Un excellent article de JADDO sur les diagnostics systématiques de certains cancers. Il y a de tout : une explication du calcul de la balance bénéfice-risque, un peu de théorie sur les probabilités conditionnelles (théorème de Bayes), et état des lieux et plein d'études citées et référencées. Bref, un article très accessible pour parler d'un truc qu'on devrait tous connaître avant d'accepter un diagnostic systématique.
À lire donc !
[Merde, fermé sans avoir sauvé ; je recommence]
Un article intéressant qui va raviver les débats bayésiens versus classiques (dit-on classiciens ? Ou classisticiens ?)
En gros, un article publié dans PNAS affirme que les expériences basées sur de la stat (massive j'ajouterais) se gourent souvent. Et que c'est la cause d'une grande difficulté à reproduire les expériences et avoir les mêmes résultats. En cause, la valeur de « seuil de confiance » utilisée en stat classique. Habituellement fixée à 5%.
Et du coup, le débat fait rage avec les adeptes des méthodes bayésiennes, car cette valeur n'existe pas. Bon, sachant de quoi je parle, je sais qu'il existe de bien pires ennemies encore dans les méthodes bayésiennes, mais tout ça alimente le débat.
Bref, pour ma part, une affaire vachement intéressante et donc à suivre. Ça aura des implications bien en dehors du monde de la science.
via : Margaux (http://www.margaux-perrin.com/serendipity) et Julien@Facebook.
Très bel exemple d'embrouillage de chiffres.
Maintenant que tu as lu l'article sur le paradoxe de Simpson, trouve ici une belle illustration du principe, et pars à la recherche des -- nombreuses -- variables cachées.
Ou pourquoi comparer deux populations différentes sur un seul critère n'a pas de sens (en terme tendanciel)
Merci à PA pour ce lien.
Passé les bouts de codes un peu difficiles à lire, je garde la conclusion :
"The moral of this story: No matter how accurate our drug test, we shouldn’t bother to run it unless we have probable cause."
Encore un peu de jeu.
Ce site est plein de bonnes choses. À fouiller.
J'aime l'illustration du paradoxe de Simpson qui est présente ici. Ça permet de comprendre facilement l'enjeu de l'homogénéité des populations quand on réalise des tests ; ou encore, pourquoi étude épidémiologique n'est pas un test clinique.
Pour bien comprendre les chiffres qu'on nous balance à longueur d'année sur tout et n'importe quoi, et en particulier la politique, il est essentiel de comprendre le paradoxe de Simpson.
Sus aux variables cachées !
Amusons-nous avec les probabilités, et certainement avec le bayésien, mon domaine de prédilection