Rapport de vraisemblance — comparer ce que prédisent deux hypothèses

Nous savons désormais qu’une observation n’est pas forte simplement parce qu’elle est compatible avec une hypothèse. Pour mesurer ce qu’elle apporte réellement, il faut la comparer à ce que nous aurions attendu sous une hypothèse concurrente. Le rapport de vraisemblance formalise précisément cette comparaison.

Son idée peut se résumer par une question : combien de fois cette observation était-elle plus attendue sous H1 que sous H2 ?

Si une donnée est dix fois plus probable sous H1 que sous H2, elle favorise H1. Si elle est aussi probable sous les deux hypothèses, elle ne permet pratiquement pas de les départager. Si elle est beaucoup plus probable sous H2, elle constitue au contraire une preuve en faveur de H2.

Le rapport de vraisemblance permet ainsi de séparer deux problèmes que nous avons souvent tendance à confondre : la force de la nouvelle preuve et la probabilité finale de l’hypothèse.

Comparer deux prédictions

Prenons une observation E et deux hypothèses concurrentes H1 et H2. Nous examinons :

P(E|H1)

et

P(E|H2).

Le rapport de vraisemblance en faveur de H1 contre H2 est :

LR = P(E|H1) / P(E|H2).

Si :

P(E|H1) = 80 %

et

P(E|H2) = 20 %,

alors :

LR = 0,8 / 0,2 = 4.

L’observation est donc quatre fois plus attendue sous H1 que sous H2.

Elle fournit une preuve en faveur de H1 relativement à H2.

Cette lecture correspond à ce que la tradition vraisemblanciste appelle la loi de vraisemblance : lorsque les données observées sont plus probables sous H1 que sous H2, elles soutiennent H1 relativement à H2, et leur rapport mesure la force de ce soutien comparatif.

Trois situations fondamentales

Le rapport de vraisemblance possède une interprétation particulièrement intuitive.

Si :

LR > 1,

l’observation favorise H1.

Si :

LR = 1,

l’observation est également attendue sous H1 et H2 ; elle ne les départage pas.

Si :

LR < 1,

l’observation favorise H2.

Supposons par exemple :

P(E|H1) = 60 %

et

P(E|H2) = 60 %.

Nous obtenons :

LR = 1.

E est parfaitement compatible avec H1. Elle se produit même assez souvent lorsque H1 est vraie. Mais elle ne constitue absolument pas une preuve en faveur de H1 contre H2, puisque H2 la prédit exactement aussi bien.

C’est pourquoi l’affirmation « ma théorie explique cette observation » est généralement insuffisante. Il faut demander : l’explique-t-elle mieux que ses concurrentes ?

La force d’une preuve est relative

Prenons maintenant une observation E dont la probabilité est de 50 % sous H1.

Cette valeur, prise isolément, ne nous dit presque rien sur la force de la preuve.

Si :

P(E|H2) = 40 %,

nous obtenons :

LR = 1,25.

E favorise légèrement H1, mais très peu.

Si :

P(E|H2) = 5 %,

alors :

LR = 10.

La même observation constitue maintenant une preuve beaucoup plus importante.

Enfin, si :

P(E|H2) = 0,5 %,

nous obtenons :

LR = 100.

La donnée est cent fois plus attendue sous H1 que sous H2.

La probabilité de E sous H1 n’a jamais changé : elle reste de 50 %. Ce qui change est la capacité de H2 à produire la même observation.

Nous voyons donc pourquoi la notion de preuve est fondamentalement comparative.

Une observation improbable peut être une preuve très forte

Le raisonnement devient encore plus intéressant lorsque l’observation est rare sous toutes les hypothèses.

Supposons :

P(E|H1) = 1 %

et

P(E|H2) = 0,001 %.

E est extrêmement rare même lorsque H1 est vraie. Pourtant :

LR = 1 000.

L’observation est mille fois plus attendue sous H1 que sous H2.

Elle constitue donc une très forte preuve relative en faveur de H1, même si nous aurions été surpris de la rencontrer sous H1.

Cette situation montre pourquoi « événement improbable » et « preuve contre une hypothèse » ne sont pas synonymes.

Pour savoir dans quelle direction une observation nous déplace, il ne suffit jamais de regarder sa probabilité sous une seule hypothèse.

