Document d`orientation sur les méthodes statistiques applicables

Document d`orientation sur les méthodes statistiques applicables
59436_A.qxd:51352_Cover.qxd
2/15/08
5:47 PM
Page 1
SPE 1/RM/46 – Mars 2005
Section de l’élaboration et de l’application des méthodes
Centre de technologie environnementale
Environnement Canada
SÉRIE DE LA
PROTECTION DE
L’ENVIRONNEMENT
Document d’orientation
sur les méthodes statistiques
applicables aux essais d’écotoxicité
Environnement Environment
Canada
Canada
59436_A.qxd:51352_Cover.qxd
2/15/08
5:47 PM
Page 2
SÉRIE DE LA PROTECTION DE L’ENVIRONNEMENT
Exemple de numérotation
SPE
3
HA
1
Numéro de rapport portant l’identification SPE 3/HA
Code de sujet
Catégorie de rapport
Série de la protection de l’environnement
Catégories
Sujets
1
2
3
4
5
6
AG
AN
AP
AT
CC
CE
CI
FA
FP
HA
IC
MA
MM
7
8
9
Règlements/Lignes directrices/Codes de pratiques
Évaluation des problèmes et options de contrôle
Recherche et développement technologique
Revues de la documentation
Inventaires, examens et enquêtes
Évaluations des impacts sociaux, économiques
et environnementaux
Surveillance
Propositions, analyses et énoncés de principes
généraux
Guides
NR
PF
PG
PN
RA
RM
SF
SP
SRM
TS
TX
UP
WP
Agriculture
Technologie anaérobie
Pollution atmosphérique
Toxicité aquatique
Produits chimiques commerciaux
Consommateurs et environnement
Industries chimiques
Activités fédérales
Traitement des aliments
Déchets dangereux
Produits chimiques inorganiques
Pollution marine
Exploitation minière et traitement
des minéraux
Régions nordiques et rurales
Papier et fibres
Production d’électricité
Pétrole et gaz naturel
Réfrigération et conditionnement d’air
Méthodes de référence
Traitement des surfaces
Déversements de pétrole et de produits
chimiques
Méthodes de référence normalisées
Transports
Textiles
Pollution urbaine
Protection et préservation du bois
Des sujets et des codes additionnels sont ajoutés au besoin. On peut obtenir une liste des publications de la Série
de la protection de l’environnement à l’adresse suivante : Services des communications, Environnement Canada,
Ottawa (Ontario) K1A 0H3.
Document d’orientation
sur les méthodes statistiques
applicables aux essais d’écotoxicité
Section de l’élaboration et de l’application des méthodes
Centre de technologie environnementale
Environnement Canada
Ottawa
Rapport SPE 1/RM/46
Mars 2005
ii
Catalogage avant publication (sous la coordination de Bibliothèque et Archives Canada)
Document d’orientation sur les méthodes statistiques applicables aux essais d’écotoxicité /
Section de l’élaboration et de l’application des méthodes, Centre de technologie environnementale,
Environnement Canada
(Rapport ; SPE 1/RM/46)
Comprend un résumé en anglais.
Publié aussi en anglais sous le titre : Guidance Document on Statistical Methods for Environmental Toxicity Tests
Également disponible sur l’Internet.
Méthode d’essai biologique. Cf. l’avant-propos.
Comprend des références bibliographiques : 304 p.
ISBN 0-660-97065-1
No de cat. : En49-7/1-46F
1. Toxicité — Méthodes statistiques.
2. Écotoxicologie — Méthodes statistiques.
3. Toxicologie expérimentale — Méthodes statistiques.
4. Essais biologiques — Méthodes statistiques.
5. Eau — Qualité — Essais biologiques — Méthodes statistiques.
6. Toxicité — Canada — Méthodes statistiques.
I. Canada. Environnement Canada
II. Centre de technologie environnementale (Canada). Section de l’élaboration et de l’application des méthodes
III. Titre : Méthode d’essai biologique.
IV. Coll. : Rapport (Canada. Environnement Canada) SPE 1/RM/46.
QK46.5 S7 B5614 2005
615.9'02'0727
C2005-980198-0
© Sa Majesté du chef du Canada (Environnement Canada) 2005
No de catalogue En49-7/1-46F
ISBN 0-660-97065-1
iii
Commentaires
Adresser les commentaires sur la teneur du présent rapport à :
Richard P. Scroggins
Chef, Division des méthodes biologiques
Centre de technologie environnementale
Environnement Canada
335, River Road
Ottawa
K1A 0H3
This report is also available in English from:
Environmental Protection Publications
Environment Canada
Ottawa (Ontario)
K1A 0H3
Avis de révision
Le présent document a été révisé par le personnel de la Direction générale de l’avancement des technologies
environnementales d’Environnement Canada, et sa publication a été autorisée. La mention d’appellations commerciales
ou de produits offerts sur le marché ne constitue ni une approbation de ces produits ni une recommandation de leur
emploi par Environnement Canada. D’autres produits de valeur semblable existent.
iv
v
Résumé
Le présent document d’orientation étaye et complète les méthodes applicables aux essais de toxicité monospécifiques
publiées par Environnement Canada. Il s’adresse en particulier au nouveau personnel de laboratoire.
Ce document donne des conseils supplémentaires sur l’analyse statistique des résultats des essais d’Environnement
Canada. On y trouvera des observations sur les modes opératoires souhaitables et les pièges courants. Il rappelle
des notions de statistique, mais ce n’est pas une initiation à la statistique. Il ne tente pas non plus d’innover dans
le domaine de l’analyse statistique, bien qu’il attire l’attention sur des méthodes qui sont en cours de développement
et qui semblent prometteuses. Il aborde les méthodes applicables aux essais de toxicité létale et sublétale, en insistant
davantage sur les essais, plus nombreux, en milieu aquatique (colonne d’eau et sédiments).
Outre un glossaire détaillé, le document renferme une section sur les plans d’expérience. Cette section souligne la
nécessité de consulter un statisticien, de choisir les concentrations, de toujours utiliser le logarithme de la
concentration, il insiste sur les divers types de témoins, les toxiques de référence, la randomisation, les répétitions
ainsi que la transformation des données.
Le document expose les essais à concentration unique parmi lesquels on peut choisir, de même que les limites
imposées par le plan d’expérience.
Une section sur les essais de toxicité quantique décrit les méthodes d’estimation des concentrations efficaces et de
leurs limites de confiance ainsi que la conduite à tenir à l’égard des effets observés chez les témoins. Avec de bonnes
données, diverses méthodes d’analyse arrivent à des paramètres de toxicité semblables. On recommande la
régression probit, s’il y a deux effets partiels, de préférence à l’aide de techniques du maximum de vraisemblance.
Le choix s’arrête sur la méthode de Spearman-Kärber avec équeutage limité, s’il n’y a qu’un effet partiel, et sur la
méthode binomiale, si aucun effet n’est partiel et que les effets sont nuls ou totaux. Pour déceler les erreurs, on
devrait tracer la droite à la main. Les courbes de toxicité et les analyses des temps efficaces présentent des
avantages.
Pour les essais quantitatifs, qui portent habituellement sur un effet sublétal, la méthode préférée est une estimation
ponctuelle, par régression, de la concentration inhibitrice (CI). Environnement Canada a récemment exigé comme
premier choix pour l’analyse la régression linéaire et non linéaire (v. le § 6.5.8). Cette analyse remplace l’estimation
de la CI par lissage et interpolation (programme ICPIN) qui était couramment utilisée. Le test d’hypothèse visant
à déterminer une concentration « sans effet observé » est exposé en détail en raison de son utilisation si fréquente.
Cette méthode est beaucoup moins souhaitable que les estimations ponctuelles, et son utilisation est en recul.
Dans les essais de mesure d’un double effet, la corrélation entre les deux effets et leurs différentes distributions
statistiques créent de graves problèmes d’analyse. L’approche la plus opportune consiste à séparer l’analyse de
l’effet quantitatif (habituellement sublétal) de celle de l’effet quantique (habituellement létal). Une autre façon, que
l’on peut justifier écologiquement, consiste à combiner les deux effets dans une analyse de la biomasse. D’habitude,
cela donne un effet plus marqué.
Les notions de statistique comprennent une discussion des difficultés engendrées par l’habituelle estimation
« inversée » des paramètres de toxicité et de leurs limites de confiance. On décrit des méthodes restreintes permettant
de tester les différences significatives entre deux et plusieurs paramètres de toxicité et la conduite à tenir à l’égard
des observations aberrantes. On donne des conseils sur l’interprétation d’autres relations dose-effet aberrantes.
vi
Abstract
This guidance document supports and supplements the methods for single-species toxicity
tests, published by Environment Canada. In particular, it is intended for new laboratory
personnel.
This document provides additional guidance for statistical analysis of results from
Environment Canada tests. It comments on desirable procedures and common pitfalls.
Some statistical background is covered, but this document does not teach basic statistics.
Nor does it attempt to break new ground in statistical analysis, although it points to methods
that are under development and seem promising for future use. This document covers
methods for lethal and sublethal tests, with most emphasis on the more numerous aquatic
tests (water-column and sediment).
A detailed glossary is provided. A design chapter emphasizes the need for consultation with
a statistician, choice of concentrations, staying with logarithm of dose, the various types of
controls, reference toxicants, randomization, replication, and transformation of data.
Choices among single-concentration tests are outlined, and the limitations imposed by
design.
A section on quantal tests outlines methods for estimating effective concentrations (ECp) and
confidence limits, and dealing with control effects. Various analytical methods provide
similar endpoints for good data. Probit regression is recommended if there are two partial
effects, preferably by maximum likelihood techniques. The Spearman-Kärber method with
limited trimming is the choice if there is only one partial effect, and the binomial method if
only zero and complete effects are available. A line should be plotted by hand to check for
errors. Toxicity curves and analyses of effective times are beneficial.
For quantitative tests, which are usually sublethal, a point-estimate of the inhibition
concentration (ICp) by regression is the most favoured method. Environment Canada has
recently required linear and nonlinear regression as the first choice for analysis (Section
6.5.8). That analysis replaces the estimation of ICp by smoothing and interpolation (the
ICPIN program) which has been commonly used. Hypothesis testing to determine a “noobserved-effect” concentration (NOEC) is outlined in detail because it has been used so
frequently; this approach is much less desirable than point-estimates, and its use is
decreasing.
In dual-effect tests, the correlation between the two effects, and their different statistical
distributions, creates severe analytical problems. The most expedient approach is to
separate the analysis of the quantitative component (usually sublethal) from the analysis of
the quantal effect (usually lethal). An alternative approach that can sometimes be justified
on ecological grounds is to combine the two effects into a “biomass” analysis, an approach
that usually produces a more pronounced effect.
The statistical background includes discussion of difficulties caused by the customary
“inverse” estimation of endpoints and confidence limits. Limited methods are described for
testing significant differences between and among endpoints, and dealing with outliers.
Advice is given for interpreting other deviant dose-effect relationships.
vii
Avant-propos
Le présent document est publié dans la collection des guides d’Environnement Canada (EC) qui
portent sur les méthodes recommandées ou normalisées d’essai biologique. Pour les essais dont
il est question, on utilise une seule espèce aquatique ou terrestre et on se place dans les
conditions contrôlées du laboratoire pour mesurer les effets toxiques d’échantillons de matières
choisies. Les méthodes recommandées ont été évaluées par Environnement Canada et elles sont
privilégiées dans les cas suivants :
• pour être utilisées dans les laboratoires d’Environnement Canada dans des essais
d’écotoxicité ;
• pour les essais impartis par Environnement Canada ou demandés par des organismes de
l’extérieur ou l’industrie ;
• pour inspirer des directives très explicites qui pourrait être formulées dans une méthode de
référence ou une méthode réglementaire normalisée.
Les différents types d’essais traités dans la collection se sont révélés convenir aux besoins des
programmes de gestion et de protection de l’environnement exécutés par Environnement
Canada. Les descriptions des méthodes d’essai visent à orienter et à faciliter l’emploi de modes
opératoires cohérents, appropriés et complets pour l’obtention de données sur la toxicité pour
les organismes aquatiques et terrestres. Les essais visent à permettre l’évaluation de matières
simples ou complexes, destinées à être rejetées dans l’environnement ou qui sont déjà présentes
dans un milieu donné tel que les sédiments.
Dans l’annexe A, on énumère les méthodes d’essai biologique génériques (universelles),
polyvalentes, les méthodes de référence normalisées et les guides à l’appui, qui ont été publiés
jusqu’à présent. Ces méthodes et guides, produits par la Section de l’élaboration et de
l’application des méthodes d’Environnement Canada, à Ottawa, peuvent être obtenues de
Publications de la Protection de l’environnement, Environnement Canada, Ottawa, K1A 0H3,
Canada. Les conseils figurant dans les documents sont partagés et appliqués par conjointement
par les bureaux régionaux et l’administration centrale d’Environnement Canada, dont les
coordonnées se trouvent dans l’annexe C.
viii
ix
Table des matières
Résumé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . v
Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vi
Avant-propos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vii
Liste des tableaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xiv
Liste des figures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xiv
Abréviations et symboles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xvi
Glossaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xvii
Remerciements . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . xli
Section 1
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.1
Buts et objectifs du document . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2
Mode d’emploi du document . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3
Principales catégories d’essais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1
1
2
3
Section 2
Planification générale et analyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.1
Participation d’un statisticien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2
Sélection des concentrations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2.1 Influences contraires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2.2 Types particuliers d’essais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.3
Logarithmes de la concentration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.3.1 Constance dans l’emploi des logarithmes . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3.2 Logarithmes et programmes informatiques . . . . . . . . . . . . . . . . . . . . . . . 11
2.3.3 Calculs ultérieurs avec des logarithmes . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3.4 Cela importe-t-il ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3.5 Familiarisation et techniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.3.6 Logarithme du temps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3.7 Logarithme de l’effet ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.4
Randomisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.5
Répétitions et nombre d’organismes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.5.1 Terminologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.5.2 Répétition dans les diverses sortes d’essais . . . . . . . . . . . . . . . . . . . . . . . 18
2.5.3 Relations avec l’échantillonnage sur le terrain . . . . . . . . . . . . . . . . . . . . . 20
2.6
Pondération . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.7
Témoins . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.7.1 Témoins ordinaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.7.2 Témoins du solvant . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.7.3 Témoins de la salinité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.7.4 Sédiments et sols témoins et de référence . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.8
Toxiques de référence et cartes de contrôle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.8.1 Variation raisonnable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.9
Transformation des données sur l’effet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.9.1 Utilisation en régression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.9.2 Utilisation pour le test d’hypothèse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.9.3 Transformations particulières . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
Section 3
Essais à concentration unique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
x
3.1
Effets quantiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.1.1 Un seul échantillon sans répétition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.1.2 Répétition au même emplacement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.1.3 Lieux de prélèvement d’échantillons multiples . . . . . . . . . . . . . . . . . . . . .
Effets quantitatifs à un endroit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Essais quantitatifs sur échantillons provenant de plusieurs endroits . . . . . . . . . . . .
3.3.1 Tests paramétriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.3.2 Tests non paramétriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
34
34
36
36
37
38
39
39
Section 4
Essais quantiques pour estimer la CE p . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.1
Les paramètres de toxicité estimés au moyen d’essais quantiques . . . . . . . . . . . . .
4.2
Marche à suivre pour toutes les méthodes d’estimation d’une CE p . . . . . . . . . . . .
4.2.2 Transformation log-probit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2.3 Estimation de la CE 50 à l’aide d’un graphique tracé à la main . . . . . . . .
4.2.4 Effets chez les organismes témoins . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2.5 Limites de confiance de la CE p . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2.6 CE 20 ou autres concentrations que la CE 50 . . . . . . . . . . . . . . . . . . . . .
4.3
Choix de méthodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.4
Comparaison des estimations par diverses méthodes . . . . . . . . . . . . . . . . . . . . . . .
4.4.1 Estimations faites à l’aide de « bonnes » données . . . . . . . . . . . . . . . . . . .
4.4.2 Estimations avec des données comportant peu d’effets partiels . . . . . . . . .
4.5
Examen des méthodes statistiques d’estimation des CE p . . . . . . . . . . . . . . . . . . .
4.5.1 Régressions probit et logit en général . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.5.2 Autres transformations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.5.3 Régression probit classique informatisée . . . . . . . . . . . . . . . . . . . . . . . . .
4.5.4 Évaluation de l’ajustement avec le khi-deux . . . . . . . . . . . . . . . . . . . . . . .
4.5.5 Estimations du maximum de vraisemblance . . . . . . . . . . . . . . . . . . . . . . .
4.5.6 Méthode de Spearman-Kärber . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.5.7 Méthode binomiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.5.8 Méthode graphique de Litchfield-Wilcoxon . . . . . . . . . . . . . . . . . . . . . . .
4.5.9 Interpolation linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.5.10 Méthode de la moyenne mobile . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.6
Évaluation de nouveaux programmes informatiques . . . . . . . . . . . . . . . . . . . . . . .
4.7
Méthodes non linéaires et autres méthodes possibles de l’avenir . . . . . . . . . . . . . .
41
43
44
46
46
49
54
57
58
60
61
65
66
69
70
70
72
72
73
75
76
77
77
78
79
Section 5
Temps efficaces, courbes de toxicité et analyse de la survie . . . . . . . . . . . . . . . . . . . . . .
5.1 Temps efficaces 50 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2
Courbes de toxicité et seuils d’effet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.3
Modélisation des temps efficaces et courbes de toxicité . . . . . . . . . . . . . .
5.4
Analyses de la survie au fil du temps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.4.1 Taux de mortalité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.4.2 Analyse de la survie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.4.3 Mesures répétées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
80
80
83
87
88
88
88
89
Section 6
Estimations ponctuelles pour les essais quantitatifs de toxicité sublétale . . . . . . . . . . . .
6.1
Généralités sur les essais de toxicité sublétale . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.1.1 Types de tests et de paramètres de toxicité . . . . . . . . . . . . . . . . . . . . . . . .
6.2
Rudiments des estimations ponctuelles de paramètres de toxicité sublétale . . . . . .
6.2.1 Terminologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
90
90
90
93
95
3.2
3.3
xi
6.3
6.4
6.5
6.6
6.2.2 Avantages des estimations ponctuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
6.2.3 Répétitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
6.2.4 Choix du degré d’effet pour le paramètre de toxicité . . . . . . . . . . . . . . . . 96
6.2.5 Sélection de la variable biologique comme paramètre de toxicité . . . . . . . 97
Étapes générales de l’estimation d’un paramètre de toxicité sublétale . . . . . . . . . . 98
6.3.1 Tracé des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
6.3.2 Choix de la méthode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
Lissage et interpolation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
6.4.1 Critique générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
6.4.2 Étapes de l’analyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
6.4.3 Le programme informatique ICPIN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
Estimations ponctuelles par régression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
6.5.1 Le b.a.-ba de la régression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
6.5.2 Notions sur les modèles linéaires, non linéaires, linéaires généraux (GLM) et
linéaires généralisés (GLIM) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
6.5.3 Régression linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
6.5.4 Aspects généraux des régressions non linéaires . . . . . . . . . . . . . . . . . . . . 104
6.5.5 Choix d’un modèle de régression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
6.5.6 Adéquation et ajustement . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
6.5.7 Exemples récents de régressions non linéaires . . . . . . . . . . . . . . . . . . . . . 108
6.5.8 La méthode de régression d’Environnement Canada . . . . . . . . . . . . . . . . . 109
6.5.9 Un nouveau programme de régression : Newtox-Logstat . . . . . . . . . . . . . 114
6.5.10 Modèles linéaires généraux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
6.5.11 Modèles linéaires généralisés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
6.5.12 Reparamétrage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
6.5.13 Autres exemples de tentatives de régression . . . . . . . . . . . . . . . . . . . . . . . 118
Seuils estimés par régression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
6.6.1 Seuils estimés par le modèle en bâton de hockey . . . . . . . . . . . . . . . . . . . 119
6.6.2 Estimation de la concentration sans effet par régression . . . . . . . . . . . . . . 119
Section 7
Tests d’hypothèse(s) pour déterminer la concentration sans effet observé (CSEO) et la
concentration avec effet minimal observé (CEMO) . . . . . . . . . . . . . . . . . . . . . . 122
7.1 Pertinence générale pour les essais d’écotoxicité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
7.1.1 Essais à concentration unique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
7.1.2 Essais à plusieurs concentrations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
7.1.3 Expression des résultats sous forme de seuil . . . . . . . . . . . . . . . . . . . . . . 124
7.2
Particularités du plan d’expérience dans le test d’hypothèse(s) . . . . . . . . . . . . . . . 124
7.2.1 Répétitions et unités expérimentales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
7.2.2 Erreurs á et â . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
7.2.3 Puissance d’un essai de toxicité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
7.2.4 Différence significative minimale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
7.2.5 Bioéquivalence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
7.2.6 Emploi des techniques sur les données quantiques . . . . . . . . . . . . . . . . . . 129
7.3
Préparatifs du test par analyse de variance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
7.3.1 Tests de normalité et de comparaison de variances . . . . . . . . . . . . . . . . . . 130
7.3.2 Décisions après le test de distribution données . . . . . . . . . . . . . . . . . . . . . 132
7.4
Analyse de variance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
7.5
Tests de comparaisons multiples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
7.5.1 Tests paramétriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
7.5.2 Tests non paramétriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
xii
Section 8
Essais de mesure d’un double effet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
8.1
L’effet quantique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
8.2
La « croissance » en tant qu’effet sublétal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
8.2.1 Options de mesure . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
8.2.2 Aspects conceptuels des options . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
8.2.3 Aspects statistiques des options . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
8.3
Le nombre de descendants en tant qu’effet sublétal . . . . . . . . . . . . . . . . . . . . . . . . 142
8.3.1 Interrelation entre la mortalité et la reproduction . . . . . . . . . . . . . . . . . . . 143
8.3.2 Analyse séparée de la reproduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
8.4
Résumé et recommandations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
Section 9
Quelques concepts et outils de statistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
9.1
Distributions normales et binomiales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
9.1.1 Courbes normales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
9.1.2 Distributions binomiales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
9.2
Échantillons et populations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
9.3
Signification statistique par opposition à signification biologique . . . . . . . . . . . . . 149
9.4
Régression inverse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
9.5
Différences significatives entre les CE 50 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
9.5.1 Paires de CE 50 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
9.5.2 Comparaison de CE 50 multiples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
9.6
Différences significatives entre les CI p . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
9.6.1 Paires de concentrations inhibitrices (CI p) . . . . . . . . . . . . . . . . . . . . . . . 156
9.6.2 Comparaison de CI p multiples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
Section 10
Quand les résultats sont « difficiles » . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
10.1
Variabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
10.2
Observations aberrantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
10.2.1 Vérification des erreurs et des modes opératoires . . . . . . . . . . . . . . . . . . . 159
10.2.2 Modèles de rechange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
10.2.3 Critères applicables aux observations aberrantes . . . . . . . . . . . . . . . . . . 160
10.2.4 Interventions à signaler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
10.3
L’hormèse — stimulation à faibles concentrations . . . . . . . . . . . . . . . . . . . . . . . . 163
10.3.1 Les difficultés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
10.3.2 Prise en considération des effets hormétiques dans la régression . . . . . . . . 166
10.3.3 Options face à l’hormèse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
10.4
Relations concentration-effet déviantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
10.5
Interactions du mode opératoire sur les résultats . . . . . . . . . . . . . . . . . . . . . . . . . . 174
Références . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
Annexe A
Méthodes d’essai biologique et guides à l’appui, publiés par la Section de l’élaboration et de
l’application des méthodes d’Environnement Canada . . . . . . . . . . . . . . . . . A-188
Annexe B
Composition du Groupe intergouvernemental sur l’écotoxicité (en janvier 2004) . . B-190
xiii
Annexe C
Administration centrale et bureaux régionaux d’Environnement Canada . . . . . . . . C-192
Annexe D
Calculs employant des concentrations arithmétiques et logarithmiques . . . . . . . . . . D-193
Annexe E
La randomisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . E-195
Annexe F
Calcul de la moyenne et des limites sur une carte de contrôle . . . . . . . . . . . . . . . . . . F-199
Annexe G
Tests s’appliquant aux résultats d’essai à concentration unique, sans répétition . . . G-203
Annexe H
Explication de la notion de probit et de la transformation log-probit . . . . . . . . . . . . H-207
Annexe I
Papier log-probabilité (ou log-probit) vierge . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . I-211
Annexe J
Avantages et explication des logits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . J-213
Annexe K
La méthode de Spearman-Kärber . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . K-216
Annexe L
Renseignements de base sur d’autres méthodes applicables aux données quantiques
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . L-221
Annexe M
Méthodes non linéaires et méthodes du noyau applicables aux données quantiques
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . M-223
Annexe N
Estimations ponctuelles applicables aux données quantitatives par lissage et interpolation
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . N-225
Annexe O
Estimation des CI p par régression linéaire et non linéaire . . . . . . . . . . . . . . . . . . . . O-229
Annexe P
Test d’hypothèse(s) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . P-245
Annexe Q
Différences statistiques entre les CE 50 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Q-260
Annexe R
Médiane et quartiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . R-262
xiv
Liste des tableaux
1. — Exemples de corrections apportées par la formule d’Abbott à divers effets observés chez
les témoins dans un essai de toxicité quantique. . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2. — Quatre exemples d’ensembles de données quantiques pour des essais de toxicité aiguë.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3. — Quatre exemples d’ensembles de données quantiques avec quelques effets partiels. . 67
4. — Types d’erreur dans les tests d’hypothèses et probabilités associées . . . . . . . . . . . . 125
5. — Différences significatives minimales (DSM) recommandées par l’USEPA pour des effets
sublétaux manifestés dans certains essais de toxicité . . . . . . . . . . . . . . . . . . . . . . . 129
Liste des figures
1. — Organigramme des principales catégories d’essais d’écotoxicité traitées dans le présent
document. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2. — Carte de contrôle pour les essais avec un toxique de référence. . . . . . . . . . . . . . . . . 28
3. — Organigramme des méthodes statistiques applicables aux résultats de diverses catégories
d’essais à concentration unique. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4. — Organigramme des méthodes d’analyse s’appliquant aux résultats des essais quantiques.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5. — Ajustement des droites des probits à vue d’œil à des ensembles représentatifs de données.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
6. — Résultats des corrections apportées au moyen de la formule d’Abbott aux résultats d’un
essai quantique, pour tenir compte de l’effet observé chez les témoins. . . . . . . . . . . 53
7. — Élargissement de l’intervalle de confiance des concentrations efficaces autres que la CE
50. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
8. — Aspect graphique des régressions probit correspondant aux exemples A à D du tableau 2.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
9. — Graphiques de données quantiques comportant quelques effets partiels (tableau 3). 68
10. — Démonstration graphique des transformations en probits et en logits . . . . . . . . . . . 71
11. — Mortalité, en fonction du temps, de l’omble de fontaine exposée à de faibles concentrations
d’oxygène dissous . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
12. — Temps d’effet médian chez le saumon de l’Atlantique exposé au cuivre et au zinc . 82
13. — Courbes de toxicité de deux toxiques hypothétiques. . . . . . . . . . . . . . . . . . . . . . . . 85
14. — Inadaptation de la courbe de toxicité sur un graphique employant des échelles
arithmétiques. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
15. — Organigramme de l’analyse des résultats des essais de toxicité quantitatifs à plusieurs
concentrations. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
16. — Organigramme général de la sélection du modèle le plus approprié et de l’analyse
statistique des données sur la toxicité quantitative . . . . . . . . . . . . . . . . . . . . . . . . . 112
17. — Effet du cadmium sur l’inhibition de la croissance des frondes chez Lemna minor
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
18. — Exemples de régression en bâton de hockey . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
19. — Organigramme des analyses statistiques pour les tests d’hypothèses dans les essais de
toxicité. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
xv
20. — Distributions normales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
21. — Distributions binomiales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
22. — Exemples d’observations peut-être aberrantes dans des essais de mesure de la croissance,
au 7e jour, de larves de têtes-de-boule. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 162
23. — Exemple de stimulation à faible concentration. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
24. — Exemple de bonne relation linéaire entre la concentration et l’effet. . . . . . . . . . . . . 168
25. — Autre exemple d’une bonne relation entre la concentration et l’effet. . . . . . . . . . . . . 169
26. — Relation à pente raide entre le poids des larves de têtes-de-boule et les concentrations d’un
effluent auxquelles elles sont exposées. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
27. — Absence d’effet aux fortes concentrations avec anomalie à une concentration intermédiaire.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
28. — Absence d’effet, apparemment anormale, à une concentration intermédiaire. . . . . . . 172
29. — Effet apparemment petit, mais variant à peine en fonction de la concentration. . . . . 173
30. — Exemple de performances améliorées en fonction de la concentration. . . . . . . . . . . 174
31. — Résultats d’un essai ne montrant que de grands effets. . . . . . . . . . . . . . . . . . . . . . . 175
xvi
Abréviations et symboles
á
â
ó
Ó
÷, ÷2
ACLAE
APHA
ASTM
BPL
C. V.
CCMRE
CE 50
CEMO
CE p
CESO
CI
CI p
CL 50
Comp.
CSEO
DSM
EC
alpha (lettre grecque)
bêta (lettre grecque)
écart type de la population
sigma majuscule (lettre grecque)
khi (lettre grecque), khi-deux
Association canadienne des
laboratoires d’analyse
environnementale
American Public Health Association
American Society for Testing and
Materials
bonnes pratiques de laboratoire
coefficient de variation
Conseil canadien des ministres des
ressources et de l’environnement
concentration efficace pour 50 % des
individus, concentration efficace 50
concentration avec effet minimal
observé
concentration efficace pour p %
d’individus
concentration avec effet de seuil
observé
concentration inhibitrice
concentration inhibitrice provoquant
une diminution de p % des
performances des sujets par rapport
à celles du témoin
concentration létale médiane,
concentration létale 50
comparer
concentration sans effet observé
différence significative minimale
Environnement Canada
EMV
g
GLIM
GLM
h
ISO
j
kg
L
mg
OCDE
par ex.
ppds
R2
s
s
S.-K.
s2
SPE
Syn.
s0
USEPA
V.
‰
§
estimation du maximum de
vraisemblance
gramme
modèle linéaire généralisé
modèle linéaire général
heure
Organisation internationale de
normalisation
jour
kilogramme
litre
milligramme
Organisation de coopération et de
développement économiques
par exemple
test de la plus petite différence
significative de R.A. Fisher
coefficient de détermination
seconde
écart type (de l’échantillon)
méthode de Spearman-Kärber
d’analyse applicable aux essais de
toxicité quantique
variance
Service de la protection de
l’environnement
synonyme
erreur type
Agence de protection de
l’environnement des États-Unis
voir
pour mille, millième
paragraphe
xvii
Glossaire
Toutes les définitions ci-après s’inscrivent dans le contexte du présent rapport. Elles pourraient ne pas être adaptées
à d’autres contextes. Dans une définition, les mots ou expressions en italique sont l’objet d’une définition séparée. Dans
certains cas, l’italique sert à attirer l’attention du lecteur.
Verbes auxiliaires
L’auxiliaire doit (doivent) exprime l’obligation absolue.
L’auxiliaire devrait (devraient) et le conditionnel d’obligation (il faudrait) expriment une recommandation ou la
nécessité de respecter, dans la mesure du possible, la condition ou la marche à suivre.
L’auxiliaire peut (peuvent) exprime l’autorisation ou la capacité d’accomplir une action.
L’auxiliaire pourrait (pourraient) indique la possibilité ou l’éventualité.
Termes techniques
à renouvellement continu, Se dit d’un essai dans lequel on renouvelle continuellement la solution du milieu expérimental
par l’apport constant ou intermittent, mais fréquent, de solutions fraîches.
à renouvellement intermittent, Se dit d’un essai de toxicité en milieu aquatique pendant lequel on renouvelle
périodiquement la solution, habituellement au début de chaque période de 24 h. (Syn. à renouvellement périodique.)
aberrant, se dit d’une observation extrême, d’une mesure qui ne semble pas cadrer avec les autres résultats d’un essai.
aigu, Qui se manifeste dans une courte période (en secondes, en minutes, en heures ou en quelques jours), relativement
à la longévité de l’organisme exposé.
ajout dosé (V. enrichissement.)
algorithme, Suite ordonnée de procédures permettant la résolution d’un problème. Ensemble de règles pour résoudre
un problème. De façon générale, le mot a désigné, par le passé, des systèmes arithmétiques. Aujourd’hui, on l’emploie
surtout dans le contexte de la résolution de problèmes mathématiques avec un ordinateur.
alpha (á), Seuil de signification fixé par l’expérimentateur, d’habitude à 0,05, soit la probabilité de 1/20, ce qui signifie
qu’une différence de l’amplitude observée d’un phénomène pourrait, par l’effet du hasard, survenir dans de tels
ensembles de données une fois sur 20. á est utilisé en analyse statistique, par ex. en régression linéaire, où il
symbolise l’ordonnée à l’origine, et dans d’autres domaines. Le contexte aidant, ces autres utilisations se passent
d’explications. (Voir seuil de signification et erreur á.)
ambiant, Qui entoure, qui environne, comme dans l’exemple suivant : « Les concentrations ambiantes en milieu de
travail étaient de x... », ce qui signifie les concentrations dans l’air. Récemment, on a observé un usage souvent abusif
du mot (comme dans « l’environnement ambiant »), et le meilleur remède consiste à ne pas l’employer.
xviii
analyse de covariance (ANCOVA), Technique d’évaluation des données obtenues par un plan d’expérience, dont les
variables indépendantes sont tant continues que discrètes. On estime les différences significatives de la variable à
laquelle on s’intéresse le plus en maintenant statistiquement l’autre variable constante. Un exemple pourrait être une
régression simultanée du taux de survie (l’effet) sur la concentration de toxique (la variable continue), chez deux
espèces de daphnies (la variable discrète). Si on s’intéresse avant tout à la relation entre l’effet et la concentration,
on pourrait se servir de l’analyse de covariance pour l’estimer, en maintenant constant l’effet de l’espèce.
analyse de variance (ANOVA), Technique mathématique visant à déterminer méthodiquement s’il existe une différence
significative entre les moyennes ou les variances d’échantillons découlant de différents traitements. Les traitements
communs seraient l’exposition à différentes concentrations de toxique, y compris un témoin, ou l’emplacement dans
différentes parties d’un panache d’effluent, par ex. la partie témoin, la partie proche de la zone de rejet et la partie
éloignée. En analyse de variance, les variations d’arrière-plan entre les échantillons servent à affirmer s’il existe ou
non des différences globales entre les traitements, mais elles ne permettent pas de dire lequel ou lesquels diffèrent des
autres. En conséquence, on utilise souvent l’analyse de variance avant le test de comparaisons multiples. (V. le § 7.4.)
analyse non paramétrique, technique statistique ne présupposant pas une distribution sous-jacente des données. Elle
n’emploie pas les paramètres (tels que la moyenne et la variance) de la population d’où les échantillons sont tirés.
Le test non paramétrique tire des conclusions de la population, mais non des paramètres de la population. (V. analyse
paramétrique.)
analyse paramétrique, Méthode de biostatistique tenant compte des paramètres de la population d’où les échantillons
ont été tirés. D’habitude cela signifie que si on compare deux collections d’échantillons, les deux populations dont
elles proviennent doivent suivre une loi normale et avoir des variances égales. Les échantillons analysés doivent
posséder les mêmes caractéristiques que celles que l’on attribue par hypothèse à la population. (V. analyse non
paramétrique.)
ANCOVA, (V. analyse de covariance.)
ANOVA (V. analyse de variance.)
assurance qualité (AQ, assurance de la qualité), Programme appliqué à l’intérieur d’un laboratoire pour que les
travaux scientifiques et techniques arrivent à des résultats précis et exacts. Comprend la sélection des bonnes marches
à suivre, la collecte des échantillons, le choix des limites, l’évaluation des données, la maîtrise de la qualité, ainsi
que les compétences et la formation du personnel.
asymétrie, Défaut de symétrie de la courbe de fréquence d’une distribution de données. La courbe normale classique
est symétrique, c’est-à-dire que ses branches de gauche et de droite sont les images inversées l’une de l’autre par
rapport à la moyenne et que la médiane se confond avec la moyenne. Dans une courbe asymétrique à droite, la
branche de droite est étirée, et la moyenne est supérieure à la médiane. Si on trace la courbe cumulative, on remarque
que sa partie supérieure s’étire vers la droite en formant une courbe large. (V. le § 9.1 et l’annexe H.1.)
asymptotique (V. seuil.)
bêta (â), Probabilité de commettre une erreur bêta (conclure à un « faux négatif », c’est-à-dire à l’absence de différence
significative quand il en existe effectivement une). Il existe une relation entre â et la puissance d’un test. â symbolise
également un paramètre de population dans la formule de régression, dans laquelle il représente la pente. (V. erreur
bêta et régression linéaire.)
biais, Erreur systématique entraînant une différence prévisible entre les estimations et leur valeur vraie (mais inconnue).
xix
Par exemple, une piètre qualité de l’eau pourrait influer sur (biaiser) les résultats d’essais de toxicité en faisant croire
à une toxicité apparente plus grande. (V. exactitude et précision.)
binaire, Équivalent à quantique. Une information binaire est en tout ou rien ; une observation faite sur une unité
expérimentale individuelle doit prendre l’une de deux valeurs possibles. Une semence germe ou ne germe pas, etc.
bloc, Sous-ensemble (ou totalité) des traitements auxquels sont soumis les sujets de l’expérience. Chaque bloc est
soumis aux mêmes traitements. Par exemple, un ensemble d’essais effectués dans un phytotron pourrait représenter
un bloc, dans le dessein d’éliminer une cause de variabilité, à savoir la possibilité d’existence de différentes conditions
accessoires dans l’ensemble d’essais, par suite des conditions existant dans différentes enceintes. Dans les essais de
toxicité d’Environnement Canada, on insiste peu sur la constitution de blocs, parce que les modes opératoires des
essais sont rigoureusement décrits, c’est-à-dire que l’on insiste sur la réduction des variations provenant de l’extérieur
grâce à un plan d’expérience et à la maîtrise de l’appareillage et de la préparation des essais. (V. répétition.)
bonnes pratiques de laboratoire (BPL), Ensemble de normes régissant le plan d’expérience, la collecte des données
et la conduite des études scientifiques et techniques dans le laboratoire. Le Conseil canadien des normes et
Environnement Canada (EC) se sont dotés de programmes de BPL. Des normes sont également publiées par l’OCDE
et l’USEPA.
carte de contrôle, Graphique de l’évolution des paramètres de toxicité d’un toxique de référence. La date de l’essai
se trouve sur l’axe horizontal, tandis que sur l’axe logarithmique vertical on porte la concentration à laquelle l’effet
est observé.
CE 50 (concentration efficace médiane, concentration efficace à 50 %, concentration efficace 50), Concentration de
matière dans l’eau (par ex. en mg/L), un sol ou un sédiment (par ex. en mg/kg) que l’on estime causer un effet toxique
spécifié chez 50 % des organismes en expérience. Dans la plupart des cas, la CE 50 et ses limites de confiance à 95 %
résultent de l’analyse statistique des pourcentages d’organismes présentant l’effet spécifié à diverses concentrations
expérimentales, après une période fixe d’exposition. La durée d’exposition doit être précisée (par ex. CE 50 après
72 h). La CE 50 décrit des effets quantiques, létaux ou sublétaux et elle ne s’applique pas aux effets quantitatifs (V.
CI p). On pourrait utiliser d’autres pourcentages que 50 % (V. CE p).
CE p, Cette notion ne diffère de celle de CE 50 que par la valeur de p, qui peut représenter tout pourcentage et qu’il
faut préciser pour tout essai ou toute circonstance particulière. Des chercheurs et des organismes, particulièrement
européens et internationaux, ont confondu CE p et CI p, mais il importe de continuer à distinguer ces notions.
CEMO (concentration avec effet minimal observé), La plus faible des concentrations de matière ayant un effet différent
de l’effet observé chez les témoins, d’après les tests d’analyse statistique. (V. CSEO, la concentration sans effet
observé.) [O ne signifie pas « observable », comme on l’écrit souvent à tort. La CEMO correspond à un effet que
l’expérimentateur a effectivement observé. Un effet à une concentration inférieure pourrait avoir été observable, si
on avait pu disposer d’une expérience plus puissante, si on avait consacré plus de temps à l’examen des organismes,
si le microscope avait été plus puissant, etc. On ne devrait pas non plus intégrer le qualificatif « nocif » à l’expression
qualifiant la concentration (concentration sans effet nocif observé ou CSENO). On devrait laisser à l’expérimentateur
la possibilité de qualifier l’effet, sans imposer une définition extérieure de « nocif ».]
CESO (concentration avec effet de seuil observé), Valeur située quelque part entre la concentration sans effet observé
(CSEO) et la concentration avec effet minimal observé (CEMO), étant la moyenne géométrique de ces deux
concentrations. Elle présente l’avantage de remplacer ces deux estimations par une seule.
chronique, Qui survient pendant une période relativement longue d’exposition, qui représente habituellement une
xx
proportion importante de la longévité de l’organisme, par ex. 10 % ou plus. En écotoxicologie, le mot s’est galvaudé,
pour signifier sublétal ou, parfois, couvrant le cycle vital, mais cela ne devrait pas être. On devrait conserver à cet
adjectif le sens qu’on lui attribue dans les autres domaines de la toxicologie, et, dans les autres situations, on devrait
employer la terminologie convenable (sublétal, etc.).
CI p (concentration inhibitrice p, concentration inhibitrice à tant pour cent), Concentration correspondant à un
pourcentage (désigné par p) d’effet. C’est une estimation ponctuelle de la concentration de la matière à l’étude, que
l’on estime causer un pourcentage désigné d’inhibition d’une fonction biologique quantitative telle que la taille atteinte
par les organismes au bout d’une période de croissance. Par exemple, la CI 25 du poids des organismes serait la
concentration que l’on estime réduire le poids sec des organismes de 25 % par rapport au poids atteint par les
organismes témoins. On devrait utiliser l’expression pour tout essai toxicologique permettant de mesurer un effet
quantitatif ou une modification quantitative telle que la taille, le rendement de la reproduction ou la respiration. Pour
ces essais quantitatifs, l’expression « CE 50 » (V. cette expression) ne convient pas. On peut estimer la CI p par
régression ou, si nécessaire, par la méthode de lissage et d’interpolation à l’aide du programme informatique ICPIN.
CL 50 (concentration létale médiane, concentration létale 50 %, concentration létale, concentration létale 50),
Concentration de matière dans l’eau, le sol ou un sédiment, que l’on estime mortelle pour la moitié des organismes
en expérience. La CL 50 et ses limites de confiance à 95 % se calculent habituellement par l’analyse statistique des
pourcentages de mortalités observés à plusieurs concentrations, après une période fixe d’exposition, qu’il faut préciser
(par ex. CL 50 après 48 h). On pourrait spécifier d’autres taux de mortalité, par ex. la CL 20.
CMAT (concentration maximale acceptable de toxique), Notion définie, de manière diverse et discordante, mais
actuellement considérée, de façon générale, comme synonyme de concentration avec effet de seuil observé (CESO),
cette dernière expression étant celle que nous recommandons ici.
codage, Transformation des mesures originelles en nombres ou en symboles favorisant l’analyse ultérieure. On peut,
pour cela, utiliser une simple opération arithmétique pour obtenir des valeurs plus maniables. Par exemple, on
pourrait soustraire 840 de chaque élément de la série 842, 846, 849, 845..., ce qui donnerait, respectivement, 2, 6,
9, 5... Dans cet exemple, la moyenne calculée serait également inférieure de 840 à celle des données originelles. Par
codage, on pourrait aussi représenter des catégories, par ex. en attribuant le code 1 aux femelles et le code 2 aux
mâles.
coefficient de corrélation, À proprement parler, coefficient de corrélation multiple. (V. R.)
coefficient de corrélation multiple (V. R.)
coefficient de détermination (V. R2 .)
coefficient de détermination multiple (V. R2 .)
coefficient de variation (C.V.), Quotient de l’écart type divisé par la moyenne, d’habitude exprimé en pourcentage.
colinéarité, Corrélation entre des variables indépendantes. multicolinéarité possède la même signification. Si deux
variables indépendantes ou explicatives sont fortement corrélées, la deuxième ajoute peu à l’explication de l’effet.
Une colinéarité forte peut gonfler la variance des coefficients de régression partielle. Une colinéarité très forte peut
empêcher l’inversion de la matrice dont on a besoin pour l’estimation de paramètres. On pourrait déceler la colinéarité
comme suit, selon le cas : (1) création d’une matrice de corrélation des variables indépendantes et examen de cette
matrice pour y déceler les corrélations fortes ; (2) examen des signes et de la grandeur des coefficients de régression,
pour s’assurer qu’ils ont du sens. (V. régression linéaire.)
xxi
concentration avec effet de seuil observé (V. CESO.)
concentration avec effet minimal observé (V. CEMO.)
concentration d’essai (Syn. concentration expérimentale)
concentration-effet (V. dose-réponse.)
concentration efficace (V. CE 50).
concentration efficace à p % (V. CE p)
concentration efficace 50 (V. CE 50.)
concentration expérimentale (Syn. concentration d’essai)
concentration inhibitrice p (V. CI p.)
concentration « inoffensive », Concentration de la substance d’essai qui, estime-t-on, permet aux organismes de vivre
et de se reproduire normalement dans leur habitat naturel. Il s’agit d’une notion de biologique et non la concentration
estimée de façon statistique à la faveur d’une expérience. D’habitude, on guillemette l’adjectif, pour marquer qu’il
n’est pas sûr que la concentration soit complètement inoffensive. (V. concentration sans effet)
concentration létale (V. CL 50.)
concentration létale 50 (V. CL 50)
concentration maximale acceptable de toxique (V. CMAT)
concentration sans effet (V. CSE.)
concentration sans effet observé (V. CSEO.)
confusion, Manifestation de l’influence d’une variable indésirable sur les résultats de l’expérience, d’une façon non
aléatoire. Par exemple, si toutes les répétitions d’une concentration donnée étaient placées ensemble de façon à former
un groupe régulier et séquentiel, dans le tableau des enceintes expérimentales, l’emplacement de ces répétitions dans
le laboratoire se confondrait avec la concentration expérimentale.
contaminant, Matière biologique, chimique ou autre, ajoutée à un milieu naturel tel que l’air, l’eau, le sol ou un
sédiment, directement ou non, du fait de l’activité humaine. Décelable expérimentalement, il pourrait entraîner des
modifications chimiques ou physiques dans le milieu, mais il pourrait ne pas causer d’effet biologique néfaste.
Habituellement, le terme s’applique aux matières en faible concentration, sans que des effets biologiques néfastes
aient été prouvés. Divers organismes attribuent au mot contaminant des significations particulières, auxquelles
s’ajoutent les significations découlant de certaines définitions ou de certains règlements nationaux et internationaux.
contamination, Processus par lequel un contaminant est introduit dans un milieu ou dans un être vivant ou résultat de
cette introduction.
convergence, Propriété d’une série de nombres de tendre vers une limite définie ou un point commun.
xxii
corrélation, Rapport de proportionnalité entre deux variables, pas nécessairement en raison d’un lien de cause à effet.
(V. régression.)
courbe de toxicité, Graphique des concentrations successives obtenues au cours d’un essai ou de plusieurs essais en
fonction du temps, les deux sur des échelles logarithmiques (par ex. log de la CL 50 en fonction du log de la durée
d’exposition). La courbe peut montrer si, au cours de l’essai, on a atteint un seuil de toxicité, c’est-à-dire une
asymptote de la concentration indépendante du temps, ce qui est un élément important de connaissance de tout toxique
(V. CL 50 initiale). La courbe de toxicité concerne habituellement les effets létaux, puisque, dans la plupart des essais
de toxicité sublétale, les observations définitives des effets ne sont disponibles qu’à la fin de l’essai.
critère, Selon la définition du CCRME (1987), « donnée scientifique évaluée aux fins du calcul des seuils recommandés
pour des utilisations particulières de l’eau. V. ligne directrice relative à la qualité. Un usage plus répandu, aux
États-Unis et ailleurs, donne à critère la signification attribuée à ligne directrice dans le présent glossaire. Par
exemple, Rand (1995) définit le critère de qualité de l’eau comme « une estimation, fondée sur des jugements
scientifiques, de la concentration d’une substance ou d’un autre constituant dans l’eau qui, si elle n’est pas dépassée,
protégera un organisme, une communauté d’organismes ou une utilisation ou une qualité prescrite de l’eau avec un
degré convenable de sécurité ». Ces définitions qui concernent le domaine de l’eau concernent également d’autres
milieux tels que le sol.
