Un intervalle de confiance, en statistiques, est une plage de valeurs, dérivée des données d’un échantillon, qui est susceptible de contenir la valeur d’un paramètre de population inconnu avec un certain degré de confiance. Contrairement à une estimation ponctuelle qui fournit une unique valeur comme meilleure estimation du paramètre, l’intervalle de confiance reconnaît l’incertitude inhérente à l’estimation à partir d’un échantillon et fournit une mesure de cette incertitude.
Pour appréhender pleinement les intervalles de confiance, plusieurs concepts fondamentaux doivent être compris. Au cœur de l’estimation statistique se trouve la distinction entre un paramètre de population, qui est une caractéristique fixe mais généralement inconnue de l’ensemble d’une population (par exemple, la taille moyenne de tous les adultes d’un pays), et une statistique d’échantillon, qui est une caractéristique calculée à partir d’un sous-ensemble de cette population (par exemple, la taille moyenne d’un échantillon de 1000 adultes). L’objectif est d’utiliser la statistique d’échantillon pour inférer le paramètre de population. L’erreur d’échantillonnage est la différence entre la statistique d’échantillon et le paramètre de population, résultant du fait que l’échantillon ne représente jamais parfaitement l’ensemble de la population. L’intervalle de confiance tente de quantifier cette erreur.
Le niveau de confiance est une composante essentielle d’un intervalle de confiance. Il est exprimé en pourcentage, typiquement 90%, 95% ou 99%. Un niveau de confiance de 95%, par exemple, signifie que si le processus d’échantillonnage et de calcul de l’intervalle était répété un grand nombre de fois, 95% des intervalles ainsi construits contiendraient le vrai paramètre de population. Il est crucial de noter que cela ne signifie pas qu’il y a une probabilité de 95% que le paramètre inconnu se trouve DANS un intervalle de confiance particulier déjà calculé. Le paramètre est fixe ; ce sont les bornes de l’intervalle qui sont aléatoires et varient d’un échantillon à l’autre. Le niveau de confiance est généralement noté (1 – alpha), où alpha est le niveau de signification.
La construction d’un intervalle de confiance implique généralement une estimation ponctuelle du paramètre (par exemple, la moyenne de l’échantillon) à laquelle on ajoute et soustrait une marge d’erreur. La marge d’erreur dépend de trois facteurs principaux : le niveau de confiance souhaité (un niveau de confiance plus élevé conduit à une marge d’erreur plus grande et donc à un intervalle plus large), la variabilité des données dans la population (souvent estimée par l’écart-type de l’échantillon), et la taille de l’échantillon (une taille d’échantillon plus grande conduit à une marge d’erreur plus petite et donc à un intervalle plus étroit, reflétant une plus grande précision). La marge d’erreur est calculée en multipliant une valeur critique (issue d’une distribution de probabilité comme la distribution normale ou la distribution t de Student) par l’erreur standard de l’estimateur. L’erreur standard mesure la variabilité attendue de la statistique d’échantillon si plusieurs échantillons étaient prélevés.
Les intervalles de confiance reposent souvent sur des hypothèses concernant la distribution des données ou la distribution d’échantillonnage de la statistique. Par exemple, pour estimer la moyenne d’une population, si la taille de l’échantillon est suffisamment grande, le théorème central limite suggère que la distribution d’échantillonnage des moyennes sera approximativement normale, même si la distribution de la population d’origine ne l’est pas. Pour des échantillons plus petits issus d’une population normalement distribuée avec un écart-type inconnu, la distribution t de Student est utilisée.
L’importance des intervalles de confiance est considérable dans de nombreux domaines. Ils fournissent une information bien plus riche qu’une simple estimation ponctuelle. En quantifiant l’incertitude, ils permettent une prise de décision plus éclairée. Par exemple, un intervalle de confiance large indique une grande incertitude sur la valeur réelle du paramètre, ce qui pourrait inciter à la prudence ou à la collecte de données supplémentaires. Dans la recherche scientifique, les intervalles de confiance sont essentiels pour rapporter les résultats d’études, permettant aux lecteurs d’évaluer la précision des estimations et la signification pratique des résultats. Ils sont un outil standard pour l’inférence statistique, aidant à déterminer si les résultats observés sont statistiquement significatifs et robustes.
Les applications pratiques des intervalles de confiance sont vastes et variées. Dans les sondages d’opinion et les études politiques, ils sont utilisés pour estimer la proportion d’électeurs soutenant un candidat ou une politique, avec une marge d’erreur qui définit l’intervalle. Par exemple, un sondage pourrait indiquer qu’un candidat a 52% des intentions de vote avec un intervalle de confiance à 95% de [49%, 55%]. Dans le domaine médical et pharmaceutique, les essais cliniques utilisent des intervalles de confiance pour évaluer l’efficacité d’un nouveau traitement. Un intervalle pour la différence d’efficacité entre un nouveau médicament et un placebo qui n’inclut pas zéro suggère que le médicament a un effet statistiquement significatif. En ingénierie et dans l’industrie, les intervalles de confiance sont appliqués au contrôle qualité, par exemple pour estimer la proportion de produits défectueux ou la durée de vie moyenne d’un composant. En économie et en finance, ils sont utilisés pour les prévisions économiques, l’estimation de rendements d’actifs, ou l’analyse de modèles économétriques. Dans les sciences sociales, les enquêtes sur le revenu, l’éducation ou le comportement s’appuient sur les intervalles de confiance pour généraliser les résultats d’un échantillon à une population plus large.
