Des statistiques honnêtes
Pourquoi c'est important Une mesure n'est utile que si les lecteurs savent à quel point s'y fier. Écrire comment ton échantillon a été choisi, à quel point le chiffre est incertain, et ce que tu n'as pas pu voir, c'est ce qui sépare une étude d'une supposition. Ça te protège aussi de te tromper toi-même.
Imagine demander à des gens dans une salle de sport à quelle fréquence ils font du sport, puis annoncer « la personne moyenne s'entraîne cinq fois par semaine ». Le calcul est peut-être parfait. Le problème, c'est à qui tu as demandé.
Échantillon : la partie du monde que tu as vraiment mesurée, comme les 1 000 sites que tu as explorés.
Population : tout ce dont tu veux dire quelque chose, comme « les sites web que les gens utilisent ».
Biais d'échantillonnage : une différence entre ton échantillon et la population qui pousse le résultat dans un sens, quelle que soit la taille de l'échantillon.
Où les explorations du web sont biaisées
- Seulement les sites populaires. Les classements favorisent les grands sites. Les petits sites, qui forment l'essentiel du web, se comportent peut-être autrement.
- Les régions et les langues. Un crawler dans un pays voit les versions des sites de ce pays, souvent dans une seule langue.
- Les appareils. Les explorations sur ordinateur ratent ce que font les sites mobiles et les applis, et beaucoup de pistage se passe maintenant dans les applis.
- Les pages déconnectées. Les crawlers se connectent rarement, donc les pages de compte, les paiements et les fils d'actualité ne sont pas mesurés.
- La détection des robots. Certains sites se comportent autrement face aux navigateurs automatisés.
- Les étiquettes. Ton nombre de traqueurs est en réalité « les sites que la liste de blocage appelle traqueurs ». Une liste qui rate des traqueurs baisse ton chiffre.
À quel point une part est-elle incertaine ?
Même sans biais, un échantillon fluctue par hasard. Pour une part p mesurée sur n sites, une marge d'erreur approximative à 95 % courante est 1.96 * sqrt(p * (1 - p) / n).
import math
p, n = 0.6, 1000 # 600 of 1,000 sites had a tracker
margin = 1.96 * math.sqrt(p * (1 - p) / n)
print(round(100 * p), "% plus or minus", round(100 * margin, 1), "%") # 60 % plus or minus 3.0 %Cette marge ne couvre que le hasard. Elle ne dit rien du biais, qui est souvent la plus grosse erreur, donc tu as encore besoin de la liste ci-dessus.
Rédiger les limites
Une bonne section de limites est courte, précise et honnête. Pour chaque limite, dis ce que c'est, dans quel sens elle pousse probablement le résultat, et ce qui la corrigerait. Par exemple :
- « Nous n'avons visité que les pages d'accueil. Les pages intérieures chargent souvent plus de traqueurs, donc nos comptes sont probablement bas. »
- « Nous avons utilisé une seule liste de blocage pour les étiquettes. Les traqueurs qu'elle rate ne sont pas comptés. »
- « L'exploration a eu lieu un seul jour, depuis un seul endroit, sur ordinateur. »
Une idée reçue : « Lister les limites rend une étude faible. » C'est l'inverse. Les lecteurs font plus confiance à un résultat quand ils peuvent en voir les bords, et les limites disent au chercheur suivant quoi mesurer.
Deux habitudes de plus : donne la date et la méthode exacte pour que quelqu'un puisse refaire l'étude, et évite de transformer « nous l'avons vu sur 60 % des sites » en « 60 % des gens sont pistés ». Les sites ne sont pas des gens.
Essaie Reprends ton exploration de la leçon 146. Calcule la marge d'erreur de sa part de traqueurs, puis écris trois limites, chacune en disant dans quel sens elle pousse le chiffre.
Récap
- Le biais d'échantillonnage vient de qui ou de ce que tu as mesuré, et un plus grand échantillon ne le guérit pas.
- Les explorations ratent les petits sites, les autres régions, le mobile et les applis, les pages connectées, et tout ce que ratent les étiquettes.
- Une marge d'erreur comme 1.96 * sqrt(p(1 - p)/n) ne couvre que le hasard.
- Écris des limites qui disent quoi, dans quel sens, et ce qui corrigerait.
Tu as repéré un problème dans cette leçon ? Signale-le · Pose une question sur cette leçon
Cet exercice s'ouvre bientôt
Termine la leçon précédente pour débloquer celle-ci. Tout le cours est gratuit, aucun compte n'est requis, et tu peux lire cette leçon dès maintenant.
Ce navigateur bloque les cookies pour learn.floati.life, donc les leçons que tu as terminées ici ne peuvent pas s'ouvrir dans l'ordre. Autorise les cookies pour ce site et recharge la page.