CSE (concentration sans effet), Concentration de toxique que l’on pense n’avoir aucun effet sur un organisme donné.
La CSE est un peu une notion idéalisée. Il faut l’estimer ou en prévoir la valeur par modélisation ou extrapolation.
Elle est analogue à un paramètre d’une population. Il faut la déduire des résultats d’un essai de toxicité plutôt que
l’observer, parce que plus d’essais ou différentes sortes d’essais pourraient révéler des effets à des concentrations
inférieures.
CSEO (concentration sans effet observé), Concentration immédiatement inférieure à la CEMO, parmi toutes les
concentrations expérimentales. (C’est presque toujours, également, la concentration expérimentale maximale dont
l’effet sur les organismes n’est pas différent de l’effet sur les organismes témoins, d’après le test d’analyse statistique.
Il est possible, cependant, qu’une réaction irrégulière n’aboutisse à aucun effet significatif à une concentration
supérieure à la CEMO. La définition donnée à la CSEO permet d’éviter cela.)
DE 50 (dose efficace médiane, dose efficace à 50 %, dose efficace 50), C’est mutatis mutandis la CE 50, sauf qu’il
s’agit d’une dose toxique.
degré de liberté, Caractéristique d’un ensemble de données soumises à l’analyse statistique. C’est un concept de
statistique énonçant le nombre de degrés de liberté avec lesquels on peut spécifier une valeur. Par exemple avec
n observations et une moyenne fixée, toute valeur peut être choisie pour n ! 1 observations. Cependant, la dernière
observation est fixée par la moyenne et les valeurs des n ! 1 premières observations. Le nombre de degrés de liberté
est de n ! 1. On se sert souvent des degrés de liberté pour estimer une variance moyenne ou la moyenne des carrés
des erreurs.
dérivée (V. dérivée partielle.)
dérivée partielle, Notion ayant rapport aux variables indépendantes d’une fonction. On peut l’expliquer à partir d’une
fonction très simple telle que Y = aX. Y est la variable dépendante, X la variable indépendante et a un paramètre.
La dérivée est la variation de Y par rapport à la variation de X (c’est-à-dire la pente). Il s’ensuit que la dérivée est
äY/äX = a. Si, cependant, la fonction possède au moins deux variables indépendantes, il faut la dériver pour chacune
de ces dernières afin de décrire la pente. Par exemple, si la fonction est Y = aX1 + bX2 , elle possède deux dérivées
partielles, à savoir äY/äX1 = a et äY/äX2 = b.
xxiii
différence significative minimale (DSM), Différence dans les mesures, qui devrait exister entre la concentration témoin
et une concentration d’essai, pour conclure qu’il existe un effet significatif à cette concentration, d’après le test
statistique utilisé.
distribution, Répartition d’une caractéristique parmi les membres d’une classe, souvent représentée graphiquement par
une courbe. Dans l’usage courant, distribution est synonyme de distribution de probabilité, c’est-à-dire la fréquence
relative des valeurs que peut prendre une variable. Par exemple, dans l’essai de reproduction de daphnies, le nombre
moyen de nouveau-nés par adulte est d’habitude dans la fourchette de 18 à 22. La fréquence relative des valeurs dans
cette fourchette est beaucoup plus grande que celle d’une valeur comme, disons, 35. La distribution de probabilité
décrit ces fréquences relatives. On peut s’en servir pour déterminer la probabilité de survenue d’une observation ou
d’un ensemble d’observations pour une distribution donnée.
distribution binomiale ou distribution de probabilité binaire, Probabilité qu’une variable aléatoire binomiale soit
représentée par une valeur spécifiée. On peut se la représenter comme une courbe montrant la répartition des
fréquences associées aux proportions d’un phénomène quantique positif (par ex. la mortalité, dans un essai de
toxicité). Les fréquences dépendent du nombre d’observations et de la probabilité (p) de survenue du phénomène. Pour
les tailles d’échantillon moyennes (disons de 25 unités) ou plus grandes, associées à p . 0,5, la distribution binomiale
ressemble à la distribution normale bien connue, en forme de cloche. Dans une telle distribution, beaucoup
d’observations se regrouperaient près de la proportion de 0,5, en étant de moins en moins nombreuses à mesure que
les proportions s’écarteraient de cette valeur pour tendre vers 0 ou 1,0. (V. distribution de probabilité.)
distribution de Gompertz (V. distribution de Weibull.)
distribution de Poisson, Distribution comportant des dénombrements d’un élément distribué au hasard, dans l’espace
ou le temps. Un exemple serait le dénombrement des cellules algales sur un quadrillage. Si la probabilité était faible
(mais constante) et que le nombre d’observations était grand, la distribution de Poisson tendrait vers la distribution
binomiale.
distribution de probabilité, Fonction décrivant la probabilité qu’une variable aléatoire soit égale ou inférieure à une
valeur non précisée. Un exemple bien connu est celui de la distribution normale en forme de cloche. Si la variable
aléatoire est égale à 1,645, la probabilité qu’elle soit inférieure à cette valeur est de 95 %. (V. distribution.)
distribution de Weibull, Version généralisée d’un modèle exponentiel. On peut s’en servir pour des ajustements
empiriques des données sur la relation entre la dose et l’effet. La distribution est sigmoïde, mais elle permet à la forme
de la courbe de différer au-dessus et au-dessous du point d’inflexion, ce qui est un avantage par rapport aux
distributions probit ou logit. Le modèle de Gompertz, qui équivaut essentiellement à celui de Weibull, est utile à la
régression non linéaire (V. le § 6.5.8).
distribution des tolérances, Distribution, au sens statistique, des effets parmi les organismes exposés à une seule
concentration d’agent toxique. On peut donner en exemple la croissance d’un groupe d’organismes exposés à une
concentration donnée d’un toxique. Chaque organisme présentera une étendue d’effets. Il y aura un effet moyen sur
la croissance, avec dispersion des individus par rapport à cette moyenne. Cette distribution par rapport à la moyenne
est la distribution des tolérances. Si on expose un autre groupe à une concentration différente, l’effet moyen sera
différent, mais on pose, par hypothèse, que la distribution des tolérances restera la même, c’est-à-dire qu’elle
possédera la même variance. Cet usage statistique diffère de la définition établie de tolérance au sens biologique et
toxicologique. Dans le présent document, nous avons évité d’employer l’expression « distribution des tolérances ».
distribution logistique, Fonction de distribution statistique qui s’est révélée utile dans les essais quantiques et les
régressions de données quantitatives. (V. logit.)
xxiv
distribution normale (distribution gaussienne, distribution de probabilité normale, loi normale), Série ordonnée et
symétrique d’observations en forme de cloche. La série fait correspondre la fréquence à la valeur de la variable. Dans
une distribution normale, la plupart des observations sont groupées autour de la valeur moyenne, avec de moins en
moins d’observations vers les valeurs extrêmes. La forme de la courbe est déterminée par la moyenne et l’écart type,
68,3, 95,4 et 99,7 % des observations étant comprises dans l’intervalle de ± 1, 2 et 3 écarts types, respectivement,
par rapport à la moyenne. Les courbes en forme de cloche ne sont pas toutes normales, et la normalité est définie par
une équation particulière et complexe qui comprend la moyenne et l’écart type ainsi que les constantes ð (3,14159)
et e (la base des logarithmes népériens). La distribution normale joue un rôle primordial dans la théorie statistique,
en raison de ses propriétés mathématiques. Il en est de même en biologie, parce que de nombreux phénomènes
biologiques obéissent à la loi normale. Beaucoup de tests statistiques reposent sur l’hypothèse de la distribution
normale des données et, en conséquence, il peut être nécessaire de vérifier si cela est vrai pour un ensemble particulier
de données.
DL 50 (dose létale médiane, dose létale 50, dose létale 50 %), Notion possédant la même définition que celle de la
CL 50, sauf que, au lieu de concentration(s), on parle de dose(s).
donnée, Fait représenté sous une forme numérique, observation ou élément d’information numérique.
dose, Quantité d’une substance ou d’un toxique ayant pénétré dans l’organisme en expérience. La dose est inconnue
dans la plupart des essais d’écotoxicité, par lesquels on estime l’effet de concentrations dans le milieu.
(V. dose-réponse.)
dose efficace 50 (V. DE 50)
dose létale 50 (V. DL 50)
dose létale médiane (V. DL 50.)
dose-réponse, Locution adjective invariable s’appliquant aux notions classiques de la pharmacologie ou de la
toxicologie telles que la « relation dose-réponse », la gamme des modifications observées chez les organismes en
relation avec la quantité de médicament ou de toxique. L’expression sert de façon très générale en écotoxicologie, bien
que la locution concentration-effet soit habituellement plus appropriée. Comme nous l’avons mentionné déjà, la
plupart des essais d’écotoxicité concernent des concentrations ambiantes, plutôt que des doses dans les organismes.
De même, le mot réponse convient en médecine ou en pharmacologie, où l’être humain ou tout autre organisme peut
présenter une amélioration apportée par une dose de médicament, tandis qu’en toxicologie l’organisme souffre
davantage de l’effet du toxique qu’il ne répond à ce dernier.
DSM (V. différence significative minimale.)
eau de porosité, Eau occupant les interstices entre les particules d’un sédiment. La quantité d’eau de porosité s’exprime
en pourcentage en poids du sédiment humide.
écart type, Mesure de la dispersion des observations faites sur un échantillon, par rapport à la valeur moyenne de cet
échantillon. Égale la racine carrée de la variance et, par définition, ce ne peut être qu’un nombre positif. On le
symbolise par s.
échantillon, Sous-ensemble d’une population, choisi pour obtenir des renseignements sur cette population et effectuer
des inférences sur cette dernière. En conséquence, il importe de définir clairement la population à laquelle on
s’intéresse et d’en prélever un échantillon représentatif ; cela se fait souvent par échantillonnage au hasard.
xxv
échantillon aléatoire, Échantillon dans lequel les individus (ou éléments) d’une population ont une probabilité égale
d’être tirés pour en faire partie. La plupart des techniques statistiques exigent un échantillonnage aléatoire pour que
les inférences soient valides.
échantillonnage au hasard (V. échantillon aléatoire.)
échantillons réitérés, Échantillons séparés de sol, de sédiment, etc., prélevés sur le terrain, au moyen de méthodes
identiques et dans la même station. Par définition, chaque échantillon réitéré est assujetti au même traitement. Il s’agit
de parvenir à une évaluation plus représentative de la qualité du substrat échantillonné et d’estimer la variation de
la qualité et/ou la variation de l’échantillonnage du substrat. Les échantillons réitérés doivent êtres gardés dans des
récipients séparés. À partir de ces échantillons, on pourrait obtenir des répétitions de chaque concentration utilisée
dans un essai de toxicité ; cela est souvent préconisé dans les essais sur les sols ou les sédiments. Ces répétitions de
l’essai constitueraient les véritables échantillons réitérés de terrain, de sorte que l’essai évaluerait la variation de
la matière à l’étude et la variation de son échantillonnage, de même que toute variation entre les répétitions attribuable
aux conditions existant dans le laboratoire. Dans un essai, les répétitions de laboratoire seraient deux répétitions ou
plus de chaque traitement, obtenues par subdivision de l’échantillon de la matière ou par prélèvement d’un
sous-échantillon de cet échantillon. Dans ce cas, l’essai ne donnerait qu’une indication de la variation due aux
conditions existant dans le laboratoire : on ne doit absolument pas l’interpréter comme signe d’une variation dans la
matière (disons, un sédiment lacustre) ou dans le prélèvement d’échantillons de cette matière. Dans les essais de
toxicité, il est habituellement inutile de disposer de répétitions de laboratoire, et ces dernières ne sont pas
recommandées, si ce n’est pour tenir compte de la taille des récipients ou pour quelque raison semblable. Ces
répétitions pourraient cependant trouver quelque utilité pour la régression, afin de permettre de distinguer entre
l’erreur de mesure d’un effet et l’écart réel de l’effet par rapport à la droite ajustée. Pour l’analyse chimique, on
pourrait analyser des répétitions de laboratoire pour évaluer la précision des dosages.
échelle probit, Échelle dont la valeur centrale est de 5,0, qui représente l’effet médian prévu dans un essai de toxicité
quantique (on s’attend à ce que 50 % des organismes subissent l’effet). La plupart du temps, une échelle de 3 à
7 probits conviendrait. Le 2 de cette échelle (probit 2) correspondrait à un effet prévu chez 0,1 % des organismes,
le 3 chez 2,3 %, le 4 chez 16 %, le 6 chez 84 %, le 7 chez 97,7 % et le 8 chez 99,9 %. (V. probit, variable normale
équivalente et le § 4.5.1.)
écotoxicologie, Comme l’écotoxicologie est une subdivision de la toxicologie, les deux possèdent la même définition
générale. Cependant, l’écotoxicologie insiste sur les effets exercés sur les organismes sauvages et les communautés
naturelles, sans exclure la sécurité de l’espèce humaine comme élément constitutif des écosystèmes.
effet, En toxicologie, modification biologique mesurable. Cette modification peut concerner une structure, la
physiologie, le comportement, etc. Dans un essai de toxicité, on devrait l’estimer par comparaison à des mesures
effectuées sur des organismes faisant partie du groupe témoin. L’analyse statistique considère généralement les degrés
d’effet qui n’ont pas été mesurés chez les témoins et que l’on présume donc résulter de l’exposition aux constituants
toxiques de la matière visée par l’essai.
effet gradué (V. quantitatif.)
effet partiel, Manifestation de l’effet chez une partie seulement des organismes dans une enceinte expérimentale. La
notion peut s’appliquer à un effet létal, comme la mortalité partielle, ce qui signifierait que certains organismes
seulement sont morts.
effluent, Tout déchet liquide (par ex. industriel, urbain) rejeté dans l’environnement. Il n’est pas besoin d’utiliser
l’expression « effluent entier ».
xxvi
élutriat, Solution aqueuse obtenue après avoir ajouté de l’eau à une matière solide (par ex. sol, sédiment, stériles, boues
de forage, déblais de dragage), avoir agité le mélange, puis après avoir récupéré le liquide par centrifugation, filtration
ou décantation du surnageant.
élutriat de sol (V. élutriat.)
emboîté, Se dit d’un plan d’expérience dans lequel toutes les combinaisons possibles d’un facteur ne peuvent pas exister
(comp. croisé). Si un essai tient compte du sexe de l’organisme et des concentrations de toxique comme facteurs, avec
triple dosage des résidus du toxique dans les tissus, il est impossible de planifier une expérience dans laquelle chaque
animal se trouve à chaque combinaison de facteurs. Les dosages en triple du résidu sont des sous-échantillons qui
sont emboîtées dans le facteur « animal » (Syn. niché.)
en conditions statiques, Se dit d’un essai de toxicité en milieu aquatique pendant lequel on ne renouvelle pas les
solutions.
enrichissement, Addition d’une quantité connue de substance ou de produit chimique à un sol ou à un sédiment.
Habituellement, ce sol ou ce sédiment n’est pas contaminé ou c’est un sol ou sédiment témoin, mais, parfois, il peut
être contaminé. La substance ajouté serait habituellement pure, mais ce pourrait être du sol ou du sédiment à l’étude.
Après l’enrichissement, on homogénéise le mélange.
erreur, 2 Taux d’erreur se rapportant aux comparaisons deux à deux, rapport du nombre d’inférences fausses au
nombre total d’inférences effectuées. Le taux d’erreur expérimentale est la probabilité de faire au moins une erreur
de première espèce (erreur á) dans toutes les comparaisons (relatives à un effet donné) au cours de l’expérience. Par
exemple, dans le contexte d’une étude de la toxicité dans les sédiments, les comparaisons se feraient entre l’effet
moyen de chaque emplacement avec la moyenne du témoin. « L’expérience » serait la totalité de l’étude. Le taux
d’erreur n’engloberait pas les comparaisons relatives à tout autre effet biologique. (V. erreur de première espèce et
erreur de seconde espèce.)
erreur alpha (erreur á, erreur de première espèce), Erreur consistant à rejeter une hypothèse nulle exacte. Autrement
dit, on affirme qu’une différence est significative alors qu’elle ne l’est effectivement pas.
erreur bêta (erreur â, erreur de seconde espèce), Erreur consistant à ne pas rejeter une hypothèse nulle inexacte.
Autrement dit, on affirme qu’une différence n’est pas significative alors qu’elle l’est effectivement.
erreur d’échantillonnage (V. précision.)
erreur de première espèce (V. erreur alpha.)
erreur de seconde espèce (V. erreur bêta.)
erreur expérimentale (V. précision.)
erreur systématique (V. biais.)
erreur type (par rapport à la moyenne [s0 ]), On peut calculer l’erreur type de toute statistique, par exemple l’estimation
de la pente d’une régression linéaire. Cependant, l’utilisation la plus répandue de l’erreur type en toxicologie concerne
la moyenne de l’échantillon. Cette erreur type se calcule comme l’écart type de l’échantillon divisée par la racine
carrée du nombre d’observations dans l’échantillon. Cette erreur type calculée est une estimation de la dispersion que
manifesteraient un certain nombre de valeurs moyennes, si ces moyennes représentaient un certain nombre
xxvii
d’échantillons prélevés dans la même population. L’erreur type d’un groupe de moyennes est donc l’équivalent de
l’écart type d’un groupe d’observations portant sur un seul échantillon. Dans la pratique, on estime l’erreur type à
partir d’un seul échantillon, comme nous venons de l’affirmer.
essai biologique, Essai visant à estimer, à l’aide d’organismes vivants, la concentration ou la puissance d’une matière
telle qu’un médicament. En pharmacologie, on estime habituellement la puissance en comparant les résultats à ceux
d’une préparation étalon, éprouvée simultanément. On a aussi appliqué l’expression aux essais appliqués à
l’environnement, mais essai de toxicité décrit plus spécifiquement ces essais et leurs objectifs et c’est l’expression
préconisée.
essai couvrant le cycle vital, Essai au cours duquel on observe les organismes à partir d’un stade d’une génération
jusqu’au même stade au moins dans la génération suivante.
essai de toxicité, Détermination de l’effet d’une matière sur un groupe d’organismes choisis, dans des conditions
définies. L’essai d’écotoxicité permet habituellement de mesurer, selon le cas : a) la proportion d’organismes touchés
(effet quantique) ; b) le degré d’effet manifesté (effet quantitatif) après exposition à des concentrations précises de
substance chimique, d’effluent, d’élutriat, de percolat, de milieu récepteur, de sédiment ou de sol.
estimation de la toxicité (V. paramètre de toxicité.)
estimation ponctuelle, Nombre unique, calculé pour représenter un ensemble de données de données sur la toxicité ou
censé représenter cet ensemble, par ex. la CE 50 ou la CI 25.
étendue, Différence entre la plus grande et la plus petite des valeurs d’un ensemble de données. On l’exprime
habituellement en précisant ces valeurs.
exactitude, Qualité de l’accord entre la valeur mesurée (ou estimée) et la vraie valeur. Dans les essais de toxicité, on
ne peut pas mesurer l’exactitude parce qu’il n’y aucun moyen de connaître la vraie valeur de la toxicité. Syn. justesse.
(V. précision.)
exposant, Symbole ou chiffre placé à droite et un peu au-dessus d’une quantité pour désigner le nombre de fois que l’on
doit multiplier cette quantité par elle-même. Par exemple 52 = 5 × 5 = 25. (V. logarithme.)
facteurs croisés (V. factoriel.)
factoriel, Se dit d’un plan d’expérience dans lequel existent toutes les combinaisons possibles de facteurs. Par exemple,
dans le cas de deux facteurs (le sexe de l’organisme en expérience et la concentration de toxique) et un effet mesuré
de résidu de toxique dans les tissus, on peut planifier une expérience dans laquelle chaque sexe est exposé à chaque
concentration. Dans ce cas, les facteurs sont dits croisés. (V. niché.)
GLIM (V. modèle linéaire généralisé.)
GLM (V. modèle linéaire général.)
hétéroscédasticité, Hétérogénéité des résidus, que présentent les données dans un nuage de points (V. les fig. O.2B et
O.2C de l’annexe O). Il y a hétéroscédasticité lorsque la variabilité des résidus diffère de façon significative de celle
des variables indépendantes (c’est-à-dire les concentrations expérimentales ou les traitements). Dans l’analyse
statistique et l’estimation des résidus (par le test de Levene, par exemple), si les données expérimentales présentent
une hétéroscédasticité (c’est-à-dire que les résidus ne sont pas homogènes), c’est qu’il existe une différence
xxviii
significative entre la variance des résidus aux différentes concentrations ou aux différents traitements. (V.
homoscédasticité et résidu.)
homoscédasticité, Homogénéité des résidus, que présentent les données dans un nuage de points (V. la fig. O.2A de
l’annexe O). Il y a homoscédasticité lorsque la variabilité des résidus ne diffère pas de façon significative de celle des
variables indépendantes (c’est-à-dire les concentrations expérimentales ou les traitements). Dans l’analyse statistique
et l’estimation des résidus (par le test de Levene, par exemple), si les données expérimentales présentent une
homoscédasticité (c’est-à-dire que les résidus sont homogènes), c’est qu’il n’existe pas de différence significative entre
la variance des résidus aux différentes concentrations ou aux différents traitements. (V. hétéroscédasticité et résidu.)
hormèse, Effet qui, aux faibles concentrations de la matière à l’étude, stimule les organismes en expérience, dont les
performances sont meilleures que celles des organismes témoins. Aux concentrations supérieures, on constate des
effets nuisibles. Une catégorie plus générale de stimulation à faible dose engloberait d’autres causes possibles de
stimulation, par ex. l’effet des solvants, l’erreur expérimentale ou une « stimulation suffisante » parmi les organismes
de laboratoire.
initial, En parlant de la CL 50 ou de la CE 50 pour des effets quantiques aigus, intensité du stimulus (c’est-à-dire la
concentration) à laquelle on peut s’attendre à un effet chez (tout juste) 50 % des organismes exposés après une
période indéfiniment longue. C’est la concentration qui serait tout juste suffisante pour agir sur l’organisme médian
(l’organisme « typique » ou « moyen »). L’expression d’origine, plus générale et encore utile, est concentration létale
initiale (Fry, 1947). Sont équivalentes les expressions « CE 50 seuil », « CE 50 indépendante du temps » et CE 50
asymptotique », qui font toutes allusion à la courbe de toxicité devenant parallèle à l’axe du temps. L’adjectif initial
permet d’éviter les connotations contradictoires du mot « seuil ». La définition de initial devient plus arbitraire et plus
difficile lorsque l’on parle d’effets quantitatifs sublétaux, auxquels manque le critère évident et usuel d’effet médian,
utilisé pour les essais de toxicité quantique. Dans le cas des essais quantitatifs, on pourrait mieux définir initial
comme la concentration la plus faible à laquelle s’est manifestée une modification nocive significative dans l’effet
que l’on estimait (comme la croissance). Dans la pratique, cette estimation d’un effet quantitatif varierait selon le plan
de l’expérience et la précision de l’essai.
intervalle interquartile (V. quartile.).
itération, Procédé mathématique servant à estimer les paramètres d’une régression (c’est-à-dire pour ajuster une
courbe). Cela comporte des approximations successives des estimations à la faveur de cycles de calcul, chaque cycle
se fondant sur l’approximation précédente et améliorant les estimations.
justesse, Syn. exactitude.
khi-deux (÷2 ), Statistique d’un test servant parfois à estimer l’ajustement d’un modèle à un ensemble de données.
létal, Qui cause directement la mort. Celle-ci se définit habituellement par la cessation de tous les signes visibles de
mouvement ou d’activité et par l’absence de ces signes en réaction à une stimulation externe légère.
ligne directrice (V. ligne directrice relative à la qualité.)
ligne directrice relative à la qualité, Limite numérique de concentration, reposant sur des bases scientifiques (on parle
alors de nombre-guide) ou énoncé narratif, recommandé pour appuyer et préserver une utilisation désignée d’un
milieu tels que le sol, l’air ou l’eau (« ligne directrice relative à la qualité des sols », etc.). L’objectif de qualité se
définit de même, sauf qu’il s’applique à un emplacement précis. Des provinces ont établi des listes d’objectifs relatifs
à la qualité de l’eau, qui reflètent des conditions officiellement visées. Une norme de qualité est un objectif reconnu
xxix
dans des lois et des règlements applicables à l’environnement par un pouvoir public.
limites de confiance, Leur valeur est si semblable à celle des limites fiducielles que l’on assimile l’une à l’autre les deux
notions dans le présent document. Ces limites, en parlant d’une CE 50 ou d’une CI p, représentent les concentrations
supérieure et inférieure entre lesquelles on pense que se trouve la valeur vraie, pour un niveau précisé de probabilité.
Les limites de confiance au seuil de 95 % (limites de confiance à 95 %) signifient que 19 fois sur 20 la valeur vraie
se situe à l’intérieur de l’intervalle ainsi spécifié.
limites de la zone de confiance, Limites calculées logarithmiquement, situées à ± 2 écarts types de part et d’autre de
la moyenne géométrique « historique » des paramètres de toxicité d’un toxique de référence, sur la carte de contrôle,
qui permet d’évaluer la variabilité des résultats des essais de toxicité effectués sur ce toxique.
limites fiducielles (V. limites de confiance.)
lixiviat, Eau, usée ou non, ayant traversé une épaisseur de sol ou de déchets solides.
log, Notation désignant le logarithme de base 10 ou logarithme décimal.
logarithme, Méthode de codage mathématique. Dans le cas du logarithme décimal, logarithme de base 10 ou log, c’est
la puissance à laquelle il faut élever la base fixe de 10 pour obtenir le nombre représenté par le logarithme. Ainsi le
logarithme 2 représenterait 102 = 100, c’est-à-dire log de base 10 de 100 = 2 ou log10 100 = 2. D’autres exemples
aideront à comprendre : log10 700 = 2,84510 ; log10 70 = 1,84510 ; log10 7 = 0,84510 ; log10 0,7 = ! 0,15410 (ou
9,84510 ! 10). L’addition (ou la soustraction) de logarithmes équivaut à multiplier (ou à diviser) les nombres qu’ils
représentent. (Voir exposant.) Dans l’expression dans 102 = 100, l’exposant est 2, ce qui rattache la notion à celle
des logarithmes. Le logarithme népérien ou naturel (ou ln comme dans ln 100 = 4,60517) est de base e, dont la valeur
est de 2,71828... On peut utiliser l’un ou l’autre type de logarithme en toxicologie, pour autant que l’on soit cohérent
du début à la fin d’un calcul. La base e est importante pour certains concepts mathématiques comme l’intérêt
composé, la fonction exponentielle, la théorie des probabilités, les équations de croissance, etc.
logarithme naturel (V. logarithme.)
logarithme népérien (V. logarithme.)
logarithmique, Se dit d’une suite dont le logarithme de chaque nombre est supérieur d’une quantité constante au
logarithme du nombre qui le précède. On pourrait aussi dire que ces nombres constituent une suite géométrique,
puisque chacun serait supérieur à celui qui le précède par un multiplicateur constant.
logit, Déviation logistique équivalente. Il s’agit d’une transformation particulière des données, applicable à la proportion
d’organismes subissant un effet dans un essai de toxicité quantique (binaire), qui aboutit d’habitude à un redressement
de la courbe sigmoïde de l’effet. Pour obtenir le logit, on divise la proportion d’organismes touchés (p) à une
concentration donnée par (1 ! p). Le logarithme du résultat est le logit. V. le § 4.5.1 et probit, ainsi qu’une discussion
approfondie de la notion dans l’annexe J. Les logits constituent également une façon utile d’ajuster une régression
aux données quantitatives. Les résultats sont exprimés en proportions d’organismes ayant atteint les valeurs spécifiées
de l’effet mesuré. On donne des exemples dans le § 6.5.8 avec de plus amples détails dans l’annexe O.
loi de Gompertz (V. distribution de Weibull.)
maîtrise de la qualité, Actions précises, englobées dans le programme d’assurance qualité : normalisation, étalonnage,
répétitions, échantillons témoins et estimations statistiques des limites relatives aux données.
xxx
matière, Somme de toutes les substances qu’elle renferme. La matière possède des caractéristiques plus ou moins
uniformes. Un sol, un sédiment ou une eau de surface sont des matières.
matrice, En pédologie et en sédimentologie, la substance fondamentale de l’échantillon, pour ce qui concerne ses effets
physicochimiques, indépendamment des contaminants présents. Par ses caractéristiques, la matrice exerce sur les
organismes en expérience un effet dit de matrice.
médiane, Valeur qui, dans un ensemble de données rangées dans l’ordre croissant (ou décroissant) de valeur, partage
ces valeurs en deux effectifs égaux. On se trouve à diviser le nombre d’individus dans la série ainsi divisée et non les
valeurs arithmétiques de ces individus. Si le nombre d’individus était impair, la médiane serait l’individu du milieu.
Dans le cas d’un nombre pair d’individus, la médiane serait d’habitude la demi-somme des valeurs numériques des
deux individus du milieu. Si, pour compliquer les choses, plus de deux individus du milieu ou près du milieu de la
série avaient la même valeur, la médiane serait déterminée par interpolation, dans l’hypothèse selon laquelle les
valeurs médianes seraient rangées symétriquement de part et d’autre de l’intervalle séparant individus en effectifs
égaux. Les manuels de statistique donnent les formules appropriées de calcul de la médiane. Celle-ci renseigne moins
que la moyenne, parce qu’elle ne tient pas compte de la valeur réelle de chaque mesure. Cependant, on peut être
justifié de la choisir pour décrire la tendance centrale d’une population à distribution asymétrique, parce que les
valeurs extrêmes n’influent pas autant sur la médiane que sur la moyenne (Zar, 1999). [V. quartile.]
mesure répétée, Répétition d’une observation numérique, à des dates différentes, sur la même unité expérimentale.
Catégorie distincte des méthodes statistiques pour ce type d’observations, l’analyse des mesures répétées n’est pas
traitée dans le présent document.
méthode de référence, Mode opératoire d’un essai de toxicité, constitué d’un ensemble explicite d’instructions et de
conditions décrites avec précision dans un document écrit. Contrairement aux autres méthodes polyvalentes
(générique) d’essai biologique publiées par Environnement Canada, l’emploi d’une méthode de référence est
habituellement spécifiquement exigé par un règlement.
méthode des moindres carrés, Méthode d’ajustement d’une courbe à un ensemble de données. Elle permet de réduire
au minimum la somme des carrés des écarts entre les valeurs observées et les valeurs prévues respectives.
méthode du maximum de vraisemblance, méthode mathématique d’estimation des paramètres d’une relation à laquelle
on s’intéresse. Avec les estimations du maximum de vraisemblance (EMV), on tente d’estimer les paramètres qui
feraient qu’il est le plus vraisemblable d’observer les données effectivement collectées (SPSS, 1996). Par exemple,
les paramètres pourraient être la moyenne et la variance d’une distribution de données. « La vraisemblance,
c’est-à-dire la probabilité d’observer des valeurs particulières pour un ensemble de paramètres, se définit comme une
quantité proportionnelle à la probabilité que, si ces valeurs étaient les paramètres, la totalité des observations devrait
constituer les données enregistrées » (traduction, d’après Finney, 1978, p. 58). Notion à ne pas confondre avec celle
de la méthode des moindres carrés, ni celle du khi-deux minimal.
milieu, Dans les essais de toxicité, la matière entourant ou transportant les organismes, par ex., dans le cas des
bactéries, le milieu de culture (bouillon nutritif ou substrat), l’eau dans laquelle nagent les poissons, le sol entourant
les vers de terre.
milieu récepteur, Eau de surface (par ex. d’un cours d’eau, d’un lac ou d’une baie) dans laquelle on a rejeté un déchet
ou qui est sur le point de recevoir un tel rejet (par ex. eau d’un cours d’eau juste en amont du point de rejet). Cette
distinction doit être explicitée au moment opportun.
MMV (V. méthode du maximum de vraisemblance.)
xxxi
modèle linéaire général (GLM), Catégorie de modèles (et non technique mathématique particulière) aux
caractéristiques et à l’approche très semblables, dans lesquels une seule variable dépendante (pouvant faire l’objet
de multiples mesures dans une unité expérimentale) est fonction d’une variable ou de variables indépendantes. La
catégorie des GLM englobe la régression linéaire simple, l’analyse de variance, l’analyse de covariance, les mesures
répétées, etc.
modèle linéaire généralisé (GLIM), Généralisation plus poussée de l’approche utilisée pour les GLM. Par cette
approche unifiée, on estime les paramètres des modèles dans lesquels l’effet suit la loi normale et aussi lorsque les
effets appartiennent à n’importe quel membre de la famille exponentielle de distributions, notamment les distributions
binomiale, logistique, de Poisson et log-normale. Le toxicologue pourrait utiliser des GLIM pour estimer la
dépendance d’un effet quantique ou quantitatif par rapport à une variable indépendante simple telle que la
concentration (par la régression), à une structure plus complexe de variables indépendantes telle qu’un traitement de
groupe (analyse de variance) ou à des traitements et à des covariables (analyse de covariance). Insuffisamment définie
ou circonscrite, la notion de GLIM n’est pas à la portée des non-statisticiens.
monotone, Se dit d’une suite numérique dont chaque élément est soit : a) supérieur ou égal à l’élément précédent ;
b) inférieur ou égal à l’élément précédent.
mortalité partielle (V. effet partiel.)
moyenne arithmétique (moyenne), Mesure la plus généralement utilisée de la tendance centrale d’un ensemble de
données. C’est la somme de toutes les valeurs observées, divisée par le nombre de ces valeurs. Comme, pour la
calculer, on tient compte de chaque valeur observée, on peut se représenter la moyenne comme le « centre de gravité »
de l’ensemble de données.
moyenne géométrique, Mesure de la tendance centrale d’un ensemble d’observations. Son utilité réside dans le fait
qu’elle est moins influencée par les valeurs extrêmes que la moyenne arithmétique, mieux connue. Pour n valeurs d’un
ensemble, la moyenne géométrique est la racine énième du produit de toutes les valeurs (c’est-à-dire multipliées). On
peut aussi la calculer comme l’antilogarithme de la moyenne arithmétique des logarithmes des valeurs.
multicolinéarité (V. colinéarité.)
NED (V. variable normale équivalente.)
niché (V. emboîté.)
niveau de signification, En statistique, probabilité de rejeter l’hypothèse nulle alors qu’elle est vraie. Autrement dit,
c’est la probabilité de conclure, à tort, qu’un traitement (par ex. la concentration du toxique) a exercé effet
significatif, alors que, en fait, cela est faux. Les toxicologues pourraient aussi utiliser la formule suivante : « ... il
existe une différence au niveau de signification de 5 % ». (V. erreur á [ou de première espèce], puissance.)
norme, Niveau défini, exigible, de qualité (V. ligne directrice relative à la qualité.)
observation (V. variable.)
paramètre, En mathématiques, propriété ou caractéristique d’une population, telle que la moyenne ou la médiane. Dans
une population donnée, le paramètre possède une valeur constante. Si on tire un échantillon de la population, la
moyenne ou la médiane de cet échantillon ne seraient pas des paramètres, mais des statistiques. Ces statistiques
varieraient presque certainement d’un échantillon à l’autre prélevé dans la même population. Dans les essais de
xxxii
toxicité, on utilise des échantillons d’organismes, de sorte que les prétendus paramètres de toxicité sont des
statistiques, considérées comme des estimations de la vraie valeur de la toxicité (le paramètre de la population totale
d’organismes). En biostatistique, par convention, des lettres grecques représentent les paramètres de la population
et des lettres latines représentent les statistiques des échantillons. Dans l’usage courant, les sens de paramètre sont
quelque peut incertains. Même l’administration parle de « paramètre » quand il faudrait employer variable. Une
erreur très répandue consiste à employer le mot « paramètre » dans les listes ou les tableaux de mesures chimiques,
pour désigner les substances dosées ; il s’agit en fait de variables, et c’est une erreur qu’il faudrait éviter.
paramètre de toxicité, statistique estimée grâce à un essai. Ce paramètre caractérise les résultats de l’essai (par ex. la
CI p ou CL 50). Il n’est pas recommandé de confondre cette notion et l’effet mesuré sur l’organisme ou la variable
observée telle que la taille de l’organisme à la fin de l’essai, bien que cet usage existe (OECD, 2004).
polluant, Substance, matière ou forme d’énergie causant ou capable de causer la pollution si elle est rejetée dans
l’environnement en quantité suffisante. (V. pollution et contaminant.)
pollution, Addition d’une matière ou d’une forme d’énergie telle que la chaleur à un milieu quelconque, en une quantité
y causant une altération détectable, qui nuit à une utilisation de ce milieu par les organismes ou par l’homme. Des
instances régionales, nationales et internationales ont donné à la pollution des définitions officielles auxquelles il
faudrait faire honneur dans les contextes appropriés.
polynôme, Équation d’une régression multiple dont certains des termes sont affectés d’un exposant. Par exemple,
Y = á + â1 X + â2 X2 + â3 X3 .
pondération, Affectation d’un coefficient à certaines valeurs d’une série, en rapport avec leur importance respective,
de sorte que ces valeurs exerceront une influence plus grande sur le calcul que l’on effectue. L’objet de la pondération
est de compenser certaines irrégularités perçues ou certains manques dans un ensemble de données. On pourrait
pondérer une valeur particulière pour montrer qu’il fallait lui accorder plus d’importance parce qu’elle était fondée
sur un gros échantillon ou qu’elle était représentative d’un groupe d’observations dont la variance était petite.
population, Collection de toutes les valeurs possibles d’une variable (telle que la longueur de tous les poissons d’un
lac). Elle pourrait être constituée de tous les individus du groupe auquel on s’intéresse (tel que les poissons d’un lac).
Syn. univers. (V. échantillon.)
précision, Accord entre les résultats de mesures répétées, souvent évalué par la variance ou l’écart type. Un groupe de
mesures pourrait être très précis, mais avoir peu d’exactitude. Les mesures pourraient précises et exactes, tout en
étant biaisées. Si les mesures portent sur plusieurs organismes individuellement (unités d’échantillonnage) dans au
moins deux enceintes expérimentales (unités expérimentales) à une concentration donnée (traitement), la variation
observée entre les enceintes constitue l’erreur expérimentale et elle détermine la précision de la moyenne de mesures
à cette concentration. La variation entre les mesures portant sur chaque organisme d’une enceinte constitue l’erreur
d’échantillonnage. Dans des essais de toxicité quantique, la proportion d’organismes touchés dans une enceinte est
l’observation sur l’unité expérimentale, tandis que l’effet présenté par un organisme (touché ou non) est une
observation portant sur une unité d’échantillonnage ; la précision est une fonction du nombre d’organismes dans
l’enceinte. Dans les méthodes habituelles d’analyse des résultats des essais de toxicité quantique, on réunit les données
obtenues sur les répétitions, de sorte que l’on ne peut pas utiliser directement la variation de ces données portant sur
chaque concentration.
probabilité (d’un événement), Rapport du nombre de cas favorables à la réalisation de cet événement au nombre total
des possibilités.
xxxiii
probit, Unité de mesure de l’écart, par rapport à la moyenne, d’une distribution normale, exprimée en écarts types de
la distribution. C’est la variable normale équivalente, augmentée d’une valeur constante de 5,0 pour éviter la
confusion due aux valeurs négatives d’un côté de la distribution (opération utile à la compréhension, mais en réalité
superflue maintenant que les analyses sont confiées à l’ordinateur). L’utilité des probits, dans l’estimation de la CL 50
ou de la CE 50, est de redresser la courbe sigmoïde des probabilités cumulées d’une courbe normale, qui montre le
pourcentage d’effet en fonction du logarithme de la concentration. (V. échelle probit.)
produit chimique, Tout élément, composé, préparation ou mélange de substances qui pourraient se retrouver associées
à un sol, à un sédiment ou à de l’eau ou y être mélangées ou ajoutées.
protocole, Document officiel, exposant ave précision l’ensemble des marches à suivre pendant un essai ou une
expérience.
pseudo-répétition, Fausse répétition. Un exemple courant, dans les essais de toxicité, consisterait à qualifier par erreur
les organismes d’une enceinte expérimentale de « répétitions ». Dans un test statistique, il s’agit d’une erreur
grossière.
puissance, En gros, probabilité de conclure correctement à l’existence d’une différence entre les variables testées. Dans
une langue plus soutenue, probabilité de rejeter l’hypothèse nulle alors que, de fait, celle-ci est fausse et devrait être
rejetée. En effet, c’est le contraire de la commission d’une erreur bêta (ou de seconde espèce), qui consiste à ne pas
rejeter une hypothèse nulle inexacte. La probabilité de commettre cette erreur est symbolisée par â, et la puissance
est représentée par l’équation (1 ! â). La puissance ne peut pas être fixée de façon directe et précise par
l’expérimentateur avant la réalisation de l’essai de toxicité. On peut cependant rendre cet essai plus puissant en
augmentant le nombre d’organismes, de répétitions, etc. Le calcul de la puissance à la fin de l’essai est plutôt
complexe, mais la puissance est reliée à la différence significative minimale, que l’on peut estimer par des méthodes
normalisées faisant partie de nombreux tests statistiques portant sur des données quantitatives.
quadratique, Se dit d’un type d’équation pour une régression, qui contient un troisième paramètre et X2 . (Syn. du
second degré.)
qualité de l’ajustement, Expression ou indice statistique de l’accord des observations avec une distribution théorique
ou estimée. La mesure de khi-deux est l’indice habituel, que nous donnerons en exemple. Le khi-deux mesure l’accord
entre les fréquences observées et les fréquences théoriques. Le degré d’ajustement (la qualité de l’ajustement)
s’exprime par la valeur numérique de khi-deux. [Zar (1999) signale que l’expression « imperfection de l’ajustement »
aurait pu être une meilleure désignation, parce que des valeurs de plus en plus grandes de khi-deux signifient un
manque de conformité de plus en plus grand entre les observations et la distribution théorique.] Un indice nul
signifierait que l’ajustement est parfait, et un indice infini pourrait théoriquement découler d’un ajustement
suffisamment mauvais, mais l’indice ne peut pas prendre de valeur négative.
quantique, Se dit d’un effet auquel, dans un essai, chaque organisme réagit ou ne réagit pas. Par exemple, un animal
pourrait soit mourir, soit survivre ou, encore, se développer normalement ou anormalement. Ce qualificatif s’applique
également aux essais et aux données. Par exemple, les données quantiques suivent habituellement une loi
(distribution) binomiale. Plus intelligible, le synonyme dichotomique est plus fréquent dans les publications de
statistique. (V. binaire, variable binomiale, discret et quantitatif.)
quantitatif, se dit d’un effet mesuré pouvant avoir une grandeur exprimée par un nombre entier ou fractionnaire sur une
échelle numérique, telle, par ex. la masse ou le poids des organismes à la fin d’un essai. Les données quantitatives
obéissent d’habitude à une loi normale. Couramment utilisé par les statisticiens dans le domaine de la toxicologie,
en Europe notamment, continu pourrait lui être synonyme. Gradué était employé dans ce contexte par les premiers
xxxiv
géants de la toxicologie (Gaddum, 1953), mais on ne le considère plus comme approprié. Ce qualificatif s’applique
également aux données, aux essais, etc. (V. quantique.)
quartile, L’une des trois valeurs qui, dans une série ordonnée de données numériques, divisent la série en quatre parties
égales. On divise le nombre d’éléments de la série et non la valeur arithmétique de ces éléments. Le quart de toutes
les valeurs de la série seraient inférieures au premier quartile et les trois-quarts lui seraient supérieures. Les trois
quarts des valeurs seraient inférieures au 3e quartile et le quart lui seraient supérieures. Le 2e quartile est appelé
médiane, et la moitié des éléments de la série ordonnée lui sont inférieurs et l’autre moitié supérieurs. (V. médiane.)
L’intervalle interquartile est la valeur absolue de la différence entre le premier et le 3e quartiles. D’habitude, il est
assez facile de déterminer les quartiles et la médiane, par examen visuel de la série. Cependant, dans les séries
comptant peu d’éléments, le choix des quartiles divisant convenablement la série peut être discutable, et les sources
diffèrent sur les définitions et les méthodes précises de calcul. (V. l’annexe R.)
R (coefficient de corrélation multiple), Racine carrée du coefficient de détermination (R2 ), qui permet d’estimer le
coefficient de corrélation multiple (ñ ou rho) de la population échantillonnée. R égale aussi la corrélation
produit-moment de Pearson (d’habitude symbolisée par r) entre les valeurs prévues et observées dans une régression.
(V. régression linéaire.)
R2 (coefficient de détermination, coefficient de détermination multiple), Rapport des sommes des carrés expliqués par
un modèle de régression aux sommes totales des carrés par rapport à la moyenne. Dans un contexte de régression,
R2 permet de mesurer la proportion de la variabilité de l’effet mesuré, qu’explique le modèle de régression. (V. R.)
régression, Technique statistique déterminant la relation entre deux variables ou plus. La notion englobe l’action et son
résultat, la relation après qu’elle a été calculée. La valeur d’une variable dépendante (telle que la taille) varie en
fonction de la valeur d’une autre ou d’autres variables, la ou les variables indépendantes (telles que la concentration).
La réciproque n’est pas vraie. La régression peut être qualifiée de simple si elle ne concerne que deux variables.
(V. régression linéaire, régression non linéaire, corrélation.)
régression linéaire, méthode statistique d’estimation des paramètres d’un modèle décrivant la relation entre un effet
ou une réaction (la variable dépendante) et un ensemble de variables explicatives (la ou les variables indépendantes).
