- Structurer et traiter la base
- Décrire un peuplement
- Mettre une hypothèse à l'épreuve (vous êtes ici)
- Savoir ce que l'on fait dire aux données
- Représenter sans déformer · 6. Évaluer le patrimoine · 7. Formuler le diagnostic · 8. Restituer · 9. Capstone
Trois questions, trois outils
Le document d'accompagnement M4 cadre précisément le champ : études de la dépendance linéaire de deux variables quantitatives (régression, corrélation), étude de l'influence d'un facteur sur une variable, intervalle de confiance (loi normale pour les grands échantillons, loi de Student pour les petits). Sans développement théorique exhaustif : l'outil sert une question posée par le terrain.
| Question de terrain | Outil | Ce qu'il répond |
|---|---|---|
| Deux grandeurs varient-elles ensemble ? | Corrélation (r) | Force et sens du lien linéaire entre deux variables quantitatives |
| Peut-on prédire l'une par l'autre / estimer une tendance ? | Régression linéaire | Équation de la droite ; estimation d'une dynamique (ex. évolution d'effectif) |
| Une valeur moyenne diffère-t-elle vraiment entre deux groupes ? | Test de comparaison (Student) | La différence observée est-elle plausible sous le seul effet du hasard ? |
| Quelle est la précision de mon estimation ? | Intervalle de confiance | Fourchette plausible de la vraie valeur, compte tenu de l'échantillon |
Corrélation n'est pas causalité
Le référentiel insiste explicitement : au-delà de la corrélation, statuer sur une éventuelle causalité demande un raisonnement complémentaire (mécanisme, temporalité, exclusion d'un facteur tiers), souvent en lien avec les enseignants de technique. Deux variables peuvent être fortement corrélées sans lien de cause à effet — par exemple parce qu'un troisième facteur les pilote toutes les deux.
Trois hypothèses sur le peuplement Cistude de Beauchêne
On passe des signaux repérés en leçons 1–2 à des hypothèses formulées, puis testées.
Hypothèse A — « L'ensoleillement des berges est lié à la présence de Cistudes »
Sur 8 stations, on relève l'ensoleillement moyen (h/jour) et le nombre d'observations. Un nuage de points montre une tendance croissante.
Corrélation forte et positive (r ≈ 0,92) : les stations les plus ensoleillées comptent plus d'observations. Mais r fort ≠ preuve de causalité.
Hypothèse B — « La taille moyenne diffère entre Berge nord et Roselière est »
Berge nord : taille moyenne ≈ 134 mm (n = 21). Roselière est : ≈ 101 mm (n = 11). L'écart de 33 mm est-il réel ou dû au hasard d'échantillonnage ? Comme les effectifs sont modestes, on mobilise un test de Student (comparaison de deux moyennes sur petits échantillons).
| Secteur | n | Moyenne (mm) | Écart-type (mm) |
|---|---|---|---|
| Berge nord | 21 | 134 | 18 |
| Roselière est | 11 | 101 | 22 |
Hypothèse C — « L'estimation de la taille moyenne du peuplement est précise »
Moyenne mesurée 121 mm sur n = 37. L'intervalle de confiance à 95 % donne la fourchette plausible de la vraie moyenne. Avec un écart-type d'environ 30 mm, l'IC est d'environ 121 ± 10 mm, soit [111 ; 131]. On rapporte donc « 121 mm (IC95 % : 111–131) », jamais « 121 mm » seul.
Tester, c'est accepter de se tromper d'hypothèse
- Formuler l'hypothèse AVANT de regarder le résultat. Choisir le test après avoir vu les données pour obtenir « le bon » résultat est une faute méthodologique majeure.
- Accepter qu'une hypothèse soit infirmée. La grille valorise explicitement « hypothèse confortée ou non » : un test qui ne confirme pas votre intuition est un résultat, pas un échec. Le masquer est malhonnête.
- Ne jamais conclure à la causalité depuis une seule corrélation. Toujours chercher le facteur tiers et interroger le mécanisme.
- Reporter la précision, pas seulement l'estimation. Une moyenne sans intervalle de confiance suggère une certitude qu'on n'a pas.
Choisir et conduire le bon test
Arbre de décision simplifié
- Énoncer l'hypothèse en termes testables, avant le calcul.
- Vérifier les conditions : nature des variables, effectifs, allure de la distribution (retour aux boxplots de la leçon 2).
- Choisir le test à l'aide de l'arbre ci-dessus, et le justifier par écrit.
- Calculer avec un logiciel (tableur, R) — jamais à la main pour un test complet.
- Lire le résultat : coefficient r, équation de régression, p-value, bornes de l'IC.
- Conclure prudemment : hypothèse confortée ou non, limites, causalité non assumée sans argument.
Fonctions tableur utiles
Ce qui transforme un test en conclusion fausse
| Erreur | Conséquence |
|---|---|
| Conclure « X cause Y » à partir d'une simple corrélation | Diagnostic bâti sur un lien qui peut n'être qu'apparent (facteur tiers ignoré) |
| Choisir le test après avoir vu quel résultat il donne | Résultat orienté, non reproductible, indéfendable à l'oral |
| Lire « non significatif » comme « pas de différence » | Confusion : un test non significatif sur petit effectif ne prouve pas l'absence d'effet |
| Rapporter une moyenne sans intervalle de confiance | Fausse impression de précision, surinterprétation de l'estimation |
| Étendre une droite de régression hors de la plage observée | Extrapolation hasardeuse (ex. prédire un effectif pour un ensoleillement jamais mesuré) |
Quiz — Mettre une hypothèse à l'épreuve
Auto-positionnement
À compléter honnêtement avant de passer à la leçon 4.