher over their beliefs in the nature of knowledge (see epistemology) and reality (see ontology), often shaped by the disciplinary areas the researcher belongs to.
Biais de sélectionDans une étude statistique, le terme biais de sélection désigne une erreur systématique faite lors de la sélection des sujets à étudier. Ce terme regroupe tous les biais pouvant conduire à ce que les sujets effectivement observés lors d'une enquête ne constituent pas un groupe représentatif des populations censées être étudiées et ne permettent donc pas de répondre aux questions posées dans le protocole. Les biais de sélection se produisent lors de l'échantillonnage, c'est-à-dire lors de la sélection d'un échantillon représentatif de la population étudiée.
Analyse de covarianceL'analyse de la covariance (ANCOVA) est une méthode statistique visant à tester, par un modèle linéaire général, l'effet sur une variable dépendante continue d'une ou plusieurs variables indépendantes catégorielles, indépendamment de l'effet d'autres facteurs quantitatif continus, dits covariables. En d'autres termes, l'ANCOVA est une combinaison entre une ANOVA et une régression de telle sorte que l'ANCOVA permet de tester si certains facteurs ont un effet sur la variable résultat après avoir enlevé la variance due aux covariables.
Plan d'étude croiséLe Plan d'étude croisé ou étude crossover (en anglais Crossover Study Design) est un type de devis ou protocole de recherche qui implique l’administration d’un ou plusieurs traitements (ou thérapies) de façon consécutive au même groupe de sujets. L’ordre d’administration des traitements peut être prédéterminé ou aléatoire.
Interaction (statistiques)Une interaction, en statistiques, peut survenir lorsqu'on considère la relation entre deux variables ou plus. Le terme "interaction" est donc utilisé pour décrire une situation dans laquelle l'influence d'une variable dépend de l'état de la seconde (ce qui est ce cas, lorsque les deux variables ne sont pas additives). Le plus souvent, les interactions apparaissent dans le contexte des analyses de régression. La présence d'interactions peut avoir des implications importantes pour l'interprétation des modèles statistiques.
Méthode des surfaces de réponsesthumb|Expériences statistiques : à gauche, un plan factoriel et, à droite, la surface de réponses obtenue par MSR. En statistiques, la méthode des surfaces de réponses (MSR) a pour but d'explorer les relations entre les variables dépendantes et indépendantes impliquées dans une expérience. Elle est due aux travaux de 1951 de George Box et K. B. Wilson. L'idée principale de leur méthode est l'utilisation d'une séquence d'expériences. Box et Wilson suggèrent d'utiliser un modèle à polynôme de second degré, mais concèdent que ce modèle n'est qu'une approximation.