L’adjectif « linéaire » ne s’entend pas de la forme de la courbe, mais de la nature de l’équation décrivant cette
dernière. Les modèles linéaires sont relativement simples : on peut en estimer les paramètres (a, b, etc.) par résolution
d’une seule formule. L’expression « régression linéaire simple » est souvent usitée lorsque l’on utilise seulement une
variable explicative. Un modèle linéaire simple serait l’équation bien connue de la droite, Y = a + bX, où Y est la
variable dépendante, X la variable indépendante, a et b les paramètres. Cependant, la régression linéaire peut
comprendre des courbes de même que des droites. Par exemple, elle pourrait comprendre un modèle quadratique
(Y = a + bX + cX2 ). Les statisticiens qualifient de « linéaires » les modèles dans lesquels les dérivées partielles du
modèle par rapport à un paramètre sont indépendantes de tout autre paramètre. V. dérivée partielle, régression et
régression non linéaire.)
régression multiple, Relation entre une variable dépendante et deux ou plusieurs variables indépendantes. Par exemple
Y = á + â1 X1 + â2 X2 + â3 X3 . (V. polynôme.)
régression non linéaire, Régression semblable à la régression linéaire, mais les dérivées partielles d’un paramètre
ne sont pas indépendantes d’autres paramètres. L’expression n’a rien à voir avec l’allure de la courbe matérialisant
cette relation. La variable dépendante ne peut pas être exprimée comme une combinaison linéaire de valeurs des
paramètres multipliées par les valeurs de la variable indépendante (SPSS, 1996). La formule de la régression pourrait
être multiplicative, par ex. Y = áâ X , qui est la formule de la croissance exponentielle (Zar, 1999). Pour estimer les
paramètres du modèle, il faut procéder par itération. (V. régression linéaire et régression.)
xxxv
régression probit (souvent appelée analyse par la méthode des probits), Méthode de régression mesurant la relation
entre l’intensité d’un stimulus et la proportion des cas chez lesquels un certain effet causé par le stimulus se manifeste
(d’après SPSS, 1996). La régression utiliserait normalement la méthode du maximum de vraisemblance ou celle des
moindres carrés itérativement repondérés, afin d’estimer la CE p et la relation entre le probit de l’effet et le logarithme
de la concentration. L’effet analysé est quantique.
régression simple (V. régression.)
répéter, V. répétition, à la définition 2.
répétition, 1. Au sens concret, la répétition d’un traitement équivaut à une unité expérimentale (V. bloc). Enceinte
expérimentale renfermant un nombre prescrit d’organismes (= unités d’échantillonnage) soit exposés à une
concentration (= traitement) de matière, soit dans un groupe témoin. Dans un essai de toxicité employant
5 concentrations et 1 témoin, en 3 répétitions (en triple exemplaire), on utiliserait 18 enceintes expérimentales,
c’est-à-dire 3 enceintes par traitement. Une répétition doit être une unité expérimentale indépendante, et, par
conséquent, la matière se trouvant dans une enceinte ne doit pas avoir de relation avec la matière se trouvant dans
une autre enceinte. Tout transfert d’organismes ou de matière d’une répétition à une autre invaliderait l’analyse
statistique fondée sur la répétition. L’erreur expérimentale (la variation aléatoire d’une unité expérimentale à l’autre)
est estimée à partir des répétitions. (V. bloc, échantillons réitérés, unité expérimentale, pseudo-répétition, unité
d’échantillonnage, traitement.) — 2. Action de répéter des ensembles de traitement en groupes, de réitérer un
traitement ou une unité expérimentale.
répétitions de laboratoire (V. répétition et échantillons réitérés.)
réponse, Synonyme d’effet. Ce dernier terme est préféré en toxicologie, parce que les perturbations causées par le
toxique chez l’organisme exposé ne sont pas tant une réponse de l’organisme qu’une conséquence de l’action du
toxique. Bien que l’expression dose-réponse qualifie souvent, de façon générale, les relations dans les essais de
toxicité ou les essais biologiques, c’est l’expression « concentration-effet » qui, habituellement, serait plus précise
en écotoxicologie. De toute façon, l’effet ou la réponse sont presque toujours la variable dépendante ou y dans un
modèle statistique.
résidu, Dans une régression, différence entre la valeur observée et la valeur prévue par l’équation.
résistance, capacité, pour un organisme, de retarder la manifestation des effets désignés d’un toxique ou d’un autre
agent de l’environnement pendant une période qui dépend de la concentration de l’agent. En fin de compte,
l’organisme succombe (d’après Fry, 1947). (Comp. tolérance.)
salinité, Traditionnellement, expression de la masse totale de sels dissous dans une masse donnée de solution, en g/kg,
en parties pour mille ou en millièmes (‰). Aujourd’hui, on la mesure de façon empirique, à partir des relations
standard de densité ou de conductivité et on l’exprime par un nombre pur (APHA et al., 1992).
sédiment, Matériau naturel formé de particules ayant été transportées et s’étant déposées au fond de l’eau. Peut
également désigner un substrat artificiel, préparé pour les besoins d’une expérience.
sédiment de référence, Échantillon, prélevé sur le terrain, d’un sédiment que l’on présume non contaminé, possédant
des propriétés (par ex. granulométrie, compacité, teneur en matière organique totale) correspondant étroitement à
celles de l’échantillon ou des échantillons du sédiment d’essai, sauf le degré de contamination chimique. On le prélève
souvent dans un endroit à l’abri de l’influence de la source ou des sources de contamination, mais généralement à
proximité des endroits où on prélève le sédiment d’essai. On s’en sert pour décrire les effets de matrice dans l’essai
xxxvi
et, aussi, comme témoin et comme diluant pour la préparation de dilutions du sédiment d’essai. (V. sédiment témoin.)
sédiment entier, Totalité du sédiment intact ayant subi une manipulation minimale après le prélèvement ou la
préparation. Ce n’est pas une forme ni un dérivé du sédiment tel qu’un élutriat ou un sédiment remis en suspension.
sédiment témoin, Sédiment non contaminé, qui pourrait provenir d’un lieu non contaminé ou être préparé (reconstitué).
Pour les organismes en culture ou en élevage, ce témoin pourrait être un échantillon de sédiment identique à celui du
milieu de culture ou d’élevage. Ce sédiment ne doit être additionné d’aucune autre substance d’essai et il doit
permettre un taux acceptable de survie ou des performances acceptables des organismes qui y sont exposés
conformément à la méthode. (Comp. sédiment de référence.)
série de dilutions, Série de concentrations décroissantes d’essai, dont chacune diffère de la précédente par un coefficient
constant (de dilution), par ex. de 100, de 50, de 25, de 12,5 %. On peut obtenir cette série par dilutions successives
d’une solution mère d’un déchet ou d’une matière.
seuil (comme dans la CE 50 seuil) [V. CE 50 initiale.]
sigma (Ó), Sous la forme majuscule ici représentée, symbole de la sommation d’une suite de termes. La forme
minuscule (ó) symbolise le plus souvent l’écart type d’une population.
significatif (V. signification.)
signification, Différence intergroupes ou intragroupe, que l’on ne peut pas attribuer uniquement au hasard. Pour ce
faire, il faut un test statistique formel. Sauf indication contraire, on suppose un niveau de probabilité de 5 %,
c’est-à-dire que la différence ne devrait pas se produire plus de 5 % du temps du seul fait du hasard, si l’expérience
ou l’essai étaient répétés de nombreuses fois.
sol de référence, Échantillon prélevé sur le terrain, d’un sol que l’on présume non contaminé, possédant des propriétés
(par ex. texture, structure, pH, teneur en matière organique) aussi semblables que possible à celles de l’échantillon
ou des échantillons de sol d’essai, sauf qu’il est exempt de la contamination chimique que l’on évalue. On le prélève
souvent dans un endroit à l’abri de l’influence de la source ou des sources de contamination, mais généralement à
proximité des échantillons d’essai, de sorte qu’il pourrait être soumis à d’autres influences polluantes que celles que
l’on étudie. On s’en sert pour décrire les effets de matrice dans l’essai et, aussi, comme témoin et comme diluant pour
la préparation de dilutions du sol d’essai.
sol entier, Totalité du sol intact ayant subi une manipulation minimale après le prélèvement ou la préparation. Ce n’est
pas une forme ni un dérivé du sol tel qu’un élutriat ou un percolat.
sous-échantillon, Subdivision d’un échantillon. Pour le statisticien, les sous-échantillons sont des observations multiples
d’un caractère d’une unité expérimentale. Le sous-échantillon doit représenter un prélèvement en un moment unique.
Si les prélèvements s’étalent dans le temps, les observations entreraient dans la catégorie des mesures répétées.
statistique, Quantité caractérisant une propriété de l’échantillon. (V. population.)
sublétal, Nocif pour l’organisme, mais à une concentration inférieure à celle qui est directement mortelle pendant
l’essai.
substance, Type particulier de matière, aux propriétés uniformes ; souvent le mot s’applique à un composé chimique.
xxxvii
suite géométrique (Syn. progression géométrique), Suite ou progression de nombres dont chaque élément successif
est supérieur à celui qui le précède d’un facteur constant (par ex. 3, 6, 12, 24, ...). Les nombres font également partie
d’une suite logarithmique.
taux d’erreur expérimentale (V. erreur.)
témoin, Se dit, dans une enquête, d’un échantillon reproduisant tous les facteurs qui pourraient influer sur les résultats,
sauf la condition ou le traitement particulier à l’étude. Dans un essai de toxicité, le témoin doit reproduire toutes les
conditions d’exposition, mais ne pas renfermer de la matière à l’étude (c’est-à-dire aucun toxique). Le témoin sert
à vérifier la toxicité apparente due aux conditions de base telles que la qualité d’eau de dilution, l’état de santé des
organismes, les effets dus à la manipulation de ces derniers. Témoin est synonyme de témoin négatif. (V. témoin
positif, témoin de la salinité, témoin du solvant, sédiment témoin, sédiment de référence, sol de référence.)
témoin de la salinité, Enceinte ou ensemble d’enceintes témoins, séparées, servant, dans un essai de toxicité employant
des organismes marins, de témoin normal et, aussi, à évaluer tout effet d’une salinité non optimale dans les enceintes
expérimentales. L’expression n’aurait pas rapport dans le cas d’essais dans lesquels la salinité de tous les traitements
serait ajustée à une valeur optimale standard. Ces essais seraient simplement dotés d’un témoin ayant la même salinité
que celle qui existe dans les concentrations expérimentales. C’est le cas des essais effectués en milieu marin en vertu
du Programme de suivi des effets sur l’environnement d’Environnement Canada, qui dispose de témoins particuliers,
reliés à la technique utilisée pour l’ajustement de la salinité ; voir le § 2.7). Si on n’ajuste pas la salinité dans les
concentrations d’essai, on devrait prévoir un témoin à la salinité favorable et, en outre, un ensemble supplémentaire
de témoins de la salinité reproduisant les salinités expérimentales. On pourrait ainsi isoler l’action nuisible d’une
salinité faible (ou forte). Cependant, s’il existait une interaction nuisible entre la salinité anormale et la toxicité de
la matière à l’étude, l’ensemble supplémentaire de témoins de la salinité ne révélerait pas cette interaction.
témoin du solvant, Type particulier de témoin qui pourrait être indispensable dans un essai de toxicité, très
probablement en milieu aquatique. Il convient à tout essai de toxicité dans lequel on utilise un solvant pour obtenir
les concentrations voulues de la substance à laquelle on s’intéresse, si elle est peu soluble. Il faut soumettre à l’essai
ce témoin en même temps que le ou les témoins habituels. Le témoin du solvant doit habituellement être soumis aux
mêmes conditions que le témoin ordinaire, sauf qu’il doit renfermer la concentration maximale de solvant employée
dans l’essai. Pour que les résultats soient satisfaisants, les organismes témoins du solvant doivent se comporter aussi
bien que les organismes témoins ordinaires. (V. le § 2.7.2.)
témoin négatif (Syn. témoin.)
témoin positif, Essai de toxicité employant un toxique de référence pour évaluer la sensibilité des organismes au
moment on évalue une matière et, aussi, la précision des résultats obtenus par le laboratoire sur la substance de
référence.
temps létal 50 (V. TL 50)
test bilatéral (V. test unilatéral.)
test de comparaisons multiples, Méthode statistique permettant de distinguer comment les effets moyens diffèrent
statistiquement l’un de l’autre dans une expérience comportant plus de deux traitements. On trouve parfois comme
synonyme test de contraste. (V. le § 7.5.)
test de contraste (V. test de comparaisons multiples.)
xxxviii
test unilatéral, Test statistique s’appliquant à la recherche d’une différence entre une variable et une valeur de référence
en se préoccupant du sens de cette différence (par ex. la variable est-elle supérieure à la valeur de référence ?). Dans
un test bilatéral, on cherche à déterminer si la variable diffère de la valeur de référence sans se préoccuper du sens
de la différence, c’est-à-dire la variable est-elle significativement différente ?
TL 50 (temps létal 50 %, temps létal 50) Durée d’exposition que l’on estime létale pour la moitié des organismes en
expérience à une concentration donnée de matière à l’étude. Grâce à des observations successives de la mortalité
correspondant à chaque concentration d’une série, on peut estimer le TL 50 de chaque concentration et, parfois, cela
a l’avantage de donner une courbe de toxicité plus révélatrice. Les techniques statistiques habituellement utiles à la
détermination de la CL 50 ne sont pas valides pour le TL 50.
tolérance, En écotoxicologie, aptitude caractéristique d’un organisme à survivre indéfiniment à des concentrations
spécifiées d’un agent de l’environnement. La notion provient d’un travail sur les températures létales pour le poisson,
dans lequel on a décrit « la zone de tolérance dans laquelle l’animal ne mourra jamais du fait des effets de ce seul
agent » (Fry, 1947). [V. distribution des tolérances, résistance.]
toxicité, Capacité propre d’une matière de provoquer des effets nocifs chez les organismes vivants.
toxicité aiguë, Effet négatif (létal ou sublétal), discernable, provoqué chez l’organisme en expérience dans une courte
période d’exposition à une matière, habituellement de quelques jours quand il s’agit de gros organismes.
toxicité chronique, Manifestation des effets négatifs d’un poison reliés à des modifications des processus fondamentaux
tels que ceux du métabolisme, de la croissance ou de la reproduction. On pourrait cependant évaluer l’effet chronique
par la mortalité ou par la longévité.
toxicologie, Au sens large, science qui précise les limites de sécurité de l’emploi d’agents chimiques. Ses études doivent
être conçues dans ce but. C’est pourquoi, rien ne limite leur échelle (moléculaire ou écosystémique), la gamme des
disciplines scientifiques auxquelles elles peuvent faire appel ni l’endroit où se trouvent leurs outils (au laboratoire
ou sur le terrain). [V. écotoxicologie.]
toxine, Substance toxique, protéine particulièrement, élaborée par des cellules ou des organismes et capable de
provoquer la maladie ou d’autres effets nocifs quand elle est introduite dans un organisme. La toxine peut également
stimuler la production d’une antitoxine. Un exemple serait la saxitoxine, toxine paralysante des algues, produite par
les dinoflagellés marins (phénomène des « eaux rouges »). Les médias et des écolos négligents ont galvaudé ce mot
en l’assimilant à toutes sortes de toxiques.
toxique, adj. Se dit d’une substance, d’une matière ou d’un produit présent en quantité suffisante pour causer des effets
nocifs ou pouvant être nocifs pour les organismes vivants. N. m. Substance, produit ou matière pouvant provoquer
des effets nocifs chez les organismes vivants. Poison.
toxique de référence, Substance étalon servant à mesurer la sensibilité des organismes en expérience et à aider à établir
la validité des données toxicologiques obtenues sur la matière à l’étude. Dans la plupart des cas, on réalise un essai
de toxicité avec un toxique de référence pour évaluer : a) la sensibilité des organismes au moment de l’essai sur la
matière ; b) la précision des résultats obtenus par le laboratoire, au cours d’une période pendant laquelle a été effectué
un nombre plus ou moins grand d’essais avec ce toxique de référence.
traitement, De façon générale, application d’un facteur dont on veut mesurer l’effet sur une unité d’échantillonnage.
Au sens strict, dans les essais de toxicité, c’est un facteur appliqué aux organismes en expérience, afin de mesurer
son effet sur ces derniers. Habituellement, il s’agirait d’une concentration de matière potentiellement toxique. Le
xxxix
traitement pourrait englober plusieurs récipients exposés à la même concentration, chacun d’entre eux constituant
une unité expérimentale et, également, une répétition. Dans les essais portant sur un sédiment ou un sol, la matière
précise que l’on soumet à l’essai (par ex. sédiment ou sol d’un emplacement, sol de référence ou sol témoin négatif)
provenant d’une station particulière d’échantillonnage. (V. unité d’échantillonnage.)
transformation arc sinus, Transformation applicable aux données constituées de proportions ou de pourcentages, qui
tendent à former une distribution binomiale. Il s’agit, par cette transformation, de rendre les variances homogènes
et la distribution presque normale, afin d’effectuer des analyses statistiques paramétriques. La transformation est l’arc
sinus de la proportion en question. La notation abrégée est arc sin. De nombreux logiciels et calculettes scientifiques
permettent de l’effectuer. On peut aussi se servir d’une table, consultable dans la plupart des manuels de statistique.
Cette transformation, dont on pourrait bien se passer aujourd’hui, était utile avant l’avènement des moyens modernes
de calcul qui épargnent la corvée des calculs manuels.
unité d’échantillonnage, Unité d’observation dans une unité expérimentale. Par exemple un organisme dans un
récipient renfermant des organismes exposés à un traitement donné. (V. répétition.)
unité de toxicité (UT), Expression du pouvoir toxique d’un déchet ou d’une substance se trouvant dans un milieu tel
qu’un sol, un sédiment, l’eau ou l’air. Ce pouvoir s’exprime en multiples (ou fractions) d’un paramètre standard de
toxicité. Le nombre d’unités de toxicité d’un déchet tel qu’un effluent se calculerait comme suit : 100 % (c’est-à-dire
l’effluent non dilué) divisé par la concentration du paramètre de toxicité exprimé en pourcentage (par ex. un effluent
dont la CL 50 serait de 10 % aurait 100/10 = 10 UT létales). Dans le cas d’un toxique se trouvant dans un substrat
ou un milieu, on peut prendre comme exemple une substance chimique dissoute dans l’eau. On calculerait son pouvoir
toxique (en unités toxiques létales) par le quotient de sa concentration réelle dans l’eau divisée par sa CL 50. Pour
le calcul du pouvoir toxique en unités toxiques sublétales, le quotient aurait comme dénominateur un paramètre défini
de toxicité sublétale (tel que la CI 25). Par exemple, si la substance était présente dans l’eau à la concentration de
5 mg/L et que sa CI 25 était de 10 mg/L, on aurait 5/10 = 0,5 UT sublétales, c’est-à-dire la moitié de la concentration
à laquelle s’exerce l’effet sublétal. L’unité de toxicité est un nombre pur n’exprimant pas de concentration de
substance. C’est un concept pratique, puisque le nombre d’unités de toxicité augmente proportionnellement au
pouvoir toxique.
unité expérimentale, Plus petite unité ou élément indépendant dans un essai de toxicité, auquel on applique un
traitement. L’unité expérimentale présente un effet que l’on mesure et qui devient une donnée. Un exemple serait une
enceinte renfermant des organismes dans un essai de toxicité. (Les organismes de cette enceinte seraient les unités
d’échantillonnage.) Si au moins deux enceintes étaient exposées à un traitement, chaque enceinte constituerait à la
fois une unité expérimentale et une répétition. (V. unité d’échantillonnage et bloc.)
UT (V. unité de toxicité.)
variable, Caractéristique dont la valeur diffère d’un individu, d’un cas ou d’une observation à l’autre. Ainsi, elle
caractérise les individus ou les cas dans une population d’individus ou de cas. Ce pourrait être la concentration d’une
substance, la hauteur de plantes, le nombre de petits ou des éléments semblables. La valeur mesurée ou consignée
de la variable constitue une observation. La variable peut être continue, prenant n’importe quelle valeur dans un
intervalle possible (tel que la concentration d’une substance ou le poids d’une larve de chironomidé. Elle peut, d’autre
part, être discrète, ce qui signifie qu’elle peut prendre toute valeur positive ou négative telle que 0, 1, 2, 3, par ex.
le nombre de feuilles d’une plante. Les deux désignations correspondent, respectivement, aux données quantitatives
et quantiques. Dans une analyse, une variable indépendante serait celle qui est fixée, habituellement par
l’expérimentateur, qui s’en sert pour prévoir la valeur correspondante de la variable dépendante. La valeur de cette
dernière est déterminée par le choix de la variable indépendante. Dans un essai de toxicité, les concentrations seraient
la variable indépendante, et l’effet serait la variable dépendante. (V. variable binomiale, paramètre.)
xl
variable aléatoire binomiale, V. variable binomiale.
variable binomiale ou variable aléatoire binomiale, Nombre d’individus possédant, dans une expérience, l’une des
deux caractéristiques quantiques ou binaires possibles (par ex. la mort).
variable dépendante (V. variable.)
variable discrète (V. variable.)
variable indépendante (V. variable.)
variable normale équivalente (NED, pour normal equivalent deviate), Écart type d’une distribution normale, associé
à une probabilité particulière. Autrement dit, c’est une unité de dispersion d’une distribution normale, exprimée par
l’écart type de cette distribution. 1 NED correspond à l’intervalle de ± 1 écart type par rapport à la moyenne. Le
probit est tout simplement un NED auquel on a ajouté 5 pour éviter l’obtention de valeurs négatives pour un côté de
la distribution.
variance, Caractéristique de la dispersion des observations individuelles sur un échantillon par rapport à la valeur
moyenne de cet échantillon. On la calcule comme suit : a) on soustrait la moyenne de chaque observation ; b) on élève
au carré chacune de ces différences ; c) on somme ces carrés ; d) on divise cette somme par le nombre d’observations
moins un. Le symbole de la variance est s2 . (La variance de la population théorique d’où on a tiré l’échantillon aurait
ó2 comme symbole, et on l’estimerait à partir d’un échantillon par la méthode que nous venons de décrire, sauf que,
à l’étape d), on diviserait le résultat de la sommation par le nombre d’observations.) On omet généralement les unités
de la variance ; ce sont les carrés des unités utilisées à l’origine, ce qui pourrait ne pas avoir du sens. (V. écart type.)
variante expérimentale (V. traitement.)
xli
Remerciements
Le présent document a été rédigé par John B. Sprague (Sprague Associates Ltd., de Salt Spring Island [C.-B.]) avec
l’apport technique direct de Barry A. Zajdlik (Zajdlik & Associates Inc., de Rockwood [Ont.]) et d’après les
propositions de Glenn F. Atkinson (Atkinson Statistical, Calgary). Il s’inspire de guides, de rapports et de publications
sur la toxicologie et la statistique ainsi que des idées de scientifiques et de techniciens d’administrations publiques, de
l’industrie et d’universités d’un peu partout au Canada et ailleurs. Richard P. Scroggins (chef de la Division des
méthodes biologiques, Environnement Canada [EC], Ottawa) a été le responsable scientifique du projet, dont il a
accompagné la réalisation par son aide technique et ses conseils. Stella Wheatley (Polaris Scientific and Technical
Editing, Ottawa) a corrigé et mis en forme le document et préparé certaines figures. Juliska Princz (EC, Ottawa) a
rassemblé et uniformisé la description des modèles du § 6.5.8 et les consignes d’emploi de SYSTAT de l’annexe O,
d’après des méthodes publiées récemment par Environnement Canada.
Nous sommes reconnaissants de l’aide inestimable que nous ont offerte les personnes suivantes, sous forme
d’observations et de conseils sur une ou plusieurs ébauches du document : Larry W. Ausley (min. de l’Environnement
de la Caroline du Nord, Raleigh) ; Uwe Borgmann (Institut national de recherche sur les eaux [INRE], Burlington
[Ont.]) ; Kenneth G. Doe (EC, Moncton) ; Natalie Feisthauer (Stantec Consulting, Guelph, [Ont.]) ; Hector F. Galicia
(Springborn Smithers Laboratories (Europe) AG, Horn, Suisse) ; John W. Green (DuPont, Newark, Delaware) ;
Christine S. Hartless (USEPA, Washington) ; Janet McCann (U. de Waterloo, Ont.) ; Donald J. McLeay, (McLeay
Environmental Ltd., Victoria) ; Cathy McPherson (EVS Environment Consultants, North Vancouver [C.-B.]) ;
Jennifer Miller (Miller Environmental Sciences Inc., Innisfil [Ont.]) ; Mary Moody (Saskatchewan Research Council,
Saskatoon) ; Serge Morissette (min. de l’Environnement, Sainte-Foy [Qc]) ; Marion Nipper (U. A & M, Corpus Christi,
Texas) ; Niels Nyholm (U. technique du Danemark, Lyngby) ; R. Jeanette O'Hara Hines (U. de Waterloo) ;
Juliska Princz (EC, Ottawa) ; Hans Toni Ratte (École technique supérieure de Rhénanie-Westphalie, Aix-la-Chapelle) ;
Jim Reid (ESG International, Guelph) ; Julie E. Schroeder (min. de l’Environnement et de l’Énergie de l’Ontario
[MEEO], Etobicoke) ; Wout Slob (Institut national pour la santé publique et l’environnement, Bilthoven, Pays-Bas).
Nous remercions les personnes suivantes qui ont fourni une aide importante sous forme d’analyses informatiques, de
renseignements, de rapports et d’autres moyens tangibles ou qui ont organisé des ateliers sur le projet, y ont participé
ou en ont résumé les délibérations : Howard Bailey (EVS Environment Consultants, North Vancouver) ; Joy Bruno (EC,
North Vancouver) ; Craig Buday (EC, North Vancouver) ; Curtis Eickhoff (BC Research Inc., Vancouver) ;
Paula Jackman (EC, Moncton) ; Nicky Koper (U. de l’Alberta à Edmonton) ; Nancy Kruper (EC, Edmonton) ;
Don Larson (IRC Consultants, Richmond [C.-B.]) ; Michelle Linssen (EC, North Vancouver) ; Tim Moran (Pollutech
Enviroquatics, Point Edward [Ont.]) ; David Moul (EC, North Vancouver) ; Michael D. Paine (Paine, Ledge and
Associates, North Vancouver) ; Janet Pickard (BC Research Inc., Vancouver) ; Linda Porebski (EC, Gatineau [Qc]) ;
Danielle Rodrigue (EC, Ottawa) ; Gladys L. Stephenson (ESG International Inc., Guelph) ; Armando Tang (EVS
Environmental Consultants, North Vancouver) ; Becky-Jo Unis (Hydroqual Laboratories, Calgary) ;
Graham van Aggelen (EC, North Vancouver).
1
Section 1
Introduction
Les essais de toxicité sont de puissants outils d’étude et
de résolution des problèmes de contamination et de
pollution de l’environnement. Cependant, il faut
analyser convenablement leurs résultats pour obtenir
des estimations valables des paramètres de toxicité. Le
présent document vise à faciliter le choix des bonnes
méthodes d’analyse statistique des résultats des essais
employés en écotoxicologie. Il est particulièrement
destiné à servir de concert avec plus de 20 méthodes
d’essai de toxicité publiées par Environnement Canada,
dans lesquelles on emploie des microorganismes, des
plantes aquatiques et terrestres, des invertébrés et des
poissons (EC, 1990a-c ; 1992a-f ; 1997a, b ; 1998a, b ;
1999b ; 2000a, b ; 2001a ; 2002a ; 2004a, b et 2007 ;
v. l’énumération de l’annexe A). Le document se
concentre sur les méthodes mathématiques et
statistiques d’analyse des résultats ; un autre guide
traite des méthodes générales et des interprétations
concernant l’écotoxicologie (EC, 1999a).
1.1
Buts et objectifs du document
Repères
• Le principal objectif du document est d’aider à
établir de bonnes pratiques statistiques dans les
laboratoires canadiens où l’on effectue des essais
de toxicité relevant de programmes
d’Environnement Canada.
• Les tests statistiques en usage font l’objet d’une
discussion, au terme de laquelle on précise les
méthodes à privilégier et celles qui sont
prometteuses. Des exemples sont présentés.
Le présent document vise simplement à donner des
renseignements dans trois domaines :
a) Des conseils supplémentaires aux utilisateurs des
essais monospécifiques d’Environnement
Canada. Ces conseils s’adressent principalement
au nouveau personnel de laboratoire, plutôt
qu’aux expérimentateurs chevronnés.
b) Des explications de la raison d’être statistique
des méthodes employées dans les essais de
toxicité. Cependant, le document n’est pas une
introduction à la statistique.
c) Des observations sur les tests statistiques
existants et sur certaines approches profitables
qui pourraient devenir accessibles.
Les objectifs fondamentaux du document ont été définis
par un comité consultatif de la statistique et d’autres
intéressés qui se sont réunis après le 20e Atelier annuel
sur la toxicité en milieu aquatique (Annual Aquatic
Toxicity Workshop), qui a eu lieu à Québec en 1993
(Miller et al., 1993). Ces objectifs sont les suivants :
(1) Donner des conseils sur les méthodes statistiques
applicables aux essais biologiques, favorisant
ainsi la normalisation des méthodes de calcul des
paramètres expérimentaux de toxicité ;
(2) Fournir des renseignements de base sur les
caractéristiques, les points forts et les points
faibles des diverses méthodes statistiques et sur
l’importance de leurs hypothèses ;
• Les explications s’adressent principalement au
nouveau personnel de laboratoire. On insiste sur
la mise à l’épreuve des normes plutôt que sur les
projets de recherche.
(3) Fournir des méthodes d’évaluation pour
déterminer si les résultats d’une expérience
répondent de façon définitive aux questions
initialement posées ;
• Des conseils sont donnés pour reconnaître les
types « difficiles » de données et pour s’en
occuper. On explique des erreurs répandues.
(4) Donner des exemples d’application des méthodes
statistiques et d’interprétation de leurs résultats ;
(5) Donner des conseils sur la reconnaissance des
données « difficiles » et la façon de se tirer
2
d’affaire avec elles.
À Québec, on a présenté des documents d’information,
et la discussion de neuf sujets a abouti à la formulation
de recommandations précises, auxquelles il est donné
suite dans les parties appropriées du présent document.
Il est donné suite aux objectifs 3 et 4, comme il se doit,
dans l’ensemble du document, lorsque l’on décrit des
méthodes particulières.
On a augmenté le glossaire en l’enrichissant d’exemples
et d’explications permettant aux expérimentateurs
d’appliquer leurs connaissances générales aux
particularités des essais d’écotoxicité.
Des exemples agrémentent l’information donnée dans
le document, notamment la mention des pièges et des
lacunes. Les expérimentateurs chevronnés pourraient
avoir l’impression que l’on insiste trop sur les erreurs
communes, mais il importe qu’il en soit ainsi. Des
données prélevées à la faveur de programmes
réglementaires nationaux ont révélé, dans les modes
opératoires, des erreurs relativement mineures mais
fréquentes. Cela résulte peut-être d’une pénurie de
personnel de laboratoire expérimenté ou qui s’y
connaît. Pourquoi la prochaine cohorte devrait-elle
répéter des erreurs banales ?
En conséquence, le document s’attache en grande partie
aux méthodes courantes et établies d’écotoxicologie et
il ne tente pas d’innover. Bien qu’il attire l’attention sur
les techniques nouvelles et avancées qui semblent être
à la fine pointe, il ne peut pas s’étendre sur les
méthodes d’analyse en développement. Certaines des
méthodes nouvelles s’imposeront sans doute en raison
des avantages qu’elles offrent, tandis que les autres
retomberont dans l’oubli. En général, ces méthodes
nouvelles sont proposées par les spécialistes des
équipes statistiquement branchées. De même, il semble
que les études canadiennes de problèmes locaux
complexes de toxicité et de pollution bénéficient
généralement et directement des conseils de spécialistes
en matière de statistique dont elles ont besoin.
Le document ne vise pas à donner des conseils sur les
programmes de recherche fondamentale. Les chercheurs
et ceux qui appliquent des techniques statistiques
avancées pourraient trouver des conseils utiles dans les
sections 4 et 6 du présent document, dans un document
d’une organisation internationale (OECD, 2004) et
chez les auteurs cités dans les paragraphes qui suivent.
On peut trouver des conseils généraux en statistique
dans des manuels tels que ceux de Snedecor et Cochran
(1980), Steel et al. (1997), Zar (1999) et Wardlaw
(1985), ce dernier étant rédigé dans un style qui plaît
particulièrement aux biologistes. On peut accéder à la
base statistique de la toxicologie et d’autres études de
l’environnement grâce à Newman (1995), Gad (1999),
Manly (2000) et Millard et Neerchal (2000). Finney
(1971 ; 1978), Ashton (1972), Hewlett et Plackett
(1979) ou Hubert (1992) décrivent des sujets reliés à la
toxicologie classique et à d’autres sujets plus
spécialisés. Collett (1991) et Fleiss (1981) donnent des
conseils sur l’analyse des proportions et des données
binaires, le fondement des effets quantiques. Un livre
anecdotique intitulé The Lady Tasting Tea (Salsburg,
2001) procure une initiation philosophique générale aux
grandes idées de la statistique appliquée. D’autres
précis, aux titres apparemment pertinents pourraient ne
pas être d’une aide immédiate pour l’analyse statistique
des essais (OECD, 1995 ; Grothe et al., 1996). Enfin,
on trouve des sources prodigieuses de renseignements
(et, parfois, de désinformation) dans Internet, aux sites
sans cesse changeants. Certains sites sont utiles, pour
ce qui est de communiquer les notions générales ou des
techniques statistiques particulières. Certains sites
excellents équivalent à des chapitres de manuels ou à
des notes de cours.
1.2
Mode d’emploi du document
Pour réaliser un essai de toxicité, on commencerait
d’habitude par une méthode publiée par Environnement
Canada ou une autre organisation. Chacun de ces
documents précise les méthodes statistiques à utiliser,
en y allant de descriptions qui conviennent à la plupart
des objectifs.
Pour obtenir plus d’explications, l’expérimentateur
pourrait consulter l’une des sections 3 à 8 du présent
document, qui portent sur différents types de tests et
d’analyses. Ces sections débutent au niveau d’une
méthode individuelle et donnent des conseils
supplémentaires sur l’analyse, la façon d’éviter les
pièges, en motivant le choix des méthodes. Les modes
opératoires particuliers d’essai décrits dans chaque
méthode publiée par Environnement Canada sont
3
définitifs et on devraient s’y conformer dans les
programmes de ce ministère. Le présent document
n’annule et ne remplace aucune méthode particulière
d’essai.
Les novices pourraient souhaiter lire rapidement les
sections 2, 9 et 10. La section 2 traite d’aspects des
plans d’expérience, de certaines erreurs fréquentes et
elle offre des renseignements de base. La section 9 est
plus générale, elle donne des renseignements
statistiques de base et elle traite de méthodes permettant
les tests de différences. Dans la section 10, on donne
des conseils sur certains types difficiles de résultats,
notamment les observations aberrantes et l’effet de
stimulation à de faibles concentrations de toxique. Les
lecteurs peuvent consulter la rubrique « Repères » au
début des sous-sections, pour décider des parties qui
pourraient leur être utiles. Comme nous l’avons
mentionné, le glossaire est détaillé de façon à offrir des
conseils supplémentaires.
Les annexes constituent la deuxième partie du
document. Elles renferment, au profit des lecteurs
intéressés, des renseignements techniques ou détaillés
étayant les affirmations du corps du texte.
1.3
Principales catégories d’essais
Repères
• Il existe deux grandes catégories d’essais : a) les
essais à concentration unique visant à comparer
une matière à une matière témoin ou à une
matière de référence ; b) les essais à
concentrations multiples, visant à estimer une
CE p, une CI p ou une CSEO.
• Les essais à concentrations multiples peuvent se
subdiviser en : a) essais à variables quantiques
(chaque organisme réagit ou ne réagit pas) ;
b) les essais à variables quantitatives ou
continues (qui s’intéressent, par exemple, au
poids des individus).
• Les essais de mesure d’un double effet portent
souvent sur des mesures quantiques et
quantitatives, qui, pour le moment, sont le mieux
analysées séparément.
Une première division entre les types d’essais permet de
séparer ceux qui utilisent une seule concentration de la
matière à l’étude et ceux qui en utilisent plusieurs.
Les essais à concentration unique comparent les effets
toxiques d’un échantillon à ceux d’une matière témoin
(ou d’une matière de référence ou d’un autre
échantillon, emplacement ou condition particulière). Par
exemple, on pourrait comparer un seul échantillon de
sédiment à un sédiment de référence. Ces essais à
concentration unique occupent la partie gauche de la
fig. 1. Des variantes pourraient comprendre l’emploi
d’un seul échantillon ou d’un certain nombre
d’échantillons provenant de différents emplacements,
comparés simultanément à une matière témoin ou à une
matière de référence. Il pourrait ou ne pourrait pas y
avoir répétition. Ces types d’essais sont décrits dans la
section 3.
Les essais à plusieurs concentrations utilisent plusieurs
concentrations fixes et un témoin, afin d’estimer une
CE p, une CI p ou une CSEO. Ces essais occupent les
parties médiane et droite de la fig. 1, qui donne une vue
d’ensemble générale des types d’essais.
Ces deux types d’essais permettraient l’observation
d’un effet quantique ou d’un effet quantitatif (fig. 1).
Dans les essais quantiques, le dénombrement direct des
organismes exposés permet de les classer dans le
groupe des organismes non touchés ou touchés,
c’est-à-dire que les données sont binaires ou
dichotomiques. Les résultats sont le mieux ajustés à une
distribution binomiale et sont analysés par des
techniques statistiques convenant à une telle
distribution (par ex. le test du khi-deux). Cependant, la
plupart des essais quantiques en écotoxicologie sont des
essais de toxicité létale. L’analyse emploie
habituellement la régression probit ou logit ou une
méthode de remplacement. Le paramètre habituel de
toxicité estimé est la concentration létale médiane
(CL 50) ou la concentration efficace 50 (CE 50),
expression plus générale qui englobe les effets
sublétaux. Les essais quantiques sont décrits dans la
section 4.
Les essais quantitatifs mesurent un effet variant de
façon continue tel que la taille d’un organisme. Ces
essais ont déjà été qualifiés de « gradués » (Gaddum,
1953), qualificatif qui ne semble plus convenir. Les
4
résultats de ces essais peuvent être qualifiés de données
« continues ». Le paramètre habituel de toxicité est la
concentration inhibitrice pour un pourcentage donné
d’inhibition des performances des organismes (CI p).
Par exemple, la CI 25 pourrait représenter la
concentration correspondant à une diminution de 25 %
du poids des organismes par rapport au poids des
organismes des groupes témoins. Les résultats
obéissent souvent à la loi normale bien connue (de fait,
une courbe normale cumulée). Idéalement, on estimerait
les paramètres de toxicité par régression, et les
méthodes de régression ont récemment été prescrites
dans certains essais normalisés publiés par
Environnement Canada (§ 6.5.8). Une autre méthode,
moins privilégiée cependant, consiste à utiliser un test
d’hypothèse pour évaluer la CSEO et la CEMO,
comme il est décrit dans la section 7.
Certains essais aboutissent à des effets doubles et ils
comportent habituellement un effet quantique tel que la
mortalité et un effet quantitatif, comme sur le poids ou
la reproduction. Pour le moment, les résultats des essais
de mesure d’un double effet devraient être analysés
séparément (partie centrale de l’organigramme de la
fig. 1), faute d’une technique qui aurait été mise au
point pour analyser les effets corrélés. On adopte
habituellement comme paramètre de toxicité estimé
grâce à l’essai la concentration efficace inférieure. Les
essais de mesure d’un double effet sont décrits dans la
section 8.
5
Plan d’expérience
Essai
Données
Essai à concentration
unique avec témoin
Essai à plusieurs
concentrations
Voir la fig. 3 et la
section 3.
Employer le logarithme de
la concentration
Graphique dessiné à la
main
Données quantiques
(répétitions groupées)
Données sur l’effet double
Données quantitatives
Analyses séparées des
deux effets
facultatif
Au moins
100 observations par
répétition ?
non
Voir la fig. 4 et les
sections 4 et 5.
oui
Analyse de l’effet combiné
(par ex. fondé sur la
biomasse)
Voir la section 8.
Estimation
ponctuelle (CI p)
Test d’hypothèse(s)
[CSEO et CEMO]
Voir la fig. 15 et la
section 6.
Voir la fig. 19 et la
section 7.
Figure 1. — Organigramme des principales catégories d’essais d’écotoxicité traitées dans le présent
document.
6
Section 2
Planification générale et analyse
Les meilleures méthodes statistiques ne sauraient
remédier à une expérience mal planifiée. Les méthodes
d’essai biologique publiées par Environnement Canada
comprennent des conseils sur la planification des
expériences, qu’il faudrait suivre pour obtenir des
données qui se prêtent à l’analyse statistique. En
particulier, l’expérimentateur ne devrait jamais faire fi
des instructions sur la randomisation, les répétitions ou
les témoins (v. les § 2.4, 2.5 et 2.7). Les § 2.1, 2.2 et
2.3 traitent d’autres aspects importants des plans
d’expérience.
La variabilité des résultats peut parfois être réduite
grâce à l’utilisation judicieuse d’un nombre
d’organismes, de répétitions ou de concentrations
supérieur au nombre minimal requis. Ce type
d’amélioration serait particulièrement souhaitable dans
les essais qui serviront à l’homologation
(enregistrement) de nouveaux produits chimiques ou à
des poursuites judiciaires.
2.1
Participation d’un statisticien
Qu’un statisticien doive intervenir à toutes les étapes
d’un essai, notamment dans la planification, l’analyse
et l’exposé des résultats, est un truisme. Souvent, cela
est plus facile à dire qu’à faire, particulièrement dans
les petits laboratoires ou les essais confiés au privé ;
cependant, le principe n’en est pas moins vrai. En cette
époque de communications modernes, on devrait
pouvoir mettre au point un système de consultation
rapide et économique. Le remède pourrait se trouver
dans l’organisation, de temps à autre, de grandes
séances de prestation de conseils sur des approches et
des solutions souhaitables à d’éventuelles situations. Le
présent document a mbitionne de guider
l’expérimentateur, afin que sa consultation d’un
statisticien soit plus fructueuse.
Parfois, le conseil que donnerait le statisticien pourrait
consister simplement à réaliser un essai de toxicité
ordinaire. On devrait s’entendre sur le plan
d’expérience et les méthodes d’analyse, et le statisticien
pourrait avertir l’expérimentateur des difficultés
potentielles. Si on a des motifs de craindre une
distribution irrégulière des données, il faudrait
envisager cette éventualité à l’étape de la planification
de l’essai. Si un effet est susceptible de se manifester
chez les organismes témoins, il faut également en tenir
compte pendant la planification.
En même temps, l’expérimentateur, qui pourrait être
biologiste, devrait ne pas oublier ses priorités et tenter
de parvenir à un juste équilibre entre ces dernières et les
avis du statisticien. Si on lui demande de restreindre les
limites d’erreur, le statisticien peut à peine se retenir de
recommander plus de concentrations, plus
d’organismes, etc. L’expérimentateur doit prendre des
décisions difficiles, pour parvenir à un juste équilibre
entre ces recommandations et les questions pratiques de
coûts, de délais, d’installations et de priorités de travail.
(À celui qui a la bosse des mathématiques, les
statistiques bayésiennes permettent de combiner les
notions de probabilités et de coûts pour déterminer s’il
est rentable ou non d’obtenir des renseignements
supplémentaires. On peut trouver une introduction à ce
sujet dans Morissette [2002] ; elle porte principalement
sur le prélèvement d’échantillons de sédiments
contaminés, mais elle s’applique à d’autres sujets.)
2.2
Sélection des concentrations
Repères
• Le choix des concentrations est un aspect
important et difficile du plan d’expérience. Si l’on
pouvait prévoir les résultats, le plan idéal serait
de posséder plusieurs concentrations auxquelles
correspondent un intervalle médian d’effets, et
d’autres concentrations réparties également
au-dessus et au-dessous et auxquelles
correspondraient des effets négligeables à grands.
• Le problème le plus fréquent dans le choix des
concentrations est que ces dernières sont trop
rapprochées les unes des autres. Toutes
pourraient se révéler soit trop élevées, soit trop
7
faibles, ce qui gâcherait l’essai.
• Le choix de concentrations séparées par des
distances importantes fait courir le risque de ne
pas pouvoir observer d’effets « partiels » ou des
effets de milieu de gamme, mais ce risque est
moins grave.
• Un moyen utile d’éviter ce problème serait
d’effectuer une recherche préliminaire de la
gamme de concentrations à utiliser et/ou d’utiliser
un nombre relativement élevé de concentrations
dans l’essai définitif.
• Quel que soit le choix de concentrations, une
bonne planification exige l’emploi d’une suite
géométrique régulière.
Dans un essai à plusieurs concentrations, le choix des
concentrations appropriées est l’aspect le plus
important du plan d’expérience. Un mauvais choix est
la cause la plus fréquence d’obtention de résultats
« difficiles ». L’erreur la plus répandue consiste à
choisir des concentrations trop rapprochées les unes des
autres. L’expérimentateur pourrait conjecturer (mais à
tort) la valeur prévue du paramètre de toxicité et faire
un choix mauvais et malheureux de concentrations
d’essai. Ce choix pourrait le conduire à la pire des
situations possibles, c’est-à-dire la manifestation
d’effets graves à toutes les concentrations ou, au
contraire, d’effets faibles. L’essai serait un échec,
particulièrement s’il avait utilisé un échantillon prélevé
sur le terrain que l’on ne pourrait pas reproduire. On
donne des exemples dans le § 10.4.
Pour déterminer une CE p ou une CI p, on devrait
toujours s’efforcer de disposer de concentrations qui lui
sont à la fois supérieures et inférieures. Faute de telles
concentrations, il est toujours déconseillé d’estimer
cette valeur par extrapolation, et cela est souvent
impossible. Malheureusement, on ne pourrait choisir
parfaitement les concentrations que si l’on connaissait
d’avance les résultats de l’essai : l’expérimentateur est
donc obligé d’utiliser son jugement. Ce dernier peut être
considérablement amélioré s’il effectue un essai
préliminaire de recherche de la gamme de
concentrations à utiliser, même si cet essai est assez
approximatif. Ensuite, il peut améliorer
considérablement le plan d’expérience de l’essai de
toxicité en augmentant le nombre de concentrations à
utiliser et en les espaçant suffisamment.
Quels que soient l’objet et le plan général d’expérience
de l’essai, il importe de choisir une suite géométrique
régulière de concentrations. Chaque concentration doit
présenter une augmentation constante par rapport à
celle qui la précède. Par exemple, le doublement des
concentrations pourrait donner la suite suivante : 4, 8,
16, 32, 64, etc. À première vue, l’écart paraît grand
entre 32 et 64, mais, pour l’organisme exposé
l’augmentation représente exactement le même
doublement de la stimulation d’origine chimique
qu’entre 4 et 8. Elle représente exactement le même
doublement que celui qui se placerait dans une suite de
concentrations 10 fois plus faibles, c’est-à-dire entre
3,2 et 6,4. Quelle que soit la région de la suite qui se
révèle être l’intervalle important, la même
proportionnalité existe. Cela aide à équilibrer la
répartition des résultats, et le choix est fondamental
pour tous les calculs ultérieurs (v. le § 2.3 pour plus de
détails).
2.2.1 Influences contraires
La précision et les limites de confiance d’un paramètre
de toxicité dépendent en tout ou partie des facteurs
suivants :
a) Le nombre de concentrations auxquelles
correspondent des effets « médians » ou partiels ;
b) La dispersion des concentrations de part et d’autre
de la valeur du paramètre de toxicité ;
c) Le nombre de répétitions ;
d) Le nombre d’organismes par répétition ou
concentration ;
e) La variation (dispersion) des points de données ; et,
pour certaines méthodes d’analyse, la pente de la
droite de régression.
L’expérimentateur peut tenter d’aménager les
conditions favorables aux facteurs a) à d). Il est
question, dans le présent paragraphe, du facteur a).
Si on pouvait prévoir un plan d’expérience idéal,
celui-ci comprendrait plusieurs concentrations dans la
gamme « médiane » des effets, avec une plage égale de
concentrations au-dessus et au-dessous de cet
intervalle. En essayant de choisir ces concentrations,
l’expérimentateur est tiraillé entre deux partis :
8
(1) Resserrer les concentrations afin d’obtenir une
bonne sélection d’effets « médians » ou partiels ;
(2) Disperser largement les concentrations, pour
s’assurer qu’il y correspondra de petits et de
grands effets.
Le problème de loin le plus fréquent découle de la
première influence. L’expérimentateur est porté à
choisir des concentrations relativement rapprochées,
mais la valeur du paramètre de toxicité se trouve
ailleurs que prévu. Comme nous y avons fait allusion,
cela pourrait empêcher d’estimer le paramètre de
toxicité dans un programme réglementaire ou de
surveillance.
Ainsi, l’expérimentateur devrait résister à la tentation
de choisir des concentrations trop serrées et il devrait
prêter beaucoup plus attention qu’il ne l’aurait cru
nécessaire à la seconde influence énumérée ci-dessus.
Pour inspirer confiance, un ensemble de résultats
devrait comprendre une faible concentration, qui
provoque un effet semblable à celui que l’on observe
chez le témoin, et une forte concentration, qui provoque
un effet presque maximal. Ce plan d’expérience est
préconisé par l’OCDE (OECD, 2004), selon qui
« l’idée intuitive de concentrer les doses à proximité de
la CE x n’est pas optimale. Les plans d’expérience
englobant des niveaux de réponse suffisamment
différents par rapport à ceux des témoins sont plus
performants ».
D’autre part, en se laissant aller à la seconde influence,
on risque de ne pas obtenir d’effets dans une gamme
médiane de concentrations, c’est-à-dire des effets qui
encadrent le paramètre de toxicité et qui déterminent les
limites de confiance. Cela est un moindre mal. Au
moins on saurait que le paramètre de toxicité se situe
dans un intervalle donné, ce qui est mieux que de
répondre qu’il est supérieur (ou inférieur) à une
concentration x. Si on analyse les données par
régression, une grande dispersion des données est un
élément favorable. La régression est relativement
impuissante, lorsque les données ne correspondent qu’à
une partie de l’étendue des effets. Il importe de fixer les
valeurs extrêmes de la distribution — une fois qu’elles
sont établies, la partie médiane de la distribution suit,
parce que la forme de la régression a habituellement été
fixée par le choix d’un modèle.
