QUAND FAIRE LA TRANSFORMATION?
La configuration des valeurs obtenues lorsqu’une variable est mesurée sur un grand nombre d’individus est appelée distribution. La distribution peut être classée de manière générale comme normale et non normale. La distribution normale est également appelée « distribution gaussienne » car elle a été décrite pour la première fois par K.F. Gauss. Elle est appelée distribution normale car la plupart des paramètres biologiques (tels que le poids, la taille et la glycémie) la suivent. Il existe un très petit nombre de paramètres biologiques qui ne suivent pas une distribution normale, par exemple les titres d’anticorps, le nombre d’épisodes de diarrhée, etc. Les débutants ne doivent pas être confondus avec le terme « normal » car il n’implique pas nécessairement la normalité clinique et il n’y a rien d’anormal dans les distributions « non normales ».
L’une des hypothèses du test statistique utilisé pour tester les hypothèses est que les données sont des échantillons de la distribution normale. Il devient donc essentiel d’identifier les distributions asymétriques/normales. Il existe quelques moyens simples de détecter l’asymétrie.
-
Si la moyenne est inférieure au double de l’écart-type, alors la distribution est probablement asymétrique.
-
Si la population suit une distribution normale, alors la moyenne et l’écart-type des échantillons sont indépendants. Ce fait peut être utilisé pour détecter l’asymétrie. Si l’écart-type augmente lorsque la moyenne augmente à travers les groupes d’une population, alors il s’agit d’une distribution asymétrique.
En dehors de ces méthodes simples, la normalité peut être vérifiée par des tests statistiques comme le test de Kolmogorov – Smirnov.
Une fois que l’asymétrie est identifiée, tout doit être fait pour la convertir en une distribution normale, afin que les tests paramétriques robustes puissent être appliqués pour l’analyse. Ceci peut être accompli par transformation.
Des transformations peuvent également être faites pour faciliter la comparaison et l’interprétation. L’exemple classique d’une variable qui est toujours rapportée après transformation logarithmique est la concentration en ions hydrogène (pH). Un autre exemple où la transformation aide à la comparaison des données est la transformation logarithmique de la courbe dose-réponse. Lorsque la relation dose-réponse est tracée, elle est curviligne. Lorsque la même réponse est tracée en fonction du logarithme de la dose (logarithme de la courbe dose-réponse), on obtient une courbe en forme de S allongé. La partie centrale de cette courbe est une ligne droite et la comparaison de deux lignes droites (en mesurant leur pente) est plus facile que la comparaison de deux courbes. Par conséquent, la transformation peut aider à la comparaison des données.
En un mot, la transformation peut être effectuée pour que les données suivent une distribution normale ou parfois pour faciliter l’interprétation/la comparaison.