L’interprétation correcte des intervalles de confiance est une nuance cruciale et souvent source de confusion. L’interprétation fréquentiste correcte stipule que le niveau de confiance se réfère à la fiabilité du processus de construction de l’intervalle, et non à la probabilité qu’un intervalle spécifique contienne le paramètre. Une fois qu’un intervalle est calculé à partir d’un échantillon donné (par exemple, [10, 20]), il contient soit le vrai paramètre, soit il ne le contient pas. On ne peut pas dire qu’il y a une probabilité de 95% que le vrai paramètre se situe entre 10 et 20. Ce type d’énoncé probabiliste sur le paramètre est caractéristique de l’approche bayésienne, qui utilise des intervalles de crédibilité. Ces derniers, contrairement aux intervalles de confiance, peuvent être interprétés comme une plage de valeurs où le paramètre se trouve avec une certaine probabilité, étant donné les données et les croyances a priori.
La largeur de l’intervalle de confiance est une autre nuance importante. Un intervalle étroit indique une estimation plus précise du paramètre de population, tandis qu’un intervalle large suggère une moindre précision. Comme mentionné, cette largeur est affectée par la taille de l’échantillon (plus l’échantillon est grand, plus l’intervalle est généralement étroit), la variabilité des données (plus la variabilité est grande, plus l’intervalle est large) et le niveau de confiance choisi (un niveau de confiance plus élevé, comme 99% au lieu de 95%, produit un intervalle plus large car il faut une plus grande plage pour être plus « confiant » d’inclure le paramètre). Il existe différents types d’intervalles de confiance selon le paramètre estimé (moyenne, proportion, variance, différence entre moyennes, rapport de cotes, etc.) et les hypothèses faites sur les données. Par exemple, l’intervalle de Wilson ou l’intervalle de Clopper-Pearson pour les proportions binomiales sont des alternatives à l’intervalle basé sur l’approximation normale, surtout pour les petites tailles d’échantillon ou les proportions proches de 0 ou 1.
Plusieurs concepts statistiques sont étroitement liés aux intervalles de confiance. L’estimation ponctuelle est le point de départ pour la construction de l’intervalle, qui en est une extension. Il existe une dualité entre les intervalles de confiance et les tests d’hypothèses. Un intervalle de confiance à (1 – alpha) % pour un paramètre peut être utilisé pour effectuer un test d’hypothèse bilatéral au niveau de signification alpha. Si la valeur du paramètre spécifiée sous l’hypothèse nulle se situe en dehors de l’intervalle de confiance, alors l’hypothèse nulle est rejetée. La p-valeur, une autre mesure issue des tests d’hypothèses, est également liée : si un intervalle de confiance à 95% n’inclut pas la valeur nulle, la p-valeur pour un test bilatéral de cette valeur nulle sera inférieure à 0.05. L’erreur standard et la marge d’erreur sont des composantes directes du calcul de l’intervalle. Il est aussi important de distinguer les intervalles de confiance des intervalles de prédiction. Un intervalle de confiance estime un paramètre de population inconnu (par exemple, la moyenne de la population), tandis qu’un intervalle de prédiction vise à prédire une future observation individuelle issue de la population. Les intervalles de prédiction sont donc typiquement plus larges que les intervalles de confiance pour le même niveau de probabilité. Les intervalles de tolérance, quant à eux, sont des intervalles qui, avec un certain niveau de confiance, couvrent une proportion spécifiée de la population.
L’origine formelle des intervalles de confiance est attribuée au statisticien polonais Jerzy Neyman dans les années 1930, notamment dans un article fondateur publié en 1937. Bien que des idées similaires aient été explorées auparavant par d’autres, comme Ronald Fisher avec ses « limites fiduciales », la formulation et l’interprétation fréquentiste rigoureuse des intervalles de confiance telles qu’elles sont comprises et utilisées aujourd’hui sont largement dues à Neyman. Ce développement s’inscrivait dans le cadre plus large de l’établissement des fondations de la théorie de l’inférence statistique fréquentiste, en opposition ou en complément à l’approche bayésienne alors moins dominante.
Les intervalles de confiance présentent de nombreux avantages. Leur principal atout est de fournir une plage de valeurs plausibles pour un paramètre inconnu, ce qui est plus informatif qu’une simple estimation ponctuelle. Ils quantifient la précision de l’estimation et l’incertitude associée à l’échantillonnage. Ils facilitent la comparaison entre différentes études et sont largement acceptés et requis dans de nombreuses publications scientifiques. Cependant, ils ont aussi des inconvénients et des limitations. La limitation la plus significative est leur mauvaise interprétation fréquente, même par des chercheurs. Comme souligné, ils ne donnent pas la probabilité que le paramètre se trouve dans un intervalle spécifique. Leur calcul repose sur des hypothèses (par exemple, la normalité des données ou une taille d’échantillon suffisante) qui peuvent ne pas toujours être satisfaites dans la pratique. De plus, un intervalle de confiance ne garantit pas que le vrai paramètre y est contenu ; il y a toujours une probabilité (alpha) que l’intervalle calculé ne contienne pas le paramètre. Le choix du niveau de confiance (par exemple, 95% ou 99%) est quelque peu arbitraire et peut influencer les conclusions tirées. Enfin, communiquer la signification d’un intervalle de confiance à un public non spécialisé reste un défi constant. Malgré ces défis, les intervalles de confiance demeurent un outil indispensable et fondamental en statistique inférentielle, offrant un cadre robuste pour tirer des conclusions sur les populations à partir de données d’échantillons.