On pourrait habituellement faciliter le choix des
concentrations en commençant par des groupes
supplémentaires d’organismes que l’on exposerait à des
intervalles convenables de concentrations, de 6 à 8,
comme il est recommandé dans certaines méthodes
publiées par Environnement Canada, ou même plus. Si
nécessaire, on pourrait utiliser moins d’organismes par
concentration, tant qu’il y en aurait suffisamment pour
satisfaire aux exigences minimales d’Environnement
Canada. D’un point de vue statistique, il est préférable
de disposer d’un plus grand nombre de concentrations
(correspondant à des effets partiels ou « médians ») et
d’y exposer (à chacune) moins d’organismes, plutôt que
d’avoir plus d’organismes exposés à moins de
concentrations. Comme nous l’avons mentionné
ailleurs, on a prouvé que le fait d’employer 7 poissons
au lieu de 10 aux concentrations appropriées ne
diminuait pas gravement la précision de l’estimation du
paramètre de toxicité (Douglas et al., 1986).
Le fait de disposer de concentrations supplémentaires
ne permettrait pas seulement une plus grande
dispersion, mais, peut-être aussi, il permettrait d’avoir
les petits intervalles souhaitables entre les
concentrations.
2.2.2 Types particuliers d’essais
Les essais quantiques (de toxicité) correspondent à la
distribution précédemment exposée. L’ensemble idéal
de résultats serait constitué principalement d’effets
partiels (aucun effet nul ni total), centrés sur la CE 50
et l’encadrant. La méthode recommandée d’analyse par
la régression probit exige absolument deux effets
partiels dans la série de résultats. Les effets près du
taux de 50 % ont le plus d’influence dans l’estimation
de la CE 50 et ils permettent de rétrécir l’intervalle de
confiance.
Cependant, si le fait de disperser davantage les
concentrations n’a permis d’obtenir qu’un seul effet
partiel, on peut recourir à une deuxième méthode
d’analyse (§ 4.5.6). Même sans effet partiel, on peut
estimer la CE 50. Dans ce cas, les effets à 0 et à 100 %
correspondrait à des concentrations successives de la
série, probablement signe d’une CE 50 se situant dans
un intervalle raisonnablement étroit (§ 4.5.7).
On pourrait analyser les résultats quantitatifs d’essais
de toxicité sublétale par régression. Un aspect très
9
important du plan d’expérience serait de s’assurer que
les observations couvriraient le domaine des petits à
grands effets. Un modèle ajusté décrirait le mieux les
trois phases suivantes : initialement, l’absence d’effet
ou un effet faible, puis une région correspondant à un
effet croissant, aboutissant à une région où l’effet est
complet ou presque asymptotique, ne dénotant presque
aucun changement. Il serait très souhaitable d’obtenir
des données sur chacune de ces phases (§ 4.4 et 4.7).
Pour ce qui concerne les essais quantitatifs de toxicité
sublétale, certains exemples présentés dans le § 10.4
(« résultats difficiles ») montrent les incertitudes que
soulève un plan d’expérience ne couvrant pas une
étendue suffisamment grande de concentrations.
Pour la régression, il est généralement plus avantageux
d’augmenter le nombre de concentrations plutôt que de
répétitions. Bien que cela puisse ajouter au coût de mise
en place de l’essai, cela pourrait ne pas accroître le
nombre total d’organismes et cela pourrait même le
réduire.
Les essais réglementaires comportent d’habitude
moins de difficultés dans le choix des concentrations
appropriées. Les essais en routine d’un effluent liquide
exigeraient souvent une concentration à 100 %, qui
fixerait visiblement la valeur maximale de la série de
concentrations. On s’intéresserait probablement plus à
l’intervalle de 1 à 100 % de concentration. En
conséquence, une série commune et adéquate de
concentrations dans des essais sur des effluents est de
100, 50, 25, 12,5 et 6,25 %. D’habitude, l’essai
réglementaire préciserait un nombre minimal
d’organismes.
Les essais menés à des fins de recherche ou
d’enquête, par ex. pour déterminer la toxicité d’une
substance nouvelle, pourraient exiger des efforts
supplémentaires pour le choix des concentrations. Une
recherche préliminaire de la gamme de concentrations
à utiliser serait une tactique efficace, tant que les
matières à l’étude sont stables pendant l’essai. On
établirait ainsi les concentrations qu’il est rentable
d’utiliser dans un essai définitif. Cet essai préliminaire
pourrait employer un plan d’expérience tout à fait
rudimentaire, ne comportant que quelques organismes
ou concentrations ainsi qu’une exposition courte.
2.3
Logarithmes de la concentration
Dans la mise en place de l’essai, on choisit presque
automatiquement une série de concentrations dont
chacune multiplie la précédente par une constante. Ces
concentrations forment ainsi une suite géométrique ou
logarithmique. L’origine de cette règle est biologique et
elle n’a rien à voir avec la statistique. C’est
apparemment la façon dont les organismes
« perçoivent » l’échelle des concentrations et, presque
universellement, c’est ainsi que l’on réalise leur
exposition. Faire autrement, c’est rendre l’essai moins
efficace et moins puissant 1. On pourrait utiliser une
suite géométrique avec quelque multiplicateur que ce
soit, par ex. une simple suite dont le multiplicateur
serait 2, ce qui donnerait des concentrations telles que
2, 4, 8, 16, etc. Ou, si on divisait la fourchette voulue
de concentrations par le nombre voulu d’enceintes
expérimentales, on pourrait calculer un multiplicateur
plus inhabituel, par ex. 1,6 (concentrations de 2, 3,2,
5,1, 8,2, etc.). Toute suite à multiplicateur constant
aurait des intervalles logarithmiques égaux. Pour
l’analyse, il est habituel d’exprimer les concentrations
en logarithmes de base 10, mais on pourrait tout aussi
bien utiliser les logarithmes népériens, tant que, à
l’intérieur de l’essai, on utilise toujours les mêmes
logarithmes.
Repères
• Une suite géométrique (= logarithmique) de
concentrations d’exposition est chose courante
dans les essais de toxicité, pour de bonnes
raisons. Une fois adoptée, elle reste la règle
implicite, comme élément d’une bonne méthode
scientifique. Après l’analyse statistique, on
convertit habituellement les paramètres de toxicité
et leurs limites de confiance en valeurs
arithmétiques, pour les rendre plus intelligibles.
Cependant, tout traitement mathématique
ultérieur tel que le calcul de la moyenne et
1. Par exemple, Robertson et al. (1984) ont constaté que des
essais précis visant à déterminer la CL 50 exigeaient un
espacement régulier des concentrations sur une échelle
logarithmique, particulièrement les concentrations auxquelles
correspondaient des effets de 25 à 75 %. Ils étudiaient
particulièrement les besoins d’un essai efficace de toxicité, en
utilisant des insectes dans les essais préliminaires.
10
l’analyse de variance devrait, par défaut, utiliser
les logarithmes, à moins de prouver que ceux-ci
ne conviennent pas.
• Les programmes informatiques actuellement
disponibles dans le commerce pour l’analyse des
résultats sublétaux enfreignent habituellement le
principe qui précède et, par défaut, ils emploient
dans leurs calculs les valeurs arithmétiques de la
concentration. L’expérimentateur doit
comprendre le fonctionnement de ces
programmes. Dans certains cas, la seule solution
consiste à saisir les concentrations sous forme
logarithmique.
• Les paramètres de toxicité calculés à l’aide de
concentrations arithmétiques deviennent de plus
en plus erronés à mesure que les ensembles de
données deviennent plus variables.
• La durée d’exposition est également de nature
logarithmique, et il faut utiliser le logarithme du
temps dans les calculs.
La plupart des gens comprennent intuitivement les
motifs pour lesquels on met ainsi les essais en place, et
on peut se représenter ces motifs en faisant appel au
sens commun. L’emploi d’une suite arithmétique
pourrait être acceptable à de faibles concentrations
(par ex. 1, 2, 3, 4 et 5 mg/L), mais on ne voudrait
probablement pas conserver le même intervalle
arithmétique unitaire à de plus fortes concentrations
(par ex. 11, 12, 13, 14, 15 mg/L). À des concentrations
encore plus fortes, l’intervalle devient ridicule :
pourquoi utiliser 101, 102, 103, 104 ... mg/L ? ou
1 001, 1 002, 1 003 ... mg/L ? Il serait probablement
impossible de déceler une différence dans l’effet
provoqué chez les organismes exposés à des
concentrations de 101 et de 102 mg/L, sans parler de
celles de 1 001 et de 1 002 mg/L. Le principe des
intervalles plus étendus aux fortes concentrations se
passe d’explication, par ex. 1, 2, 4, 8, ... ou 100, 200,
400... ou 1 000, 2 000, 4 000, etc.
Ainsi la modification des effets sur les organismes est
reliée à l’augmentation proportionnelle de la
concentration et non à son augmentation absolue. Bien
qu’une augmentation de 10 unités, entre 10 à 20 mg/L,
constitue un doublement de la concentration, la même
variation arithmétique, de 100 à 110 mg/L, ne
représente qu’une augmentation de 10 %, qui équivaut
à une variation de 10 à 11 mg/L. Le doublement de la
concentration toxique dans l’intervalle supérieur serait
de 100 à 200 mg/L. Si ce dernier argument ne convainc
pas, qu’il suffise de réfléchir aux unités de
concentration : la suite 1, 2, 4, 8 mg/L est identique à
la suite 1 000, 2 000, 4 000, 8 000 µg/L, même si la
variation absolue semble énormément différente à
première vue.
En conséquence, l’emploi du logarithme de la
concentration reflète un phénomène biologique, il est
adapté à l’exposition toxicologique et il n’est pas une
transformation adoptée principalement pour faire
plaisir aux statisticiens.
Il est parfois arrivé que les expérimentateurs qui
utilisaient normalement une suite géométrique de
concentrations, mais qui voulaient obtenir des
renseignements plus détaillés sur une fourchette
particulière étroite, comprise dans l’étendue de la suite,
aient renoncé au principe géométrique et aient utilisé
une suite arithmétique. Par exemple, dans une
fourchette à laquelle ils s’intéressaient particulièrement,
de 30 à 60, ils ont pu utiliser des concentrations de 30,
40, 50 et 60. Le même principe s’applique : il aurait
fallu que cette fourchette soit couverte par une suite
géométrique. En effet, les intervalles choisis à
l’intérieur de la fourchette sont inégaux : celui de 30 à
40 représente une augmentation de 33 %, tandis que
celui de 50 à 60 ne représente qu’une augmentation de
20 %. Habituellement, il aurait davantage convenu de
diviser toute l’étendue des concentrations utilisées dans
l’essai, y compris la fourchette à laquelle on
s’intéressait le plus, en intervalles plus fins mais égaux.
On connaît peu d’exceptions à la transformation
logarithmique de la dose. L’une d’entre elles serait le
pH, qui est déjà logarithmique. Une autre serait la
température, qui représente un cas particulier et, pour
les interprétations appliquées au vivant, ne possède rien
d’équivalent au zéro de l’échelle de concentrations d’un
toxique.
2.3.1 Constance dans l’emploi des logarithmes
Bien que les expérimentateurs canadiens semblent
adopter facilement une suite géométrique de
concentrations d’exposition, ils sont souvent peu
disposés à continuer d’employer les logarithmes pour
11
l’analyse statistique et, parfois, ils y sont franchement
hostiles. La raison n’en est pas claire, mais cela
pourrait s’expliquer par la complexité arithmétique
accrue des logarithmes et/ou par leur méconnaissance
(v. le § 2.3.5 sur la familiarisation). C’est une erreur
fréquente que d’effectuer des analyses statistiques avec,
pour la concentration, des valeurs arithmétiques. Si les
résultats semble satisfaisants, les expérimentateurs ne
voient pas le besoin d’utiliser les logarithmes et ils vont
de l’avant avec les valeurs arithmétiques. Comme nous
le décrirons plus loin, cette démarche est rétrograde,
parce qu’elle consiste à abandonner l’échelle initiale
sans exposer ses raisons. La bonne façon de faire
consiste à entreprendre l’analyse avec les logarithmes
des concentrations. Si on satisfait ainsi aux exigences
de la méthode et si les résultats sont satisfaisants, on
conserve l’échelle des concentrations.
L’expérimentateur ayant adopté l’échelle géométrique
ou logarithmique pour l’essai et ayant ainsi rejeté le
modèle arithmétique fait simplement preuve de rigueur
scientifique en restant fidèle à son choix tout le long de
l’étude et de l’analyse, à moins que l’échelle choisie ne
se révèle erronée. L’adoption d’une échelle s’apparente
à l’adoption d’une hypothèse — on y reste fidèle
jusqu’à ce que l’on prouve que l’on a tort, auquel cas
on cherche une meilleure hypothèse ou, dans ce cas,
une meilleure échelle de concentration. Ce n’est pas
d’abord une question de toxicologie ou de statistique,
mais de science et de méthode scientifique. La suite
géométrique de concentrations possède une « vérité »
fondamentale. Dans son application (v. le 1er alinéa du
§ 2.3) et pour l’analyse statistique, on devrait conserver
ce caractère fondamental si les effets doivent être
interprétés sans altération. Même les statisticiens
pourraient, de temps en temps, oublier cette raison
fondamentale de conserver les logarithmes de
concentration dans les analyses des résultats, et les
biologiques ou les toxicologues devraient être prêts à
défendre le concept. Dans des déclarations publiées, des
statisticiens reconnaissent que le modèle d’analyse
devrait suivre la « raison scientifique sous-jacente », ce
que nous comprenons comme étant les motifs pour
adopter une suite géométrique des concentrations
d’exposition (par ex. Collett, 1991, p. 94) 2 .
2. Sur la question de l’emploi ou non des logarithmes dans
l’analyse par la méthode des probits ou des logits, Collett
s’exprime ainsi : « Faute de motifs scientifiques sous-jacents pour
utiliser les valeurs transformées d’une variable explicative du
L’abandon de l’échelle géométrique à mi-chemin dans
une étude est fréquent, malheureusement. Cela pourrait
aider si l’expérimentateur se demandait pourquoi les
expositions initiales ont été converties dans une suite
logarithmique. Les motifs de cette transformation,
quels qu’ils soient, restent valides durant les analyses
statistiques, tant que l’on ne les a pas infirmés.
Si un test statistique formel a montré que le modèle
n’est pas ajusté de façon satisfaisante aux données, il se
peut alors que l’échelle logarithmique ne convienne
pas 3. L’ajustement pourrait être vérifié pour une
transformation arithmétique des concentrations ou pour
une autre sorte de transformation, afin de trouver un
ajustement convenable (§ 2.9). Si l’échelle de
concentrations de rechange s’est révélée supérieure,
alors, pour le test, on aurait dû vraiment utiliser cette
suite pour les concentrations d’exposition. Cependant,
au risque de nous répéter, nous affirmons que ce sont
les valeurs logarithmiques des concentrations qui
représentent les valeurs par défaut et que les valeurs
arithmétiques ne doivent pas être prises comme valeurs
par défaut ni être utilisées d’abord pour la vérification
du modèle.
La conservation des logarithmes de concentration
signifie que toutes les manipulations mathématiques
ultérieures des données devraient être à l’échelle
logarithmique (§ 2.3.2 à 2.3.4).
2.3.2 Logarithmes et programmes informatiques
L’expérimentateur doit s’assurer, s’il utilise un
programme informatique conçu pour les essais
toxicologiques, que les calculs emploient les
modèle, le choix entre les modèles de rechange repose sur des
bases uniquement statistiques, et on adoptera le modèle le mieux
ajusté aux données disponibles. » (Les italiques sont de nous.)
Bien que, à première vue, cette déclaration semble donner la
primauté aux considérations statistiques, cela ne serait vrai que
s’il n’y avait pas de motif scientifique (biologique) pour adopter
un modèle donné.
3. L’expérimentateur ne doit pas oublier que l’absence
d’ajustement du modèle aux données pourrait ne pas être
attribuable à la transformation de la variable indépendante (la
concentration), mais, plutôt, être attribuable à une ou à plusieurs
des causes suivantes : a) la transformation de l’effet est
nécessaire ; b) la distribution des tolérances (v. le glossaire)
n’obéit pas à la loi normale ; c) la distribution des tolérances
emploie différentes échelles (variances) à différentes
concentrations ; d) le modèle choisi ne convient pas aux données.
12
logarithmes de la concentration.
Presque tous les programmes informatiques offerts sur
le marché posent comme hypothèse que les
concentrations d’exposition obéissent à une suite
logarithmique, comme on peut le voir par leurs
ensembles spécimens de données. La plupart des
programmes conservent automatiquement les
logarithmes pour la régression probit, mais ils ne les
utilisent pas nécessairement pour d’autres types
d’analyses des données. Les programmes diffèrent, et
il pourrait être difficile de discerner quelle échelle de
concentration ils utilisent. Inexplicablement, un vieux
programme commercial avait apparemment la
concentration arithmétique comme réglage par défaut ;
un essai de TOXSTAT 3.5 a révélé qu’il en était ainsi,
même pour la régression probit. Une option permettait
de choisir le logarithme de la concentration, mais
l’opérateur devait immédiatement saisir une autre
commande, « RUN » (exécuter), sinon cette instruction
était ignorée. Si, dans un programme commercial,
toutes les autres tentatives échouent, on devrait saisir
les concentrations sous forme de logarithmes. Tout
tableur fournit les logarithmes, mais beaucoup de
programmes commerciaux conçus pour l’analyse de la
toxicité exigent que chaque élément de l’ensemble de
données soit saisi (tâche fastidieuse) dans un segment
particulier du programme.
Étonnamment, le programme ICPIN n’utilise pas de
concentrations logarithmiques dans l’« interpolation
linéaire » visant à estimer la CI p dans les essais
quantitatifs de toxicité sublétale (§ 6.4 ; Norberg-King,
1993). Les procédures du programme ont initialement
été mises en place par le personnel de l’USEPA et elles
sont désormais intégrées dans les programmes
commerciaux usuels.
Les programmes informatiques prenant en charge la
nouvelle approche de la régression non linéaire sont
d’usage général et ne sont pas conçus pour la
toxicologie. Rien n’y est prévu pour qu’ils utilisent
automatiquement le logarithme de la concentration, et
des auteurs, en utilisant la régression non linéaire ont
omis de transformer les valeurs arithmétiques (§ 6.5.7).
Bien que la régression non linéaire puisse s’ajuster à
presque toute forme de courbe, il y aura probablement
une pénalité à payer (plus de paramètres à employer,
avec perte de puissance pour l’ajustement) [voir le
§ 6.5.5]. Habituellement, la relation décrite par un
modèle comportant des concentrations et/ou des durées
sous forme logarithmique sera moins complexe. Le
modèle peut s’ajuster à une relation plus simple sous
forme de courbe ou de droite, avec moins de paramètres
à estimer et perte moins grande de degrés de liberté, ce
qui augmente la puissance de l’analyse. En outre, les
courbes et les graphiques des effets sur une échelle
arithmétique pourraient induire en erreur (§ 5.3).
2.3.3 Calculs ultérieurs avec des logarithmes
Une fois que l’on a calculé les paramètres de toxicité
avec leurs limites de confiance, on convertit souvent ces
résultats en valeurs arithmétiques pour les rendre plus
intelligibles. Cependant, avant toute manipulation
mathématique ultérieure des formes arithmétiques de
ces valeurs ou des variables associées, il faut les
reconvertir en logarithmes. (C’est le « dose
metameter » [unité la plus pertinente pour exprimer la
dose] de Finney, 1971.)
Une erreur fréquente consiste à calculer la moyenne des
valeurs arithmétiques de deux ou de plusieurs CE 50,
CI p ou autres paramètres de toxicité. Il faut se
rappeler que, dans ces abréviations, C signifie
concentration. On devrait se représenter le paramètre
de toxicité estimé grâce à l’essai comme un logarithme
parfois transformé temporairement en valeur
arithmétique. La bonne façon de faire consiste à
calculer la moyenne des valeurs logarithmiques des
paramètres de toxicité, puis, si on le désire, à prendre
l’antilogarithme du résultat (une moyenne
géométrique) 4 . Quand on évalue les études de la
toxicité, il reste nécessaire de dépister ce type d’erreur.
2.3.4 Cela importe-t-il ?
Des expérimentateurs protestent contre l’emploi de
logarithmes, parce que les résultats sont semblables aux
valeurs arithmétiques de la concentration. Bien que cela
soit raisonnablement vrai pour quelques « bons »
ensembles de données, il existe des différences
appréciables dans les irrégularités souvent constatées
en écotoxicologie.
4. Dans le document de travail pour l’élaboration de critères de
qualité de l’eau (Stephan et al., 1985), on trouvera un excellent
exemple, fourni par l’USEPA, du moyennage poussé des
paramètres de toxicité et d’autres manipulations des données à
l’aide des méthodes logarithmiques appropriées.
13
Si les logarithmes donnent une estimation plus vraie des
données irrégulières, cela conforte le principe selon
lequel la bonne marche à suivre consiste à utiliser les
logarithmes pour tous les ensembles de données. La
question n’est pas : «Cela fait-il beaucoup de
différence ? », mais plutôt : « Qu’est-ce qui est
correct ? » Les expérimentateurs canadiens devraient
utiliser la façon correcte.
Dans l’annexe D, on trouve deux exemples favorables
à l’emploi des logarithmes. Le premier est simplement
une comparaison des moyennes arithmétique et
géométrique de certains ensembles de concentrations
constituant des estimations de la toxicité. Dans le cas
de données cohérentes (« bonnes »), l’écart entre ces
moyennes était minime. Cependant les deux types de
moyennes divergeaient de plus en plus à mesure que les
ensembles de données devenaient plus irrégulières.
Dans un cas extrême, la moyenne arithmétique était
5,4 fois plus élevée et elle n’était pas représentative de
la plupart des valeurs de l’ensemble.
Dans le second exemple, on a calculé les CE 50 à l’aide
des quatre ensembles de données A à D du tableau 2.
La régression probit appliquée aux concentrations
arithmétiques a donné des CE 50 qui étaient en
moyenne 1,2 fois plus élevées que les valeurs justes. En
général, les intervalles de confiance se sont élargies. On
présente un autre exemple, avec une erreur
d’importance semblable, du calcul erroné de la zone de
confiance pour des toxiques de référence (§ 2.8).
Grâce à des mathématiques complexes, on pourrait
réduire au minimum ce type d’erreur, mais on ne
pourra jamais supprimer la faille fondamentale de
l’approche.
Des erreurs semblables pourraient entacher les
manipulations ultérieures qui n’auront pas utilisé le
logarithme des paramètres de toxicité (par ex.
moyennes, tendances au cours du temps, comparaisons
de l’activité, analyse de variance, etc.). Elles pourraient
aboutir à un classement erroné dans des catégories
d’échec ou de réussite ou à la prise de mesures visant
des écarts qui n’étaient pas réels. Une courbe de
toxicité erronée pourrait faire conclure, à tort, à un
seuil d’effet, comme le montre un exemple donné dans
le § 5.2.
2.3.5 Familiarisation et techniques
Calculateurs électroniques et ordinateurs sont
facilement disponibles depuis plusieurs décennies. À
cause de cela les expérimentateurs d’aujourd’hui
connaissent souvent mal les logarithmes et leur
structure. Il peut être avantageux de consacrer un peu
de temps à l’étude de leur nature. Une calculette
possédant une touche « logarithme/antilogarithme »
permettra de s’en faire une idée rapide. Il serait
particulièrement intéressant d’étudier les manipulations
arithmétiques par rapport aux manipulations des
équivalents logarithmiques :
•
Multiplication ou division correspondent à
l’addition ou à la soustraction de logarithmes ;
•
Les racines carrées et les autres racines
fonctionnent par division des logarithmes.
Le glossaire donne d’autres explications, exemples à
l’appui, sur la forme que prennent les logarithmes.
Si on est embarrassé d’utiliser une échelle
logarithmique, on devrait songer que la concentration
d’ions hydrogène dans l’eau est habituellement décrite
par le pH, c’est-à-dire un logarithme, et que la plupart
semblent s’en accommoder facilement.
L’emploi des logarithmes présente des difficultés et des
inconvénients, mais on peut contourner ce problème.
Ainsi, dans le cas des données relatives aux témoins, la
saisie de la concentration peut faire problème parce
qu’une concentration nulle ne possède pas de
logarithme. Cela pourrait soulever des difficultés dans
l’estimation de la CI p au moyen de la version actuelle
du programme ICPIN, qui exige la saisie d’une
concentration pour le témoin 5 . La solution consiste à
saisir le logarithme d’une concentration quelconque,
très faible par rapport à la concentration soumise à
l’essai (disons 0,001 mg/L). En réalité, un programme
tel qu’ICPIN n’utilise pas cette valeur, mais il reconnaît
l’effet observé chez les témoins par sa position dans le
tableau de données, de sorte que les procédures
5. Le programme ICPIN ne convertit pas les concentrations en
logarithmes, de sorte que les utilisateurs canadiens doivent saisir
les logarithmes de toutes les concentrations. Cela comprend la
saisie du logarithme d’une très faible concentration,
correspondant au témoin, dans la deuxième rangée du tableau de
données.
14
d’analyse n’en souffrent pas.
Les concentrations inférieures à l’unité (1,0) ont un
logarithme négatif, ce qui risque de porter à confusion.
Pour les toxicologues, la solution la meilleure consiste
à modifier les unités de concentration. Si, par ex., la
concentration minimale à l’étude est de 0,1 mg/kg, et
que, à la place, on utilise des microgrammes par
kilogramme (ìg/kg), les valeurs correspondantes
partiront de 100 en montant, ce qui donnera des
logarithmes positifs. Si les valeurs rebutantes étaient
des concentrations exprimées en pourcentage, on
pourrait en modifier l’échelle en millièmes ou en dix
millièmes. Après les calculs, on pourrait convertir les
résultats en valeurs arithmétiques, dans un souci
d’intelligibilité, et modifier les unités selon son bon
plaisir. Les programmes informatiques modernes
manipulent sans difficulté les logarithmes négatifs,
contrairement aux vieux programmes ou aux
programmes « locaux ». Dans un souci de prudence, on
devrait donc ne saisir que des logarithmes positifs dans
les programmes informatiques.
2.3.6 Logarithme du temps
En écotoxicologie, le temps fait habituellement partie
de la dose, de même que de l’effet ou de la réponse et,
de ce fait, il faut également en tenir compte sous sa
for me loga rithmiqu e.
La
nature
géométrique/logarithmique du temps n’est pas si
évidente en soi, mais on peut raisonner comme nous
l’avons fait à l’égard des concentrations. Ce n’est pas
la durée absolue qui détermine un changement d’effet,
mais l’augmentation proportionnelle du temps. Dans un
essai de toxicité, une augmentation de la durée
d’exposition d’une heure à deux heures représenterait
le doublement de la durée d’exposition, peut-être
accompagnée d’une modification importante de l’effet.
Si la durée passait de 96 à 97 heures, cela
représenterait une augmentation insignifiante,
probablement non décelable quant à la modification de
l’effet. On devrait donc envisager l’emploi des
logarithmes de temps dans le plan d’expérience et les
utiliser dans toute analyse portant sur le temps.
Cela est quelque peu reconnu, car les expérimentateurs
sont susceptibles de faire des inspections fréquentes au
début d’un essai, puis, graduellement, ils les espacent.
On reconnaît ainsi tacitement qu’une heure au début
d’un essai d’une durée d’une semaine a plus
d’importance qu’une heure à la fin. Les psychologues
font observer que la perception humaine du temps
écoulé est logarithmique dans une certaine mesure
(Cohen, 1964). Un toxicologue spécialiste du milieu
aquatique des premières années (Wilber, 1962) a décrit
la situation comme suit :
« Temps biologique
« Dans les longues études employant des
concentrations sublétales de toxiques, il importe de
reconnaître que le temps biologique est un phénomène
logarithmique [Du Nouy, 1936]. D’autres ont rappelé
ce fait [Gaddum, 1953]. Cela peut expliquer en partie
pourquoi les courbes dose-réponse duquel le temps fait
partie sont de nature logarithmique.
« Il ne faut pas oublier le caractère logarithmique du
temps biologique dans l’interprétation des résultats des
expériences à long terme ayant employé des toxiques
dans l’eau. Il est évident que la valeur et la
signification biologiques d’un intervalle donné de
temps ne seront pas les mêmes au début et à la fin
d’une exposition chronique. Cela est si important que
cela pourrait modifier les conclusions auxquelles on
arrive 6. »
Dans les analyses toxicologiques, le temps intervient
principalement dans les courbes de toxicité (section 5),
mais, pour ce qui concerne les effets quantiques, il est
avantageux d’estimer le temps correspondant à un effet
de 50 % (TE 50, § 5.1).
2.3.7 Logarithme de l’effet ?
Dans les essais de toxicité, la variable indépendante
peut parfois être de nature logarithmique et on devrait
l’analyser comme telle. Cela pourrait survenir lorsque
l’on mesure des effets quantitatifs. Par exemple,
lorsque l’on calcule la CI p du gain de poids chez les
or ga nis mes , on es t i me les va r ia t ions
proportionnellement au poids des organismes. On
calcule la CI p comme un pourcentage désigné
d’altération, de gêne ou de dysfonction, c’est-à-dire
comme une réduction proportionnelle par rapport aux
témoins. Autrement dit, la CI p étant affaire de
proportion, les intervalles sont donc géométriques ou
logarithmiques.
6. Du Nouy, que cite Wilber, a écrit une monographie sur le
temps biologique, tandis que Gaddum est l’un des premiers
géants de la pharmacotoxicologie. (Voir la rubrique
« Références ».)
15
La plupart des arguments présentés dans le paragraphe
sur l’emploi des logarithmes comme échelle par défaut
de la variable indépendante (concentration)
sembleraient également s’appliquer aux variables
dépendantes quantitatives qui sont proportionnelles de
nature (par ex. le poids). Cependant, on applique
généralement le concept dans une seule situation,
c’est-à-dire dans la transformation des données sur les
effets, afin de répondre aux exigences de la normalité et
de l’homogénéité de la variance (v. le § 2.9).
À part ce type de transformation que l’on effectue au
besoin, le quotidien de l’écotoxicologie fait peu de cas
de la notion de l’échelle proportionnelle des effets.
Peut-être la question émergera-t-elle lorsque de
nouvelles méthodes seront mises au point. L’un des
statisticiens les plus rompus à la toxicologie (Slob,
2002) a adopté cette approche dans la modélisation des
données quantitatives. Slob (2002) décrit ses
hypothèses dans une régression non linéaire : « Par
défaut, on pose que les mesures suivent une distribution
log-normale. Par conséquent, le modèle de dose-réponse
est ajusté à une échelle logarithmique, c’est-à-dire que
le modèle comme les données sont transformés en
logarithmes... Donc, les moyennes des groupes ne sont
pas arithmétiques, mais géométriques... »
2.4
Randomisation
« La randomisation est quelque peu analogue à
l’assurance : c’est une façon de se prémunir contre les
éventuelles perturbations, lesquelles peuvent être
graves. » (Cochran et Cox, 1957)
Repères
• Les tests statistiques reposent sur l’hypothèse
selon laquelle toutes les variables auxiliaires d’un
essai de toxicité sont aléatoires. La randomisation
devrait donc toucher tous les aspects du plan
d’expérience et des modes opératoires. Cela
comprend la randomisation des récipients
renfermant différentes concentrations, leur
position dans le dispositif expérimental et la
disposition des organismes dans les récipients.
• On peut supprimer une autre possibilité d’erreur
systématique si l’observateur ne connaît pas
l’identité des enceintes expérimentales.
• On présente, dans l’annexe E, des méthodes
pratiques de randomisation.
Dans les essais de toxicité comme dans les autres
travaux expérimentaux, la randomisation est cruciale
pour l’inférence statistique. Elle confère validité aux
hypothèses expérimentales en abolissant toute
corrélation potentielle entre les unités expérimentales.
L’indépendance des observations autorise une
estimation sans biais des effets et des traitements.
Davis et al. (1998) ont conclu que l’affectation non
aléatoire des organismes peut introduire un biais
significatif dans les estimations de la concentration
létale. Toute tentative raisonnable de randomisation a
permis de supprimer le biais, mais on a obtenu le moins
de variation dans les résultats grâce à une affectation
complètement aléatoire.
La randomisation devrait s’imposer dans tous les
aspects du plan d’expérience et du mode opératoire
d’un essai de toxicité. Tout test statistique pose que
toutes les variables contribuant aux données sont
aléatoires, sauf la variable à laquelle on s’intéresse, qui,
dans ce cas, serait l’agent ou les agents toxiques. Si
l’une des variables auxiliaires n’est pas délibérément
randomisée, il y aura automatiquement lieu de
s’interroger sur la validité du traitement statistique. En
omettant de randomiser un élément, on pose que ce
dernier ne biaisera pas les résultats ni invalidera les
tests statistiques, ce qui pourrait être vrai. Cependant,
s’il devait causer un biais ou une invalidation, il n’y a
habituellement aucun moyen de s’en s’en assurer après
l’essai. La seule façon d’échapper à l’incertitude est de
randomiser tous les facteurs possibles de contribution,
à part les concentrations et la durée d’exposition, que
l’on choisit pour faire partie de la « dose ».
Si une méthode d’essai d’Environnement Canada
impose la randomisation, il faut signaler toute omission
à cet égard, et cette omission pourrait invalider l’essai.
Pour ce qui concerne les essais réglementaires qui
pourraient servir dans des poursuites, une
randomisation appropriée supprime un motif de critique
de l’essai (et de l’expérimentateur) par une organisation
de l’extérieur qui aurait voulu mettre les résultats en
doute.
Devraient notamment être randomisés les éléments
suivants :
16
•
Les récipients utilisés pour les concentrations,
dont la randomisation est rarement faite, mais qui
devrait être pratiquée. Si un récipient a servi dans
un essai antérieur, un report du toxique est
possible, en dépit du nettoyage, et il pourrait
influer sur le nouvel effet observé dans ce récipient.
On pourrait même imaginer que de nouveaux
récipients neufs aient un défaut ou un constituant
occasionnel qui influerait de façon irrégulière sur
les résultats d’un essai.
•
La disposition des récipients au hasard, dans la
pièce, l’incubateur, etc. est spécifiée dans la
plupart des méthodes publiées par Environnement
Canada. Il pourrait y avoir des différences dans les
conditions accessoires, selon l’emplacement
particulier des récipients. Parfois, on résiste à cette
condition, parce qu’un dispositif expérimental
irrégulier des concentrations et des répétitions est
susceptible de causer des erreurs dans
l’enregistrement des données (v. ci-dessous).
•
La disposition aléatoire des organismes dans les
récipients peut avoir de l’importance. Souvent, on
omet de se plier à cette condition parce qu’elle peut
être ennuyeuse et que, parfois, il est difficile de
conserver la trace du nombre d’organismes ayant
été déposés dans un récipient donné. La
randomisation formelle est possible et même un
système comme celui de la distribution de cartes
peut être satisfaisant.
•
Les essais en aveugle, dans lesquels l’observateur
ne connaît pas les traitements, signifient que les
récipients doivent être identifiés par un code
plutôt que par l’indication de leur concentration.
L’essai en aveugle dénote le souci poussé d’éviter
le biais dû à l’observateur et il contribuerait à
rendre inattaquables ses résultats.
La pire situation serait un biais (erreur systématique)
dû à l’omission de la randomisation. Par exemple, si on
a attribué les concentrations aux organismes de la
colonie dans l’ordre de leur capture, les organismes
capturés le plus facilement pourraient correspondre aux
concentrations minimales. Il se pourrait que ces
organismes soient plus faibles et plus sensibles aux
toxiques, ce qui exagérerait l’effet du toxique à faible
concentration. De même, si les enceintes expérimentales
étaient alignées dans l’ordre des concentrations, les
résultats pourraient être biaisés par un gradient de
température, d’éclairage ou le gradient d’une
perturbation qui existait dans le laboratoire. Par
exemple, la proximité d’un appareil de chauffage dans
un incubateur pourrait influer sur les températures de
l’essai et, de là, sur la toxicité. Les essais avec des
algues peuvent être particulièrement variables, parce
que la croissance des algues chute quand l’éclairage
diminue, ce qui pourrait se produire sur les bordures et
dans les angles du dispositif expérimental. Même en
dépit d’une excellente randomisation, des facteurs
extérieurs méconnus pourraient influer sur la toxicité
dans certains récipients, mais cela augmenterait
simplement la variation générale des résultats de
l’essai, sans constituer une erreur systématique.
Une randomisation compliquée pourrait contribuer à un
risque défini d’erreur due à l’expérimentateur dans
l’affectation des expositions ou l’enregistrement des
données. Cela pourrait certainement augmenter le
travail et sa durée. Même les statisticiens de l’OCDE
(OECD, 2004) reconnaissent que, dans certaines
circonstances, il peut être difficile ou coûteux de
randomiser toutes les étapes d’une expérience. Si une
partie de la randomisation doit être omise, ils
recommandent l’examen séparé de l’effet potentiel de
cette omission sur les résultats de l’essai. C’est
pourquoi certains essais effectués au Canada ne sont
probablement pas suffisamment randomisés, et les
expérimentateurs devraient se rendre compte que leurs
résultats risquent d’être biaisés. Si, pour de bons
motifs, on altère une partie de la randomisation, on
devrait le faire de façon que seulement la variation
totale de l’essai soit susceptible d’être modifiée, en
s’efforçant de réduire au minimum le risque de biais
relié aux concentrations. La seule façon de s’assurer
d’éviter ce biais est de randomiser totalement chaque
étape de l’essai.
Dans l’annexe E, nous donnons des conseils utiles sur
la distribution des organismes dans les récipients et le
positionnement des récipients. La plupart des manuels
de statistique offrent des conseils et des méthodes
(par ex. Fleiss, 1981).
17
2.5 Répétitions et nombre d’organismes
Repères
• Grâce à la répétition, on peut estimer la variation
correspondant à chaque concentration, ce qui, à
son tour, peut servir à se prononcer sur les
différences significatives entre les concentrations.
• Dans un essai donné, la répétition doit être une
enceinte expérimentale indépendante renfermant
un ou plusieurs organismes, qui n’a pas de
connexion avec une autre enceinte par le milieu
d’essai.
• Un traitement comprend toutes les répétitions à
une concentration donnée et tous les organismes
dans chacune de ces répétitions.
• Il importe de bien comprendre et de bien utiliser
la terminologie, sinon les tests statistiques
risqueraient d’être utilisés d’une façon invalide.
• Le nombre d’organismes par concentration ou
répétition est un facteur important dans le plan
d’expérience. Dans le laboratoire, des limites
pratiques peuvent empêcher l’emploi d’un nombre
suffisant d’organismes pour atteindre les idéaux
statistiques. Les répétitions pourraient constituer
une façon avantageuse d’offrir des conditions
convenables aux organismes en expérience ou de
pouvoir compter une enceinte expérimentale de
rechange en cas d’accident.
• Pour l’analyse des résultats d’un essai quantique
par la régression probit, on réunirait toutes les
répétitions. Cependant, les répétitions sont utiles
lorsque l’on emploie des outils statistiques plus
perfectionnés.
• Si la régression a servi à une estimation
ponctuelle avec des données quantitatives, les
répétitions permettent de tester la qualité de
l’ajustement et l’écart du modèle par rapport aux
données. On peut faire des estimations
ponctuelles par lissage et interpolation, sans
répétition, mais le programme ICPIN, utilisé
communément, exige deux répétitions et, de
préférence, cinq pour évaluer la signification. Les
répétitions font partie intégrante des tests
d’hypothèse.
• Lorsque l’on prélève des échantillons en vue
d’essais, les échantillons réitérés de terrain
(vraies répétitions) sont des échantillons séparés
de sédiment, d’eau, etc. prélevés au même moment
et dans le même emplacement général. Dans un
essai de toxicité, elles constituent d’excellentes
répétitions pour tenir compte de la variation du
substrat que l’on évalue. Les sous-échantillons
d’un échantillon (« répétitions de laboratoire »)
permettent d’estimer la variabilité de la technique
de laboratoire et l’homogénéité de l’échantillon,
mais ils ne livrent aucun renseignement
permettant de distinguer les emplacements sur le
terrain.
2.5.1 Terminologie
L’emploi de la bonne terminologie des essais de toxicité
peut avoir de l’importance. Un usage fautif pourrait
entraîner une mauvaise application d’un test statistique,
risquant d’aboutir à des conclusions invalides.
Dans un essai de toxicité, une répétition est une
enceinte expérimentale simple renfermant un ou
plusieurs organismes et c’est l’une des enceintes (au
moins deux) exposées au même traitement, c’est-à-dire
exposées à la même concentration de matière à l’étude
(ou exposées aux conditions témoins) 7 . Ainsi les
répétitions répètent l’unité expérimentale, le plus petit
élément indépendant à qui, dans un essai de toxicité, on
applique un traitement. Cette terminologie est expliquée
dans le texte qui suit ainsi que dans le glossaire.
Il pourrait n’y avoir qu’un seul organisme dans
l’enceinte expérimentale, et cela constituerait quand
même une répétition et une unité expérimentale. Un
exemple est donné par l’essai de survie et de
reproduction de Ceriodaphnia d’Environnement
Canada (EC, 1992a). Chacun des 10 organismes
géniteurs exposés à un traitement est une répétition et,
également, une unité expérimentale parce qu’il se
trouve dans une enceinte expérimentale séparée. Dans
l’essai on dénombre le nombre de jeunes issus de
chaque organisme.
7. Dans le présent paragraphe, les exemples de traitement
concernent tous des concentrations, mais cela n’est pas
obligatoire. Un échantillon de sédiment prélevé sur le terrain
pourrait également constituer un traitement quand il a été soumis
à un essai.
18
Cependant, comme les individus manifestent une
sensibilité différente, un seul organisme par répétition
signifie que les répétitions sont aussi variables que les
organismes (d’où le nombre élevé de 10 répétitions
dans l’essai avec Ceriodaphnia). On utilise
normalement plusieurs organismes par enceinte pour
améliorer la précision. Les organismes dans une
enceinte sont des unités d’échantillonnage livrant des
données qui contribuent au résultat relatif à la
répétition.
C’est une erreur, que l’on pourrait assimiler à une
forme de pseudo-répétition. Ces organismes sont des
unités d’échantillonnage ou des sous-échantillons
contribuant à une répétition. En langage courant,
l’information tirée d’un organisme pourrait être appelée
« mesure » ou « observation » : par ex. « les
10 mesures effectuées dans la première répétition ont
été... ». Des commentaires supplémentaires sur l’erreur
de pseudo-répétition suivent sous la rubrique « Test
d’hypothèse » (v. aussi le § 7.2.1).
La répétition doit être indépendante. Les enceintes
séparées, qui sont des répétitions, ne doivent avoir
aucune connexion entre elles par l’eau, le sédiment ou
le sol d’essai. Ainsi, si plusieurs enceintes perméables
utilisées dans un essai en milieu aquatique étaient
exposées par suspension dans un bassin de solution
d’essai, les enceintes ne constitueraient pas des
répétitions. De même, la matière à l’étude étant entrée
en contact avec une enceinte-répétition ne doit pas être
transvasée pour entrer en contact avec une autre
enceinte. Il ne peut pas y avoir de transfert
d’organismes entre des enceintes, une fois que l’essai a
débuté. Le non-respect de ces exigences invaliderait
l’analyse statistique fondée sur les répétitions.
Grâce à l’exemple d’un essai ordinaire de toxicité
sublétale en milieu aquatique, on peut préconiser la
bonne terminologie suivante :
En écotoxicologie, une partie de la terminologie est
flottante. L’expression « traitement répété » (replicate
treatment) figure dans certaines méthodes publiées par
Environnement Canada et elle possède la même
signification que celle que nous attribuons à répétition
(replicate). Replicate treatment est une expression
déroutante, parce que chacun des mots qui la
composent appartient à deux niveaux hiérarchiques
différents (v. le texte qui suit), et nous recommandons
plutôt d’employer le mot répétition (replicate). Parfois,
des statisticiens utilisent le terme répétition pour
désigner une enceinte expérimentale (Snedecor et
Cochran, 1980) et, de la sorte, ils pourraient parler de
plusieurs « répétitions » pour une concentration donnée,
signifiant ainsi que plusieurs enceintes correspondaient
au même traitement. Le mot « répétition » semblerait
mieux utilisé comme mot d’action signifiant l’action de
créer des répétitions.
L’expérimentateur devrait être à l’affût de toute erreur
dans les instructions de logiciels où, parfois, on a
désigné les organismes individuels dans une enceinte
expérimentale sous l’appellation de « répétitions ».
4 concentrations d’essai
et 1 témoin
= 5 traitements
2 enceintes
expérimentales isolées
pour chaque
concentration
= 2 répétitions par
traitement
6 poissons dans chaque
enceinte
= 6 unités
d’échantillonnage
par répétition
En tout, 5 traitements
comptant 2 répétitions
= 10 unités
expérimentales
En conséquence, une expérience peut donner lieu à trois
niveaux de variation dans les mesures :
•
Sur chaque organisme d’un récipient (les unités
d’échantillonnage) ;
•
Entre chaque récipient se trouvant à la même
concentration (répétitions) ;
•
Sur les concentrations (traitements).
Manifestement, l’expérimentateur doit comprendre les
différences, particulièrement quand il effectue une
analyse de variance.
2.5.2 Répétition dans les diverses sortes d’essais
La répétition des enceintes expérimentales peut être une
façon puissante d’améliorer la qualité de l’information
tirée de certains essais de toxicité. Elle permet
d’évaluer la variation ou le « bruit » correspondant à
19
chaque concentration et d’effectuer un test statistique
du manque d’ajustement. On recommande chaudement
la lecture de la communication de Hurlbert (1984) sur
la répétition.
Répétitions dans essais quantiques. — Des répétitions
à chaque concentration ne sont habituellement pas
nécessaires, parce qu’on réunit tous les résultats
correspondant à chaque concentration avant
l’estimation de la CL 50 ou de la CE 50 par les
méthodes classiques comme la régression probit,
utilisée communément aujourd’hui. Les répétitions sont
parfois commodes ou utiles, toutefois, pour manipuler
les conditions convenant aux organismes en expérience
et les leur assurer. Par exemple, le fait de répartir le
nombre total d’organismes exposés à une concentration
donnée entre plusieurs répétitions serait une façon de
fournir le volume nécessaire de matière à l’étude dans
un récipient de taille commode.
En outre, l’essai bénéficierait d’une « assurance » réelle
en cas d’accident à une enceinte, de perte ou de
maladie. Si une répétition subissait un tel malheur, les
autres pourraient habituellement servir à l’analyse des
résultats. Par exemple, Environnement Canada exige
trois répétitions dans l’essai de toxicité sublétale ou
létale avec les premiers stades du développement de la
truite arc-en-ciel (EC, 1998a). L’essai ne semblerait
pas exiger de répétitions, parce qu’il cherche à estimer
la CE 50 et la CE 25, concentrations auxquelles
correspondent la non-viabilité et le retard du
développement. La raison en est qu’il existe un risque
appréciable de dommages ou de maladie, par suite de la
manipulation des œufs fragiles et des jeunes stades du
développement de la truite et que les répétitions
augmentent la probabilité d’obtenir des données
convenables à chaque concentration 8 .
Des répétitions sont utiles si on applique des
programmes statistiques plus sophistiqués aux essais
quantiques. L’utilisation de tels programmes pourrait
se généraliser.
8. Des répétitions sont exigées pour d’autres essais
d’estimation de paramètres de toxicité tels que l’essai avec des
têtes-de-boule (EC, 1992b). Parce que les essais permettent de
mesurer un double effet, avec effet létal et des effets sublétaux,
les répétitions sont exigées pour le dernier.
