Dans ce module, nous nous pencherons sur un sujet que vous avez probablement rencontré tout au long de votre vie d'adulte, mais que vous n'avez peut-être jamais exploré d'un point de vue statistique : la courbe normale. Plus généralement, nous aborderons les distributions de probabilités, y compris leurs principales caractéristiques et leur pertinence pour quantifier l'incertitude. Bien que l'étude de la théorie des probabilités puisse parfois sembler détachée des statistiques appliquées, il est utile de développer une compréhension fondamentale des probabilités pour être en mesure d'évaluer de manière critique les modèles statistiques. Une appréciation de la probabilité et de sa nature contre-intuitive vous aidera à interpréter l'incertitude d'un résultat statistique aussi précisément que possible. Ceci est particulièrement important lorsque les enjeux sont élevés et que les décideurs politiques veulent savoir s'ils doivent ou non agir sur la base d'un résultat statistique.

Dans ce module, nous appliquerons les concepts de probabilité, de variables aléatoires et de distributions à la mesure et à l'interprétation de l'incertitude. Nous nous concentrerons en particulier sur la signification statistique. Une relation est statistiquement significative si elle peut être distinguée de zéro. Supposons que vous souhaitiez examiner l'effet de l'exposition à des publicités de campagne négatives sur la probabilité de voter. La variable indépendante est l'exposition à des publicités de campagne négatives et la variable dépendante est la probabilité de voter. Si nous constatons que l'exposition à des publicités négatives n'a aucune relation avec la probabilité de voter, nous dirons qu'il s'agit d'une relation statistiquement non significative. Si, au contraire, nous constatons que l'exposition à des publicités négatives entraîne une baisse de la probabilité de voter, nous avons découvert une relation statistiquement significative (c'est-à-dire non nulle).

Dans ce dernier module du cours, nous verrons comment mesurer l'incertitude des estimations de régression et des résultats des sondages. Il arrive souvent qu'un modèle de régression révèle une relation non nulle, mais il est important de déterminer si cette relation est suffisamment différente de zéro pour que l'on puisse conclure qu'elle est statistiquement significative. Par exemple, supposons qu'un modèle de régression révèle qu'un médicament améliore les résultats des patients de 3,2 %. Est-ce que 3,2 % est statistiquement différent de 0 ? Un test de signification statistique répondra à cette question. Toutefois, ce module aborde également certains des inconvénients liés à l'utilisation de la signification statistique pour la prise de décision fondée sur des données. Bien que la signification statistique soit une considération importante, ce n'est pas le seul critère à utiliser pour déterminer s'il faut agir sur la base d'un ensemble de résultats statistiques.