Guide de lecture des données

À vous de calculer : +75% au total, mais moins par jour ?

Des entrées fictives à une exposition illustrent l’effet de la période de mesure. Ces chiffres sont inventés pour cet exemple et ne décrivent aucune exposition réelle. Une personne pouvant revenir plusieurs fois, les entrées ne représentent pas des visiteurs uniques.

Comparer les totaux donne +75%

(210 − 120) ÷ 120 × 100 = 75%. Le total augmente, mais la période passe aussi de 3 à 7 jours. Cela ne suffit pas à établir une hausse de la demande de 75%.

Comparer les moyennes quotidiennes donne −25%

120 ÷ 3 = 40 entrées par jour ; 210 ÷ 7 = 30 par jour. (30 − 40) ÷ 40 × 100 = −25%. Exprimer les deux totaux dans la même unité quotidienne change la comparaison.

La moyenne quotidienne ne constitue pas un verdict. La part des week-ends, les horaires, les jours de fermeture et l’effet d’ouverture peuvent différer. Ce tableau n’explique ni la baisse ni l’évolution du nombre de visiteurs uniques. Il faut comparer des données journalières avec les mêmes jours de semaine et horaires.

Dans un article, vérifiez : ce qui est compté → les dates couvertes → la comparabilité des unités → ce qui reste inexpliqué.

À vous de calculer : points de pourcentage et variation relative ne sont pas la même chose

Un sondage fictif pose la même question à deux groupes de 200 personnes. Ces chiffres sont inventés pour cet exemple et ne décrivent aucun sondage réel.

La part augmente de 5 points de pourcentage, soit 25% en relatif

50 − 40 = 10 réponses « oui » de plus, pour 200 personnes interrogées à chaque fois. En part, cela donne 25% − 20% = 5 points de pourcentage. Rapportée à la part de départ, la variation relative est (25 − 20) ÷ 20 × 100 = 25%. Les deux chiffres décrivent le même changement, mais points de pourcentage et variation relative (%) ne sont pas interchangeables.

Le calcul ci-dessus ne décrit que ces deux échantillons. Comparer des parts ne nécessite pas des échantillons de même taille — une part de 20% parmi 200 personnes interrogées peut tout à fait se comparer à une part de 25% issue d’un échantillon de taille différente. Ce qui compte, c’est que les deux vagues interrogent la même population cible, utilisent le même libellé de question et la même définition d’une réponse oui, couvrent une période comparable et utilisent une méthode d’échantillonnage similaire. La taille de l’échantillon influe plutôt sur l’incertitude statistique entourant chaque part : ces deux chiffres fictifs ne suffisent donc pas à établir une tendance dans la population plus large. Si la part de départ avait été de 0%, la formule de variation relative ci-dessus ne serait pas définie, mais la différence en points de pourcentage resterait indiquable.

Avant de croire une variation de taux rapportée, vérifiez non pas si les mêmes personnes ont été interrogées chaque fois, mais si les deux vagues portent sur une population comparable, avec la même question et la même méthode, et si la variation est exprimée en points de pourcentage ou en pourcentage relatif.

À vous de calculer : un écart entre deux groupes ne prouve pas une cause

On compare le taux d’inscription des lecteurs ayant assisté à un événement fictif à celui des lecteurs n’y ayant pas assisté. Ces chiffres sont inventés pour cet exemple et ne décrivent aucun événement ni service d’inscription réel.

Les participants s’inscrivent à un taux supérieur de 10 points de pourcentage

Parmi les participants, 30 ÷ 100 × 100 = 30% se sont inscrits, contre 20 ÷ 100 × 100 = 20% des non-participants, soit un écart de 10 points de pourcentage.

Cet écart ne démontre pas que l’événement a causé les inscriptions supplémentaires. Les personnes qui choisissent d’assister à un événement peuvent déjà être plus intéressées par le sujet que celles qui n’y assistent pas (autosélection). La comparaison suppose aussi que les deux groupes ont été mesurés sur la même période et avec la même éligibilité à l’inscription, ce que cet exemple fictif ne vérifie pas.

Pour étayer un lien de cause à effet, vérifiez, grâce à un dispositif rigoureux comme une répartition aléatoire, si les deux groupes étaient comparables avant l’événement. Mesurer séparément le taux d’inscription de chaque groupe avant l’événement ne suffit pas à écarter l’autosélection ou d’autres facteurs de confusion.