Nombres d’organismes dans les essais quantiques à
répétition unique. — En augmentant le nombre
d’organismes en expérience on peut améliorer la
précision de l’essai, ce qui permet l’estimation d’un
intervalle plus étroit de confiance pour le paramètre de
toxicité. Dans les essais quantiques, on pourrait
diminuer de moitié le quotient entre la limite de
confiance et la CE 50, grâce à l’emploi de
30 organismes par enceinte expérimentale au lieu de 10
(Hodson et al., 1977). Une amélioration semblable a
été quantifiée par Jensen (1972), qui a constaté une
diminution importante de la variance de la CL 50 alors
que le nombre d’organismes est passé de 1 à 10 par
traitement. En outre, il y a eu diminution de 29 % de
l’erreur type lorsque le nombre d’organismes est passé
de 10 à 20, de 13 % lorsque leur nombre est passé de
20 à 30, et de seulement 8 %, lorsqu’il est passé de 30
à 40. Les améliorations étaient modestes lorsqu’il y
avait plus de 30 organismes par traitement dans ces
essais de températures létales. Bien sûr, les résultats
exacts de comparaisons comme celles-là dépendront de
l’espacement des concentrations autour de la CL 50.
Les statisticiens recommandent vivement d’augmenter
le nombre d’organismes pour améliorer la précision,
mais d’autres facteurs influent aussi sur le choix du
nombre d’organismes, par ex. le souci d’économie, la
taille des récipients, le volume disponible d’échantillon
et les lois sur les droits des animaux. Dans les essais
avec le poisson, la tendance est d’en utiliser moins par
enceinte expérimentale, en partie pour sacrifier moins
d’organismes. Douglas et al. (1986) ont mentionné une
petite perte de précision par suite de la réduction de
44 % du nombre d’organismes, c’est-à-dire par
l’emploi de sept animaux dans chacune des quatre
concentrations utilisées, au lieu de dix dans chacune des
cinq prévues. Cependant, la réduction du nombre de
concentrations expose l’expérimentateur au risque de
manquer l’importante plage d’effet (§ 2.2) et, à n’en
pas douter, la précision diminue quelque peu si le
nombre d’organismes diminue à moins de 10 par
traitement, comme nous l’avons mentionné dans
l’alinéa précédent.
Estimations ponctuelles par régression. — Dans la
tendance actuelle à employer la régression pour estimer
les paramètres d’une toxicité se manifestant par un effet
sublétal quantitatif (§ 6.5), il peut être avantageux
d’utiliser des concentrations supplémentaires, plus
20
rapprochées les unes des autres (Moore, 1996 ;
§ 6.2.3). En conséquence, on est encouragé à utiliser les
ressources pour plus de concentrations plutôt que pour
plus de répétitions. En effet, la régression classique
exige, à proprement parler, une seule mesure à chaque
concentration. Dans sa forme la plus simple, la
régression décrit la relation linéaire entre une
observation, telle que la taille, et une variable continue
indépendante, telle que le logarithme de la
concentration. Après avoir défini mathématiquement la
relation, on s’en sert pour calculer le paramètre de
toxicité. Les limites de confiance de ce paramètre
peuvent être obtenues avec ou sans répétitions.
Néanmoins, des raisons majeures militent en faveur
d’un grand nombre de répétitions. Environnement
Canada a recommandé de 3 à 10 répétitions ou plus,
dans des méthodes récemment publiées, qui exigent
l’application de techniques de régression (EC, 2004a,
b et 2007 et annexe O). La raison principale en est que
des répétitions sont indispensables à l’évaluation de
l’ajustement d’une régression 9 . Sans répétitions, il n’y
a pas moyen de distinguer l’erreur due à la dispersion
des observations à la même concentration (appelons
cela l’erreur pure) d’une dispersion réelle des données
due à la configuration du modèle (appelons cela
l’erreur due au manque d’ajustement) 10 .
Lissage et interpolation. — Si on doit se servir de la
méthode du programme ICPIN (§ 6.4) pour estimer la
CI p, il faut au moins deux répétitions pour calculer les
limites de confiance. Chaque répétition contribue à une
9. Dans certaines méthodes publiées antérieurement par
Environnement Canada, il n’était pas impératif de vérifier la
qualité de l’ajustement. La décision en était laissée à
l’expérimentateur, s’il voulait montrer que le modèle de
régression était convenablement ajusté.
10. Un avantage important de la répétition est de permettre de
distinguer entre deux catégories de variations dans un essai
donné. L’erreur pure serait la dispersion apparemment aléatoire
causée par les sensibilités différentes de chaque organisme à la
même concentration. L’autre catégorie serait l’erreur due au
manque d’ajustement, c’est-à-dire des variations homogènes par
rapport au modèle de régression choisi. Les répétitions sont
nécessaires pour distinguer ces deux catégories de variations.
Un exemple d’erreur due au manque d’ajustement serait
d’adopter une droite comme modèle supposé de la relation
concentration-effet, alors que les données représentent une courbe
convexe s’écartant de plus en plus de la linéarité aux fortes
concentrations.
mesure, par exemple, le poids moyen des organismes
dans cette répétition. Cinq mesures (répétitions) ou plus
par concentration réduiraient la largeur de l’intervalle
de confiance.
Test d’hypothèse. — Les répétitions sont essentielles
à l’analyse des résultats par le test d’hypothèse, jadis
une démarche privilégiée (section 7). Plus les
répétitions sont nombreuses, plus elles favorisent
l’analyse de variance, en permettant de distinguer avec
plus de certitude la CSEO de la CEMO. Si
l’expérimentateur a l’intention d’effectuer un test
d’hypothèse tout en faisant une estimation ponctuelle,
il pourrait ajouter plus de répétitions dans le plan
d’expérience. Environnement Canada exige au moins
quatre répétitions si l’on doit estimer la CSEO et la
CEMO dans l’essai de toxicité sublétale employant des
stades juvéniles de la truite arc-en-ciel (EC, 1998a).
Ces quatre répétitions pourraient être essentielles si la
statistique paramétrique était invalide et que l’on devait
faire appel à des méthodes non paramétriques.
Le test d’hypothèse présente le risque particulier de
pseudo-répétition (v. le § 2.5.1). Il n’est pas difficile
d’imaginer les erreurs grossières qui pourraient
entacher les conclusions si les organismes se trouvant
dans une enceinte étaient, par erreur, inscrits comme
répétitions dans une analyse de variance. Si, par
exemple, 10 vers se trouvaient dans chaque enceinte, le
test statistique considérerait à tort que l’expérience est
puissante, en effet. D’après l’analyse, les différences
aléatoires pourraient paraître significatives (« réelles »).
2.5.3 Relations avec l’échantillonnage sur le terrain
Quand des échantillons prélevés sur le terrain sont
examinés au laboratoire, il y a des relations entre les
modes opératoires et l’interprétation de résultats,
compte tenu du terrain. Cela serait particulièrement
approprié lorsque des échantillons de sédiment ou de
sol (« substrat ») étaient apportés au laboratoire, mais,
parfois, cela s’applique aux échantillons d’eau 11 .
11. Le présent document n’offre pas de conseils sur le travail de
terrain, mais des observations supplémentaires sur le prélèvement
d’échantillons sont de mise pour l’organisation et l’interprétation
des essais de toxicité. Parfois, décider de ce qu’est une répétition
dans un échantillonnage sur le terrain, par exemple dans
l’évaluation des sédiments d’une baie, est entouré d’une
incertitude considérable. Le principe général est le suivant : des
échantillons réitérés devraient couvrir convenablement la surface
considérée comme uniforme, que l’expérimentateur souhaite
21
En particulier, il existe une différence très importante
entre les répétitions d’un essai fondées sur des
échantillons séparés de la matière à l’étude et les
répétitions fondées sur la subdivision d’un échantillon
(sous-échantillons). Les échantillons qui étaient des
échantillons réitérés constitueraient des échantillons
séparés de sol, de sédiment, etc., prélevés sur le terrain
par des méthodes identiques et dans la même station
d’échantillonnage. Leur objet serait de permettre
l’évaluation de la variation de la qualité (ou des
qualités) du substrat échantillonné à cette station. Ce
type d’échantillon est parfois aussi appelé échantillon
réitéré de terrain. Les échantillons réitérés doivent être
gardés dans des récipients séparés et, comme cela est
caractériser. Si toute la baie doit être caractérisée en tant
qu’unité, alors les échantillons prélevés en un certain nombre de
points autour de la baie seraient des échantillons réitérés (de
terrain). Dans ces circonstances, si on prélève un certain nombre
d’échantillons en un seul point, ces échantillons ne seraient pas
réellement des échantillons réitérés représentant la variation de
toute la baie, mais, plutôt, des sous-échantillons d’un
emplacement particulier dans la baie.
D’autre part, si l’expérimentateur voulait évaluer les effets de
pollution dans différentes parties de la baie, la stratégie
d’échantillonnage serait plutôt différente, tout comme la
perspective sur les répétitions. Il pourrait y avoir un ensemble
d’échantillons que l’on prélèverait dans une station
d’échantillonnage dans le fond de la baie, près d’une source
ponctuelle de pollution. Un autre ensemble pourrait être prélevé
dans une station située dans la partie nord de la baie, ouverte sur
le large, afin d’évaluer l’effet de la dilution que subit l’effluent
dans son transport vers le large par un courant faisant le tour de
la baie. Une troisième ensemble d’échantillons pourrait être
prélevé dans une station du sud de la baie ouvert sur le large où
on s’attendrait à ce que l’eau nouvelle pénétrant dans la baie ne
soit pas polluée. Si plusieurs échantillons de sédiment étaient
prélevés à chaque endroit, les échantillons d’une station seraient
des répétitions. Il s’agirait de déterminer si les trois stations
diffèrent quant à leur pollution, de façon significative par rapport
aux variations mesurées grâce à la répétition des échantillons de
chaque station.
Manifestement, pour être valides, les conclusions de l’étude de la
toxicité exigeraient que l’échantillonnage sur le terrain se fonde
sur une bonne compréhension des facteurs physiques agissant
dans l’habitat auquel on s’intéresse. Par exemple, dans la baie
susmentionnée, il pourrait y avoir différents mouvements d’eau
en profondeur et près de la surface. Dans tout plan
d’échantillonnage des sédiments, il faudrait traiter les deux
profondeurs comme des zones différentes, en sus des zones
réparties horizontalement par rapport à la baie.
Ces distinctions concernant les répétitions sont en rapport avec les
programmes canadiens de Suivi des effets sur l’environnement,
dans lesquels les études sur le terrain sont coordonnés avec les
essais de toxicité au laboratoire.
souvent recommandé pour les essais de sols ou de
sédiments, chacun peut être utilisé pour constituer une
répétition de chaque traitement dans un essai de
toxicité. Le mode opératoire intégrerait dans l’essai de
toxicité les variations suivantes combinées : a) la
variation du sédiment ou du sol dans une station donnée
(et la variation des modes d’échantillonnage) ; b) toute
variation due aux conditions ou aux modes opératoires
du laboratoire.
On pourrait créer des sous-échantillons au laboratoire
en subdivisant un échantillon de substrat. Ces
sous-échantillons sont également appelés répétitions de
laboratoire, mais le terme « sous-échantillon » décrit
bien leur nature. Si ces sous-échantillons étaient utilisés
comme répétitions dans un essai de toxicité, les
résultats permettraient d’estimer l’homogénéité de
chaque échantillon et la variation due au mode
opératoire, ce qui pourrait être une qualité du plan
d’expérience. Cependant, les sous-échantillons ne
diraient rien sur la variation du substrat sur le terrain
(par ex. un sédiment lacustre ; v. le § 3.1.3). Selon le
but de l’étude, il pourrait être plus rentable de faire
porter l’effort consacré à la préparation et à l’analyse
de sous-échantillons à l’obtention d’échantillons
réitérés. En conséquence, nous ne recommandons pas
habituellement l’analyse de sous-échantillons de
laboratoire, à moins que ceux-ci ne facilitent la
manipulation des organismes (enceintes moins
peuplées), qu’ils n’aident à l’organisation des essais
(par ex., récipients plus petits), qu’ils ne répondent à un
besoin d’évaluer l’homogénéité de l’échantillon et la
variation dans la technique de laboratoire ou qu’ils ne
soient exigés par une méthode d’essai particulière.
Environnement Canada (1994) est un excellent guide
sur l’obtention d’échantillons répétés de sédiments.
2.6 Pondération
Repères
• La pondération de certaines observations leur
donne plus d’influence (de poids) sur les résultats
des calculs ultérieurs.
• On accorde plus de poids à une valeur, pour l’une
des raisons suivantes : a) elle est proche du
paramètre de toxicité auquel on s’intéresse ;
22
b) elle représente de nombreux organismes ou de
nombreuses mesures ; c) elle représente des
mesures dont la variation est petite.
D’après le glossaire, la pondération d’un élément d’une
série, signifie que l’on manipule arithmétiquement cet
élément pour en modifier l’influence sur le calcul
appliqué à la série. Les motifs communément invoqués
pour justifier la pondération seraient le nombre inégal
de mesures dans les groupes d’une série ou les
variances inégales affectant les éléments d’une série.
Les emplois de la pondération sont l’objet d’un plus
long développement dans les alinéas qui suivent.
Un exemple de pondération est donné dans le § 4.2.3,
sur l’utilisation d’un graphique tracé à la main pour
estimer la CE 50. On y lit le conseil suivant : « en
ajustant la droite des probits à vue d’œil,... on devrait
pondérer mentalement les points. On devrait affecter du
plus grand coefficient de pondération les points les plus
rapprochés de l’effet de 50 %... ». D’un point de vue
pratique, on pondère les valeurs centrales parce que
cette plage de l’ensemble de données est la plus
rapprochée du paramètre de toxicité auquel on
s’intéresse et, fort probablement, parce que l’on veut
l’estimer exactement. Ce type de pondération informelle
est subjectif, c’est le moins qu’on puisse dire, mais cela
est mieux que d’ignorer la valeur relative des points
portés sur le graphique.
On pourrait introduire la notion de pondération formelle
par un exemple simpliste d’ajustement mathématique
d’une courbe. Si les valeurs que l’on estime être les
plus importantes étaient saisies deux fois dans
l’ensemble de données, elles auraient plus d’influence
sur l’ajustement, c’est-à-dire qu’elles pèseraient plus
lourd sur ce dernier. (Inutile de préciser que cela n’est
aucunement une méthode autorisée et que nous la
mentionnons uniquement pour exprimer l’idée de ce
qu’est la pondération.) La pondération formelle est
souvent une opération tout à fait sophistiquée, comme
dans la régression probit (§ 4.5), où elle se fonde sur le
probit prévu et elle possède une grandeur sans cesse
variable.
La pondération sert communément à équilibrer le
nombre de mesures contribuant à une valeur donnée
dans une série. Si chaque valeur de la série était la
moyenne de mesures effectuées sur un échantillon
d’organismes, on pourrait pondérer une moyenne
particulière parce qu’elle se fonderait sur un gros
échantillon d’organismes. L’opération précéderait
l’analyse. Le coefficient de correction pourrait être
aussi simple que le nombre d’organismes.
On pourrait également pondérer la moyenne d’un
groupe d’observations parce qu’elle provient
d’observations ayant présenté une petite variation, ce
qui fait que la moyenne semble une estimation
particulièrement utile d’une série. Si le groupe
d’observations lui-même était utilisé dans l’analyse, on
pourrait lui appliquer directement la pondération. Ce
type de pondération est indispensable lorsque l’on
ajuste un modèle aux données dans lesquelles certains
groupes sont plus variables que d’autres. Le modèle
exigera presque certainement des variances égales
(équivariances). On peut pondérer les observations
selon une méthode mathématique intelligente pour que
l’hypothèse de l’équivariance soit restaurée ;
habituellement le programme informatique du modèle
s’occupe de cette étape.
Nous faisons spécifiquement allusion à la notion de
pondération dans les paragraphes suivants : 4.2.2,
4.2.3, 4.5.1 à 4.5.3 (divers aspects de la régression
probit) ; 4.5.6 (estimations obtenues par la méthode de
Spearman-Kärber) ; 4.7 (modèles non linéaires pour
données quantiques et lissage pour les méthodes du
noyau) ; 6.4 (détermination de la CI p par lissage et
interpolation) ; 6.5.4 (inverse de la variance, pour la
régression non linéaire) ; 8.2.3 (nombres inégaux de
répétitions dans les essais de mesure d’un double effet).
2.7 Témoins
Dans un essai de toxicité, les témoins représentent un
traitement soumis à tous les facteurs physicochimiques
et biologiques qui pourraient influer sur les résultats de
l’essai, sauf la condition précise à l’étude. Aucune des
matières dont on étudie la toxicité n’est ajoutée au
témoin. Le témoin sert de point de comparaison pour
les effets expérimentaux résultant des conditions telles
que la qualité de l’eau de dilution ou la santé et la
manipulation des organismes. Témoin est synonyme de
témoin négatif.
Une méthode pourrait exiger la répétition de chaque
concentration d’essai. Dans ce cas, il faut répéter de
23
même chaque type de témoin. Certaines méthodes
spécifient différents nombres de répétitions pour le
toxique et le témoin (tableau O.1 de l’annexe O).
autre substrat doivent être uniformes dans tous les
récipients. Les témoins doivent être disposés au hasard
parmi les autres récipients. Ce n’est que de cette façon
que l’on peut attribuer sans biais un effet à une autre
cause que le traitement ou la matière à l’étude.
Repères
• Le témoin doit être identique en tout aux
concentrations d’essai, sauf qu’il ne renferme
aucune des matières dont on étudie la toxicité
(c’est-à-dire traitement à concentration nulle). Le
témoin constitue le point de comparaison pour les
effets que l’on observera.
• Si on se sert d’un solvant pour solubiliser la
substance chimique à l’étude, il faut utiliser un
témoin du solvant, qui renferme la concentration
maximale de ce solvant employée dans l’essai. Ce
témoin ne doit pas causer un effet plus grand que
celui du témoin ordinaire.
• Si, dans un essai en milieu marin, la salinité n’est
pas ajustée, il faut des témoins de la salinité
correspondant à la teneur en sel des différents
traitements. Si la salinité des eaux d’essai est
ajustée à une valeur favorable (30 ‰), ce doit
également être celle du témoin. Des témoins
supplémentaires de la salinité sont nécessaires si
les eaux d’essai sont ajustées par des méthodes
(sel sec ou saumure) qui diffèrent de la méthode
employée pour le témoin.
• Les essais effectués sur des sédiments et des sols
utilisent des témoins qui obéissent aux mêmes
principes que ceux qui s’appliquent aux autres
essais. On compare les résultats des essais,
normalement, à ceux qu’ont donnés un sédiment
ou un sol de référence, prélevés sur le terrain et
réputés non pollués. On emploie également un
sédiment ou un sol témoin pour juger de la qualité
globale de l’essai ; il s’agit d’un témoin artificiel
ou d’un témoin prélevé dans un emplacement
différent et non pollué.
2.7.1 Témoins ordinaires
Les témoins doivent être préparés exactement de la
même façon que les concentrations d’essai. Il faut
choisir les organismes en même temps et suivant la
même méthode. Les récipients doivent être du même
type, et l’eau de dilution, le sédiment témoin ou tout
Les témoins servent de points de comparaison, mais,
dans ses méthodes, Environnement Canada insiste pour
que le point de comparaison indique des conditions et
des modes opératoires satisfaisants. Les exigences
particulières concernant les performances du témoin
varient selon le type d’essai, mais on peut donner des
exemples. Dans l’essai sur la croissance et la survie de
vers polychètes, le taux moyen de survie, chez les
témoins de ces vers, doit être d’au moins 90 % (EC,
2001a). Pour ce qui concerne la croissance des larves
de têtes-de-boule, pas plus de 20 % des larves témoins
peuvent être moribondes ou présenter un comportement
de nage atypique à la fin de l’essai et elles doivent
également atteindre le poids sec moyen de 250 µg (EC,
1992b). Chez les embryons de salmonidés (EC, 1998a),
le pourcentage moyen d’œufs témoins non viables ne
doit pas être excéder 30 %. Chez les témoins de lentille
d’eau, le nombre de frondes doit avoir au moins octuplé
(EC, 1999b).
2.7.2 Témoins du solvant
Parfois une substance dont on étudie la toxicité est
faiblement soluble dans l’eau. Un solvant pourrait aider
à obtenir les fortes concentrations dont on a besoin
pour observer un effet puissant. Habituellement, cela
s’appliquerait aux essais de toxicité en milieu aquatique
(pour le poisson, les algues, etc.) ou aux essais sur un
sédiment que l’on enrichirait en la substance en
question. Cela pourrait également s’appliquer à un
essai de toxicité avec un sol, si la substance était
ajoutée au sol sous forme de solution.
Dans les essais de toxicité d’Environnement Canada, on
préfère n’utiliser que de l’eau de dilution comme diluant
de la substance à l’étude ; on devrait éviter tout autre
solvant, sauf nécessité absolue (EC, 1997a, b ; 2001a).
Si on a besoin d’aide pour diluer une substance
faiblement soluble, le premier choix est une colonne
génératrice (Billington et al., 1988). La dispersion
ultrasonique serait moins conseillée, tandis que les
solvants organiques, les émulsifiants ou les dispersants
le seraient encore moins (EC 1997b ; 1998a ; 2001a).
Parfois, les conditions à respecter sont plus
24
rigoureuses : aucun solvant ne devrait être utilisé dans
l’essai, sauf s’il entre dans composition de la
préparation de la substance normalement vendue dans
le commerce (EC, 1992f ; 1998a ; 1999b).
Le plan d’expérience d’un essai d’Environnement
Canada utilisant un solvant doit prévoir un témoin du
solvant, c’est-à-dire une enceinte expérimentale (ou des
enceintes répétées) en tout point semblables au témoin
ordinaire, sauf qu’elle(s) renferme(nt) du solvant à la
concentration maximale employée dans l’essai. Ce
témoin s’ajoute au témoin habituel. Inutile de dire que
la concentration du solvant devrait être très inférieure
à sa concentration toxique et, autre condition à
respecter parfois, elle ne doit pas excéder 0,1 mL/L
(EC, 1992f ; 1999b). Si sa toxicité est inconnue, on
devrait l’estimer de la façon habituelle afin de
déterminer son seuil d’effet, avant de l’utiliser dans tout
autre essai (EC 1997a, b ; 1999b).
Les effets du témoin du solvant ne doivent pas être
plus puissants que ceux du témoin ordinaire. Telle est
l’exigence formulée dans certaines méthodes
d’Environnement Canada, qui ne précisent pas, à cet
égard, de méthodes statistiques précises (EC, 1992f ;
1998a ; 1999b). Dans certaines méthodes (EC, 1998a ;
1999b), si on prévoit un témoin du solvant, celui-ci
devient automatiquement le témoin qui servira de façon
générale à évaluer l’effet du toxique. Cependant, dans
les essais sur un sédiment employant des larves de
chironomes, H. azteca, des amphipodes marins et des
vers polychètes, le témoin du solvant est uniquement
utilisé de cette façon si le paramètre de sa toxicité
diffère statistiquement de celui du témoin ordinaire
(EC, 1992e ; 1997b ; 2001a). Il n’est pas souhaitable
de grouper les résultats donnés par le témoin du solvant
avec ceux que donne le témoin ordinaire, et cette
interdiction est absolue dans l’essai employant des
truitelles (EC, 1998a), parce que, dans l’eau témoin ou
de dilution, il manque un facteur (le solvant) qui
pourrait agir sur les organismes aux autres
concentrations. Bien que, dans l’essai sur un sédiment
employant des polychètes (EC, 2001a), les données
provenant du témoin du solvant doivent être réunies à
celles qui proviennent du témoin ordinaire si les deux ne
sont pas différents selon le test t, on peut très bien se
passer de cette opération. L’OCDE (OECD, 2004) ne
favorise pas un tel groupage et elle fait remarquer que
des différences réelles existant entre les deux témoins
pourraient avoir échappé au test statistique.
Dans toute méthode d’essai, les organismes soumis au
témoin du solvant doivent satisfaire aux critères de
validité de l’essai normalement applicables au témoin.
2.7.3 Témoins de la salinité
Un témoin de la salinité est une enceinte témoin séparée
ou un ensemble d’enceintes destinées à évaluer l’effet
de salinités moins qu’optimales dans un essai de
toxicité employant des organismes marins. Ce témoin
sert aussi de témoin normal. On pourrait devoir utiliser
des témoins de la salinité dans des essais employant un
organisme marin, que ce soit dans des milieux tels que
l’eau ou un sédiment.
Essais avec salinités non ajustées. — Un témoin de la
salinité serait souhaitable dans un essai sans ajustement
des salinités. Par exemple, on pourrait vouloir évaluer
l’effet total d’un effluent constitué d’eau douce et rejeté
en milieu marin. On devrait alors utiliser des témoins de
la salinité, outre le témoin de l’eau témoin ou de
dilution, à une salinité favorable (30 ‰). Dans ces
récipients supplémentaires, les salinités devraient être
identiques à celles des enceintes expérimentales ou
couvrir le même intervalle. Environnement Canada
précise que les témoins de la salinité devraient être
préparés par ajout d’eau distillée ou désionisée à l’eau
salée témoin ou de dilution se trouvant dans une série
de récipients de sorte que les concentrations seraient
celles du liquide dont on étudie la toxicité (EC, 1992f).
Le même mode opératoire serait logique si on étudiait
la toxicité d’un sédiment (disons de déblais de dragage)
destiné à l’immersion en mer, qui renfermerait une
fraction liquide constituée essentiellement d’eau douce.
Visiblement, le but des témoins de la salinité est de
révéler tout effet nuisible d’une faible salinité agissant
seule. Ces témoins ne révéleraient cependant pas l’effet
nocif aggravé par l’action combinée d’un écart de
salinité et de la matière à l’étude. Pour interpréter les
résultats, on ne peut qu’attribuer à cette matière toute
toxicité supérieure à celle que l’on aura constatée chez
les témoins de la salinité.
Dans un essai employant des épinoches (EC, 1990b),
on n’ajusterait normalement pas la salinité. Un témoin
de la salinité n’est pas exigé, mais il serait avantageux.
La méthode offre la possibilité d’ajuster la salinité à
25
28 ‰, pour l’essai d’un produit chimique, d’un
effluent, d’un percolat et d’un élutriat.
En théorie, il pourrait arriver que la salinité défavorable
ait été excessive. Un effluent pourrait être très salé, et
on pourrait le soupçonner de renfermer des matières
toxiques. Les principes présidant à l’utilisation de
témoins de la salinité et à l’interprétation des résultats
qu’ils permettraient d’obtenir resteraient les mêmes que
dans le cas d’une faible salinité.
Essais dans lesquels on ajuste la salinité. — Dans les
essais de toxicité en milieu marin, l’usage est d’ajuster
toutes les concentrations à une seule salinité favorable.
C’est ainsi que l’on procède habituellement avec les
oursins (EC, 1992f) ainsi que dans les essais sur un
sédiment employant des amphipodes (EC, 1992e). On
procède toujours ainsi dans le cadre du programme
d’Environnement Canada de Suivi des effets sur
l’environnement, dans les quatre essais employant des
organismes marins (EC, 2001b). Pour cet ajustement,
Environnement Canada a adopté la salinité favorable
normale de 30 ‰.
Dans ces essais, il n’y aurait pas de témoin de la
salinité. Il y aurait un témoin normal, d’une salinité de
30 ‰, préparé avec la même matière que celle qui a
servi à ajuster la salinité des concentrations d’essai et
(ou) de l’eau de dilution.
Témoins particuliers de la salinité. — Dans les essais
en milieu marin dans le cadre du Programme de suivi
des effets sur l’environnement (EC, 2001b), on pourrait
avoir besoin d’un autre type de témoin de la salinité.
Cela concerne la technique particulière utilisée pour
l’ajustement de la salinité.
On peut augmenter la salinité d’un effluent ou d’une
« concentration d’essai » par l’ajout de sels secs (de
qualité « réactif » ou un mélange du commerce) ou
d’une saumure sursalée. Normalement, on préparerait
toutes les concentrations expérimentales et tous les
témoins avec la même matière, auquel cas aucun témoin
particulier supplémentaire ne serait nécessaire. [On
pourrait préciser le mode de préparation (avec des sels
secs ou de la saumure sursalée, selon le cas) des
témoins normaux (EC, 2001b).]
Si, cependant, l’eau de dilution utilisée pour la
préparation des concentrations d’essai a une origine
différente de celle du ou des témoins préparés avec des
sels secs ou une saumure sursalée, on devrait préparer
un second témoin ou ensemble de témoins avec de l’eau
de dilution (témoins d’eau de dilution) 12 . La salinité de
tous ces traitements seraient de 30 ‰.
Analyses statistiques des témoins de la salinité. — Le
principe présidant à l’interprétation des témoins est le
suivant : chaque type de témoin, individuellement, doit
satisfaire aux conditions de performance spécifiées
pour le témoin dans les instructions relatives à l’essai
particulier de toxicité. Par exemple, dans un essai
réalisé dans le cadre du Programme canadien d’étude de
suivi des effets sur l’environnement, le témoin préparé
avec des sels secs devrait satisfaire aux critères
spécifiés, tout comme devrait le faire le témoin préparé
avec de l’eau de dilution, si on a utilisé les deux types
de témoins. Si une catégorie, n’importe laquelle, de
témoins ne satisfaisait pas aux exigences, on
considérerait l’essai de toxicité comme invalide.
Cet échec est le plus susceptible de survenir dans un
essai dont on n’aurait pas normalisé la salinité des
diverses concentrations d’essai. Une forte concentration
d’effluent d’eau douce abaisserait la salinité dans
l’enceinte expérimentale. Dans ce cas, les témoins
correspondants de la salinité pourraient ne pas
satisfaire aux normes de performances. La conclusion
serait évidente : tous les effets constatés aux fortes
concentrations d’essai seraient probablement
attribuables, en tout ou en partie, à la faible salinité. Ce
ne serait pas un essai valide pour déterminer les effets
du toxique (l’effluent).
Si tous les types de témoins avaient satisfait aux
exigences de performances, l’essai de toxicité serait
valide. L’emploi des résultats dus au(x) témoin(s) dans
l’analyse des constatations suivrait alors n’importe
quelle pratique normale spécifiée dans la méthode
12. L’eau de dilution pourrait être de l’eau de mer non
contaminée, de 30 ‰de salinité, alors que l’on aurait employé des
sels secs pour ajuster à la même valeur la salinité de l’effluent à
l’étude. Par ailleurs, l’eau de dilution pourrait être préparée avec
de la saumure sursalée et de l’eau désionisée, tandis que la
salinité de l’effluent aurait été ajustée au moyen de sels secs.
D’autres combinaisons sont possibles. Le principe à respecter est
que des témoins particuliers sont nécessaires si la préparation des
témoins diffère en quoi que ce soit de celle des concentrations
expérimentales.
26
particulière d’essai.
2.7.4 Sédiments et sols témoins et de référence
Dans des essais de toxicité d’un sédiment ou d’un sol
d’Environnement Canada, le mode opératoire normalisé
prévoit l’emploi d’un sédiment ou d’un sol de
référence avec chaque échantillon ou ensemble
d’échantillons provenant d’un endroit donné (par ex.
EC, 1997a). On présume que l’échantillon de référence
n’est pas pollué et on compare les résultats que donne
le ou les échantillons aux résultats donnés par la
matière de référence pour déceler tout effet tel qu’un
taux accru de mortalité ou une taille plus petite. En
conséquence, l’échantillon de référence sert d’étalon à
l’essai. Cela est logique, parce que cela permet une
évaluation localisée de la toxicité.
Avec chaque lot d’échantillons, les essais utilisent
également un sédiment ou un sol témoin pour vérifier
la qualité générale de l’essai et des organismes qui y
sont employés. Une limite de performance acceptable
est fixée dans chaque méthode d’Environnement
Canada. Par exemple, il ne peut pas y avoir plus de
30 % de mortalité dans l’essai sur un sédiment
employant des chironomes (EC, 1997a). Le sédiment
ou le sol témoin ne sert normalement pas de base de
comparaison directe des effets observés dans les
échantillons. Cependant, il serait utilisé à cette fin si le
sédiment de référence se révélait peu convenable à la
comparaison, en raison de sa toxicité ou de
caractéristiques physicochimiques atypiques (EC,
1997a). L’approche est raisonnable.
Les deux types de témoins sont définis dans le
glossaire, mais nous pourrions en distinguer ici les
caractéristiques. On prélève un sédiment de référence
sur le terrain, dans le voisinage général des stations
d’étude, dans un emplacement que l’on estime être à
l’abri de l’influence de la source de contamination à
l’étude. On présume que ce sédiment de référence n’est
pas pollué et qu’il possède des caractéristiques
physiques presque identiques à celles des échantillons
à l’étude. Le sol de référence est prélevé en milieu
terrestre, mais, par ailleurs, il possède les
caractéristiques et les fonctions du sédiment de
référence. Parce qu’il constitue le témoin, il intègre
dans l’essai les effets de matrice. Il peut aussi servir de
diluant pour la préparation de dilutions du sol à l’étude.
Le sédiment ou le sol témoin ne serait pas prélevé dans
le même voisinage en général que les échantillons. On
pourrait le prélever dans un lieu non contaminé ou le
préparer avec les constituants appropriés. On veut
obtenir un sédiment ou un sol non contaminé dans
lequel on sait que les organismes prospèrent. Ce
pourrait être le substrat d’où les organismes ont été
prélevés ou dans lequel ils ont été élevés ou cultivés.
Analyses statistiques. — On compare l’effet à celui du
sédiment ou du sol de référence à moins que cela ne
convienne pas, auquel cas on le remplace par le
sédiment ou le sol témoin. L’analyse et l’interprétation
suivent les méthodes normalisées décrites dans d’autres
parties du document et elles sont exemplifiées dans le
document portant sur les vers polychètes (EC, 2001a).
Les essais à concentration unique sont limités au test
d’hypothèse (section 7). Si les essais emploient des
dilutions de la matière à l’étude ou des sédiments ou des
sols enrichis, les analyses peuvent aboutir à des
estimations ponctuelles, de la CI p (section 6) ou de la
CE 50 (section 4).
2.8
Toxiques de référence et cartes de
contrôle
Repères
• Les essais réalisés périodiquement avec un
toxique étalon (de référence) visent à évaluer les
variations de sensibilité des organismes et la
précision intralaboratoire.
• Les résultats successifs qu’obtient un laboratoire
sont portés sur une carte de contrôle. La nouvelle
valeur est comparée à la moyenne des résultats
antérieurs et à la zone de confiance de ± 2 écarts
types. Tous les calculs se fondent sur des
concentrations logarithmiques. Les laboratoires
canadiens oublient souvent de le faire.
Les essais avec un toxique de référence sont tout à fait
différents dans leur but et leurs caractéristiques des
témoins décrits dans le § 2.7. Ils utilisent un toxique
étalon titré pour mesurer les effets relatifs subis par les
organismes en expérience et ils sont normalement
répétés au cours des mois où le laboratoire fonctionne.
Ces essais sont destinés à : a) déceler toute
27
modification de la sensibilité des organismes au fil du
temps ; b) évaluer toute fluctuation de la technique de
mesure utilisée par le laboratoire. On ne peut pas
distinguer ces deux causes de variation,
particulièrement parce qu’il n’est pas usuel de répéter
les essais. L’essai est tout à fait distinct de tout essai de
toxicité sur des échantillons, bien qu’il ait souvent lieu
simultanément. Les méthodes d’essai d’Environnement
Canada employant des organismes aquatiques et
terrestres exigent l’emploi périodique de toxiques de
référence.
Le toxique de référence peut également être synonyme
de témoin positif. Les toxiques de référence
communément utilisés sont le phénol, le chlorure de
sodium ou un métal (EC, 1999a). Les résultats doivent
être portés sur une carte de contrôle, pour juger si la
variation des résultats au laboratoire est satisfaisante.
La carte de contrôle pourrait être semblable à celle de
la figure 2, bien que le tracé des points et le légendage
puissent être faits à la main.
La fig. 2 montre les résultats d’une partie d’une série
d’essais effectués avec un toxique de référence et ayant
employé la truite arc-en-ciel. Nous avons modifié
l’échelle de temps et les dates fournies par un
laboratoire canadien. On constate que trois essais ont
eu lieu dans chaque trimestre, c’est-à-dire un essai
mensuellement. La moyenne du logarithme des CE 50
est ! 0,027356. L’antilogarithme, c’est-à-dire
0,94 mg/L, est la moyenne géométrique des CE 50, ce
que montre une ligne traversant le graphique. La zone
de confiance, calculée comme étant ± 2 écarts types, est
délimitée par les lignes horizontales. Elle sert
d’indicateur visuel de la dispersion des résultats.
L’écart type calculé d’après les données de la fig. 2 est
de 0,15288, de sorte que 2 écarts types égaleraient
0,30576. L’addition et la soustraction de cette valeur à
(de) la moyenne donnent les logarithmes de ! 0,33312
et de 0,27840 comme limites de la zone de confiance,
soit les antilogarithmes de 0,46 et de 1,9 mg/L
(représentés dans fig. 2).
Quand un laboratoire obtient une nouvelle CE 50 pour
le toxique de référence, il porte cette valeur sur la carte
de contrôle comme dans la fig. 2. Si cette valeur se
situe dans la zone de confiance, on la considère comme
satisfaisante. Si elle se situe à l’extérieur de la zone de
confiance, le laboratoire devrait rechercher les causes
de cet écart. La nouvelle CE 50 serait alors intégrée
dans les résultats de tous les essais antérieurs effectués
au laboratoire avec le toxique de référence, et on
recalculerait la moyenne géométrique et les limites de
la zone de confiance. Ces limites s’appliqueraient au
prochain essai du toxique de référence. Il n’est pas
difficile de programmer un tableur pour bien effectuer
de tels calculs séquentiels et produire un graphique
semblable à celui de la fig. 2.
Tous les calculs destinés à la carte de contrôle doivent
employer les logarithmes de la concentration, et l’axe
vertical de la fig. 2 emploie une telle échelle. Dans le
§ 2.3, on explique pourquoi il faut employer les
logarithmes, tandis que le mode de calcul de la
moyenne et de l’écart type sont présentés dans
l’annexe F. Si on avait utilisé les valeurs arithmétiques
des CE 50, en effectuant dans tous les cas des calculs
arithmétiques, on aurait obtenu une zone de confiance
différente. La moyenne aurait été 0,99 mg/L, ce qui est
quelque peu supérieur à la valeur correcte de
0,94 mg/L. La limite supérieure de la zone de confiance
aurait été 1,6 au lieu de 1,9 mg/L, tandis que la limite
inférieure aurait été de 0,39 au lieu de 0,46 mg/L.
L’intervalle arithmétique entre ces limites aurait été
plus étroit, de 1,2 au lieu de 1,4 mg/L (annexe F).
Dans des laboratoires canadiens, l’une des carences
méthodologiques les plus répandues est la résistance
des expérimentateurs au calcul logarithmique. En effet,
beaucoup de méthodes antérieures publiées par
Environnement Canada en fa isa ient une
recommandation et non une obligation.
Des progiciels offrent la possibilité de calculer et de
tracer une carte de contrôle. Les expérimentateurs
devraient vérifier que les calculs emploient les
logarithmes de la concentration. Par exemple, le
progiciel CETIS (2001) tracera la carte avec la
moyenne ± 2 écarts types, mais en calculant de façon
erronée les valeurs arithmétiques des concentrations. La
même erreur est faite par le progiciel TOXCALC
(1994).
2.8.1 Variation raisonnable
L’étendue de la zone de confiance est visiblement
importante. Si elle est étroite, cela signifie que le
laboratoire a obtenu des résultats d’une grande
précision. En conséquence, si une CE 50 tombe à
28
Figure 2. — Carte de contrôle pour les essais avec un toxique de référence. Cette carte montre les résultats réels
obtenus par un laboratoire canadien, dans des essais d’un toxique de référence en milieu aquatique. Les
CE 50 se maintiennent assez régulièrement dans la zone de confiance (certaines y entrent de justesse).
Globalement, la variation est légèrement plus grande que ce que l’on pourrait considérer comme
souhaitable. L’axe vertical et tous les calculs se fondent sur les valeurs logarithmiques des CE 50.
l’extérieur, cela ne signifie pas nécessairement un
problème grave de mode opératoire ni une variation
importante de la sensibilité des organismes. De fait,
environ 5 % des CE 50 devraient tomber à l’extérieur
de la zone de ± 2 écarts types par le seul fait du hasard.
Inversement, un laboratoire pourrait avoir eu des
résultats erratiques qui se matérialiseraient par une
zone de confiance large ; les CE 50 ultérieures
pourraient se trouver à l’intérieur, mais elles
indiqueraient néanmoins une variation indésirable.
pas plus de 30 % et, de préférence, d’au plus 20 %
pourrait être raisonnable pour les essais avec des
toxiques de référence (EC, 1990d) 13 . Pour la variation
des toxiques de référence, on a proposé le même
nombre-guide dans la méthode d’essai d’un sédiment
avec des vers polychètes (EC, 2001a).
En conséquence, on peut envisager une deuxième façon
d’évaluer la variation, que l’on pourrait appeler « degré
raisonnable de variation ». Ce sujet diffère de celui de
la zone de confiance que nous venons de décrire.
Environnement Canada n’a pas formellement défini le
degré raisonnable de variation auquel on pourrait
s’attendre d’un ensemble d’essais répétés. Cependant,
il a été proposé qu’un coefficient de variation (C.V.) de
13. Le coefficient de variation (C. V.), habituellement exprimé
en pourcentage, égale l’écart type divisé par la moyenne, formule
valable pour les données sous forme arithmétique. En
conséquence, connaissant le C. V., on peut calculer l’écart type :
on multiplie simplement la moyenne par le C. V. sous forme de
fraction décimale. On ne peut pas calculer de la sorte le C. V.
avec des données logarithmiques. Dans le cas des données
log-normales, la formule est comme suit : C. V. = racine carrée de
[10(s × s) ! 1], oû s est l’écart type calculé à partir des données
logarithmiques. L’écart type au carré est la variance, qui, dans la
formule, pourrait remplacer l’exposant.
Le nombre-guide préconisé par Environnement Canada
se fondait apparemment sur des moyennes et écarts
29
types arithmétiques d’ensembles de CE 50 et, de ce fait,
il comporte un certain biais. Cependant, on peut
calculer un nombre-guide équivalent pour le logarithme
des concentrations, ce que nous avons fait dans le
présent document (v. l’annexe F). Une variation
raisonnable d’après ce nombre-guide ou le pifomètre
serait comme suit : la valeur de l’écart type calculé
avec des données logarithmiques ne devrait pas
excéder 0,132 et, de préférence, ne devrait pas
excéder 0,0338. Ces mêmes logarithmes peuvent servir
à estimer l’écart type de tout ensemble de paramètres
de toxicité. Ils correspondent approximativement aux
C. V. arithmétiques précédemment mentionnés de 30 et
de 20 %, mais ils évitent la distorsion possible.
étroite. Converties en valeurs arithmétiques pour les
besoins de la comparaison avec la fig. 2, les limites
seraient 0,80 et de 1,1 mg/L, ce qui semble quelque peu
optimiste pour la variation entre des essais répétés de
toxicité.
Le nombre-guide préconisé ici exige le calcul de la
moyenne et de l’écart type de l’ensemble des
paramètres de toxicité au moyen de logarithmes de
concentration . On compare l’écart type calculé (un
logarithme) à 0,132, et s’il est égal ou inférieur, on
considère comme acceptable (« raisonnable ») la
variation de l’ensemble de paramètres de toxicité.
2.9
On pourrait comparer le nombre-guide d’une variation
acceptable aux données de la fig. 2. Ces données ont un
écart type logarithmique calculé de 0,15288..., de sorte
que la variation observée dans les paramètres de
toxicité excède quelque peu la variation « raisonnable »
selon notre nombre-guide.
On peut se faire une idée de cette variabilité
« raisonnable » en imaginant un scénario hypothétique
pour la comparer à la situation décrite dans la fig. 2. Si
l’ensemble hypothétique de CE 50 avait la même
moyenne, mais se trouvait à avoir l’écart type
« raisonnable » de 0,132, les limites de la zone de
confiance seraient de 0,51 et de 1,7 mg/L (v.
l’annexe F) 14 . La zone de confiance pour les données
hypothétiques « raisonnables » serait quelque peu plus
étroite que celle de la fig. 2.
Si la variation d’un ensemble de données hypothétiques
était même moindre, avec un écart type égal à la valeur
« préférable » de 0,0338 et que la moyenne était égale
à celle de la fig. 2, la zone de confiance serait très
14. Les expérimentateurs ayant perdu l’habitude des calculs
logarithmiques pourraient vérifier leurs modes opératoires en
consultant le glossaire, le § 2.3.5, l’annexe D ou en consultant le
traitement arithmétique de l’annexe F.
Il n’y aurait pas de relation constante entre cette
proposition pour évaluer une variation raisonnable et
les limites de longue date de la zone de confiance selon
Environnement Canada, qui sont de ± 2 écarts types
pour les toxiques de référence. La règle empirique (ou
le nombre-guide) de la variation « raisonnable »
resterait constante, mais les limites de la zone de
confiance varieraient selon l’ensemble de données.
Transformation des données sur l’effet
Repères
• Pour ce qui concerne les données quantiques, une
transformation ordinaire et standard utilise le
probit ou le logit de l’effet pour estimer la CE 50.
• Dans l’estimation des paramètres de toxicité
sublétale par régression, on pose, par hypothèse,
que les résidus suivent la loi normale et que la
transformation peut aider à cela. On peut
également simplifier la relation pour l’utilisation
de la régression. Un inconvénient majeur est que
la transformation exige une pondération
individualisée pour compenser la modification des
variances des groupes d’observations. Cela exige
des conseils ou de la compétence en statistique.
• Dans le test d’hypothèse, si les données relatives
aux effets ne satisfont pas aux exigences en
matière de normalité et d’homogénéité de la
variance, une transformation pourrait y remédier
et permettre l’analyse suivant les méthodes
paramétriques ordinaires. Cela est recommandé
comme première option, si on veut effectuer un
test d’hypothèse et si les données ne satisfont pas
aux exigences.
• On utilise généralement pour les transformations
les logarithmes et les racines carrées. La
transformation arc sinus racine carrée est
réservée aux données quantiques ; cette
transformation et sa réciproque ne sont pas
souvent utiles.
30
La transformation de résultats pourrait aider à l’une ou
l’autre des deux approches générales d’analyse des
résultats d’essais d’écotoxicité — les techniques de
régression et le test d’hypothèse(s). Les deux approches
sont assorties de certaines exigences concernant la
distribution normale des données sur les effets. Si ces
données ne suivent pas la loi normale, il est possible de
les transformer pour qu’elles satisfassent à cette
exigence. Dans le cas de la régression, la
transformation peut devoir en outre épouser la forme
d’une droite afin de simplifier l’analyse.
2.9.1 Utilisation en régression
Pour les essais de létalité aiguë ou d’autres effets
quantiques, il est usuel de transformer les
pourcentages d’effet en probits ou en logits. Ces
transformations sont appropriées et avantageuses pour
l’analyse statistique. En général, les probits ou les
logits redressent la courbe sigmoïde d’un ensemble de
données (annexe H), ce qui autorise un modèle de droite
et diminue le nombre de paramètres à estimer. Ces
avantages sont décrits dans le texte qui suit sous la
rubrique « Avantage de la transformation... »
L’utilisation classique des probits ou d’autres
transformations pour les données quantiques est l’objet
d’une discussion supplémentaire dans la section 4.
(Pour ce qui concerne les concentrations, on conserve
les logarithmes pour l’analyse 15.)
Les analyses des résultats des essais de toxicité
sublétale adoptent des techniques plus avancées,
notamment la régression non linéaire (§ 6.5). La
construction d’intervalles de confiance pour les
paramètres des modèles de régression non linéaire pose
d’habitude comme hypothèse la distribution normale
des résidus. De nouveau, la transformation serait une
approche possible pour satisfaire à cette exigence.
