Choix d'un indice de taille d'effet ??

Bonjour,

Pour le contexte :
# je travaille sur de très faibles effectifs.
# je compare différentes caractéristiques d'une population (proportions et décomptes) entre 3 périodes (-> 1 facteur "Periode" à 3 modalités).
# test utilisé : anova(glm(X~Periode,family=binomial),test="Chisq") pour les proportions et anova(glm(X~Periode,family=quasi(var="mu^3")),test="F") pour les décomptes ; puis tests post-hoc avec correction de Bonferroni
# je travaille sous R

La question... :
Certains de mes tests sont non-significatifs (p-value>0.05). La question se pose alors de l'impact de mes très faibles effectifs sur la puissance de mes tests. Au vue de la controverse sur les tests de puissance a posteriori, je m'oriente vers le calcul de la taille d'effet et de son intervalle de confiance (IC). J'ai essayé pour cela de m'appuyer sur Nakagawa 2007 "Effect size, confidence interval and statistical
significance: a practical guide for biologists" (chercher "nakagawa 2007 effect size" sous Google Scholar)... sauf que je n'ai pas tout compris de la partie sur le choix de l'indice de taille d'effet !

1) je compare des caractéristiques d'une population (la composition de cette population change entre 2 périodes) entre Periode. Mes groupes (populations) sont alors "dépendantes" ?

2) pour les proportions, j'aurais tendance à me tourner vers l'indice OR (odds ratio). Est-ce juste ?

3) apparemment, pour les GLM, ce n'est plus si "simple" ?

Bref, y aurait-il quelqu'un pour m'orienter ? ou au moins vers une doc assez complète en français sur le calcul de la taille d'effet de leur IC ?

Merci de votre aide.

Si tu considères que c'est le résultat d'un test qui juge s'il y a un effet ou pas, c'est que tu sous-entends que le paramètre sur lequel porte l'hypothèse de ce test est celui qui mesure la différence d'effet.
Pour un test de comparaison de 2 moyennes, on teste si d=0 où d est la différence entre les 2 moyennes.
Lorsqu'on teste l'égalité de 2 proportions, on teste si OR=1.
Il s'agit de savoir expliciter le modèle qu'on utilise et en particulier d'interpréter ses paramètres.

Qu'entendez-vous par "paramètres" ?

Tu ne sais pas qu'un modèle, en général, est défini par des paramètres ?

Par exemple quand on compare classiquement 2 moyennes : on suppose que dans chaque groupe, les réponses (les données) sont générées par une loi gaussienne. Une loi gaussienne est définie par 2 paramètres : sa moyenne et sa variance.

savoir et ne pas savoir... pour ma part, c'est surtout la non-maîtrise du vocabulaire stat qui me fait défaut bien souvent

Le terme "paramètre" est pour moi assez vague (dans votre exemple, la médiane, le mode, la valeur la plus forte, ne sont-ils pas aussi des paramètres de nos données ?), et en l'occurrence je ne sais effectivement pas ce que l'on met sous "paramètre d'un modèle".
Est-ce les "estimates" ? (puisque ce sont eux qui permettent de le définir ?)

(dsl si mes questions semblent basiques , mais l'intérêt d'un forum n'est-il pas aussi d'apporter de l'aide dans un langage plus "compréhensible" que celui des livres de stats dans lesquels je suis actuellement plongée...)

Sauf que le bon langage pour les statistiques c'est celui des probabilités, une branche des mathématiques.
Cela confirme ce que je soupçonnais dans l'autre fil : tu ne peux pas avoir compris ce qu'est la puissance d'un test sans avoir compris que quand tu fais tes tests tu supposes un modèle avec des paramètres, c'est-à-dire que tu supposes que tes données sont générées au hasard selon une certaine loi de probabilité, celle-ci ayant une forme dépendant de paramètres inconnus. Ensuite, sur base de tes données, tu estimes ces paramètres ("estimates").
C'est avec plaisir de t'aider mais j'ai aussi du travail. Tu peux peut-être te renseigner en tapant "modèle statistique" ou "statistique paramétrique" dans Google. Je pense que c'est important que tu comprennes le principe de la modélisation paramétrique pour aller plus loin.

PS : désolé si mon ton est parfois "sec", mais j'essaye de ne pas trop m'attarder sur les fora