Le but de la statistique inférentielle
est de savoir dans quelle mesure les résultats obtenus sur un échantillon
convenablement choisi apportent une connaissance fiable des caractéristiques
de la population d'origine. Nous sommes là en présence d'un
objectif essentiel de la démarche scientifique puisque, dans bien
des cas, l'intérêt d'une recherche est largement subordonné
au caractère plus ou moins général des conclusions
auxquelles elle permet d'aboutir.
Toute conclusion concernant la "généralisabilité"
statistique des résultats d'une recherche ne peut être
envisagée que dans des termes probabilistes. Cela signifie que l'approche
inférentielle ne conduit jamais à des jugements certains,
mais uniquement à des jugements plus ou moins probables. Cela signifie
également qu'elle ne peut pas éliminer complètement
le risque d'erreur associé à la décision de conférer
à un phénomène une validité qui dépasse
le contexte restreint dans lequel il a été observé.
Il n'en reste pas moins que la démarche d'inférence statistique
conserve un intérêt tout à fait primordial puisqu'elle
parvient à exercer une certaine maîtrise sur ce risque d'erreur.
Plus exactement, elle parvient à en faire une estimation théoriquement
précise, indiquant au chercheur la probabilité qu'il a de
se tromper en généralisant les conclusions de son étude
à l'ensemble de la population d'origine. Pour que cette opération
soit possible il faut toutefois que le statisticien fasse appel à
la statistique descriptive et à une théorie
mathématique particulière (la théorie
des probabilités précisément),
dont l'objet est l'étude des lois et des régularités
qui régissent les phénomènes aléatoires. Le
recours à cette théorie apparaît parfaitement justifié
lorsqu'on considère l'objectif du raisonnement inférentiel.
Il s'agit en effet de déterminer quelle est la probabilité
qu'un phénomène observé sur un échantillon
soit dû uniquement au hasard de l'échantillonnage,
alors même qu'il serait inexistant dans la population toute entière.
Les méthodes d'inférence statistique s'appliquent à
deux grandes catégories de problèmes: 1) les problèmes
d'estimation et 2) les problèmes de test
d'hypothèse. |