Avantage de transformation : la simplicité. — Un
principe important des techniques de régression
appliquées aux estimations ponctuelles est de maintenir
la simplicité du modèle, si cela peut se faire
15. L’utilisation de valeurs logarithmiques de la concentration
(et/ou du temps) dans l’analyse permet simplement de conserver
les unités originales de l’exposition, pour des motifs scientifiques
fondamentaux (§ 2.3). La transformation des logarithmes de la
concentration en valeurs arithmétiques pour un ensemble de
calculs, outre qu’elle est erronée, introduirait probablement une
asymétrie dans la relation et exigerait un modèle plus complexe.
raisonnablement. La transformation des données peut
simplifier la relation et permettre l’emploi d’un modèle
simple. Bien que l’on puisse créer des modèles pour
s’ajuster à une relation complexe, l’équation résultante
possédera de nombreux termes et, par conséquent, fera
perdre des degrés de liberté, affaiblira le pouvoir
prédictif et, peut-être, élargira la zone de confiance du
paramètre prévu de toxicité (Andersen et al., 1998).
Les statisticiens insistent sur cette qualité, par ex. :
« Ainsi la simplicité, matérialisée par la parcimonie des
paramètres, est... une qualité de tout modèle... Non
seulement un modèle parcimonieux permet-il au
chercheur ou à l’analyste de réfléchir à ses données,
mais un modèle juste en grande partie permet de
meilleures prévisions qu’un modèle qui s’embarrasse de
paramètres inutiles » (McCullagh et Nelder, 1989). Il
s’ensuit que les transformations des données pourraient
être avantageuses en permettant de simplifier le modèle.
L’équation ajustée à la croissance exponentielle est un
simple exemple de transformation (v. le § 6.5.3).
Y = áâX
Y
log Y = log á + X log â
[1]
Grâce aux logarithmes, on peut transformer cette
équation, qui est une relation multiplicative (1re ligne de
l’équation 1) en une relation linéaire (seconde ligne de
l’équation 1), ce qui donne lieu à une régression
relativement simple.
Une transformation fréquente, qui permet d’ajuster les
données proportionnelles à une distribution normale
avec équivariance consiste à prendre l’arc sinus des
effets (v. le glossaire et le § 2.9.3). Ce type de
transformation semble une façon facile de simplifier
l’analyse et d’aplanir l’« obstacle que constitue le
calcul d’intervalles de confiance autour d’estimations
par régression non linéaire... » (Nyholm et al., 1992).
Inconvénients pour la régression. — Des
complications très graves tendent à neutraliser
l’avantage apparent de la transformation. Bien que
celle-ci puisse viser à simplifier l’estimation de
paramètres, elle peut déformer une véritable relation
(mécaniste). Par exemple, les réactions enzymatiques
sont décrites de façon mécaniste par l’équation non
linéaire de Michaelis-Menten. De véritables effets de
31
concentration de seuil pourraient également être
déformés par des transformations inopportunes.
Parfois, la transformation peut mener à des estimations
fortement biaisées des paramètres de toxicité, décrites
à l’occasion comme « fatales ». Ces problèmes sont
discutés du point de vue toxicologique par Christensen
et Nyholm (1984) et par Nyholm et al. (1992). Ces
auteurs font remarquer que la transformation a besoin
d’une pondération appropriée pour compenser
l’altération, à différents degrés, des variances des points
de données. La pondération est propre aux données
obtenues, de sorte qu’il n’existe pas de progiciel
statistique applicable à la façon d’un livre de cuisine.
Les coefficients de pondération doivent être
inversement proportionnels à la variance des données
calculée pour les mesures originales (observations) à
n’importe quelle valeur donnée de la variable
indépendante X (ou d’habitude, log X). Même alors, la
compensation grâce à la pondération pourrait ne pas
être suffisamment précise pour les données irrégulières
ou pour les observations près des extrêmes de la
distribution de la relation dose-effet. La pondération
devrait aussi tenir compte de l’expression de la
variabilité originale en unités absolues ou
proportionnelles à la grandeur de la variable mesurée.
Cette personnalisation statistique des ensembles de
données excède amplement les limites que l’on peut
définir dans les méthodes d’Environnement Canada
relatives aux essais en routine. Les expérimentateurs
devraient être conscients des pièges dans lesquels ils
risquent de donner s’ils transforment les résultats pour
obtenir une régression linéaire. En outre, il leur est
conseillé, s’ils songent que la transformation pourrait
être utile, de consulter un statisticien qui connaît bien
les essais de toxicité. Il se peut qu’il existe déjà des
méthodes statistiques convenables (v. le § 6.5.8) ou que
des progiciels de statistique deviennent disponibles.
2.9.2 Utilisation pour le test d’hypothèse
Les méthodes les mieux connus de test d’hypothèse
supposent que les résultats suivent une distribution
normale. C’est la supposition retenue pour les tests t,
l’analyse de variance et les tests de comparaisons
multiples. En conséquence, il faut tester la normalité
des données avant d’en faire l’analyse (§ 7.3).
Si un ensemble de données ne suit visiblement pas la
distribution normale, l’expérimentateur a le choix entre
trois partis principaux :
• utiliser une méthode paramétrique
sophistiquée, adaptée aux données ;
plus
• transformer les données pour rendre la distribution
normale ;
• utiliser une méthode non paramétrique qui ne
formule aucune hypothèse sur la distribution.
Le premier parti est le plus souhaitable, mais on le
choisit rarement parce que la plupart des
expérimentateurs, qui ne sont pas statisticiens, n’en
connaissent pas les méthodes. Dans leur évolution, les
méthodes usuelles ont fini par se fonder sur d’autres
approches, parce que les méthodes paramétriques plus
sophistiquées comportaient des calculs difficiles, mais
cela n’est plus un obstacle depuis l’avènement des
ordinateurs. Nous ne donnons pas de conseils sur ces
méthodes plus avancées, mais nous les évoquons dans
les § 6.5.2 et 6.5.11 sur les modèles linéaires
généralisés (GLIM). Il faut espérer que les échanges
avec les statisticiens rendront disponibles et adaptables
à l’écotoxicologie de telles méthodes améliorées.
On a préféré le deuxième parti (transformer les données
pour rendre la distribution normale). Cette utilisation de
la transformation visait à obtenir des données
appropriées aux méthodes statistiques des décennies
antérieures. Elle permet l’emploi de méthodes bien
connues d’analyse, dont les marches à suivre sont
relativement simples et dont les tables statistiques sont
facilement accessibles.
Le troisième parti énuméré (l’emploi d’une méthode
non paramétrique d’analyse) est également devenu une
approche moderne usuelle, en partie grâce au
développement et à la programmation de méthodes
usuelles pour le test d’hypothèse aux États-Unis. On a
habituellement eu recours aux méthodes non
paramétriques quand l’analyse paramétrique n’est pas
valable. Dans des nombreux cas, elles sont moins
puissantes que les tests paramétriques correspondants,
pour ce qui est de distinguer les effets. À l’instar des
tests paramétriques, les non paramétriques formulent
des hypothèses sur les données, par ex. sur
l’indépendance des observations et l’homogénéité de la
variance, mais ils sont généralement plus robustes pour
ce qui concerne les écarts par rapport à ces hypothèses.
32
Avantages et inconvénients. — Si l’on veut soumettre
les résultats à un test d’hypothèse, la transformation
peut accepter des mesures qui s’écartent de la normalité
ou de l’homogénéité de la variance et les modifier en
variables remplissant les conditions de l’analyse par des
tests paramétriques connus. On peut aussi transformer
certains ensembles de données quantiques pour mieux
les plier aux tests d’hypothèses (§ 2.9.3).
En conséquence, on recommande une transformation
appropriée, si nécessaire, comme option préférée pour
les données qui ne satisfont pas aux exigences de la
normalité et de l’homogénéité de la variance. Il est
conseillé de consulter un statisticien. Le problème le
plus grave est que l’on peut s’attendre à ce que la
transformation modifie les relations entre les données.
Il faut tenir compte des avertissements du § 2.9.1.
Si l’on n’a pas trouvé de transformation satisfaisante,
le parti à prendre pourrait être l’analyse par des tests
non paramétriques.
2.9.3 Transformations particulières
Les transformations des mesures les plus fréquemment
utilisées sont le logarithme et la racine carrée. Les deux
peuvent être efficaces si la variance augmente avec la
moyenne. Les logarithmes sont utiles si l’effet tend à
augmenter exponentiellement en raison de la
concentration et si la variance est proportionnelle au
carré du résultat moyen du traitement. Cela pourrait
survenir avec la croissance de la population ou
démographique ou le poids, et la transformation
pourrait rendre la variance indépendante de la moyenne.
La formule préférée, particulièrement si certaines des
valeurs sont petites ou nulles, est log (X + 1).
La racine carrée peut également aider à stabiliser la
variance. On peut également l’appliquer quand les
données se présentent comme une série de
dénombrements (distribution de Poisson), et que les
variances des groupes sont proportionnelles aux
moyennes. De nouveau, la formule préférée comprend
une constante plutôt qu’une simple transformation,
généralement la racine carrée de (X + 0,5), où X est une
mesure individuelle (Zar, 1999). Lui est peut-être
supérieure la transformation légèrement plus complexe
de la racine carrée de X plus la racine carrée de (X + 1).
La transformation réciproque est rarement utile pour
les données quantitatives. On ne recommande pas la
transformation arc sin racine carrée, qui ne convient
pas aux données quantitatives, parce qu’elle est
destinée aux observations binomiales telles que les
pourcentages ou les proportions (Zar, 1999). Parfois,
cependant, l’expérimentateur pourrait souhaiter
analyser les données quantiques par un test
d’hypothèse, ce à quoi la transformation arc sinus
pourrait être utile et convenir. Nous en discutons dans
le § 7.2.6, et l’application de l’arc sinus est discutée
dans le glossaire.
33
Section 3
Essais à concentration unique
Repères
• Les essais de toxicité à concentration unique sont
d’ordinaire utilisés dans les études d’évaluation
des sédiments et des sols contaminés ou pour la
surveillance des effluents. Leurs résultats peuvent
servir à juger du respect des règlements, à l’aide
d’un critère réglementaire fixe du type « réussite
ou échec », sans analyse statistique.
• Les tests visant à conclure à un effet
statistiquement significatif d’après les résultats
des essais quantiques de toxicité à concentration
unique (par ex. la mortalité) dépendent de la
nature et du plan du programme d’étude. Pour un
échantillon prélevé en un endroit, sans répétition
(réitération), l’essai pourrait se faire par
comparaison avec le groupe témoin à l’aide de la
méthode exacte de Fisher ou des tables de Finney.
Pour un emplacement unique avec échantillons
réitérés, par ex. une étude des sédiments ou des
sols contaminés, on pourrait soumettre les
résultats à la méthode exacte de Fisher.
• Dans le cas d’une étude portant sur plusieurs
emplacements, sans répétition, et portant sur des
effets quantiques, les résultats ne seraient pas
statistiquement testables. Avec des échantillons
réitérés, on pourrait évaluer les résultats au
moyen d’une régression logistique effectuée par
un statisticien ou sous sa surveillance. Parfois,
l’analyse de variance pourrait être réalisable.
• Les essais quantitatifs à concentration unique
(par ex. effets de l’exposition à un sédiment
contaminé sur le poids atteint par les organismes)
emploient des méthodes statistiques différentes.
Pour l’échantillonnage réitéré dans un
emplacement, on pourrait comparer les résultats
à ceux que donne le témoin avec un test t. Sans
répétitions, les résultats ne seraient pas
statistiquement testables.
• À l’égard des résultats quantitatifs portant sur
plusieurs emplacements, on dispose d’un certain
nombre d’approches. S’il n’y a pas de répétitions,
on ne conseille aucune analyse statistique. Si on
a des échantillons réitérés, l’analyse de variance
serait une première étape, si les résultats s’y
prêtent. Si l’hypothèse nulle d’une différence nulle
a été rejetée, l’analyse peut se faire à l’aide de
l’un des nombreux tests de comparaisons
multiples. Pour les données ordonnées (gradient
prévu), le test de Williams comparerait chaque
emplacement avec le témoin. Dans le cas de
données non ordonnées, le test de Dunnett les
comparerait aux témoins, tandis que le test de
Dunn-Sidak serait une seconde option. Pour une
comparaison deux à deux (chaque emplacement
avec chacun des autres), on recommande la
méthode de la plus petite différence significative
de Fisher, le test de Tukey étant une solution de
rechange.
• Pour ce qui concerne les échantillons de terrain
réitérés et les données quantitatives exigeant une
analyse non paramétrique, il est recommandé,
dans la plupart des cas, de vérifier l’hypothèse
nulle avant de passer à un test de comparaisons
multiples. Si les données sont ordonnées, on
devrait comparer les emplacements avec le témoin
à l’aide du test de Shirley. La comparaison deux
à deux des données ordonnées débuterait par le
test de Jonckheere-Terpstra, puis emploierait le
test de Hayter-Stone si l’hypothèse nulle était
rejetée. Dans le cas des données non ordonnées,
la comparaison avec le témoin débuterait par le
test de Fligner-Wolfe ou, si ce test n’est pas
accessible, par le test de Kruskal-Wallis. Si on
avait rejeté l’hypothèse nulle, on appliquerait le
test de Nemenyi-Damico-Wolfe, avec, comme
deuxième choix, le test de sommation des rangs de
Wilcoxon et, comme remplacement possible, le
test multiunivoque de Steel. Pour la comparaison
deux à deux, le premier choix serait le test
d’hypothèse de Kruskal-Wallis. Le test
recommandé de comparaisons multiples est celui
de Critchlow-Fligner-Steel-Dwass, avec comme
solutions possibles de rechange, le test de
comparaison par paires de Steel ou l’utilisation
répétée du test de Kruskal-Wallis.
Les essais à concentration unique sont souvent utilisés
dans les programmes de surveillance de
l’environnement pour contrôler la conformité des rejets
34
aux règlements et examiner des zones de sédiments, de
sols ou d’eaux de surface potentiellement polluées. En
dépit de leur manque de puissance, les essais sont une
façon efficace et utile de jouer ce rôle d’examen.
Un programme de surveillance de la conformité des
rejets liquides aux règlements pourrait simplement
utiliser l’effluent tel quel, non dilué. Les effets de
l’effluent seraient comparés à ceux du témoin le plus
approprié que l’on pourrait choisir. Les essais initiaux
portant sur un sol ou un sédiment potentiellement
contaminé utilisent habituellement un échantillon non
dilué. On en compare normalement les effets à ceux
d’un sol ou d’un sédiment témoin et de référence (v. le
glossaire) 16 .
Aucune comparaison statistique avec le témoin n’est
nécessaire quand on réalise un essai à concentration
unique, tel que la mesure de la létalité aiguë, en vertu
des règlements visant les fabriques de pâtes et papiers
et les mines de métaux du Canada. La matière à l’étude
échouerait ou réussirait (à l’essai) selon que la
mortalité aurait excédé ou non la limite permise.
Il existe des méthodes statistiques toutes faites pour
certains autres essais à concentration unique, pour
l’analyse des résultats, et on utilise souvent le test
d’hypothèse avec prélèvement réitéré, au besoin,
d’échantillons sur le terrain. En analyse, il faut
maintenir la distinction entre les résultats quantiques et
les résultats quantitatifs.
Dans la fig. 3, on expose les plans courants
d’expérience et les choix de méthodes d’analyse qui
leur correspondent. Dans les paragraphes qui suivent,
on discute de ces plans et méthodes. Les essais à
concentration unique peuvent connaître de nombreuses
variations pour répondre à une situation particulière.
Pour ce qui concerne les plans spéciaux d’expérience,
dont nous ne traiterons pas, l’expérimentateur devrait
suivre les instructions particulières de la méthode à
utiliser, consulter un statisticien et s’appuyer sur tous
les principes généraux que nous exposons ici.
16. Lors d’essais ultérieurs avec des sols, on pourrait établir une
série de dilutions avec du sol non contaminé, ce qui permettrait
d’estimer des CI p ou des CE 50.
3.1
Effets quantiques
La mortalité est l’effet le plus commun auquel
aboutissent les essais à concentration unique, et les
données résultantes sont quantiques. Un essai pourrait
servir à évaluer la mortalité d’amphipodes ou de larves
de chironomes exposées à un sédiment non dilué ou la
mortalité de truites arc-en-ciel dans un effluent non
dilué. La partie supérieure gauche de fig. 3 montre le
choix de tests statistiques en la circonstance.
3.1.1 Un seul échantillon sans répétition
Soumettre un échantillon à l’essai, sans répétition, est
chose courante pour un rejet faisant l’objet d’une
surveillance périodique. En employant un seul
échantillon non réitéré et un témoin, on peut comparer
le nombre d’organismes morts au moyen de l’un des
tests exposés dans l’alinéa qui suit. Le test de
comparaison devrait prendre la forme d’un test
unilatéral de signification, parce que, normalement,
l’expérimentateur ne se soucierait que d’une mortalité
plus grande à la concentration d’essai que dans le
milieu témoin ou de référence 17 . Parce que les tests se
fondent sur des données limitées, on peut seulement
s’attendre à ce qu’ils décèlent des effets relativement
importants.
Voici les deux méthodes conseillées. L’annexe G
fournit des exemples et renvoie à des publications, bien
que ces tests sur des proportions soient traités dans les
manuels classiques de statistique. Dans les
comparaisons employant ces méthodes, l’hypothèse
nulle est celle selon laquelle la concentration d’essai
n’entraîne pas d’effet « pire » que les performances
observées chez le témoin, c’est-à-dire un test unilatéral,
mentionné précédemment. Les méthodes donnent de
bons résultats, que le témoin manifeste ou non des
performances réduites (par ex. une certaine mortalité).
• On recommande en premier lieu la méthode exacte
de Fisher, parce que c’est, en effet, une méthode
exacte. Elle demande peu de calculs, dans des
sélections et manipulations des données exposées
point par point dans un tableau simple de deux
17. On a recours à un test bilatéral comme le khi-deux si le sens
de la différence n’a pas d’importance ou si l’on ne peut pas faire
de supposition à son égard avant le début de l’essai. Dans les
essais de toxicité létale, cela serait rarement le cas, car la
mortalité est plus grande dans l’échantillon que chez le témoin.
oui
oui
non
non
Nombre égal de
répétitions ?
ANOVA
Non testable,
examiner les
résultats
Test de Dunnett
Test de Dunn-Sidak
Régression
logistique ?
Test LSD de Fisher
Test de Tukey
Deux à deux
Test exact de Fisher,
tables de Finney
ou test Z
non
Répétitions ?
Plusieurs
emplacements
et témoin
Test de Shirley
Comparer
au témoin
Test t
oui
Test de
Hayter-Stone
Test de JonckheereTerpstra
Deux à
deux
Paramétrique
Non testable
non
Répétitions ?
Un emplacement et témoin
Comparer
au témoin
Test de
Kruskal-Wallis
Deux à deux
Test de
Critchlow-FlignerSteel-Dwass
Test de comparaison
par paires de Steel
Test de Kruskal-Wallis
non
Gradient prévu ?
Non paramétrique
non
Normalité ?
Homogène
oui
Répétitions ?
Test de NemenyiDamico-Wolfe
Test de sommation
des rangs de Wilcoxon
Test multiunivoque de Steel
Test de Fligner-Wolfe
Test de Kruskal-Wallis
oui
oui
Non testable
non
Plusieurs emplacements et témoin
Données quantitatives
Figure 3. — Organigramme des méthodes statistiques applicables aux résultats de diverses catégories d’essais à concentration unique.
Certaines de ces options pourraient être rarement utilisées. Les cases entourées d’un cadre double dénotent un test d’hypothèse nulle ;
ce n’est que si cette hypothèse est rejetée que l’on passe à une comparaison multiple.
Test de Williams ou de
Dunnett
Comparer au témoin
Combiner les
répétitions
et test Z
oui
Répétitions ?
Un échantillon et
témoin
Données quantiques
Une seule concentration et témoin
35
36
cases sur deux. On compare la valeur calculée à
une valeur critique fournie, pour la méthode exacte
de Fisher, dans les manuels de statistique générale.
particulièrement mauvaise quand les proportions
observées se situent à l’extérieur de l’intervalle
d’environ 0,4 à 0,6.
• « Tables de Finney ». — Il s’agit simplement de
comparer les données à des diagrammes, qui
montrent immédiatement si l’effet expérimental est
plus grand que celui que l’on observe chez le
témoin. Les diagrammes sont présentés dans
l’annexe G, mais ils ne valent que pour un nombre
égal d’individus dans les enceintes expérimentales
et les enceintes témoins, jusqu’à concurrence de 10.
Dans les cas où le nombre d’individus n’est pas
égal ou qu’il est supérieur à 10, on pourrait
consulter la source de ces diagrammes, les tables
publiées de Finney et al. (1963). Dans certaines
bibliothèques universitaires, on pourrait trouver,
mais difficilement, le recueil de ces tables. Les
tables présentent les p-valeurs pour la comparaison
de deux proportions, à la manière du test t 18 .
Ni la méthode de Fisher ni celle de Finney ne devrait
faire l’objet d’une interprétation trop étroite. Pour la
méthode exacte de Fisher, l’ordinateur produit
habituellement la valeur de probabilité exacte. Même
s’il fallait consulter les tables pour connaître les valeurs
critiques de Z, l’expérimentateur serait néanmoins
capable de juger de la p-valeur approximative. À vue
de nez, la signification des p-valeurs dans l’intervalle
général de 0,025 à 0,075 pourrait être considérée
comme non concluante. Dans les études importantes, on
pourrait effectuer des essais supplémentaires ou on
devrait consulter un statisticien pour connaître les
autres options possibles. S’il existait des tests
statistiques de rechange, on devrait choisir ceux qui
correspondent aux caractéristiques de l’essai particulier
de toxicité que l’on réalise.
Le test Z est une autre façon de comparer deux
proportions. Nous ne le recommandons pas parce que
les deux tests précités sont disponibles. Le test Z figure
dans la plupart des manuels nord-américains de
statistique 19 (par ex. Zar, 1999, p. 557), et nous
donnons un exemple de son application dans
l’annexe G. On compare une valeur calculée à une
valeur critique de Z, qui, de fait, est trouvée dans des
tables pour les valeurs de t. Le test se fonde sur
l’approximation normale à la distribution binomiale,
laquelle est indigente pour les petites tailles
d’échantillon auxquelles s’appliqueraient les
comparaisons dont nous parlons. L’approximation est
3.1.2 Répétition au même emplacement
Un programme d’essais à concentration unique pourrait
parfois employer des échantillons réitérés du même
emplacement, c’est-à-dire plusieurs échantillons
prélevés en même temps et au même endroit. Cela serait
plus probable dans les programmes d’étude de sols ou
de sédiments que dans la surveillance des effluents
liquides. Aucune méthode statistique usuelle n’est
établie pour utiliser toute la gamme des données sur les
effets quantiques, mais il subsiste des options. Dans
cette situation, la méthode exacte de Fisher est toujours
appropriée ; cependant, on devrait vérifier l’égalité des
répétitions (avec la méthode exacte de Fisher) avant de
grouper les données. Si le test montre que les données
ne peuvent pas être groupées, l’expérimentateur doit
s’interroger sérieusement sur la raison pour laquelle les
effets sont significativement différents en un endroit.
Une autre analyse possible combinerait les données des
répétitions et soumettrait les proportions à un test Z,
comme il est mentionné dans le § 3.1.1.
18. On peut comparer deux proportions, comme, notionnellement
on peut comparer deux moyennes. Quand on compare deux
moyennes, on se sert d’une distribution t ou ou d’une distribution
normale pour déterminer quelle différence entre deux moyennes
est statistiquement significative. On peut déceler des différences
toujours plus petites entre les moyennes à mesure que la taille de
l’échantillon s’accroît et que s’amenuise la variabilité associée
aux moyennes. On peut, par la même approche, comparer deux
proportions, mais en employant la distribution binomiale. Les
calculs décrits dans Zar (1999) sont quelque peu fastidieux. Il
semble que Finney et al. (1963) aient comparé directement de la
sorte deux proportions pour construire leurs tables et le
diagramme de l’annexe G.
19. Dans les manuels européens, Z symbolise la variable
normale centrée réduite, et on en trouve les valeurs dans les
tables de la distribution normale.
3.1.3
Lieux de prélèvement d’échantillons
multiples
Si on soumettait des échantillons uniques (par ex. de
sédiments) d’un certain nombre d’emplacements à un
essai à une concentration avec témoin, il serait presque
impossible de soumettre tout l’ensemble de données à
un test statistique. D’habitude, une telle étude serait
37
préparatoire. On pourrait examiner les résultats pour y
découvrir les signes d’un effet puissant et on pourrait
poursuivre l’échantillonnage et les essais avec
répétitions (voir le texte qui suit).
Des ensembles de données pourraient se prêter à des
analyses spéciales, en consultation avec un statisticien.
On pourrait appliquer l’analyse des observations
aberrantes à l’identification de tout effet qui serait plus
grave que celui qu’aurait subi le témoin et qui
correspondrait aux échantillons de faible toxicité
(§ 10.2). Si les emplacements constituaient un gradient
(par ex. de l’amont vers l’aval), une régression
permettrait de déceler l’effet de gradient.
Sous-échantillons de chaque échantillon. — On
pourrait subdiviser les échantillons uniques de
sédiment, de sol ou de liquide provenant chacun de
plusieurs emplacements ainsi qu’un témoin ou un
échantillon de référence en sous-échantillons et les
soumettre à un essai. Cela représenterait une
« répétition en laboratoire ». Pour ce qui concerne les
effets quantiques, de telles données limitent les options
qui s’offrent à l’analyse statistique (voir le texte qui
suit). La répétition en laboratoire donne une idée de la
variation dans les essais de toxicité effectués au
laboratoire et de l’homogénéité de l’échantillon. Si la
variation consécutive à la création de sous-échantillons
était très faible, la répétition pourrait aider à distinguer
les échantillons de terrain entre eux. Par exemple, si la
variance des sous-échantillons était proche de zéro, ce
serait le signe d’une bonne homogénéité des
échantillons et d’essais de toxicité aux résultats précis ;
on remarquerait les toxicités différentes des échantillons
de terrain. Cependant, la variation de l’échantillonnage
sur le terrain à un emplacement donné resterait
inconnue, de sorte que les sous-échantillons ne
procureraient pas la puissance nécessaire pour juger
des différences entre les emplacements. C’est pourquoi
on ne recommande pas particulièrement des répétitions
en laboratoire à moins que cela ne soit spécifiquement
voulu pour estimer la variation intralaboratoire. En
général, il serait plus utile de consacrer l’effort
supplémentaire aux échantillons réitérés (v. le § 2.5.2).
Les conclusions des analyses statistiques portant sur les
répétitions de laboratoire devraient être prudentes, et il
faut les formuler sans ambiguïté. Sinon, on risquerait
de mal interpréter les conclusions statistiques, en
inférant, à tort, que toute différence décelée a résulté
des différents emplacements sur le terrain.
Répétition sur le terrain. — Si on a prélevé des
échantillons réitérés, c’est-à-dire plusieurs échantillons
au même endroit, des analyses statistiques utiles
deviennent faisables, même pour les données quantiques
obtenues à une concentration. Une approche possible
serait la régression logistique (§ 6.5), réalisée par un
statisticien ou un toxicologue versé dans la statistique.
La régression serait « catégorique », c’est-à-dire fondée
sur le témoin, l’emplacement 1, l’emplacement 2, etc.,
plutôt que d’être la régression familière sur une
variable indépendante continue comme la concentration.
L’approche de la régression logistique pourrait être
particulièrement fructueuse si on s’attend à un gradient
d’effet (par ex. à différents endroits en « en aval »
d’une source de pollution).
3.2
Effets quantitatifs à un endroit
Un exemple d’essai à concentration unique pour l’étude
des effets quantitatifs serait la mesure du poids moyen
des larves de chironomes après exposition à un
échantillon de sédiment non dilué, par rapport au poids
des larves exposées à un sédiment de référence ou à un
sédiment témoin (EC, 1997a). On pourrait, en théorie,
effectuer des essais préliminaires dans des enceintes
expérimentales uniques, mais les essais définitifs
porteraient sur des échantillons réitérés. La riche
arborescence des choix est représentée dans les parties
droite et inférieure de la fig. 3.
Sans répétition. — Si un seul échantillon était soumis
à l’essai et s’il n’y avait qu’une seule matière témoin ou
matière de référence, sans répétition, on ne pourrait
comparer les résultats par aucun test statistique.
Répétition et comparaison par un test t. — Dans un
essai quantitatif avec répétition auquel on soumettrait
la matière à l’étude et la matière témoin ou de
référence, un test t ordinaire conviendrait à l’analyse
statistique. Ici encore, l’expérimentateur chercherait
une taille réduite dans la matière à l’étude, de sorte que
la valeur critique du test t serait celle d’un test
unilatéral. La méthode suivie pour les tests t est
fréquemment présentée dans les manuels de statistique
ainsi que dans les logiciels tels que TOXSTAT.
38
Comme il en a déjà été question (§ 3.1.3), si les
répétitions étaient des sous-échantillons d’un seul
échantillon (« répétitions de laboratoire »), les
conclusions du test statistique ne refléteraient que la
variation intralaboratoire. On ne pourrait tirer aucune
conclusion sur les différences du monde extérieur,
par ex. si le lieu de prélèvement des échantillons diffère
de celui d’où provient le témoin. Si, cependant, on avait
utilisé des échantillons réitérés, les conclusions
s’appliqueraient au monde réel, au moment et au lieu
du prélèvement.
On peut appliquer le test t à la plupart des ensembles
de données. Il fonctionne pour les nombres inégaux de
répétitions dans l’essai et le témoin. À proprement
parler, il repose sur l’hypothèse d’une distribution t de
Student et de l’égalité des variances dans les deux
groupes. Dans le doutes sur ces hypothèses, on pourrait
vérifier la distribution t au moyen d’un graphique
quantile-quantile ou, si la taille de l’échantillon était
supérieure à 30, par un test de normalité. On pourrait
tester l’homogénéité de la variance par les tests
d’O’Brien, de Levene ou de Bartlett ou par le test F
(§ 7.3.1) 20 . Cependant, le test t est assez robuste,
particulièrement si les échantillons et le témoin sont de
tailles égales ou presque égales et si les nombres
d’individus ne sont pas trop petits. Diverses
modifications sont disponibles, et CETIS offre le test t
pour échantillons appariés, le test t pour variances
égales et le test t pour variances inégales.
3.3
Essais quantitatifs sur échantillons
provenant de plusieurs endroits
Dans un autre type d’essai à concentration unique, on
soumet les échantillons provenant de plusieurs endroits
à un essai simultané, selon le même mode opératoire et
avec la même matière témoin ou de référence. On
20. Le test F est le dernier choix, mais, si on l’utilise, on en
trouve la méthode dans tous les manuels de statistique, qui
comportent habituellement des tables des valeurs critiques de F.
S’il y a 4 répétitions et si chacune correspond à un poids moyen
d’organismes survivants, la variance se calcule à partir des
4 moyennes, ce qui donne une variance pour la matière à l’étude
et une autre pour le témoin. F est le rapport entre la variance
supérieure et la variance inférieure. Le nombre de degrés de
liberté est égal au nombre de répétitions dans chaque cas moins
un. Si le test t était invalide en raison de l’inégalité des variances,
on utiliserait une formule modifiée de ce test. Des exemples
pratiques sont exposés dans une annexe d’USEPA (1995).
procède généralement ainsi avec des échantillons de
sols de divers endroits entourant un lieu contaminé ou
de sédiments provenant de plusieurs emplacements dans
un port, afin de délimiter une éventuelle zone de forte
contamination. Il existe un guide approfondi sur le
prélèvement et la répétition d’échantillons de sédiments
(EC, 1994), que nous recommandons. Il existe
également un guide de méthodes individuelles d’essai
d’un sédiment telles que la méthode employant des vers
polychètes (EC, 2001a).
Nous prenons comme exemple l’échantillonnage d’un
sédiment sur le terrain en différents endroits. Les
observations concernent les essais portant sur des effets
quantitatifs tels que la modification du poids des
organismes.
L’analyse statistique fructueuse d’échantillons de
sédiments provenant de plusieurs endroits exige le
prélèvement d’échantillons séparés à chaque
emplacement (c’est-à-dire des échantillons réitérés).
Dans le § 2.5, on traite de la manière de répéter les
échantillons. Pour ce qui est du test d’hypothèse, une
solution de rechange qui ne permet pas de distinguer les
emplacements consiste à prélever un échantillon de
chaque station, puis à le subdiviser plus tard en
sous-échantillons (dits « répétitions de laboratoire »).
L’essai ne livrerait que des renseignements limités sur
la différence ou non d’un échantillon particulier par
rapport à un autre échantillon particulier. Il ne
permettrait pas un test d’hypothèse sur l’absence de
différence entre les emplacements (stations
d’échantillonnage) [v. le § 2.5].
Cas particulier des gradients. — Si on s’attend à
l’existence d’un gradient d’effets décroissants sur une
série de points d’échantillonnage de plus en plus
éloignés d’une source de pollution, on peut se servir de
la régression comme forme de test d’hypothèse.
L’hypothèse nulle est qu’aucun gradient n’existe.
L’hypothèse alternative est qu’un gradient d’effets
existe en fonction de la distance de la source. Le choix
et l’emploi d’une technique appropriée de régression
exigent les conseils d’un statisticien. Pour cette analyse,
les répétitions sont inutiles ; cependant, les échantillons
réitérés permettent de tester le manque d’ajustement et,
aussi, de rendre la régression statistiquement plus
puissante. Un statisticien pourrait utiliser des
sous-échantillons (« répétitions de laboratoire ») pour
39
réduire la variance de l’erreur, mais l’effort
d’échantillonnage devrait se concentrer sur les
échantillons réitérés.
3.3.1 Tests paramétriques
Si on peut utilement ordonner les stations
d’échantillonnage selon un gradient, le commentaire
formulé dans le texte qui précède immédiatement
s’applique, et des conseils supplémentaires sont donnés
dans l’alinéa qui suit. Si, ayant prélevé des échantillons
réitérés, on ne s’attend pas à l’existence d’un gradient,
on pourrait effectuer un test d’hypothèse.
Pour le test d’hypothèse, le choix pour l’analyse
statistique porte sur l’analyse de variance si les
résultats répondent aux exigences de l’analyse
paramétrique (§ 7.3). Si on compare chaque station
d’échantillonnage à une matière de référence ou témoin,
l’analyse de variance serait suivie du test de Dunnett
(§ 7.5.1), ordre que nous préconisons. Certains vieux
logiciels pourraient exiger un nombre égal de
répétitions pour le test de Dunnett, mais les plus récents
se sont libérés de cette contrainte (v. le § P.4.2 de
l’annexe P). Le test de Williams pourrait remplacer le
test de Dunnett, s’il existait visiblement un gradient
d’effets tel qu’en une série de points se succédant vers
l’aval à partir d’une source de pollution et si on se
servait d’un test d’hypothèse. Le test de Williams
comparerait les effets à chaque point à ceux de la
station témoin, mais il tiendrait compte de la nature
ordonnée des points, ce qui procurerait une analyse plus
sensible (v. le § 7.5.1).
En principe, l’expérimentateur pourrait vouloir savoir
quels points d’échantillonnage diffèrent des autres.
Dans ce cas, il pourrait soumettre à l’essai, sans en
diluer aucun, plusieurs échantillons de terrain du point
ou de chacun des points en amont du point de rejet de
l’effluent et, de même, d’un certain nombre de points en
aval. Il pourrait vouloir effectuer des comparaisons
deux à deux, dans le cadre d’une étude élargie des
points en question, comme s’il est possible ou non de
distinguer de la station en amont un point en aval
montrant le « meilleur » retour à la normale. Pour
effectuer une telle évaluation, une analyse de variance
pourrait être suivie de la méthode LSD (Least
Significant Difference, plus petite différence
significative) de Fisher ou du test de Tukey.
La méthode LSD est utile à la comparaison deux à
deux à l’intérieur d’un ensemble plus grand de données
parce qu’elle est relativement facile à réaliser et que
l’on peut l’étendre aux cas comptant un nombre inégal
de répétitions. Elle ne fait généralement pas partie des
progiciels utilisés pour l’étude de la toxicité, mais, dans
le § 7.5.1, on donne des conseils sur son emploi.
D’autres conseils sur les tests paramétriques de
comparaisons multiples sont donnés dans le § P.4 de
l’annexe P.
Répétitions inégales. — Comme nous l’avons déjà
mentionné, le test de Dunnett accepte les nombres
inégaux de répétitions, dans les progiciels modernes de
statistique qui sont les plus susceptibles d’être trouvés
dans les laboratoires. Les vieux progiciels de
toxicologie pourraient n’avoir que la version capable de
traiter les nombres égaux de répétitions. Si on ne
dispose pas d’un programme capable de traiter les
nombres inégaux, on pourrait lui appliquer une
modification, qui est expliquée dans Newman (1995) et
dont on présente des exemples pratiques dans USEPA
(1995). Les autres options pour les nombres inégaux
d’observations sont le test de Dunn-Sidak ou le
test t ajusté de Bonferroni (v. le § P.4 de l’annexe P).
3.3.2 Tests non paramétriques
Si les résultats d’essais de toxicité sur échantillons
multiples n’ont pas répondu aux conditions de
normalité et l’homogénéité de la variance, on devrait
utiliser des tests non paramétriques. Les options qui
s’offrent alors occupent la partie inférieure droite de la
fig. 3. Des commentaires pertinents et des détails plus
nombreux sont offerts dans tous les alinéas du § 7.5, y
compris des observations sur la disponibilité des tests.
L’une des ramifications des tests proposés s’impose si
on s’attend à l’existence d’un ordre ou gradient dans les
résultats et si chaque emplacement sera comparé au
témoin. Le test de Shirley pourrait être utilisé pour
faire ces comparaisons (Shirley, 1977). Si on s’attend
à l’existence d’un ordre et si on veut effectuer une
comparaison deux à deux (chaque emplacement avec
chacun des autres), on pourrait utiliser le test de
Jonckheere-Terpstra pour tester l’hypothèse nulle de
l’absence de différence (Jonckheere, 1954). Si
l’hypothèse est rejetée, on passe au test de
comparaisons multiples de Hayter et Stone (1991).
40
Une autre ramification des tests proposés entrerait en
jeu si on ne s’attend à aucun ordre de concentration ou
d’effet dans l’ensemble des résultats d’essais sur
échantillons multiples. On pourrait alors comparer les
effets à ceux qu’a éprouvés le témoin en testant
l’hypothèse nulle de l’absence d’effet, au moyen du test
de Fligner et Wolfe (1982). Si ce test n’était pas
accessible, celui de Kruskal et Wallis (1952) ferait
l’affaire. Si on rejette l’hypothèse nulle, on pourrait
passer à un test de comparaisons multiples. Le premier
choix irait au test de Nemenyi-Damico-Wolfe (Damico
et Wolfe, 1987). Sinon, le deuxième choix serait le test
de la somme des rangs de Wilcoxon ou le test
multiunivoque de Steel (Steel, 1959).
On pourrait également vouloir effectuer une
comparaison deux à deux (chaque emplacement l’un
avec l’autre) si on ne s’attend à aucun ordre dans les
effets. On testerait d’abord l’hypothèse nulle (absence
d’effet de l’emplacement) par le test de Kruskal-Wallis.
Si on concluait à l’existence d’une différence, on se
servirait du test de Critchlow-Fligner-Steel-Dwass
(Critchlow et Fligner, 1991) pour déterminer la ou les
différences. Dans le cas contraire, on pourrait utiliser
le test de comparaison par paires de Steel (Steel,
1960) pour données équilibrées (nombre égal de
répétitions) ou, de nouveau, le test de Kruskal-Wallis,
cette fois comme test de comparaisons multiples pour
données non équilibrées.
41
Section 4
Essais quantiques pour estimer la CE p
À la fin d’un essai de toxicité quantique, chaque
organisme présente ou ne présente pas l’effet défini.
L’effet est binaire : un ver de terre meurt ou vit, un œuf
est fécondé ou reste non fécondé, un poisson manifeste
ou non une réaction d’évitement. Dans ce contexte,
binaire et quantique sont synonymes. Ainsi, la plupart
des essais quantiques (de toxicité) se fondent sur la
proportion d’organismes manifestant l’effet après
l’exposition à une concentration fixe et d’une durée
définie de la matière à l’étude.
Les résultats quantiques suivent une distribution
binomiale, qui détermine le choix des tests statistiques
appropriés. L’expérimentateur en quête de plus de
renseignements dans un manuel de statistique devrait
consulter les parties ou chapitres sur les données
binaires et la distribution binomiale. Collett (1991)
décrit les méthodes d’analyse des données binaires et il
fait remarquer que les techniques bien connues de
l’analyse de variance et de la régression linéaire simple
sous les formes utilisées avec des données continues
(quantitatives) ne sont pas utilisables directement avec
des données quantiques (v. la fin du § 4.3). Des
méthodes bien établies permettent d’ajuster les modèles
aux données quantiques, mais les méthodes permettant
de vérifier l’ajustement sont moins bien établies. (Tout
en assimilant les bons conseils de Collett en matière de
statistique, le lecteur devrait se méfier des déclarations
sur les questions toxicologiques qui pourraient sembler
trompeuses à première vue, comme il est expliqué dans
le § 2.3.1.) Sont également utiles les manuels de
statistique de Finney (1971 ; 1978) et d’Ashton (1972),
lequel se concentre sur la modélisation logistique
linéaire, particulièrement appropriée aux résultats des
essais de toxicité quantiques. Hosmer et Lemeshow
(2000) sont des auteurs plus récents à avoir traité de la
régression logistique. Fleiss (1981) aborde certains
aspects de la question tels que les tableaux de
contingence.
La plupart des essais quantiques d’écotoxicité se
fondent sur l’effet létal aigu. Bien qu’ils ne permettent
pas d’estimer une concentration « inoffensive », ils ont
joué un rôle de longue date dans l’évolution de
l’écotoxicologie et ils ont permis de réunir une masse
importante de résultats. Les essais quantiques (de
toxicité) continuent d’être très utilisés, particulièrement
à des fins réglementaires, peut-être parce qu’ils utilisent
souvent des espèces bien connues comme la truite
arc-en-ciel. Ces essais possèdent des qualités telles que
la rapidité, une économie raisonnable, l’estimation d’un
paramètre de toxicité non ambigu, un effet
manifestement nuisible. Ils permettent de comparer la
toxicité relative de matières ou la sensibilité d’espèces
et ils permettent l’examen initial de la toxicité ou la
surveillance des modifications survenant dans un
effluent 21 . Conjointement à ces essais, il existe des
méthodes bien établies d’analyse statistique. Certains
essais de toxicité sublétale sont également quantiques
et utilisent les mêmes techniques d’analyse.
L’organigramme général de l’analyse est
raisonnablement simple (fig. 4). On recommande pour
l’utilisation en routine la régression logit ou probit
(souvent appelée « analyse par la méthode des
probits ») si les données s’y prêtent, parce qu’un long
historique d’emploi signifie que des programmes
éprouvés et commodes d’analyse sont facilement
accessibles. Si les données ne satisfont pas aux
exigences de cette régression, des méthodes de
rechange, bien que théoriquement moins attrayantes,
sont capables de traiter les données auxquelles on a
couramment affaire (§ 4.3).
Nous formulons, dans la présente section, des
observations sur les étapes de l’analyse statistique des
21. Les essais de toxicité létale ne sont pas nécessairement
inférieurs aux essais de toxicité sublétale ; parfois, ils sont
précisément l’outil dont on a besoin pour l’étude. Un exemple
d’emploi de la toxicité létale pour examiner des sujets
scientifiques complexes est l’outil puissant que constituent les
relations quantitatives structure-activité (QSAR ou RQSA),
c’est-à-dire les relations entre la structure chimique des
substances et leur toxicité pour les organismes aquatiques. Grâce
à des programmes de recherche d’envergure, on a défini, au
moyen d’essais de toxicité létale, une série de QSAR complexes
permettant de formuler des prévisions efficaces sur les nouvelles
substances dangereuses aux structures chimiques semblables
(Broderius, 1991 ; USEPA, 1994e).
42
Plan d’expérience
Essai
D onnées
Essai à plusieurs concentrations
Essai à concentration unique avec
tém oin
U tiliser le logarithme de la
concentration
Voir la figure 3 et la
section 3
G raphique tracé à la main
D onnées sur un effet double
D onnées quantiques (répétitions groupées)
D onnées quantitatives
Analyse séparée des
deux effets
Si cela est autorisé ou nécessaire, corriger
pour tenir com pte de l’effet exercé chez le
tém oin
facultatif
Analyse de l’effet
combiné (par ex. axée sur
la biomasse)
Au moins 100 observations par répétition ?
non
oui
Voir la section 8.
D eux effets partiels ?
non
U n effet partiel ?
oui
non
oui
Effets de 0 et de
100 % , seulement
T est de
Spearm an-K ärber avec
équeutage limité
R égression probit ou
logit, par M MV ou
itération
Ajustement
acceptable ?
Estimation ponctuelle
(C I p)
T est d’hypothèses
(C SEO et C EMO )
Voir la figure 15 et la
section 6
Voir la figure 19 et la
section 7
Binomial
oui
C E p / C L p et leurs limites de confiance
C E 50 / C L 50 et leurs limites de confiance
Figure 4. — Organigramme des méthodes d’analyse s’appliquant aux résultats des essais quantiques. Les
méthodes quantiques occupent les branches de la partie inférieure gauche de l’organigramme.
43
données quantiques. Les méthodes diffèrent tout à fait
de celles qui s’appliquent aux données quantitatives,
discutées dans les sections 6 et 7. Certains essais
engendrant beaucoup d’observations quantiques, sont
analysables par des méthodes quantitatives (§ 6.1.1).
4.1
Les paramètres de toxicité estimés au
moyen d’essais quantiques
Repères
• Dans un essai de toxicité quantique, chaque
organisme présente ou ne présente pas un effet.
L’effet pourrait être létal ou sublétal (par ex.
l’immobilisation).
• Dans un essai de toxicité quantique à plusieurs
concentrations, ce paramètre est la concentration
efficace, habituellement la concentration efficace
médiane ou 50 (CE 50). Les essais de toxicité
sublétale sont une sous-catégorie de ce type
d’essai, et le paramètre habituellement estimé est
la concentration létale médiane ou 50 (CL 50). La
durée d’exposition doit être précisée, par ex.
CE 50 après 96 h.
Dans les essais quantiques, on expose, pendant une
durée fixe, des groupes séparés d’organismes à une
concentration faisant partie d’une série de
concentrations fixes. Il est souhaitable de disposer d’un
nombre égal d’organismes à chaque concentration, et la
durée d’exposition doit être la même. Les observations
sont le nombre d’organismes touchés à chaque
concentration (par ex. le nombre d’organismes morts).
Les proportions d’organismes touchés permettent les
analyses statistiques appropriées. (Fleiss [1981] expose
les rudiments des analyses pratiques des proportions).
Le paramètre de toxicité estimé au moyen d’un essai
quantique est la concentration efficace à laquelle se
manifeste un effet toxique sur un pourcentage précisé
d’organismes exposés, la concentration efficace à p %
(CE p). Le pourcentage choisi (p) est d’habitude 50 %,
c’est-à-dire la concentration efficace médiane, 50 %
ou 50, susceptible de causer un effet chez la moitié des
organismes. Dans le langage courant, c’est une
estimation de la concentration qui n’affecterait que
l’organisme « typique » ou « moyen », un paramètre de
toxicité possédant une certaine validité. Un motif
supplémentaire pour choisir l’effet à 50 % est que lui
correspond l’intervalle de confiance à son plus étroit,
qui s’élargit à mesure que l’on s’éloigne de la médiane,
de sorte qu’il serait très large si on choisissait un
pourcentage d’effet extrêmement petit ou grand
(§ 4.2.4). Les estimations de la CE 25 ou de la CE 20
sont « en demande », et l’on peut également estimer ces
paramètres à l’aide de certains programmes d’analyse
(§ 4.2.5).
Il faut toujours préciser la durée d’exposition avec la
CE p, par ex. comme suit : « la CE 50 après 96 heures
(souvent notée CE 50 96 h) ». Les essais quantiques
sont généralement associés à des expositions de courte
durée. La CE 50 de la viabilité des œufs de salmonidés
après une exposition de 7 jours, par ex., résulte d’un
essai de toxicité aiguë parce que ce dernier se déroule
sur une petite fraction du cycle vital de l’organisme.
Moins généralement, un essai quantique pourrait être de
toxicité chronique, par ex. un essai de la mortalité chez
le poisson après des mois d’exposition.