Une observation probable peut défavoriser notre hypothèse

L’inverse est possible.

Supposons :

P(E|H1) = 80 %

mais

P(E|H2) = 95 %.

E était très probable sous H1. Notre hypothèse avait donc bien « prévu » l’observation.

Pourtant :

LR = 0,80 / 0,95 ≈ 0,84.

L’observation favorise légèrement H2.

Cela peut sembler étrange tant que nous raisonnons en termes de simple confirmation. Mais la logique devient évidente lorsque nous pensons en termes de compétition entre explications : H2 prédisait encore mieux ce qui s’est produit.

Une prédiction réussie ne constitue donc pas automatiquement un succès relatif.

Le rapport de vraisemblance mesure la preuve, pas le posterior

Supposons maintenant qu’une observation possède :

LR = 10.

Elle est dix fois plus attendue sous H1 que sous H2. Pouvons-nous en conclure que H1 possède désormais 90 %, 95 % ou 99 % de probabilité ?

Non.

Le rapport de vraisemblance mesure ce que cette observation particulière apporte à la comparaison. Il ne nous indique pas à lui seul où nous arrivons après l’avoir intégrée.

Si H1 et H2 étaient initialement équiprobables, un LR de 10 donnera effectivement un avantage important à H1. Mais si H1 était initialement mille fois moins plausible que H2, cette même preuve ne suffira pas nécessairement à la rendre dominante.

Dans le cadre bayésien, le rapport de vraisemblance représente donc la contribution de la nouvelle preuve, tandis que le posterior dépend également des probabilités antérieures. La relation est particulièrement claire lorsque Bayes est exprimé en *odds* : le rapport de vraisemblance multiplie directement les *odds* antérieures pour donner les *odds* postérieures.

Nous développerons cette forme dans la fiche suivante.

Un thermomètre de la preuve

Le rapport de vraisemblance peut être imaginé comme un multiplicateur appliqué à notre position initiale.

Un LR de :

1

ne déplace rien.

Un LR de :

2

favorise H1 d’un facteur 2.

Un LR de :

10

favorise H1 d’un facteur 10.

Un LR de :

100

la favorise d’un facteur 100.

Inversement, un LR de :

0,1

signifie que l’observation est dix fois plus attendue sous H2 que sous H1.

Cette échelle possède une propriété élégante : les preuves en faveur d’une hypothèse et celles en faveur de sa concurrente se répondent réciproquement. Un LR de 10 pour H1 contre H2 équivaut à un LR de 0,1 pour H2 contre H1.

Elle permet ainsi de parler de direction et de force relative d’une preuve sans confondre immédiatement cette information avec le degré total de croyance.

Cas pratique : un test médical

Les rapports de vraisemblance sont couramment utilisés pour interpréter les tests diagnostiques.

Supposons qu’un test possède :

sensibilité = 90 %

et

spécificité = 95 %.

La sensibilité signifie que 90 % des personnes malades obtiennent un résultat positif :

P(+|maladie) = 0,90.

Une spécificité de 95 % implique un taux de faux positifs de 5 % :

P(+|absence de maladie) = 0,05.

Le rapport de vraisemblance d’un résultat positif est donc :

LR+ = 0,90 / 0,05 = 18.

Un test positif est 18 fois plus attendu chez une personne malade que chez une personne non malade.

C’est une information très utile sur la force diagnostique du résultat. Mais elle ne nous dit toujours pas directement quelle est la probabilité que la personne soit malade après le test. Pour l’obtenir, il faut également connaître la probabilité pré-test, donc le prior clinique pertinent. Cette séparation entre performance du test et probabilité post-test constitue précisément l’un des intérêts des rapports de vraisemblance en médecine.

Le rapport de vraisemblance positif

Pour un test diagnostique binaire, le rapport de vraisemblance d’un résultat positif s’écrit :

LR+ = sensibilité / (1 − spécificité).

Il compare donc :

P(test positif | maladie)

à

P(test positif | absence de maladie).

Un LR+ proche de 1 signifie qu’un résultat positif apparaît presque aussi facilement chez les malades que chez les non-malades : le test apporte peu d’information dans cette direction.

Plus le LR+ est élevé, plus un résultat positif favorise la présence de la maladie relativement à son absence.

Il faut cependant éviter de transformer cette échelle en catégories rigides du type « LR supérieur à telle valeur = preuve définitive ». L’importance pratique d’un résultat dépend encore du contexte, de la probabilité pré-test, de la qualité des estimations de sensibilité et de spécificité et des conséquences de la décision.

Un multiplicateur n’a de sens qu’appliqué à un point de départ.

Le rapport de vraisemblance négatif

Un résultat négatif possède également son propre rapport de vraisemblance.

Pour un test diagnostique :

LR− = P(test négatif | maladie) / P(test négatif | absence de maladie).

En utilisant sensibilité et spécificité :

LR− = (1 − sensibilité) / spécificité.

Avec notre test précédent :

sensibilité = 90 %

et

spécificité = 95 %,

nous obtenons :

LR− = 0,10 / 0,95 ≈ 0,105.

Un résultat négatif est donc beaucoup moins attendu si la personne est malade que si elle ne l’est pas. Il constitue une preuve en faveur de l’absence de maladie.

Le fait que LR− soit inférieur à 1 n’est donc pas un problème : la valeur indique simplement que l’observation déplace la comparaison dans le sens opposé à H1.

Un même test peut être meilleur pour confirmer que pour exclure

Les rapports LR+ et LR− permettent également de comprendre pourquoi un test peut être particulièrement utile dans une direction et moins dans l’autre.

Un test très spécifique produisant presque aucun faux positif peut avoir un LR+ très élevé : un résultat positif devient alors fortement discriminant.

Un autre test très sensible produisant très peu de faux négatifs peut avoir un LR− très faible : un résultat négatif devient particulièrement informatif contre la maladie.

Cette distinction est plus fine que l’idée vague d’un test « précis à 95 % ». Sensibilité, spécificité et rapports de vraisemblance décrivent des propriétés différentes, et leur utilité dépend de la question clinique considérée. Les articles méthodologiques de Deeks et Altman présentent justement les rapports de vraisemblance comme un moyen de traduire les performances diagnostiques en changement entre probabilité pré-test et post-test.

Le rapport dépend toujours des hypothèses comparées

Supposons qu’une trace soit cent fois plus probable si H1 est vraie que si H2 est vraie. Nous obtenons un LR de 100 et pouvons dire que la trace favorise fortement H1 contre H2.

Mais imaginons maintenant une troisième hypothèse H3 sous laquelle cette trace est encore plus probable.

Le LR H1/H2 reste mathématiquement correct. Ce qui devient insuffisant est la comparaison elle-même.

C’est pourquoi la phrase :

« cette preuve possède un rapport de vraisemblance de 100 »

est incomplète si nous ne savons pas entre quelles hypothèses.

Le rapport de vraisemblance n’est pas une propriété absolue d’une observation. Il est une relation entre l’observation et au moins deux modèles concurrents.

Cette dépendance est fondamentale pour comprendre les preuves scientifiques, judiciaires ou diagnostiques.

Hypothèses simples et hypothèses composites

Nos exemples utilisent des hypothèses très simples : H1 ou H2 déterminent directement une probabilité pour E.

Dans les problèmes réels, une hypothèse peut englober de nombreuses valeurs possibles. « Le médicament possède un effet » ne précise pas immédiatement si cet effet est minuscule, moyen ou très important. « Le suspect est la source de la trace » peut également dépendre de plusieurs paramètres liés aux mesures ou à la population.

On parle alors d’hypothèses composites.

Pour comparer ce type de modèles, il faut déterminer comment prendre en compte leurs différentes valeurs possibles. Une approche bayésienne consiste notamment à intégrer la vraisemblance sur les distributions a priori des paramètres ; ce calcul conduit aux probabilités marginales et, dans la comparaison entre modèles, aux facteurs de Bayes.

Nous rencontrerons ces derniers plus loin. Pour l’instant, le rapport de vraisemblance entre deux hypothèses simples constitue le meilleur outil pour comprendre l’idée fondamentale.

Plusieurs preuves peuvent multiplier leur poids

Le rapport de vraisemblance possède une propriété qui deviendra particulièrement importante lorsque nous étudierons l’accumulation des preuves.

Supposons qu’un premier indice favorise H1 avec :

LR₁ = 3

et qu’un second indice apporte, dans les conditions appropriées, un facteur supplémentaire :

LR₂ = 4.

Le poids combiné peut alors devenir :

3 × 4 = 12.

Deux indices modérés peuvent ainsi produire ensemble une preuve beaucoup plus forte.

Mais cette multiplication ne peut pas être appliquée naïvement lorsque les preuves sont dépendantes. Si le second indice n’est qu’une conséquence du premier ou s’il provient de la même source d’information, le compter comme une confirmation entièrement nouvelle peut conduire à une double comptabilisation de la preuve.

C’est pourquoi l’indépendance des preuves deviendra bientôt une question centrale.

Ne pas sacraliser des seuils

Certains ouvrages proposent des catégories verbales associées à différents rapports de vraisemblance : preuve faible, modérée, forte, très forte. Ces repères peuvent être utiles pour communiquer, mais ils ne constituent pas des frontières naturelles inscrites dans les mathématiques.

Un LR de 9,9 n’est pas fondamentalement différent d’un LR de 10,1.

Richard Royall utilise la vraisemblance pour formaliser la force relative de la preuve et discute différents repères permettant de caractériser cette force, mais le principe fondamental reste continu : plus le rapport s’éloigne de 1 dans une direction, plus les données discriminent les hypothèses considérées.

L’esprit critique doit donc éviter de remplacer une mauvaise pensée binaire par une nouvelle collection de seuils rigides.

Une discipline contre le biais de confirmation

Le rapport de vraisemblance offre enfin une méthode particulièrement efficace contre une forme courante de biais de confirmation.

Lorsque nous découvrons une information compatible avec notre croyance, nous avons tendance à demander :

« Est-ce que mon hypothèse explique cela ? »

La logique des vraisemblances remplace cette question par :

« À quel point cette observation était-elle plus attendue sous mon hypothèse que sous ses principales concurrentes ? »

La différence paraît petite, mais elle change profondément le raisonnement.

Une anecdote favorable n’est plus automatiquement une confirmation. Une prédiction réussie ne devient probante que si elle était suffisamment distinctive. Une théorie ne gagne pas simplement parce qu’elle peut raconter une histoire compatible avec les faits : elle doit mieux prévoir les faits que les alternatives pertinentes.

C’est une discipline intellectuelle particulièrement utile dans les débats où plusieurs explications peuvent absorber presque n’importe quelle observation.

La preuve comme multiplicateur

Nous pouvons désormais résumer le rôle du rapport de vraisemblance en trois étapes.

Le prior indique où nous partons.

Le rapport de vraisemblance indique dans quelle direction et avec quelle force la nouvelle observation doit nous déplacer relativement aux hypothèses comparées.

Le posterior indique où nous arrivons après cette mise à jour.

Cette séparation est l’un des apports conceptuels les plus utiles du raisonnement bayésien. Elle évite de confondre la question « cette preuve est-elle forte ? » avec la question « cette hypothèse est-elle maintenant probable ? ».

Pour voir exactement comment ces deux dimensions se combinent, il existe une forme du théorème de Bayes particulièrement élégante :

odds postérieures = odds antérieures × rapport de vraisemblance.

C’est cette forme que nous allons maintenant examiner.

Pour aller plus loin

  • Royall, R. M. (1997). *Statistical Evidence: A Likelihood Paradigm*. Chapman & Hall. Ouvrage majeur développant la loi de vraisemblance et l’interprétation du rapport de vraisemblance comme mesure du soutien relatif apporté par les données à deux hypothèses.
  • Edwards, A. W. F. (1972). *Likelihood: An Account of the Statistical Concept of Likelihood and Its Application to Scientific Inference*. Cambridge University Press. Une référence historique importante sur la logique de la vraisemblance.
  • Deeks, J. J., & Altman, D. G. (2004). « Diagnostic tests 4: likelihood ratios ». *BMJ*, 329, 168–169. DOI : 10.1136/bmj.329.7458.168. Présentation concise de l’usage des rapports de vraisemblance dans l’interprétation des tests diagnostiques.
  • Joyce, J. M. « Bayes’ Theorem », *Stanford Encyclopedia of Philosophy*. Présentation du rapport de vraisemblance comme mesure de la capacité comparative des hypothèses à prédire les données et de son rôle dans la mise à jour bayésienne.
13 sur 35Retour à la catégorie