Biais cognitif et heuristique informelle décrivant la croyance erronée que de petits échantillons refléteront aussi fidèlement les propriétés de la population sous-jacente que de grands échantillons ; il conduit à surinterpréter des motifs, sous-estimer la variabilité d'échantillonnage et à des généralisations prématurées à partir de données cliniques limitées.

Principe

La variabilité d'échantillonnage est inversement liée à la taille d'échantillon ; les petits échantillons présentent des fluctuations aléatoires plus importantes et sont donc moins fiables pour estimer des paramètres populationnels, mais la loi des petits nombres décrit la tendance humaine à ignorer ceci et à considérer les résultats de petits échantillons comme représentatifs.

Démonstration

Scénario illustratif → Un clinicien observe une réponse prononcée au traitement dans une petite série pilote (n=6) et conclut que la thérapie est efficace ; l'effet observé important est plausiblement dû à une variation aléatoire amplifiée par le faible n plutôt qu'à un véritable effet de grande ampleur dans la population. (Scénario illustratif.)

Mauvaise application

Considérer des résultats bruyants issus de petits essais ou de séries de cas comme des preuves définitives d'efficacité ou de sécurité et prendre des décisions cliniques sans reconnaître la grande incertitude ; l'erreur est de confondre anecdotes ou petits échantillons avec des preuves robustes de population.

Conséquence

La dépendance excessive aux résultats de petits échantillons peut conduire à l'adoption prématurée de pratiques inefficaces ou nocives, au gaspillage de ressources sur de fausses pistes et à une distorsion des priorités scientifiques ; les réponses appropriées comprennent des études plus larges et bien dimensionnées et la quantification explicite de l'incertitude.

Inversion

Si la taille d'effet réelle est énorme par rapport à la variance, de petits échantillons peuvent la détecter de façon fiable ; de même, lorsque des preuves antérieures ou une certitude mécanistique sont fortes, de petites études peuvent être informatives—mais ces cas sont exceptionnels et nécessitent une justification explicite.

Limite

Clairement dans: interprétations basées sur des échantillons cliniques très petits, des séries de cas précoces ou des rapports anecdotiques. Cas limite: études de taille modérée avec haute précision de mesure—les préoccupations liées à la petite taille d'échantillon sont réduites mais pas éliminées. Clairement hors: essais randomisés larges et bien dimensionnés où la variabilité d'échantillonnage est relativement faible.

Tension sémantique

Besoin de preuves précoces versus exigence de fiabilité: le désir d'agir sur des signaux précoces issus de petits échantillons entre en conflit avec la réalité statistique que ces signaux sont souvent instables.

Synthèse

La loi des petits nombres met en lumière une erreur cognitive prévisible : les petits échantillons produisent des estimations volatiles et doivent être traités comme générateurs d'hypothèses plutôt que comme définitifs ; les décisions doivent reposer sur la taille de l'étude, la précision et la reproductibilité plutôt que sur des motifs apparents dans des données limitées.