La CE p s’applique à tout effet quantique, létal ou
sublétal. Elle englobe une sous-catégorie fréquemment
utilisée, la concentration létale (CL p), presque toujours
la CL 50). Dans le texte qui suit, les notions de CE p
ou de CE 50 engloberont de façon plus générale la
notion de CL 50 22, 23.
Pour chaque CE p, il faudrait préciser les limites de
confiance (v. le § 4.2.4).
22. Parfois, il est difficile de déterminer la mort chez un animal,
particulièrement un invertébré. Un paramètre convenable de
toxicité peut être la CE 50 pour l’immobilisation, comme dans
l’essai d’Environnement Canada employant des daphnies (EC,
1990b). Cette concentration est écologiquement significative et
devrait être acceptée ; on pourrait l’utiliser chez d’autres types
d’organismes.
23. CL 50, CE 50, CI p, CI 25 etc. sont tous des noms ou
substantifs. Il est inutile d’écrire « valeur de la CL 50 » ou
« estimation de la CI p », expression pléonastiques. La structure
de la phrase devrait s’adapter à ce à quoi ces abréviations tiennent
lieu. Dans l’abréviation CE 50, le mot sous-entendu est le
substantif concentration. On n’écrirait pas « valeur de la
concentration » ni, maladroitement, « valeur de la CE 50 ». Une
maladresse encore plus évidente, que l’on lit de temps à autre, est
« concentration de la CL 50 », ce qui revient à écrire
« concentration de la concentration létale médiane ».
44
4.2
Marche à suivre pour toutes les méthodes
d’estimation d’une CE p
Repères
• Il est impossible d’estimer, par quelque méthode
que ce soit, la CE 50 si, à au moins une
concentration, il n’existe pas un effet d’au
moins 50 %. On peut estimer la CE 50 s’il existe
un effet nul à une concentration, mais que, à
toutes les concentrations supérieures les effets
sont d’au moins 50 %, et si un effet linéaire
logique est évident. L’estimation de la CE 50 est
plus fiable si des effets partiels encadrent cette
concentration. Cependant, on peut interpoler la
CE 50 à partir des effets à 0 et à 100 %
manifestés à des concentrations successives ; cette
estimation pourrait être précise si ces
concentrations sont rapprochées.
• Dans toute estimation, les renseignements tirés
des concentrations ne provoquant aucun effet ou
provoquant un effet complet devraient servir à
établir la position et la pente de la relation
dose-effet, mais on ne peut utiliser à cette fin
qu’un seul effet nul et qu’un seul effet à 100 %.
• Il faut porter les concentrations sur une échelle
logarithmique, conformément à l’hypothèse
scientifique formulée dans le choix des
concentrations. Cette échelle permet
habituellement de supprimer l’asymétrie, pour
faciliter l’appréciation visuelle de l’ajustement.
La représentation du pourcentage d’effet sur une
échelle logit ou probit complète habituellement le
redressement de la courbe sigmoïde en une droite.
• Pour estimer les paramètres de toxicité au moyen
de programmes informatiques, il faut des
contrôles pour vérifier la saisie fidèle des
observations et la plausibilité des résultats livrés
par le programme. L’un de ces moyens de
contrôle serait un graphique tracé à la main du
pourcentage d’effet en fonction du logarithme de
la concentration, dont nous donnons des
exemples. On devrait comparer le graphique et
l’estimation de la CE p qu’il permet à ceux que
produit l’ordinateur.
• Les estimations des paramètres tels que la CE 50
sont normalement calculées sous forme de
logarithmes, puis, dans un souci d’intelligibilité,
converties en valeurs arithmétiques de la
concentration. Avant de calculer la moyenne ou
d’effectuer toute autre opération mathématique
sur les CE 50, il faut convertir de nouveau ces
dernières en logarithmes. Le temps, également,
doit être exprimé selon une échelle logarithmique.
Certaines règles générales, incontournables,
s’appliquent à toutes les méthodes d’estimation de la
CE p. Les programmes informatiques ne prémunissent
pas nécessairement contre les inobservations qui
pourraient provoquer des erreurs d’analyse.
• On combine les résultats obtenus pour des
répétitions (récipients) correspondant à une
concentration donnée 24 .
• Si à au moins une concentration ne correspond pas
un effet d’au moins 50 %, on ne peut pas estimer la
CE 50. (Bien sûr, on peut affirmer que la CE 50
est supérieure à la concentration maximale utilisée
dans l’essai.) On ne peut pas, par extrapolation,
estimer une concentration qui causerait un effet de
50 % à partir d’une concentration exerçant un effet
de moins de 50 %. Il se peut que des effets de 50 %
ou plus ne se manifestent jamais à des
concentrations plus fortes : par ex. un toxique
pourrait atteindre sa limite de solubilité et ne pas
exercer davantage sa toxicité ou, encore, les
organismes survivants pourraient tolérer de fortes
concentrations.
L’expérimentateur doit pouvoir compter sur des
méthodes de repli pour l’analyse, parce que beaucoup
d’ensembles de résultats n’englobent pas les deux effets
partiels dont on a besoin pour la régression logit ou
probit. Le personnel des laboratoires d’Environnement
Canada a estimé que jusqu’à 90 % des essais
réglementaires et des essais de surveillance usuels ont
24. Si les résultats étaient portés sur un graphique tracé à la
main pour obtenir une estimation graphique de la CE 50, on
pourrait distinguer les répétitions pour se donner une impression
visuelle de leur variation. Les méthodes informatisées usuelles
d’estimation de la CE p combinent les répétitions. Dans l’avenir,
des systèmes mathématiques d’analyse pourraient utiliser les
répétitions séparées, mais, actuellement, peu de progiciels sont
capables d’utiliser correctement cette information.
45
pour résultats une mortalité partielle ou n’en ont
aucune (Doe, 1994) et que, en conséquence, ces
résultats ne peuvent pas être traités par une régression
probit ou logit. De même, on trouve dans APHA et al.
(1992) un exemple selon lequel, sur 60 essais de
toxicité aiguë en milieu aquatique, seulement 4 (7 %)
ont donné des résultats qui satisfaisaient aux
hypothèses et aux exigences de la régression probit en
matière de données. Il est souvent très important, pour
les besoins de la surveillance, que les estimations de la
CE 50 et leurs limites de confiance soient acceptables,
même si, du point de vue statistique, elles ne sont pas
parfaites. Les méthodes de repli permettent
habituellement d’obtenir l’estimation acceptable.
Souvent, la répétition de l’essai pour obtenir un résultat
plus précis ou mieux défendable est impraticable, parce
que l’échantillon est soit épuisé, soit trop vieux.
L’estimation de la CE p peut habituellement être
considérée comme plus fiable si les données révèlent un
effet partiel sous la CE p et un autre au-dessus.
Néanmoins, on peut interpoler la CE 50 sans connaître
d’effets partiels, si une concentration provoque un effet
nul et que la concentration supérieure suivante
provoque un effet total (100 %) [V. le § 4.5.7, sur la
méthode binomiale). En effet, un tel essai à seulement
deux effets (nul et total) permettrait une approximation
excellente de la CE 50 si les concentrations étaient
raisonnablement rapprochées. Les lignes directrices qui
suivent concernent les effets nul et total.
• Il est licite d’estimer une CE p (par ex. la CE 25) à
partir de données comprenant un effet nul, mais
aucun effet partiel au pourcentage p choisi ni à un
pourcentage inférieur. Il faut observer, au-dessus de
p %, une croissance régulière des effets, compatible
avec une relation linéaire, et la droite ajustée doit
décrire une proportion statistiquement significative de
la variabilité totale 25 . Certaines autorités en la
matière et des programmes informatiques pourraient
appliquer des exigences plus rigoureuses à l’égard de
l’estimation d’une CE p 26 . À notre avis, cependant,
25. Cette croissance doit être prouvée graphiquement. La valeur
de khi-deux ne devrait pas excéder la valeur critique lorsqu’une
droite est ajustée par la régression probit, condition qui
s’applique à tous les tests (v. le § 4.5.4).
26. Le programme informatique de Stephan et al. (1978) pour la
régression probit (§ 4.5.3) exige deux effets partiels, à l’instar de
tous les programmes de transformation probit. En outre, il exige :
il n’est pas nécessaire de ne pas tenir compte des
résultats d’un essai à cause d’une absence d’effet
partiel sous le pourcentage d’effet choisi ou à ce
pourcentage.
• Si une concentration ne correspond à aucun effet, on
devrait utiliser ce fait dans l’ajustement de la droite.
De même, on devrait utiliser un effet de 100 %. Ces
observations sont de peu de poids dans l’ajustement
d’une droite effet-concentration, mais elles aident à
établir la pente.
• Si, toutefois, des concentrations successives donnent
une série d’effets nuls ou une série d’effets à 100 %,
on ne devrait utiliser que les concentrations les plus
centrales de la série pour l’estimation de la CE 50
(Ashton, 1972). Autrement dit, la concentration
utilisée devrait être la concentration maximale des
concentrations successives ayant donné un effet nul
ou la concentration minimale ayant donné un effet de
100 %. Dans chaque cas, la concentration (et l’effet)
à utiliser est celle qui est la plus « rapprochée du
centre » de la distribution de données. L’emploi d’un
seul effet nul et (ou) d’un effet à 100 % est important
pour les analyses informatisées. Si l’expérimentateur
saisit plus d’une valeur successive à 0 ou à 100 %, le
programme s’efforce d’utiliser la ou les valeurs
supplémentaires, il modifie la pente et la position de
la droite ajustée et, de la sorte, aboutit à des
estimations quelque peu déviantes de la CE 50 et de
ses limites de confiance. La solution à ce problème ne
consiste pas à saisir des valeurs « supplémentaires »
dans le programme. Ce point est important, et
soit a) au moins un effet sous 50 % et au moins un au-dessus ;
soit b) un effet à 50 % et au moins un autre, soit au-dessous, soit
au-dessus de 50 %. Ces exigences sont raisonnables, bien que
légèrement plus rigoureuses que les recommandations actuelles
d’Environnement Canada.
Certains programmes informatiques pourraient estimer une CE 50
à partir de données insuffisantes, mais on ne devrait pas accepter
le résultat, à moins de satisfaire aux exigences d’une méthode
d’essai d’Environnement Canada. Par exemple, le programme
informatique de Hubert (1987) permet d’obtenir des estimations
à partir de deux effets inférieurs (ou supérieurs) à 50 %. Dans le
premier cas, cela n’est pas acceptable pour Environnement
Canada, parce qu’aucune donnée ne prouve que les effets
atteindraient le taux de 50 %. Dans le second cas (deux effets
supérieurs à 50 %), cela ne serait acceptable pour Environnement
Canada que s’il y avait un effet nul à quelque autre concentration
inférieure.
46
l’erreur est fréquente. (Bien sûr, nos commentaires sur
les pourcentages nuls successifs ne s’appliquent pas à
un témoin.)
4.2.2 Transformation log-probit
En choisissant les concentrations d’exposition pour un
essai, l’expérimentateur est presque certain de suivre la
coutume en les choisissant dans une suite géométrique
ou logarithmique. Cela est une admission tacite de
l’adoption du logarithme de la concentration comme
l’unité la plus pertinente pour exprimer la dose (le dose
metameter), et c’est la base qui convient le mieux à
l’analyse statistique ultérieure, comme nous
l’expliquons dans le § 2.3. Une fois calculé, le
paramètre de toxicité devrait être considéré comme un
logarithme. Cependant, on convertit habituellement un
paramètre de toxicité tel que la CE 50 en valeur
arithmétique, pour aider à la compréhension
quotidienne des chiffres. Un avantage concret du
logarithme de la concentration est que ce dernier
supprime d’habitude l’asymétrie des données
représentées graphiquement (fig. H.1 de l’annexe H).
De même, le temps biologique est le mieux pris en
compte en tant que phénomène logarithmique (§ 2.3.6).
D’où l’emploi des logarithmes de temps et de
concentration dans la construction des courbes de
toxicité (§ 5.2) et la nécessité d’employer le logarithme
du temps dans des calculs, si on doit estimer les temps
efficaces 50 (TE 50) [§ 5.1].
L’emploi des probits pour représenter le pourcentage
d’effet résulte de la recherche d’une façon de
représenter les données au moyen d’une relation linéaire
entre les données. Empiriquement, les probits rectifient
une distribution sigmoïde des données sur les effets, ce
qui était commode à l’époque précédant l’avènement
des ordinateurs, parce qu’une droite était plus facile à
analyser. L’habitude s’est maintenue dans les
programmes informatiques modernes. Les probits
« étirent » graduellement l’échelle verticale des effets
qui s’éloignent du taux de 50 % (pour une
représentation graphique, v. la fig. 5, et, pour des
explications, l’annexe H).
Le graphique log-probit combiné représente sous la
forme d’une droite ce qui, en réalité, est une courbe
log-normale cumulée (annexe H ; Buikema et al.,
1982 ; chap. 1 de Rand et Petrocelli, 1985).
Pour le traçage à la main, il est commode de se
procurer du papier graphique « log-probit » et de
simplement y porter les valeurs arithmétiques. Si on ne
peut pas se procurer de papier log-probit dans une
papeterie, on peut photocopier le graphique vierge de
l’annexe I.
Dans un souci de simplicité, les descriptions et les
exemples présentés dans l’alinéa suivant concernent les
probits, mais on pourrait utiliser les logits, et les mêmes
observations générales s’appliqueraient. La seule
exception serait que l’on peut acheter du papier
log-probit, mais non du papier log-logit.
4.2.3
Estimation de la CE 50 à l’aide d’un
graphique tracé à la main
Dans un premier temps, pour se faire une idée générale
des données et de la CE 50 résultante, on devrait tracer
à la main un graphique des résultats. Un groupe de
travail constitué de statisticiens et de toxicologues
(OECD, 2004) est d’accord. Il décrit « une analyse
typique des données » et en énumère les étapes : « on
commence par obtenir un tracé des données, que l’on
apprécie visuellement ». En conséquence, nous
décrivons d’abord les estimations graphiques. Ces
estimations illustrent commodément quelques notions et
difficultés. Dans une certaine mesure, un graphique
explique ce qu’un programme d’analyse informatique
effectue. La fig. 5 montre des exemples à l’aide
d’ensembles représentatifs de données.
La plupart des méthodes d’Environnement Canada
relatives aux essais quantiques et un guide de l’USEPA
(2000a) recommandent une ligne ajustée à vue d’œil
pour estimer une CE 50 approximative, vérifier le
caractère « raisonnable » d’une estimation
informatique. L’expérimentateur consciencieux devrait
toujours tracer le graphique à la main afin d’appliquer
le critère le plus utile d’évaluation de la validité : le bon
sens. L’exercice pourrait révéler un ensemble irrégulier
d’effets qui ne devraient pas être imposés à une analyse
mathématique usuelle. Le tracé est particulièrement
nécessaire si on a utilisé la méthode d’analyse
statistique de Spearman-Kärber (§ 4.4 et 4.5.6). Le
graphique tracé à la main peut servir de confirmation
ou d’avertissement, mais il ne donne pas un paramètre
de toxicité ayant une valeur définitive et déclarable.
47
Certains s’insurgent contre la nécessité de tracer un
graphique à la main, à notre époque où l’infographie
fait des merveilles, mais le crayon et le papier
conservent leur importance. Une erreur dans la saisie
des données dans l’ordinateur se reproduirait dans le
graphique dessiné par l’ordinateur ainsi que dans
l’estimation mathématique de la CE 50, et l’accord des
deux moyens ne permettraient pas de déceler l’erreur de
saisie 27 . Les expérimentateurs devraient, en effet,
utiliser les programmes informatiques les plus
modernes et les plus puissants auxquels ils ont accès
(par ex. l’estimation du maximum de vraisemblance).
Mais, d’un point de vue pratique, une vérification
rapide au moyen d’un graphique tracé à la main
pourrait se révéler la meilleure façon de remédier aux
résultats erronés qui ont été évidents dans les
programmes antérieurs d’essais d’Environnement
Canada. Des erreurs peuvent être plutôt fondamentales
et simples. Les nouveaux employés pourraient avoir
besoin de temps pour acquérir des compétences dans les
essais de toxicité et l’analyse statistique. Des
gestionnaires de données pourraient saisir les résultats
des essais sans bien comprendre le programme
d’analyse ou sans savoir si son résultat est raisonnable.
Les graphiques tracés à la main aident à remédier à ces
situations.
On devrait comparer le graphique tracé par l’ordinateur
au graphique tracé à la main. On pourrait aussi
superposer les résultats de l’analyse statistique sur les
données brutes ou le long de la droite ajustée à vue
d’œil, comme moyen de vérification visuelle. Tout écart
appréciable devrait faire l’objet d’une enquête et devrait
être résolu. Dans la présente section, nous donnons des
exemples de graphiques avec des conseils sur la façon
d’ajuster les droites à vue d’œil. Avec la pratique, ces
droites donneront des estimations de la CE 50 qui
s’écartent de quelques pourcentages à peine des
27. La plupart des laboratoires possèdent un programme
d’assurance qualité permettant l’examen indépendant des
données, qui devrait déceler toute erreur de saisie des données. Si
une vérification rigoureuse peut remplir une fonction du
graphique tracé à la main, elle ne le remplace pas. Les
programmes informatiques peuvent produire des estimations
particulières à partir de certains ensembles de données et nous,
opérateurs humains, avons tendance à accepter le résultat sans
autre examen. Un laboratoire d’Environnement Canada a signalé
un écart important entre le graphique tracé à la main et le résultat
d’un programme acquis depuis peu. Le programme (et non la
saisie des données) s’est révélé la cause du problème (d’après
K.G. Doe, Environnement Canada, Moncton).
estimations de l’ordinateur, servant ainsi à remettre,
comme on le désire, les pendules à l’heure.
Comme nous l’avons mentionné, les concentrations sont
portées sur le graphique à une échelle logarithmique, et
le pourcentage d’effet est sur l’échelle probit (fig. 5).
Parce que l’échelle probit n’atteint jamais ni 0 ni
100 %, les valeurs extrêmes sont désignées par une
flèche, comme dans les fig. 5A et 5B. La flèche pointe
dans la direction où les valeurs réelles se trouveraient,
au-delà des valeurs de 2 et de 98 % qui ont été fixées
comme limites arbitraires sur ce papier quadrillé. En
dépit de leur peu de poids, on devrait porter sur le
graphique les effets à 0 et à 100 %, si on les connaît,
parce qu’ils aident parfois à caler une ligne établie à
partir d’un petit nombre de données. Ici encore, on ne
devrait porter sur le graphique qu’une donnée pour une
série d’effets nuls ou d’effets à 100 % successifs : la
plus rapprochée du centre de la distribution.
En ajustant la droite des probits à vue d’œil, on devrait
se servir d’une règle transparente, en la déplaçant ou en
la faisnt tourner afin de réduire au minimum les
distances verticales entre les points observés et la droite
ajustée. En même temps, on devrait pondérer
mentalement les points. On devrait affecter du plus
grand coefficient de pondération les points les plus
rapprochés de l’effet de 50 % et du plus petit
coefficient les points correspondant à l’effet de 0 et de
100 %. À vue de nez, la pondération maximale devrait
aller aux points situés entre les effets de 16 et de 84 %,
qui se trouvent à ± 1 probit de la médiane. Une valeur
de 10 ou de 90 % a un poids environ deux fois moins
grand qu’une valeur située dans l’intervalle de 40 à
60 %. À 3 ou à 97 % d’effet, le poids d’un point ne
représente que le quart du poids de la valeur située près
du centre de la distribution.
Dans le doute au sujet de la position de la ligne, la
prudence dicte de diminuer sa pente, ce qui implique
une plus grande variation. À mesure que la pente
diminue, l’intervalle de confiance de la CE 50 s’élargit.
Une fois la ligne ajustée, il est très simple d’en noter le
point d’intersection avec l’effet à 50 % et, de ce point,
de descendre jusqu’à la CE 50 sur l’axe des
concentrations.
48
Figure 5. — Ajustement des droites des probits à vue d’œil à des ensembles représentatifs de données. Les
graphiques A à D montrent les mêmes données que dans les exemples A à D du tableau 2. Les tiretés
des graphiques C et D seraient des ajustements convenables, mais on préférerait les lignes
ininterrompues, qui sont proches de celles que l’on calcule par régression probit. On montre, sous la
forme d’un trait horizontal, les limites de confiance au seuil de 95 %, calculées par régression probit.
Pour plus de précisions, voir le texte, particulièrement pour ce qui concerne le choix des droites dans
certains des graphiques.
Les droites qui pourraient être ajustées à vue d’œil aux
exemples de la fig. 5 sont discutées dans les exemples
ci-dessous. Il sera commode de faire des comparaisons
avec des lignes calculées par les méthodes statistiques
formelles de régression probit, même si les méthodes
mathématiques sont traitées dans le § 4.5.
Exemple A (fig. 5A). — L’emplacement de la droite
ajustée est évident. Les données observées s’alignent
bien, et la plupart des gens placeraient la droite très
près de celle que l’on voit. Cette droite est
essentiellement celle que l’on calcule par la régression
probit, et son ajustement est bon, puisque la valeur de
khi-deux est relativement faible (÷2 = 1,11 [tableau 2]).
Les limites calculées de confiance au seuil de 95 %
proviennent du tableau 2. L’intervalle de confiance est
étroit, comme on s’y attendrait avec un ensemble
cohérent de données et une droite des probits à la pente
accentuée.
Exemple B (fig. 5B). — L’expérimentateur pourrait
très bien ajuster la droite montrée, qui est
49
essentiellement identique à celle que l’on estime par la
régression probit informatisée. On pourrait être tenté
d’augmenter la pente, pour se rapprocher des valeurs
extrêmes à 0 et à 100 %. Voici toutefois un bon
exemple du poids moindre qui est accordé aux valeurs
extrêmes : les trois points centraux influent fortement
sur la droite. Les deux valeurs extrêmes ont cependant
un petit effet, sinon la ligne calculée aurait eu une pente
moins grande pour frôler les trois points centraux.
Exemple C (fig. 5C). — La plupart des gens
considéreraient probablement le tireté comme un
ajustement convenable. Il arrive presque à traverser les
groupes supérieur et inférieur de points et parvient
presque à réduire au minimum les distances verticales
entre la droite et les points. Le tireté ajusté à vue d’œil
permettrait d’estimer à peu près la même CE 50 que
celle que l’on a calculée par régression probit à
l’ordinateur (droite continue). Il pourrait sembler
curieux que la droite des probits calculée se situe à la
droite des deux points supérieurs. Apparemment, les
calculs ont diminué la pente pour que la droite s’ajuste
à la tendance globale de tous les points, reconnaissant
la variation appréciable de cet ensemble de données (÷2
relativement élevé de 3,5 [tableau 2]).
Exemple D (fig. 5D). — Des données aussi variables
que celles-là pourraient être observées à la suite
d’essais. Le tireté pourrait être un choix raisonnable
pour une droite ajustée à vue d’œil. Il est moins que
parfait en accordant un poids excessif à la valeur de
10 %, peu importante, et laissant une grande distance
verticale au-dessus de la valeur de 50 %, à droite, alors
que cette valeur possède, de fait, le poids maximal.
Néanmoins, cette droite potentielle ne surestime que
légèrement la CE 50 estimée par régression probit
informatisée. Cette droite calculée possède une pente
moins grande, en partie pour tenir compte de la plus
grande influence des trois points centraux. La pente
moins grande est également le signe d’une plus grande
variation, comme en témoigne le khi-deux élevé de 5,5.
La conclusion générale à tirer de ces exemples est que
les calculs statistiques et une ligne ajustée à vue d’œil
conduisent souvent à des estimations similaires de la
CE 50. Une autre conclusion manifeste est qu’une
droite des probits de données variables, bien estimée,
pourrait avoir une pente moins grande que celle que
l’on obtient par un ajustement à vue d’œil.
4.2.4
Effets chez les organismes témoins
Repères
• La plupart des méthodes d’Environnement
Canada relatives à des essais quantiques tolèrent
chez les organismes témoins des effets de pas plus
de 10 % (# 10 %), bien que certains essais
tolèrent un taux d’effet de 30 % chez des espèces
particulières. Aucun facteur de correction n’est
appliqué à l’effet qui, chez les organismes
témoins, ne dépasse pas les limites tolérables,
mais des effets plus grands invalident l’essai. Il
faudrait en chercher la ou les causes et, si
possible, recommencer l’essai.
• Dans le cas particulier de l’essai de toxicité
sublétale quantique d’Environnement Canada
employant des œufs de salmonidés, on applique
une correction, par la formule d’Abbott, pour
tenir compte des œufs non fécondés au début de
l’essai. Cette correction est satisfaisante parce
que la fécondation survient avant l’ajout du
toxique. Une correction quelque peu semblable est
effectuée dans l’essai de fécondation des oursins.
• Les programmes informatiques commerciaux
pourraient ne pas suivre l’approche
d’Environnement Canada concernant les effets
observés chez les témoins, de sorte que
l’expérimentateur doit comprendre le
fonctionnement du programme.
• Dans le cas de la recherche ou des autres essais
non assujettis aux méthodes d’Environnement
Canada, la meilleure façon de se tirer d’affaire
avec un effet révélé par les données quantiques
chez les témoins, consiste à effectuer une analyse
par un programme informatique qui effectue les
estimations du maximum de vraisemblance du
paramètre de mortalité chez les témoins. Sinon,
on pourrait corriger l’effet observé chez les
témoins par la formule d’Abbott, mais la méthode
souffre de problèmes conceptuels de base, des
points de vue biologique et statistique. Dans le
cas inhabituel où l’effet exercé chez les témoins
dépasse l’effet observé à une concentration
donnée, cette formule donne une réponse curieuse,
et on devrait toujours faire la correction à 0 %.
50
Parfois, un effet à 10 % pourrait se manifester chez les
organismes témoins, même dans des conditions
favorables. Cela n’invaliderait pas les essais, et aucune
correction ne devrait être appliquée pour un effet de
cette amplitude. Certaines méthodes quantiques
publiées par Environnement Canada spécifient que
l’essai est invalide si les témoins manifestent un effet de
plus de 10 % ; cela s’applique à la truite arc-en-ciel, à
la daphnie (Daphnia) [EC, 1990c ; 1990d] et à
plusieurs autres méthodes. Dans le cas des autres
méthodes d’essai employant des organismes plus
difficiles à garder au laboratoire, les taux de mortalité
peuvent être plus grands dans des conditions qui
semblent bonnes. Environnement Canada tolère des
taux de mortalité, chez les témoins, de 20 % dans les
essais universels avec les larves de têtes-de-boule et de
30 % dans le cas des essais de référence avec certains
amphipodes (EC, 1992b ; 1998b).
Dans le cas des essais quantiques de toxicité aiguë
d’Environnement Canada, les méthodes habituelles
d’analyse statistique ne donnent aucune option
permettant de corriger l’effet observé chez les témoins
(par ex. EC, 1990a, b, c). [Une estimation du
maximum de vraisemblance permettrait de tenir compte
de l’effet observé chez les témoins, mais on y recourt
actuellement peu de façon systématique.] Avec les
méthodes habituelles d’analyse, l’essai serait
simplement invalidé si l’effet observé chez les témoins
dépassait la limite spécifiée dans les consignes. Les
résultats seraient rejetés, et l’essai pourrait être répété,
si on le voulait (et si cela était possible).
Même si un l’effet observé chez les témoins est
acceptable selon la méthode d’Environnement Canada,
on peut soupçonner que quelque chose cloche dans les
conditions expérimentales ou dans l’état de santé des
organismes. On devrait en chercher la cause apparente
et, si on la trouve, on devrait tenter de la supprimer.
Tout laboratoire qui a constamment éprouvé de grands
effets chez les témoins ferait bien d’intensifier ses
efforts afin de remédier au problème.
Essai de toxicité sublétale avec des œufs de
salmonidés. — Cet essai (EC, 1998a) est un cas
particulier pour la correction des effets observés chez
les témoins. Dans ses préparatifs, une forte proportion
des œufs peut ne pas être fécondée, mais
l’expérimentateur ne peut reconnaître ces œufs que plus
tard. Cette absence de fécondation ne peut pas interagir
avec le toxique, toutefois, parce que le toxique est
ajouté après la fin de la fécondation. Il n’y a aucune
raison, si ce n’est le toxique, pour s’attendre à ce que
les œufs, une fois fécondés, n’évoluent pas
normalement et dans une proportion normale.
Autrement dit, il ne peut pas y avoir d’interaction
physiologique entre la réussite de la fécondation initiale
et l’action du toxique. Dans ce cas particulier, on peut
appliquer une correction pour tenir compte des œufs
non fécondés, en employant la formule d’Abbott,
décrite dans le texte qui suit. Dans ces circonstances,
certains des problèmes conceptuels majeurs découlant
de la correction d’Abbott ne s’appliquent pas. C’est
pourquoi Environnement Canada recommande la
formule d’Abbott pour cet essai avec des salmonidés,
pour toute proportion raisonnable d’œufs non fécondés
chez les témoins, notamment à de faibles taux de 10 %
et moins. Après correction, les écarts entre les
concentrations expérimentales et les témoins, dans les
proportions d’œufs qui ne se développent pas, sont
imputés à l’action de la matière à l’étude.
Dans l’essai de fécondation des oursins (EC, 1992f), on
utilise une formule équivalente à la correction d’Abbott,
dans l’analyse pour déterminer la CI p, marche à suivre
usuelle avec cet essai de toxicité.
Programmes informatiques. — Les programmes
disponibles ne suivent pas nécessairement les approches
d’Environnement Canada à l’égard de l’effet observé
chez les témoins. Certains programmes pourraient
utiliser des méthodes sophistiquées d’estimation du
maximum de vraisemblance pour estimer l’effet « réel »
du toxique, sans l’effet observé chez les témoins
(§ 4.5.5). L’effet observé chez les témoins devrait
toujours se situer à l’intérieur des limites indiquées, si
l’on veut utiliser les résultats de l’essai sous l’égide
d’Environnement Canada. D’autres programmes
informatiques pourraient automatiquement appliquer la
formule d’Abbott, ce qui ne conviendrait pas à la
plupart des méthodes publiées par Environnement
Canada.
En conséquence, l’expérimentateur doit comprendre
exactement comment tel programme informatique
fonctionne à l’égard des effets observés chez les
témoins. (Les programmes informatiques sont l’objet
d’une discussion dans les alinéas qui suivent.) le
51
programme de Stephan (Stephan et al., 1978) et
certaines de ses adaptations n’accepte aucun effet
observé chez les témoins. On peut recourir aux
programmes TOXSTAT 3.5 et CETIS (v. ces noms
sous la rubrique « Références ») pour corriger (ou non)
l’effet observé chez les témoins. Le programme
TOXCALC 5.0 applique la formule d’Abbott dans la
régression probit, lorsqu’il le juge à propos. Choisir un
programme approprié est la meilleure façon d’éviter de
voir appliquer par l’ordinateur une correction non
souhaitée à l’effet exercé chez les témoins. (Quoi qu’il
en soit, l’effet observé chez les témoins devrait se situer
dans les limites spécifiées dans la méthode d’essai
d’Environnement Canada).
« milieu » et l’effet du toxique 28 (v. la discussion qui
suit sur la formule d’Abbott). Le remède consiste à
exécuter les essais dans de bonnes conditions, avec un
bassin d’organismes en bonne santé.
Limites de la formule d’Abbott. — Cette méthode
(Tattersfield et Morris, 1924 ; Abbott, 1925)
mathématique simple permet de corriger les effets
observés chez les témoins. Certains exemples de
corrections sont présentés dans le tableau 1 et la fig. 6.
La formule est donnée par l’équation 2. À noter que
l’on y utilise des proportions, par ex. 3 organismes sur
10 sont saisis sous la forme fractionnaire 0,3.
(2)
Utilisation de méthode du maximum de
vraisemblance. — La meilleure façon de s’en tirer
avec les effets observés chez les témoins est d’utiliser
un progiciel qui utilise la méthode du maximum de
vraisemblance (MMV ; v. le § 4.5.5). Les programmes
offrant la MMV estiment deux paramètres pour décrire
le modèle adopté et un troisième pour l’effet observé
chez les témoins. Le paramètre de toxicité tel que la
CE 50 est estimé pour l’effet du toxique uniquement,
sans tenir compte de l’effet observé chez les témoins.
La MMV est offerte depuis longtemps dans les
principaux progiciels tels que SAS (1988 ; 2000). Ces
progiciels importants de statistique pourraient ne pas
être accessibles dans tous les laboratoires. Les logiciels
habituels pour les essais de toxicité (au moment
d’écrire ces lignes, il s’agit notamment de CETIS, de
TOXCALC et de TOXSTAT) se fondent sur la
méthode classique des « moindres carrés itérativement
repondérés ».
Même une méthode sophistiquée (le vrai maximum de
vraisemblance effectué par SAS) ne fonctionne que
dans les limites du test particulier. Le modèle sépare
l’effet observé chez les témoins, mais il ne compense
pas la modification globale de résistance chez les
organismes en expérience, si cette modification a été
provoquée par la maladie ou par quelque facteur
semblable. En clair, la CE 50 pourrait dénoter des
organismes affaiblis, peu résistants au toxique. Aucun
modèle simple ni méthode simple de modélisation ne
saisit actuellement l’interaction entre l’effet du facteur
Où :
P = la proportion corrigée d’organismes
manifestant l’effet ;
P* = la proportion observée d’organismes
manifestant l’effet ;
C = la proportion d’organismes témoins
manifestant l’effet.
La formule d’Abbott se fonde sur l’hypothèse peu
probable que l’effet constaté chez le témoin est tout à
fait distinct de l’effet du toxique et n’influe pas sur lui.
Comme les faits ont montré que l’hypothèse ne tient pas
(compte rendu dans Hewlett et Plackett, 1979), la
formule introduit une correction biaisée. Dans la
situation où le témoin subit un grand effet, il pourrait y
avoir combinaison de l’effet dû au toxique et de
quelque(s) autre(s) facteur(s) ayant causé l’effet du
milieu. Par exemple, les organismes affaiblis par une
mauvaise alimentation pourraient être moins résistants
au toxique, ce qui entraînerait l’estimation d’une CE 50
inférieure, dans leur cas, à la CE 50 correspondante
estimée pour des organismes bien nourris 29 . Comme
28. Le Dr W. Slob (Institut national de santé publique et de
l’environnement, des Pays-Bas, 2003, communication
personnelle) signale qu’une telle méthode fait partie du logiciel
PROAST, que d’autres chercheurs sont en train de développer.
29. D’autres problèmes sont imputables à la formule d’Abbott.
Celle-ci corrige le nombre d’organismes réagissant, mais non le
nombre d’organismes éprouvés. L’effet observé chez les témoins
est considéré comme une constante, et il n’est tenu nullement
compte de l’incertitude qui lui est associée (sa variance). Cet
omission dans l’estimation de la CE 50 provoque une
52
Tableau 1. — Exemples de corrections apportées par la formule d’Abbott à divers effets observés chez les
témoins dans un essai de toxicité quantique. Les résultats hypothétiques sont semblables à ceux de
l’exemple B du tableau 2, mais les concentrations faibles et fortes sont moins extrêmes. Dans les quatre
colonnes de droite, l’effet observé chez les témoins a été remplacé par un effet de 0, 10, 20 et 30 %. Les
résultats correspondant à chaque concentration expérimentale ont été corrigés par la formule d’Abbot
pour tenir compte de ces effets observés chez les témoins. On a ensuite appliqué une régression probit
(Stephan et al., 1978) pour calculer les résultats qui figurent dans les quatre rangées inférieures et qui
sont représentés dans la fig. 6.
Concentration
(quantité/litre)
Nbre
d’organismes
testés
Nombre d’organismes touchés, corrigé à la main, pour un effet,
observé chez les témoins de...
0%
10 %
20 %
30 %
56
10
8
7,78
7,50
7,14
32
10
7
6,67
6,25
5,71
18
10
5
4,44
3,75
2,86
10
10
4
3,33
2,50
1,43
10
2
1,11
0
0
5,6
CE 50
Limites de confiance
16,5
20,3
25,2
30,1
7,85 ; 31,3
12,0 ; 31,9
16,9 ; 43,5
20,7 ; 53,5
Pente
1,65
1,89
2,38
2,53
Khi-deux
0,136
0,286
1,26
0,606
nous l’avons mentionné, aucune méthode connue ne
permet de corriger les interactions possibles entre le
toxique et le facteur, quel qu’il soit, de l’effet observé
chez le témoin.
Nous examinons les effets de la formule d’Abbott à
l’aide des données hypothétiques du tableau 1. Les
corrections sont affichées dans les colonnes de ce
tableau, pour des effets observés chez les témoins de
plus en grands, allant de 0 à 30 %. À mesure que l’effet
observé chez les témoins augmente, les résultats
sous-estimation de la variabilité de ce paramètre de toxicité. Si on
utilise la régression probit, l’hypothèse de la linéarité entre les
probits et le logarithme de la concentration ne tient plus lorsqu’on
observe un effet chez les témoins. Si on applique la correction à
plusieurs concentrations, cela introduit une corrélation entre les
concentrations, bien que celles-ci doivent être indépendantes. Si
on observe à une certaine concentration un effet à 100 %, la
formule d’Abbott ne modifie pas cet effet, c’est-à-dire qu’elle
attribue la totalité de l’effet au toxique, sans tenir compte de la
cause de l’effet observé chez les témoins.
corrigés sont de plus en plus modifiés. La CE 50
estimée augmente de 80 %, la pente de plus de 50 %,
ma is les limites de confia nc e r estent
proportionnellement semblables. Khi-deux augmente,
mais reste au moins 6 fois plus petit que la valeur
critique. Ces modifications sont représentées dans la
fig. 6, où la droite des probits se déplace vers le bas et
la droite dans les graphiques successifs et où la pente
augmente. D’autres exemples pourraient se comporter
différemment, mais la CE 50 et la pente augmenteraient
presque toujours avec des corrections plus grandes des
effets observés chez les témoins.
La formule d’Abbott et les effets grands ou
anormaux observés chez les témoins. — Il faudrait
comprendre que, chez les organismes que l’on peut
garder au laboratoire, un effet observé de 20 %, 30 %
ou plus jetterait un doute sérieux sur la validité et
l’utilité de la CE p. En outre, la correction de l’effet
53
Figure 6. — Résultats des corrections apportées au moyen de la formule d’Abbott aux résultats d’un essai
quantique, pour tenir compte de l’effet observé chez les témoins. Les droites représentent les valeurs
calculées, présentées dans le tableau 1. Le graphique A est un exemple d’effet nul, observé chez les
témoins. Dans les graphiques B, C et D, les mêmes résultats sont corrigés pour des effets observés chez
les témoins de 10, 20 et 30 %, et la CE 50 estimée passe d’environ 16 à environ 30. La pente s’accentue
également, parce que, avec des corrections plus importantes, les petits pourcentages d’effet (faibles
concentrations) sont déplacés vers le bas, vers l’effet nul, dans une proportion plus grande que les grands
pourcentages d’effet.
observé chez les témoins par la formule d’Abbott
entraînerait les difficultés conceptuelles majeures que
nous décrivons. Si ces difficultés étaient acceptées par
un expérimentateur affranchi, pour quelque raison que
ce soit, des exigences d’Environnement Canada, cette
formule pourrait servir à corriger les effets en question
jusqu’à un taux d’environ 30 %. La méthode a pour
effet d’augmenter de façon appréciable la CE 50
estimée, comme le montrent la fig. 6 et le tableau 1.
Dans le cas de petits effets observés chez les témoins,
d’au plus 10 %, il serait rarement souhaitable
54
d’appliquer une correction, peu importe le but de
l’essai. Cet effet, phénomène accidentel, inhabituel ou
aléatoire, pourrait avoir peu influé sur la CE 50 de la
matière toxique étudiée. Une « correction » empirerait
alors l’estimation de la CE 50.
Si l’effet observé chez les témoins était supérieur à
l’effet observé à une concentration donnée, la formule
d’Abbott donnerait une réponse curieuse. L’effet
observé serait corrigé de façon à égaler une valeur
négative, ce qui n’est pas logique, puisque cela
implique que l’on compterait plus d’organismes non
touchés que d’organismes effectivement soumis à cette
concentration. Finney (1971) a recommandé d’utiliser
les probits correspondants pour la valeur négative et de
poursuivre les calculs, puisque cela est simplement une
variation due à l’échantillonnage. Cependant,
l’expérimentateur risquerait ne plus pouvoir maîtriser
le programme informatique qu’il utilise de cette façon.
Certains programmes se sont révélés effectuer la
correction à une valeur négative, puis ignorer le signe
négatif, utiliser la valeur positive pour créer un probit
utilisable dans l’analyse et poursuivre avec un calcul
faux de la CE 50 !
Nous recommandons donc ceci : S’il a été décidé
d’appliquer des corrections à l’effet observé chez les
témoins et si cet effet égale ou excède un effet observé
et qu’il est incertain que le programme informatique
puisse manipuler une valeur négative de l’effet, alors :
a) corriger tous les effets observés par une méthode
manuelle ; b) attribuer à l’effet aberrant la valeur de
0 % plutôt qu’une valeur négative ; c) saisir les effets
corrigés sans la valeur attribuée au témoin.
On peut voir un exemple dans la dernière colonne du
tableau 1. Pour des effets de 30 % et de 20 % observés
chez les témoins à la concentration 5,6, la formule
d’Abbott corrigerait les valeurs à ! 0,143 ou à ! 1,43
organisme. Nous avons plutôt inscrit 0.
Hubert (1984) déclare que la « formule d’Abbott ne
s’applique qu’aux taux de mortalité qui excèdent
l’estimation du taux naturel de mortalité », mais cela ne
semble pas raisonnable. Si un effet observé était
inférieur ou égal à l’effet observé chez les témoins, on
n’y toucherait pas, et on l’imputerait au toxique.
Il est clair que, en ce qui concerne la formule d’Abbott,
l’expérimentateur doit choisir un programme
informatique approprié et comprendre exactement
comment ce programme traite les effets observés chez
les témoins. Parmi les programmes usuels au moment
d’écrire ces lignes, TOXCALC 5.0 applique la formule
d’Abbott dans les situations appropriées, tandis que
TOXSTAT 3.5 et CETIS le font dans le cadre de
plusieurs options. Le programme de Stephan et al.
(1978) et celui de l’OMEE (1995) posent, par
hypothèse, que l’effet observé chez les témoins est nul.
Si on appliquait la formule d’Abbott, une façon
détournée mais certaine d’obtenir le résultat voulu d’un
programme serait celle qui a été exposée : calculer à la
main les corrections pour chaque concentration, puis
saisir les versions corrigées comme si elles étaient les
observations brutes. Ne saisir aucune donnée sur les
témoins (ou inscrire un effet nul, si le programme exige
la saisie de données relativement aux témoins). Les
valeurs corrigées seraient probablement sous forme
décimale (par ex. 3,33 vers de terre sur 10), mais la
plupart des programmes de statistique acceptent
« volontiers » de telles fractions.
4.2.5
Limites de confiance de la CE p
Repères
• Il faut signaler les limites de confiance au seuil de
95 % de la CE 50 ; elles permettent d’estimer la
variation interne des résultats de l’essai. Un
rapport de 1,3 entre la CE 50 et la limite de
confiance représente un intervalle de confiance
étroit et une bonne précision, tandis qu’un
rapport de 1,5 à 1,8 est courant et acceptable.
• Les limites de confiance ne renseignent que sur la
variation d’un essai particulier. Elles ne disent
rien de la variation globale des essais avec un
toxique donné.
• Il est bon de signaler également la pente de la
droite concentration-effet, qui permet de recréer
cette droite ultérieurement, si on le souhaite. On
devrait également signaler le khi-deux de la
qualité de l’ajustement.
• L’intervalle de confiance est le plus étroit à la
CE 50 et il s’élargit aux taux supérieurs et
inférieurs d’effet.
• À cause de la variabilité, il y a des inconvénients
à choisir les paramètres de toxicité aux faibles
55
taux d’effet, comme la CE 20. Le taux choisi d’effet
(p % dans la CE p) ne devrait jamais être dans la
région où l’on prévoit que l’effet chez les témoins
sera observé et il ne devrait probablement jamais
être inférieur à 10 % (CE 10).
Les résultats communiqués doivent toujours
comprendre les limites de confiance au seuil de 95 % de
la CE 50. La seule exception serait les résultats
d’essais qui n’ont révélé d’effet partiel à aucune
concentration. La fig. 4 montre que ces essais seraient
analysés par la méthode binomiale, qui ne donne pas de
limites de confiance. Il est également bon de signaler la
pente de la droite ajustée de la relation
concentration-effet et le résultat du khi-deux pour la
qualité de l’ajustement. La connaissance de la pente
permet de reconstituer la droite, si on le veut ; faute de
pente, la description de la relation entre la concentration
et l’effet est insuffisante.
L’expérimentateur doit toujours se rappeler que les
limites de confiance d’un seul essai de toxicité ne révèle
que le degré de précision interne de cet essai, quel que
soit le nombre d’organismes utilisés, dans les conditions
qui existaient au moment de l’essai et avec les
incertitudes associées au modèle. Ces limites ne
doivent pas être confondues avec les limites globales
de la CE 50 d’une matière donnée. Les estimations de
la CE 50 peuvent différer considérablement d’un
moment à autre et d’un lieu à l’autre, relativement à la
même espèce et dans des conditions semblables. Par
exemple, si on souhaitait définir les limites probables de
la toxicité d’un effluent particulier, les limites de
confiance d’un essai de toxicité ne les révéleraient pas.
Il faudrait analyser plusieurs échantillons de l’effluent.
Ensuite, la variation du paramètre de toxicité estimé
grâce à ces essais constituerait la base de la prévision
des limites de la toxicité de l’effluent, dans les
conditions qui existaient pendant la période
d’échantillonnage. La variation est traitée dans le guide
d’Environnement Canada sur l’interprétation des
données environnementales (EC, 1999a).
Dans l’exemple A du tableau 2, la plupart des limites
calculées de confiance (supérieures ou inférieures)
diffèrent de la CE 50 par un facteur d’environ 1,3 — ce
qui est une bonne précision dans un essai de toxicité en
milieu aquatique. Dans les essais avec le poisson, les
laboratoires trouvent souvent des facteurs de 1,3 à 1,5
entre la limite de confiance et la CE 50, en utilisant
10 poissons par concentration. L’expérience montre
que, la plupart du temps, un facteur d’environ 1,8
signifierait une précision acceptable 30 . Pour ce qui
concerne les données variables telles que celles de
l’exemple D du tableau 2, les limites de confiance
pourraient être extrêmes ; certaines des limites
supérieures de confiance estimées par régression probit
sont une dizaine de fois plus grandes que la CE 50.
L’expérimentateur devrait être prêt à observer parfois
de grands intervalles de confiance. Parfois, on peut
améliorer les limites en choisissant un modèle mieux
ajusté aux données, si les limites ne se conforment pas
au modèle habituel. Si, malgré cela, les limites ne sont
pas considérées comme satisfaisantes, il ne reste qu’à
reprendre l’essai.
Parfois, les limites supérieure et inférieure pourraient
sembler à peu près symétriques par rapport à la CE 50,
sur une échelle logarithmique, mais, normalement, un
certain degré d’asymétrie existerait (v. le texte qui suit
et la fig. 7).
L’intervalle de confiance est commandé par la pente de
la droite de la relation dose-effet (qui donne une idée de
la variation), par la dispersion des points observée de
part et d’autre de la droite et par le nombre
d’organismes utilisés à chaque concentration. Si chaque
organisme était affecté par des concentrations tout à
fait différentes de toxique, la droite des probits aurait
une faible pente, qui contribuerait à un intervalle étendu
de confiance. Cela pourrait survenir en raison du mode
d’action du toxique, sans que cela soit nécessairement
le signe d’un vice du mode opératoire. Une petite pente
pourrait, cependant, être causée par la négligence,
par ex. l’acclimatation incomplète des poissons à l’eau
de dilution (Calamari et al., 1980).
On peut améliorer la précision de la CE p estimée en
employant plus d’organismes dans l’essai, mais une
amélioration importante exige souvent un nombre
30. Hodson et al. (1977) estiment qu’un essai typique de toxicité
employant 10 poissons par concentration et trois concentrations
causant des effets partiels aurait une limite supérieure de
confiance près de 2,1 fois la valeur de la CE 50. Les exemple A,
B et C du tableau 1 mentionnent des limites de confiance qui sont
1,3, 1,4 et 1,4 fois, respectivement, la valeur des CE 50. Les
estimations de la variation par Hodson et al. (1977) semblent
quelque peu plus grandes que ce que l’on constate habituellement
dans beaucoup de laboratoires.
56
Figure 7. — Élargissement de l’intervalle de confiance des concentrations efficaces autres que la CE 50. La
droite des probits et les limites de confiance sont tirées de l’exemple B du tableau 2. Les gros points noirs
traversés par la droite des probits correspondent aux valeurs calculées des CE p ayant servi à tracer la
droite et les limites de confiance. Les valeurs ont été estimées par le programme TOXCALC.
impraticable d’organismes, comme il en est question
dans le § 2.5.
La fig. 7 représente des résultats réguliers et dont
l’intervalle de confiance est assez étroit. (À noter que
les données réelles ne sont représentées dans cette
figure. Les points sont les valeurs calculées le long de
la droite ajustée.) Les limites de confiance au seuil de
95 % de la CE 50 sont les concentrations de 11,9 et de
23,7, qui diffèrent de la CE 50 par un facteur d’environ
1,4, considéré comme satisfaisant pour un essai de
toxicité (v. le texte qui précède).
La fig. 7 montre que l’intervalle de confiance au seuil
de 95 % diffère considérablement selon les
pourcentages différents d’effet, s’élargissant à mesure
que l’on s’éloigne de la CE 50. Vers les valeurs
extrêmes de la relation concentration-effet, les
intervalles sont très étendus. Cela montre pourquoi
l’effet médian est un bon choix comme paramètre de
toxicité et pourquoi il n’est pas judicieux d’adopter
comme paramètres de toxicité des effets très petits,
par ex. la CE 10, qui a une résonance protectrice
séduisante.
La fig. 7 montre aussi que les limites de confiance
présentent une certaine asymétrie horizontale. C’est le
cas normal. À l’origine, les limites sont calculées par
rapport aux effets observés à des concentrations fixes,
de sorte que, en tout point sur la droite des probits, elles
sont verticalement symétriques par rapport à la droite
(v. la discussion à ce sujet dans le § 9.4). Les
estimations inversées donnent ensuite les limites de
confiance en concentrations, conformément aux
souhaits de l’expérimentateur. Ces limites sont toujours
asymétriques, du moins légèrement, souvent à un degré
57
notable. Les limites correspondant aux extrémités de la
distribution sont fortement asymétriques.
4.2.6
CE 20 ou autres concentrations que la
CE 50
Dans les essais de toxicité quantique, on a pour
habitude d’estimer un effet médian (CE 50), parce que
cette concentration représente l’organisme « médian »
ou « typique » et parce qu’on lui associe l’intervalle de
confiance le plus étroit, c’est-à-dire la précision la plus
grande. En même temps, il y a une forte demande de
concentrations ou de paramètres perçus comme « plus
protecteurs », c’est-à-dire associés à des effets
proportionnels moindres, tels que la CE 20 ou la
CE 25. Une façon de ménager la chèvre et le chou est
d’accepter la CE 50 et sa grande précision, puis
d’appliquer un facteur approprié pour obtenir une
concentration qui s’appliquerait à une fraction plus
petite de la population d’organismes. Cela a des
qualités et des défauts. L’approche plus directe, qui
emploie les mêmes méthodes générales que pour la
CE 50, consiste à estimer la CE 20 (ou la CE du
pourcentage voulu [la CE x]) directement et de tolérer
un intervalle plus large de confiance.
« sans effet » des contaminants pour l’homme comme
pour les systèmes naturels. Noppert et al. (1994) ont
étudié cela sous l’impulsion de l’OCDE et ils ont
conclu que la meilleure approche serait de modéliser la
CE x, plutôt que d’employer une technique de test
d’hypothèse. Cependant, ils ont fini par proposer 5 ou
10 % comme valeur préférable de x, plutôt qu’une
valeur plus près de 0. Les techniques de régression
permettant d’estimer les faibles valeurs de CE x se sont
également révélées l’approche supérieure, d’après les
conclusions de Moore et Caux (1997).
Il serait particulièrement futile de tenter d’estimer une
concentration qui manquerait de peu de nuire à un seul
organisme (la « CE 00 »). On ne peut pas l’estimer
explicitement, parce qu’elle dépendrait de la taille de
population (un organisme sur cent ? sur mille ? sur un
million ?). De plus, aucune méthode statistique n’est
conçue pour arriver à un tel un tel paramètre de
toxicité. (Cependant, les § 5.2 et 5.3 font allusion à des
techniques de modélisation plus sophistiquées qui, par
extrapolation à partir des résultats d’essais de toxicité
aiguë, permettent d’arriver à des seuils d’effets
chroniques.)
Il faudrait veiller cependant à ne pas tenter d’estimer
une valeur correspondant à un pourcentage d’effet très
faible. Si la CE 01 peut sembler tentante en tant que
concentration ayant un effet négligeable, elle
correspond à d’énormes difficultés conceptuelles, et la
variabilité de l’estimation la rend très peu fiable
(fig. 7). Toute tentative d’estimation d’une CE p qui
serait semblable aux éventuels effets observés chez les
témoins serait d’une validité et d’une signification
contestables. La règle suivante semblerait raisonnable :
ne jamais tenter d’estimer un paramètre de toxicité
qui se situe dans l’intervalle acceptable d’effet chez le
ou les témoins. Outre cela, toute valeur de p serait
suspecte si elle était inférieure au pourcentage minimal
d’effet observé aux concentrations d’essai. Ainsi, la
valeur minimale acceptable de p dépendrait des
résultats de l’expérience. Ce pourrait être de moins de
10 %, dans le cas d’une expérience de très grande
envergure ou ce pourrait être de 20 % ou même plus
dans une autre expérience.
Les restrictions s’appliquant aux types de données se
prêtant à l’estimation de CE p « non médianes »
seraient celles qui sont énumérées au début des § 4.2 et
4.2.1. Il faudrait remplacer p par la valeur appropriée ;
par ex. l’analyse pourrait exiger un effet égal ou
supérieur à 20 % plutôt qu’à 50 %.
Le progrès dans l’estimation de la CE x aux petites
valeurs de x, présente un intérêt considérable pour
l’estimation des concentrations « inoffensives » ou
L’autre méthode d’estimation de faibles valeurs de
paramètres de toxicité serait de commencer par
l’estimation du paramètre médian, dont la précision est
Plusieurs programmes informatiques permettent
d’estimer les CE p non médianes par régression probit
ou logit. Le gros progiciel SAS le fait, et le programme
SPSS imprime une sélection de CE p englobées dans
tout l’intervalle utile. CETIS, TOXCALC et
TOXSTAT font de même ou on peut leur demander de
le faire. (On peut trouver ces progiciels de statistique
sous leurs noms, sous la rubrique « Références ».)
Dans leur application de la méthode de
Spearman-Kärber, ces progiciels n’estiment que la
CE 50. Le programme de Stephan et al. (1978) et ses
adaptations (OMEE, 1995) se bornent également à
estimer la CE 50.
58
plus grande (comme il est montré dans le § 4.2.5). On
pourrait appliquer ensuite un facteur pour estimer une
concentration censée causer le petit effet partiel auquel
on s’intéresse, peut-être une concentration mal définie
dans les résultats d’un essai donné de toxicité. Par
exemple, on pourrait appliquer un facteur à la CE 50
pour aboutir à une CE 20 ou même à une CE 5 prévue.
On pourrait choisir le facteur d’après la pente
habituelle des droites de probits ou de logits obtenues
à la faveur de tels essais. (Cette approche a, de fait, été
utilisée pendant des décennies pour extrapoler les
concentrations létales médianes à des concentrations
censées être inoffensives et que l’on a utilisées comme
objectifs de qualité de l’eau. Ce sont les « facteurs
d’application » décrits dans EC, 1999a.) L’emploi de
ces facteurs a l’avantage de pouvoir servir de point de
départ relativement bien défini. Il a aussi le défaut
d’être plus ou moins hypothétique selon le degré
d’extrapolation.
4.3
Choix de méthodes
Repères
• La régression probit ou logit par régression du
maximum de vraisemblance (méthode du
maximum de vraisemblance [MMV]) est la
méthode usuelle, préférée pour les effets
quantiques à trois concentrations ou plus, y
compris deux concentrations exerçant des effets
partiels. Le second choix va à la méthode
communément utilisée de régression probit (ou
logit) itérative, qui donne des estimations
comparables à celles de la MMV. On recommande
actuellement les régressions probit ou logit pour
leur utilisation en routine, en raison de leur
disponibilité et de leur commodité.
• Certains essais pourraient ne donner qu’un effet
partiel, qui ne se prête pas à la régression probit
ou logit. Pour ces ensembles de données, la
méthode recommandée est celle de
Spearman-Kärber. On devrait l’appliquer sans
équeutage des données et, également, avec
équeutage minimal (de 35 % à la limite).
• Si les concentrations successives donnent des
effets à 0 et à 100 %, sans effet partiel, on devrait
estimer la CE 50 approximative par la méthode
binomiale. Cette dernière devrait aussi être
utilisée si l’on obtient des résultats anormaux
avec la méthode de Spearman-Kärber. La
méthode binomiale ne donne pas de limites de
confiance à 95 %, mais, plutôt, elle estime des
limites prudentes à l’intérieur desquelles devrait
se trouver la CE 50.
• La méthode de la moyenne mobile est valide, mais
elle possède à l’égard des données les mêmes
exigences que la régression probit ou logit, que
nous recommandons plutôt.
• Pour l’analyse, on dispose de divers logiciels
commerciaux et de logiciels de l’administration
publique. L’utilisateur doit comprendre tout à fait
les opérations utilisées par le logiciel qu’il
choisit. Certains logiciels possèdent des
inconvénients pour les besoins d’Environnement
Canada ou nécessitent l’apport de données
inutiles, conçues cependant pour les besoins
d’organismes étrangers de réglementation.
Nous recommandons les méthodes suivantes d’analyse
pour les essais effectués dans le cadre de programmes
élaborés par Environnement Canada. Les méthodes les
plus souhaitables (1) et (2) ne conviendront pas à la
plupart des données obtenues par des essais en routine,
parce qu’elles exigent deux effets partiels. D’autres
méthodes d’analyse figurent dans la liste, pour d’autres
types de données. Les diverses méthodes acceptables
sont décrites plus en détail dans le § 4.5.
1. Régression probit ou logit par la méthode du
maximum de vraisemblance (§ 4.5.3). — On
sait que cette méthode est offerte dans le
progiciel de statistique SAS (1996). Elle a
l’avantage d’être une méthode non biaisée, de
prise en compte de l’effet observé chez les
témoins et d’estimation d’un paramètre de
toxicité fondé uniquement sur l’effet du toxique.
Les calculs exigent deux effets partiels dans les
données employées.
2. Régression probit ou logit par itération.
— Les programmes utilisent la régression
itérativement repondérée pour arriver à une
estimation définitive. Les programmes
informatiques les plus facilement accessibles
suivent cette technique itérative « classique ».
59
Elle procure une analyse satisfaisante,
parvenant à une solution équivalant à une
estimation du maximum de vraisemblance.
Cette méthode exige deux effets partiels.
3. Méthode de Spearman-Kärber. — Cette
méthode n’est recommandée que si les résultats
ne se prêtent pas à l’analyse par les deux
méthodes susmentionnées. Les données doivent
renfermer un effet partiel, plus un effet nul et un
effet à 100 % ou des valeurs près de ces
extrêmes. L’analyse devrait être effectuée sur
des données : a) non équeutées ; b) ayant subi
un équeutage « automatique » ou « minimal »
d’au plus 35 %. Par inspection des résultats
bruts et de leur représentation graphique, on
devrait choisir le paramètre de toxicité le plus
« raisonnable » des deux valeurs estimées. Si
aucun n’est raisonnable, on devrait employer la
méthode binomiale.
4. Méthode binomiale. — Cette méthode est à
employer dans les cas où on ne possède aucun
effet partiel, mais des effets à 100 % et à 0 %.
Cette méthode serait également adoptée dans
d’autres situations où on ne pourrait pas se
servir des méthodes 1 à 3. Par exemple, on
l’utiliserait s’il y avait un effet partiel et que la
méthode de Spearman-Kärber avait donné des
résultats anormaux, faute d’un effet à 0 et/ou à
100 % ou pour d’autres raisons.
5. Méthode de la moyenne mobile. — Le
programme disponible pour cette méthode exige
deux effets partiels. Il pourrait être utile, dans
les situations inhabituelles dans lesquelles
l’analyse par la méthode des probits ou des
logits a échoué. Elle ne semblerait pas offrir
d’avantage particulier dans d’autres situations.
6. Méthode graphique de Litchfield-Wilcoxon.
— Elle n’est pas recommandée pour les
rapports définitifs. Elle est utile pour vérifier les
estimations informatisées, pour le travail de
terrain ou pour les besoins de la formation.
La méthode la plus souhaitable d’estimation de la
CE 50 est celle de l’estimation vraie du maximum de
vraisemblance utilisant les probits ou les logits
(MMV, méthode 1 susmentionnée). Elle repose sur
l’hypothèse selon laquelle, à chaque concentration, une
proportion des organismes en expérience sera touchée.
Elle suppose en outre que ces proportions sont corrélées
dans une courbe cumulative de fréquence qui passe
d’un effet nul, aux faibles concentrations, à un effet à
100 %, aux fortes concentrations. La MMV tente
d’estimer les valeurs des paramètres dans la relation,
qui aboutiraient à la probabilité maximale d’observer
les données effectivement collectées (v. le § 4.5.5). Une
fois définie, la relation mathématique permet de prévoir
la concentration censée produire un effet donné. La
MMV peut être réalisée par le gros progiciel de
statistique SAS, qui pourrait ne pas être disponible
dans certains laboratoires ou ne pas être facilement
utilisé par les expérimentateurs.
La régression probit itérative (méthode 2, ci-dessus) est
offerte dans les grosses bibliothèques de logiciels
faisant autorité, notamment les programmes SPSS et
SYSTAT (énumérés sous leur nom sous la rubrique
« Références ») et dans la plupart des autres progiciels
commerciaux de toxicologie. En raison de sa
disponibilité universelle, nous désignons la régression
probit ou logit par itération comme la méthode usuelle
pour une utilisation en routine. Plus loin (§ 4.5.1 à
4.5.6), nous abordons plus en détail les démarches
méthodologiques et le choix des logits ou des probits.
Le « programme de Stephan » (Stephan et al., 1978),
bien connu, comprend la régression probit (méthode 2),
la moyenne mobile (méthode 5), et c’est la seule source
pratique de la méthode binomiale (méthode 4). Il a été
mis au point par le Dr Charles E. Stephan et ses
collègues de l’USEPA à Duluth (Minnesota) et il est
utilisé depuis plus de deux décennies. On le
recommande dans beaucoup de méthodes
d’Environnement Canada, il a généralement été utilisé
dans les laboratoires canadiens et il a été rendu
accessible par le personnel de ces derniers. Le
programme de Stephan a été adapté sous diverses
formes. Une adaptation, au laboratoire d’Etobicoke du
ministère de l’Environnement et de l’Énergie de
l’Ontario, écrite par le Dr Gary F. Westlake, fonctionne
sur une des premières plate-formes Windows (OMEE,
1995) ; dotée des méthodes des probits, de
Spearman-Kärber et de la moyenne mobile, elle produit
un graphique des résultats (nous l’appelleront ci-après
programme de l’OMEE).
Parmi
les
divers
programmes
informatiques
60
commerciaux créés aux États-Unis, mentionnons
CETIS et leurs prédécesseurs TOXSTAT 3.5 et
TOXCALC 5.0. Ils peuvent analyser des données
quantiques par diverses méthodes, mais, généralement,
ils comprennent les méthodes des probits, des logits et
de Spearman-Kärber. Un programme fiable en langage
BASIC est décrit dans USEPA (1994a, annexe I ;
1994b, annexe H ; 1995, annexe H) et peut être obtenu
de l’USEPA à Cincinnati (Ohio) ou sur le site Web
http://www.epa.gov/nerleerd/stat2.htm. D’autres
programmes ne pourraient pas convenir en raison de
caractéristiques non appropriées au Canada 31 .
Régression linéaire simple. — Ce type de régression,
qui souffre de limites majeures, n’est pas recommandé.
Il pourrait sembler une méthode mathématique évidente
d’ajustement d’une droite aux données quantiques,
telles que celles que montre la fig. 5, mais il n’est pas
valide. En effet, la différence de valeur (« le poids »)
entre les points, inversement proportionnelle à la
variation, peut, à son tour, augmenter vers les
extrémités supérieure et inférieure de la droite. Les
poids doivent être intégrés dans le processus
d’ajustement, mais il y a un hic : les pondérations ne
peuvent être calculées qu’à partir de la droite ajustée et
non des effets observés bruts (v. la note 32). Cela
explique pourquoi on ne peut pas utiliser la régression
simple et pourquoi il faut adopter des méthodes telles
que l’itération. De temps en temps, des
expérimentateurs naïfs utilisent erronément la
régression simple en tentant d’estimer des CE 50.
31. L’USEPA peut influencer la conception des programmes
informatiques commerciaux états-uniens, mais ces programmes
pourraient ne pas être conformes aux pratiques d’Environnement
Canada. La méthode de Spearman-Kärber a usuellement été
offerte dans la procédure états-unienne, sans les limites
recommandées ici pour Environnement Canada (§ 4.5.6). La
méthode binomiale (et celle de la moyenne mobile) ne sont pas
offertes dans les programmes états-uniens récents. À la place,
ceux-ci offrent l’« interpolation linéaire » entre deux points de
données (§ 4.5.9), et cela peut être satisfaisant et équivalent à la
méthode binomiale s’il y a des effets nul et total successifs.
L’expérimentateur devrait cependant s’assurer que l’interpolation
linéaire a employé par défaut le logarithme des concentrations.
Les programmes pourraient aussi exiger des renseignements qui
ne sont pas appropriés au Canada, parce qu’ils formatent les
résultats de façon à répondre aux exigences de l’USEPA en
matière de rapports.
4.4
Comparaison des
diverses méthodes
estimations
par
Repères
• La plupart des méthodes courantes d’analyse
statistique des résultats des essais quantiques sont
susceptibles de donner des estimations similaires
de la CE 50 et de ses limites de confiance, si les
données sont acceptables.
• On a analysé des exemples de bonnes données
hypothétiques au moyen de diverses méthodes. On
a obtenu des résultats semblables par les
méthodes des probits, des logits, de
Spearman-Kärber, de la moyenne mobile et de la
transformation arc sinus, et elles concordent avec
les résultats obtenus par ajustement d’une droite
à vue d’œil. Les estimations de la CE 50 par les
méthodes binomiale et de Gompertz ont été
quelques peu plus élevées.
• Les limites de confiance étaient également
semblables chez la plupart des méthodes, bien que
la méthode de Spearman-Kärber avec équeutage
aient donné un intervalle de confiance plus
étendu. La méthode binomiale n’a pas donné de
limites de confiance, mais, plutôt, un intervalle où
se trouveraient les limites de confiance.
• Pour certains exemples avec seulement un effet
partiel, la méthode de Spearman-Kärber sans
équeutage des données a procuré de bonnes
estimations des CE 50, tandis que la méthode
avec équeutage n’a pas permis d’obtenir
d’estimations. La méthode binomiale a également
permis de bonnes estimations de la CE 50.
• Avec certains exemples de données irrégulières ou
parmi lesquelles il ne se trouvait pas d’effet nul et
total, la méthode de Spearman-Kärber sans
équeutage a donné des estimations très
aberrantes. Les estimations obtenues avec
équeutage des données ont varié selon le type de
données — certaines étaient excellentes et
d’autres ont été améliorées, mais elles restaient
divergentes. La méthode binomiale a échoué.
61
Dans le présent paragraphe, nous comparons les
paramètres de toxicité quantique estimés au moyen de
diverses méthodes statistiques. Dans le § 4.4.1, nous
utilisons comme exemples des ensembles de données
relativement bonnes. Dans le § 4.4.2, nous faisons de
même avec des données parmi lesquelles on ne trouve
pas d’effet, situation fréquemment observée dans les
programmes d’essais. Les comparaisons aident à
expliquer les recommandations de méthodes du § 4.3.
Nous pourrions faire appel aux exemples des
tableaux 2 et 3 pour évaluer d’autres programmes
statistiques qui commencent à être offerts aux
expérimentateurs.
4.4.1
Estimations faites à l’aide de « bonnes »
données
Les ensembles hypothétiques de données présentés dans
le tableau 2 et illustrés dans la fig. 8 peuvent être
qualifiés de « bons » parce qu’ils renferment au moins
deux effets partiels, ce qui fait qu’ils sont analysables
par régression logit ou probit. L’exemple A illustre
plusieurs méthodes d’essai publiées par Environnement
Canada. Les trois premiers exemples, de A à C,
comportent des données plutôt régulières, tandis que
l’exemple D est erratique.
La plupart des programmes statistiques actuels
présentent des estimations semblables de la CE 50 dans
le tableau 2, particulièrement dans le cas des données
régulières. Ces estimations obtenues par l’ordinateur
concordent également avec les estimations graphiques
fondées sur le bon sens et présentées dans la première
ligne du tableau. La fig. 8 montre que les estimations
graphiques et informatiques sont raisonnables.
À l’égard des cinq programmes informatiques
d’estimation par la méthode des probits, le tableau 2
révèle que les CE 50 sont identiques pour les
exemples A, B et C, qui s’appuient sur des données
assez régulières. Les limites de confiance étaient
également très semblables. Le programme SAS
employant la méthode du maximum de vraisemblance
pourrait être considéré comme donnant la meilleure
évaluation et comme étant la norme de comparaison.
Même avec les données irrégulières de l’exemple D, les
CE 50 estimées à l’aide des cinq programmes sont
assez rapprochées les unes des autres. Les estimations
obtenues par les programmes de Stephan, de l’OMEE
et CETIS correspondent très étroitement aux
estimations du programme SAS. Les programmes
TOXSTAT et TOXCALC ont donné une limite
supérieure de confiance qui était considérablement plus
basse que celle des autres méthodes, pour les données
de l’exemple D.
Sebaugh (1998) a effectué une comparaison plus
approfondie des programmes de régression probit à
l’aide de 50 ensembles de données. Elle a adopté la
méthode SAS comme norme et elle a constaté que les
CE 50 différaient de plus de 1 % dans 3 cas avec le
programme TOXCALC, dans 5 cas avec le programme
TOXSTAT et dans 7 cas avec le programme de
Stephan. La plupart des comparaisons étaient proches
de manière satisfaisante. Un programme de régression
probit largement distribué en tant que « gratuiciel » a
été compilé par l’USEPA (description dans USEPA,
1995, annexe H) et il a concordé avec le programme
SAS sur les 50 ensembles de données.
La méthode de Spearman-Kärber (dite la S.-K.) peut
parfois donner des réponses qui sont en accord étroit
avec celles de la régression probit. Pour les « bonnes »
données des exemples A et B, l’accord avec la
régression probit est maintenu, que les estimations par
la méthode S.-K. soient obtenues par le programme du
MEEO (OMEE) ou le programme TOXSTAT et qu’il
y ait 10 % d’équeutage ou qu’il n’y en ait pas
(tableau 2).
La S.-K. sans équeutage a donné des résultats
insatisfaisants dans l’exemple C du tableau 2, même si
cet exemple était constitué de données régulières. Le
problème provient de l’absence d’effets à 0 % et à
100 %. Sans eux, les deux programmes ont donné, pour
la S.-K. sans équeutage, des estimations aberrantes de
la CE 50, et le programme du MEEO (OMEE) n’a pas
donné de limites de confiance. Toujours dans
l’exemple C, après équeutage de 20 % de la distribution
des données, le programme TOXSTAT a estimé la
CE 50 à 13,4, près de la valeur « correcte » de 12,6. Le
programme du MEEO (OMEE) est aussi arrivé à la
même valeur, avec équeutage de 10, 20, 30 ou 35 %
(non montré dans le tableau 2). L’estimation de ce
paramètre de toxicité convient assez bien. Il semble
ainsi que l’équeutage peut être utile à l’estimation
convenable du paramètre avec la méthode de S.-K.. On
dit généralement que, pour cette méthode, les effets à 0
62
et à 100 % sont « indispensables ». Cet exemple montre
que le programme fonctionne sans ces valeurs, mais ne
donne une estimation convenable du paramètre que
lorsque l’équeutage permet à d’autres valeurs extrêmes
(ici, à 10 % et à 90 % d’effet) de remplacer les effets à
0 et à 100 %.
Des exemples encore plus extrêmes, auxquels manquent
les effets nul et total, peuvent être ajustés de manière
satisfaisante par la S.-K. avec équeutage. Par exemple,
on a postulé un ensemble de résultats qui ne
correspondaient qu’à trois concentrations, et les effets
étaient de 20, de 50 et de 80 %. La S.-K. sans
équeutage a donné une CE 50 absurdement faible, mais
après équeutage de 20 %, elle a estimé un paramètre de
toxicité et des limites de confiance convenables
(TOXSTAT, équeutage automatique minimal, non
montré dans le tableau 2). Cet exemple extrême montre
aussi que l’équeutage peut être une opération utile avec
la S.-K.
Apparemment, la S.-K. sans équeutage peut aussi
échouer ou donner des réponses curieuses pour des
données modérément ou fortement erratiques. Dans
l’exemple D du tableau 2, les méthodes sans équeutage
ont donné des estimations grossièrement divergentes de
la CE 50 (4,29 et 5,05 au lieu de 26,2, dans la dernière
colonne du tableau 2). Manifestement, cela diffère non
seulement de la réponse « correcte » donnée par le
logiciel SAS, mais cela s’écarte aussi de l’estimation
pleine de bon sens, obtenue par une méthode graphique
manuelle. De fait, les CE 50 estimées par la S.-K. sans
équeutage étaient inférieures à la concentration
expérimentale la plus faible, n’ayant causé qu’un effet
observé de 10 %. Les programmes du MEEO (OMEE)
et TOXSTAT appliquant la S.-K. sans équeutage n’ont
pas donné de bons résultats avec l’exemple D (ainsi
qu’avec l’exemple C), faute, vraisemblablement,
d’effets de 0 et de 100 %.
L’équeutage de 35 % des données irrégulières à chaque
extrémité de la distribution, dans l’exemple D, a donné
une estimation convenable de 24 (par TOXSTAT, par
rapport à la valeur « correcte » de 26,2). Ici encore,
l’équeutage a compensé partiellement l’absence d’effets
nul et total. Le programme du MEEO (OMEE) a
continué de donner des réponses aberrantes, quel qu’ait
été l’équeutage entre 10 et 35 % (non montré dans le
tableau 2).
D’après ces exemples, il semble qu’avec le programme
de S.-K. les estimations devraient être faites avec et
sans équeutage. Pour ce qui concerne le taux
d’équeutage, l’expérimentateur devrait choisir l’option
diversement appelée « automatic trim », « minimal
trim » ou « automatically minimize trim level »
(c’est-à-dire équeutage automatique minimal) dans les
programmes informatiques commerciaux (TOXSTAT,
CETIS). Les programmes choisissent le taux approprié.
On devrait évaluer les résultats par inspection des
données brutes et des représentations graphiques de ces
données, puis, après comparaison, choisir les
estimations les plus convenables qu’aura données la
S.-K., avec et sans équeutage. Ce jugement subjectif de
l’expérimentateur n’est pas idéal, mais il semble
nécessaire pour les programmes de S.-K., qui
n’englobent aucun test de validité du paramètre estimé
de toxicité.
Les irrégularités de la méthode de S.-K. n’ont pas
d’effet crucial sur les « bonnes » données du tableau 2,
parce que la S.-K. ne serait pas utilisée avec ces
données, en vertu des méthodes publiées par
Environnement Canada. Les quatre exemples seraient
normalement analysés par la méthode des logits ou celle
des probits. L’exercice précédent visait à évaluer les
méthodes de S.-K.
Dans le tableau 2, on s’est également servi de la
méthode binomiale, uniquement pour éclairer le propos,
parce que tous ces exemples pouvaient être analysés
par la régression probit ou logit. Les estimations
obtenues par la méthode binomiale excédaient de 6 à
11 % celles de la méthode des probits du logiciel SAS,
pour les exemples A, B et C. Évidemment, les limites
approximatives de l’estimation diffèrent sensiblement
des limites de confiance de la méthode des probits.
Avec les données irrégulières de l’exemple D,
l’approximation par la méthode binomiale a échoué. Le
programme a simplement abouti à la déclaration selon
laquelle la CE 50 serait supérieure à la plus faible
concentration expérimentale. Il a formulé
l’avertissement suivant (traduction) : « L’obtention
d’une CL 50 approximative par interpolation entre
deux concentrations ne semble pas convenable avec
cette [sic] donnée ».
Les analyses fondées sur les transformations de
Gompertz et arc sinus sont montrées dans le tableau 2,
63
Tableau 2. — Quatre exemples d’ensembles de données quantiques pour des essais de toxicité aiguë. Voir le texte
pour l’explication des méthodes utilisées pour l’analyse.
Concentration
(poids/litre)
N ombre d’organismes touchés (par ex. morts) sur 10
Exemple A
Exemple B
Exemple C
Exemple D
56
-
10
-
5
32
-
7
9
8
18
10
5
8
3
10
9
4
2
4
5,6
4
0
1
1
3,2
2
-
1
--
1,8
0
-
-
--
T émoin
0
0
0
0
Estimation par la méthode graphique
CE 50
5,6
17
13
29
Probit, maximum de vraisemblance
(logiciel SAS)
CE 50
(limites de conf.)
5,58
(4,26-7,40)
16,9
(11,8-23,7)
12,6
(9,02-18,7)
26,2
(13,1-179)
Probit (Stephan et O M EE). La valeur
calculée de ÷ 2 est suivie de sa valeur
critique pour p = 0,05 et 3 degrés de
liberté.
CE 50
(limites de conf.)
5,58
(4,24-7,37)
16,9
(11,9-23,7)
12,6
(8,98-18,6)
26,6
(13,2-187)
Pente (de la droite)
4,71
3,17
3,07
÷ 2 (valeur critique)
1,11 (7,82)
3,56 (7,82)
3,47 (7,82)
5,52 (7,82)
Probit
(CET IS 1,018)
CE 50
(limites de conf.)
5,58
(4,24-7,37)
16,9
(11,9-23,7)
12,6
(8,98-18,5)
26,6
(13,2-190)
Probit
( T O XST AT 3.5)
CE 50
(limites de conf.)
5,58
(4,38-7,12)
16,9
(12,4-22,9)
12,6
(9,13-17,4)
26,6
(13,4-53,0)
Probit
( T O XCALC 5.0)
CE 50
(limites de conf.)
5,58
(4,24-7,37)
16,9
(11,9-23,7)
12,6
(8,98-18,5)
27,6
(15,9-85,7)
Logit
(T O XST AT 3.5)
CE 50
(limites de conf.)
5,63
(4,39-7,22)
16,8
(12,1-23,3)
12,8
(9,36-17,6)
26,5
(13,3-53,1)
Spearman-Kärber, sans équeutage
(O M EE)
CE 50
(limites de conf.)
5,64
(4,38-7,26)
16,8
(12,4-22,9)
7,98
(non estimées)
4,29
(non estimées)
Spearman-Kärber, sans équeutage
(T O XST AT 3.5)
CE 50
(limites de conf.)
5,64
(4,40-7,23)
16,8
(12,5-22,7)
10,1
(4,8-21,0)
5,05
(1,39-18,3)
Spearman-Kärber, 10 à 35 %
d’équeutage (T O XST AT 3.5)
C E 50 [% d’équeut.]
(limites de conf.)
5,73 [10 % ]
(2,55-12,9)
16,7 [10 % ]
(8,30-33,5)
13,4 [20 % ]
(11,3-15,9)
24,0 [35 % ]
(16,1-35,8)
M éthode binomiale (Stephan)
CE 50 interpolée
(fourchette)
6,22
(1,8-10)
18
(5,6-56)
13,4
(5,6-32)
> 5,6 (avec
avertissement)
G ompertz (W eibull)
[CET IS 1.018]
CE 50
(limites de conf.)
6,11
(4,43-7,80)
18,6
(12,0-25,2)
14,1
(9,58-19,0)
28,6
(11,2-235)
T ransformation arc sinus (CET IS
1.018)
CE 50
(limites de conf.)
5,54
(4,42-7,47)
17,0
(12,8-22,2)
12,1
(8,81-17,7)
26,8
(14,1-153)
M oyenne mobile (Stephan/O M EE)
CE 50
(limites de conf.)
5,58
(4,24-7,33)
17,2
(12,9-22,4)
13,4
(9,0-24,2)
17,8
(11,9-37,1)
1,32
Figure 8. — Aspect graphique des régressions probit correspondant aux exemples A à D du tableau 2. Les graphiques ont été imprimés par le
programme informatique du ministère de l’Environnement et de l’Énergie de l’Ontario (MEEO) [OMEE, 1995], et on y a ajouté les
éléments suivants : une ligne horizontale au probit 5, les limites de confiance au seuil de 95 % et une droite ajustée des probits.
64
65
bien que ces méthodes soient rarement utilisées. Les
CE 50 estimées par la méthode de Gompertz sont
notablement plus élevées que celles que l’on estime par
d’autres méthodes et plus élevées que l’estimation
graphique, pleine de bon sens, des exemples A, B et C.
Le modèle de Gompertz convient davantage que la
transformation normale et logistique, si la répartition
des effets est asymétrique. L’analyse de Gompertz est
analogue à l’emploi du modèle de Weibull, qui, parfois,
se révèle donner le meilleur ajustement aux données de
survie (Newman, 1995, p. 125). Le modèle de Weibull
suppose aussi une distribution asymétrique. Christensen
(1984) a constaté qu’une transformation de Weibull
fournissait généralement un ajustement au moins aussi
bon aux données expérimentales que le modèle probit.
Cependant cela n’est pas évident d’après les CE 50 du
tableau 2.
La transformation arc sinus (parfois appelée
transformation angulaire) a donné des estimations très
semblables aux résultats du logiciel SAS et d’autres
méthodes des probits. D’après ce fait, la transformation
arc sinus semblerait valable, mais elle ne serait pas
nécessaire si on disposait d’une bonne méthode des
probits ou des logits.
Les programmes employant la méthode de la moyenne
mobile de Stephan et al. (1978) et du MEEO (OMEE,
1995) ont donné des estimations identiques, qui étaient
également identiques ou presque aux estimations par la
méthode des probits, avec les « bonnes » données des
exemples A à C. Cependant, la méthode de la moyenne
mobile a donné une CE 50 et des limites de confiance
plutôt aberrantes pour les données irrégulières de
l’exemple D. Comme nous l’avons déjà dit, la méthode
ne semblerait pas nécessaire dans les circonstances
normales, parce que le programme disponible a les
mêmes exigences concernant le type de données que la
méthode des probits et celle des logits.
4.4.2
Estimations avec des données comportant
peu d’effets partiels
Le plus souvent, les laboratoires obtiennent des
résultats expérimentaux ne correspondant à aucun ou
à un seul effet partiel. Les résultats ne peuvent pas être
analysés par régression probit ou logit. L’utilité
d’autres méthodes est évaluée grâce aux exemples du
tableau 3.
Les données du tableau 3 ont été obtenues à partir de
celles du tableau 2, par réduction de la plupart des
exemples à un effet partiel. Les deux valeurs aux
concentrations maximales ont été fixées à 100 %
d’effet, tandis que les deux valeurs aux concentrations
minimales basses ont été fixées à 0 % d’effet. La seule
exception se trouve dans l’exemple D, où on a maintenu
la valeur irrégulière à 50 % d’effet à la forte
concentration. Les méthodes énumérées dans la colonne
de gauche ont servi à analyser ou à tenter d’analyser
ces données. Conformément à la recommandation
formulée dans le § 4.2, les analyses n’ont utilisé qu’un
des deux effets successifs de 0 ou de 100 %, celui qui
était le plus près du centre.
Les exemples A, B et C ne peuvent pas être analysés
par la régression probit ou logit. La méthode de la
moyenne mobile ne peut pas non plus donner de
réponse, confirmant qu’elle n’est pas d’une grande aide
aux expérimentateurs en tant que méthode de secours.
Les analyses par les méthodes des probits et des logits
ont fonctionné de manière satisfaisante avec les données
irrégulières de l’exemple D. Les cinq programmes
d’estimation par la méthode des probits ont donné la
même CE 50 convenable, et l’estimation par la méthode
des logits suivait de près. Les limites de confiance
variaient quelque peu ; celles des méthodes de Stephan
et du MEEO (OMEE) allaient de 0 à l’infini, ce qui
n’est pas très utile.
Pour les exemples A, B et C, la méthode binomiale et
celle de Spearman-Kärber sans équeutage ont donné
des estimations qui semblaient convenables et qui
concordaient assez bien avec les estimations obtenues
par une méthode graphique manuelle. Cela conforte la
pratique récemment instituée par Environnement
Canada d’utiliser la S.-K. quand il n’y a qu’un seul
effet partiel, ce qui empêche l’emploi des probits ou des
logits (EC, 2001a ; 2004a). À noter que les analyses
réussies grâce à la S.-K. concernaient des données
renfermant des effets à 0 et à 100 %. La S.-K. avec
équeutage a failli dans chacun de ces trois exemples
(TOXSTAT) ou a donné des estimations quelque peu
divergentes (OMEE), vraisemblablement parce que
l’équeutage n’était pas approprié au petit nombre
d’observations.
66
Dans l’exemple D, la méthode de Spearman-Kärber et
la méthode binomiale ne seraient pas nécessaires,
puisque les méthodes privilégiées de régression probit
ou logit ont donné des estimations de la CE 50 et de ses
limites de confiance. Cependant, il vaut la peine
d’examiner les performances de ces méthodes de second
rang. Ni la S.-K. sans équeutage ni la méthode
binomiale n’a pu fonctionner avec les données
irrégulières de l’exemple D. La S.-K. sans équeutage a
abouti à une CE 50 qui était exagérément faible par
rapport aux valeurs données par la régression probit ;
les programmes TOXSTAT et du MEEO (OMEE) ont
donné la même CE 50 absurde. L’estimation de la
CE 50 par TOXSTAT, après équeutage, était du bon
ordre de grandeur, mais un peu basse. Les résultats
erratiques de la méthode de S.-K. à l’égard de
l’exemple D confortent la recommandation récente
d’Environnement Canada selon laquelle il ne faut
l’utiliser que lorsque la régression probit ou logit n’a
pas fonctionné, en raison d’un seul effet partiel.
Les résultats obtenus par la S.-K. avec les données de
l’exemple D montrent également que l’analyse avec ou
sans équeutage est nécessaire et que l’on devrait choisir
entre les deux après avoir comparé les résultats bruts.
Dans certains cas, les estimations des deux variantes de
la méthode pourraient ne pas être convenables, et
l’expérimentateur pourrait devoir user de son jugement
et les rejeter. Dans les logiciels disponibles, il ne semble
pas y avoir de règle fixe, applicable à détermination du
caractère acceptable des résultats de la S.-K., ni de test
de validité. Il faut donc continuer de faire appel à son
jugement.
Pour ce qui concerne la méthode de S.-K. du
programme du MEEO (OMEE), les taux d’équeutage
supérieurs à 10 % ont donné des estimations de la
CE 50 de plus en plus hautes et de moins en moins
convenables avec les données des exemples A, B et D
ainsi que des résultats erratiques avec les données de
l’exemple C (non montré dans le tableau 3). La
méthode de S.-K. du programme du MEEO (OMEE)
semble avoir un défaut, et nous recommandons à
l’expérimentateur d’utiliser les versions disponibles de
la méthode dans les progiciels commerciaux.
4.5
Examen des méthodes
d’estimation des CE p
statistiques
Repères
• Les effets quantiques suivent une loi binomiale, et
l’analyse doit utiliser des méthodes appropriées.
On utilise couramment, par tradition, la
transformation en probits de l’effet quantique
pour linéariser la relation avec le logarithme de
la concentration. Mathématiquement, la
transformation en logits est supérieure et elle
donne des estimations similaires, bien que, par le
passé, elle ait été moins souvent utilisée par les
écotoxicologues.
• Dans la régression probit ou logit, les estimations
du maximum de vraisemblance sont définitives et
elles ont comme grande qualité de séparer tout
effet observé chez les témoins de manière
avantageuse. Cependant, les méthodes du
maximum de vraisemblance sont généralement
offertes uniquement dans les gros progiciels, ce
qui fait qu’elles ne sont pas souvent utilisées pour
les analyses en routine en écotoxicologie.
• La régression probit ou logit classique procède
par une succession d’ajustements améliorés d’une
droite (itération). Le test du khi-deux permet de
juger du caractère acceptable de l’ajustement.
• Dans un nombre limité d’essais, la transformation
arc sinus s’est également révélée satisfaisante.
• Les méthodes de raccourci graphique de
Litchfield-Wilcoxon de régression probit sont
périmées, mais elles pourraient être utiles pour
vérifier les résultats du traitement informatique
ou pour former le nouveau personnel.
• La méthode de Spearman-Kärber (la S.-K.) ne
permet pas d’estimer les paramètres de toxicité
par régression, mais par les moyennes pondérées
des points intermédiaires entre les concentrations
logarithmiques. Elle exige des données
symétriques monotones et des effets de 0 et de
100 %. Si les données ne sont pas monotones, les
programmes d’analyse peuvent imposer un
lissage. Si on ne possède pas de données sur les
effets nul et total, l’équeutage des données
pourrait aboutir à des estimations satisfaisantes
67
Tableau 3. — Quatre exemples d’ensembles de données quantiques avec quelques effets partiels. Voir le texte
pour l’explication des méthodes utilisées pour l’analyse.
Concentration
(poids/litre)
N ombre d’organismes touchés (par ex. morts) sur 10
Exemple A
*
Exemple B
Exemple C
Exemple D
56
-
10
-
5
32
-
10
10
10
18
10
5
10
3
10
10
0
2
0
5,6
4
0
0
0
3,2
0
-
0
--
1,8
0
-
-
--
T émoin
0
0
0
0
Estimation par la méthode graphique
CE 50
6,1
18
12,4
31
Probit (SPSS)
CE 50
(limites de conf.)
-----
-----
-----
28,4
(17,9-28,2) *
Probit (Stephan et O M EE).
CE 50
(limites de conf.)
-----
-----
-----
28,4 *
(0- 4)
Probit
(CET IS 1,018)
CE 50
(limites de conf.)
-----
-----
-----
28,4
(non estimées)
Probit
( T O XST AT 3.5)
CE 50
(limites de conf.)
-----
-----
-----
28,4 *
(19,4-41,5)
Probit
( T O XCALC 5.0)
CE 50
(limites de conf.)
-----
-----
-----
28,4 *
(non estimées)
Logit
(T O XST AT 3.5)
CE 50
(limites de conf.)
-----
-----
-----
27,6
(18,7-40,8)
Spearman-Kärber, sans équeutage
(O M EE, T OXST AT )
CE 50
(limites de conf.)
5,96
(4,99-7,11)
17,9
(14,9-21,6)
11,9
(10,3-13,8)
9,11
(5,25-25,5)
Spearman-Kärber, 10 à 35 %
d’équeutage (T O XST AT 3.5)
C E 50
(limites de conf.)
-----
-----
-----
23,2 [30 % ]
(18,1-29,9)
Spearman-Kärber, 10 d’équeutage
(O M EE)
CE 50
(limites de conf.)
7,02
(5,61-8,79)
24,1
(19,1-30,4)
15.5
(12,6-19,1)
15,8
(---------)
M éthode binomiale (Stephan)
CE 50 interpolée
(fourchette)
6,03
(3,2-10)
18
(10-32)
12,0
(5,6-18)
> 5,6 (avec
avertissement)
M oyenne mobile (Stephan/O M EE)
CE 50
(limites de conf.)
-----
-----
-----
17,8
Dans le cas de l’exemple D, tous les programmes fondés sur la méthode des probits et des logits ont lancé un
avertissement d’hétérogénéité significative ; la plupart ont mis en doute la validité des limites de confiance. Le
programme fondé sur la méthode de la moyenne mobile a lancé un avertissement selon lequel les limites de confiance
étaient probablement trop rapprochées. Celui de la méthode binomiale a lancé un avertissement selon lequel
l’interpolation ne semblait pas « raisonnable ».
Figure 9. — Graphiques de données quantiques comportant quelques effets partiels (tableau 3). Les graphiques ont été imprimés
par le programme informatique du ministère de l’Environnement et de l’Énergie de l’Ontario (MEEO) [OMEE,1995]. Pour
les graphiques A à C, les estimations ont été obtenues par la méthode de Spearman-Kärber sans équeutage. On ne voit pas
de droites ajustées parce que cette méthode n’en utilise pas. L’analyse des données du graphique D a été effectuée par le
programme de régression probit du logiciel SPSS.
68
69
à partir de certains ensembles de résultats. Certaines
méthodes d’essai publiées récemment par
Environnement Canada préconisent l’emploi limité de
seulement la S.-K. sans équeutage. Il semble
souhaitable d’effectuer l’analyse avec un équeutage
minimal ou sans équeutage, puis de juger de
l’acceptabilité de chaque paramètre de toxicité ainsi
estimé par comparaison avec les données brutes.
• Pour ce qui concerne les essais auxquels ne
correspondent pas d’effets partiels, la méthode
binomiale permet d’estimer une CE 50
approximative en tant que moyenne géométrique
des concentrations ne causant aucun effet et
causant un effet total et de prendre ces
concentrations comme limites, à l’intérieur
desquelles se trouvent les limites de confiance.
• La méthode de la moyenne mobile fonctionne
généralement bien, mais elle est superflue, parce
que le programme informatique disponible exige
deux effets partiels et que, à la place, on peut
utiliser la régression probit ou logit.
• Aux États-Unis, l’« interpolation linéaire » a été
désignée technique particulière. Elle équivaut
essentiellement à la méthode binomiale. Les
expérimentateurs devraient se méfier de certains
vieux programmes informatiques employant cette
méthode, qui n’utilisent pas les logarithmes de la
concentration.
• On fournit une liste de critères pour évaluer les
nouveaux programmes informatiques d’analyse
des données quantiques.
• À l’avenir, les analyses pourraient utiliser la
régression non linéaire si des progiciels
commodes sont offerts aux écotoxicologues.
4.5.1 Régressions probit et logit en général
La régression probit ou logit est une méthode
couramment utilisée et satisfaisante d’analyse des
données quantiques. Mathématiquement, les logits sont
supérieurs, comme nous l’expliquons dans l’annexe J,
mais les probits ont été couramment utilisés en
écotoxicologie. À l’instar de toutes les autres méthodes,
celle-ci est des plus efficaces si les données sont assez
lisses et régulières et elle exige deux effets partiels. La
droite log-probit ajustée à vue d’œil (§ 4.2.2 et fig. 5)
est une forme de régression probit, effectuée
mentalement, sans calculs.
Il faut expliquer pourquoi on passe d’une distribution
binomiale (pour les données quantiques) à une analyse
fondée sur une distribution normale (comme dans la
régression probit).
1. Pour les données quantiques telles que les résultats
des essais de toxicité létale, la mortalité d’un
organisme est un phénomène binaire, en tout ou
rien (oui ou non).
2. Dans un récipient, le nombre d’organismes touchés
(y) est la somme des résultats binaires individuels.
La variable y est une variable aléatoire binomiale.
Pour ce récipient, les résultats expérimentaux
s’expriment par y (le nombre d’organismes
touchés) divisé par n (le nombre d’organismes dans
le récipient).
3. Habituellement, plusieurs récipients sont exposés
à différentes concentrations. Si les proportions
d’organismes touchés dans chaque récipient sont
portées sur un graphique, en fonction du logarithme
de la concentration, et si on réunit les points, la
relation dose-effet empirique qui s’en dégage
ressemble à une fonction de répartition de la loi
normale (fig. 10, graphique de gauche). