Lire une moyenne sans perdre le contexte

La moyenne comme illusion de précision

En 1855, le statisticien belge Adolphe Quetelet introduisait le concept d’”homme moyen” — une figure statistique censée représenter l’être humain type d’une population. L’idée semblait séduisante : résumer une population entière en un seul chiffre, propre, communicable, comparable.

Près de deux siècles plus tard, la moyenne règne toujours en maître dans les comptes rendus médicaux, les tableaux de bord hospitaliers et les mémoires d’initiation à la recherche. “La satisfaction moyenne des patients est de 6,8 sur 10.” “La douleur moyenne avant rééducation était de 7,2 sur l’EVA.” “La durée moyenne de séjour est de 4,3 jours.”

Ces chiffres sont utiles. Mais ils sont incomplets. Et leur incomplétude peut mener à des conclusions fausses, des décisions inadaptées, des interprétations trompeuses.

Ce que la moyenne ne dit pas

Prenons un exemple concret. Vous étudiez la satisfaction de cinquante patients suivis en ergothérapie, répartis entre trois types de structures. Vous calculez les moyennes :

• Cabinet libéral : M = 7,4 / 10

• Clinique de rééducation : M = 6,7 / 10

• Hôpital : M = 6,1 / 10

Ces trois chiffres semblent raconter une histoire claire : les patients en cabinet sont plus satisfaits. Mais regardons ce qui se cache derrière.

Le cabinet libéral affiche une moyenne de 7,4, avec un écart-type de 1,7. La clinique affiche 6,7, avec un écart-type de 1,9. L’hôpital affiche 6,1, avec un écart-type de 2,2.

L’écart-type mesure la dispersion des valeurs autour de la moyenne. Plus il est élevé, plus les réponses sont hétérogènes. Un écart-type de 2,2 à l’hôpital signifie que les patients ne sont pas “globalement peu satisfaits” — certains sont très satisfaits (scores de 9 ou 10), d’autres très insatisfaits (scores de 2 ou 3). La moyenne de 6,1 masque une réalité bimodale, une population hétérogène dont les besoins et les expériences sont probablement très différents.

Si vous ne regardez que la moyenne, vous concluez que l’hôpital fait “moins bien”. Si vous regardez la distribution, vous posez une question bien plus intéressante : pourquoi certains patients hospitaliers sont-ils très satisfaits et d’autres très insatisfaits ? Qu’est-ce qui différencie ces deux groupes ?

Les indicateurs de dispersion : ce qu’ils mesurent vraiment

Pour lire une moyenne honnêtement, il faut toujours l’accompagner d’un indicateur de dispersion. Voici les principaux.

L’écart-type (σ) mesure la distance moyenne entre chaque valeur et la moyenne. Un écart-type faible signifie que les valeurs sont regroupées près de la moyenne — la distribution est homogène. Un écart-type élevé signifie que les valeurs sont dispersées — la moyenne représente mal l’ensemble.

Règle pratique : si l’écart-type dépasse la moitié de la moyenne, la moyenne est probablement un indicateur trompeur. Dans notre exemple, l’hôpital a une moyenne de 6,1 et un écart-type de 2,2 — soit 36 % de la moyenne. C’est un signal d’hétérogénéité notable.

L’étendue est la différence entre la valeur maximale et la valeur minimale. Elle donne une idée des extrêmes. Mais elle est très sensible aux valeurs aberrantes — un seul patient avec un score de 10 peut faire exploser l’étendue sans que cela soit représentatif.

L’écart interquartile (IQR) est la différence entre le 3e quartile (Q3) et le 1er quartile (Q1). Il mesure la dispersion des 50 % centraux de la distribution, en ignorant les extrêmes. C’est un indicateur bien plus robuste que l’étendue pour les distributions asymétriques ou avec des valeurs aberrantes.

Les quartiles découpent la distribution en quatre parties égales. Q1 est la valeur en dessous de laquelle se trouvent 25 % des observations. La médiane (Q2) est la valeur centrale. Q3 est la valeur en dessous de laquelle se trouvent 75 % des observations. Ensemble, ils donnent une image bien plus fidèle de la distribution qu’une simple moyenne.

Moyenne ou médiane : quand choisir ?

La moyenne et la médiane coexistent dans la boîte à outils du statisticien, et elles ne sont pas interchangeables.

La moyenne est sensible aux valeurs extrêmes. Si neuf patients sur dix ont une satisfaction de 7, et qu’un seul patient a une satisfaction de 0, la moyenne sera de 6,3 — alors que la valeur “typique” est bien 7. La médiane, elle, sera de 7 — elle n’est pas influencée par cette valeur extrême.

Dans les études en santé, les distributions de scores de douleur, de satisfaction ou d’anxiété sont souvent asymétriques — la plupart des patients se concentrent vers les valeurs hautes ou basses, avec quelques cas extrêmes dans l’autre sens. Dans ces situations, la médiane est souvent plus représentative que la moyenne.

Une règle simple : si votre distribution est symétrique et sans valeurs aberrantes, utilisez la moyenne. Si elle est asymétrique ou si vous avez des valeurs aberrantes, préférez la médiane — ou présentez les deux, ce qui est toujours une bonne pratique.

La boîte à moustaches : voir ce qu’un chiffre cache

La boîte à moustaches — ou box plot — est le graphique qui donne le plus d’information sur une distribution en prenant le moins de place. Elle affiche simultanément la médiane, les quartiles, l’étendue et les valeurs aberrantes.

Dans notre étude sur la satisfaction en ergothérapie, une boîte à moustaches par type de structure permettrait de voir en un coup d’œil :

• La médiane de chaque groupe (le trait central dans la boîte)

• La dispersion des 50 % centraux (la hauteur de la boîte)

• L’étendue complète (les moustaches)

• Les valeurs aberrantes individuelles (les points au-delà des moustaches)

C’est bien plus informatif que trois moyennes dans un tableau. Et c’est précisément ce que les jurys de mémoire commencent à attendre — non pas des chiffres bruts, mais des représentations qui montrent la forme des données.

La taille de l’effet : ce que la significativité ne dit pas

Dans les études quantitatives en santé, les résultats sont souvent présentés sous la forme d’une p-valeur. “La différence est significative (p = 0,019).” Mais la significativité statistique ne dit rien de la significativité clinique.

Un test statistique répond à une question précise : “Si l’hypothèse nulle était vraie, quelle est la probabilité d’observer des données au moins aussi extrêmes que celles que j’ai ?” Si cette probabilité est inférieure à 5 %, on rejette l’hypothèse nulle et on dit que la différence est “statistiquement significative.”

Mais une différence peut être statistiquement significative et cliniquement négligeable. Avec un très grand échantillon, même une différence de 0,1 point sur une EVA de 10 peut atteindre la significativité statistique. Est-ce que 0,1 point de différence a une signification clinique ? Probablement non.

C’est pourquoi les chercheurs accompagnent de plus en plus leurs tests statistiques d’une mesure de la taille de l’effet. Le d de Cohen est l’une des plus utilisées. Il mesure la différence entre deux groupes en unités d’écart-type :

• d < 0,2 : effet négligeable

• d entre 0,2 et 0,5 : effet petit

• d entre 0,5 et 0,8 : effet moyen

• d > 0,8 : effet large

Dans notre étude, la différence entre cabinet (M = 7,4, σ = 1,7) et hôpital (M = 6,1, σ = 2,2) donne un d de Cohen d’environ 0,67 — un effet moyen. C’est une différence qui mérite d’être prise au sérieux cliniquement, pas seulement statistiquement.

La moyenne dans le temps : un piège supplémentaire

Dans les études longitudinales — avant/après une intervention de rééducation, par exemple — la moyenne cache un piège supplémentaire : la régression vers la moyenne.

Ce phénomène, décrit par Francis Galton dès 1886, est simple : des individus sélectionnés parce qu’ils ont des scores extrêmes (très douloureux, très anxieux, très insatisfaits) tendent à avoir des scores moins extrêmes lors d’une mesure ultérieure — même sans intervention. Simplement parce que la mesure initiale comprenait une part d’aléatoire.

Dans un mémoire sur l’efficacité d’un protocole de kinésithérapie, si vous sélectionnez des patients avec une douleur très élevée au départ et que vous mesurez leur douleur après quelques semaines, vous observerez presque certainement une diminution — même si le protocole est inefficace. C’est la régression vers la moyenne, pas l’effet du traitement.

La seule façon de contrôler ce phénomène est d’avoir un groupe contrôle qui reçoit un traitement standard. Dans un mémoire d’initiation à la recherche sans groupe contrôle, il faut au minimum mentionner ce biais dans les limites.

Ce qu’on devrait toujours faire avec une moyenne

Voici une règle simple : ne jamais présenter une moyenne seule. Toujours l’accompagner d’au moins un indicateur de dispersion, et toujours vérifier la distribution avant d’interpréter.

En pratique, pour un mémoire en santé :

• Calculez la moyenne et l’écart-type pour chaque groupe.

• Calculez la médiane si votre distribution est asymétrique.

• Représentez la distribution graphiquement — histogramme ou boîte à moustaches.

• Vérifiez l’étendue et les valeurs aberrantes avant l’analyse.

• Si vous comparez des groupes, accompagnez la p-valeur d’une taille d’effet.

Ces étapes ne prennent pas beaucoup de temps. Mais elles font la différence entre une analyse qui tient la route et une analyse qui survend ses conclusions.

La moyenne comme point de départ

La moyenne n’est pas un ennemi. C’est un outil. Un outil puissant, utile, communicable. Mais un outil qui ne doit jamais être lu seul, jamais présenté sans contexte, jamais interprété sans avoir regardé ce qui se cache derrière.

Une moyenne vous dit où se trouve le centre. La dispersion vous dit à quel point ce centre est représentatif. La distribution vous dit quelle forme prend la réalité. Ce sont ces trois niveaux de lecture ensemble — et non la moyenne seule — qui permettent de comprendre ce que les données disent vraiment.

Références

Quetelet, A. (1835). Sur l’homme et le développement de ses facultés. Bachelier.

Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2e éd.). Lawrence Erlbaum.

Galton, F. (1886). Regression towards mediocrity in hereditary stature. Journal of the Anthropological Institute, 15, 246–263.

Bland, J. M., & Altman, D. G. (1994). Regression towards the mean. BMJ, 308, 1499.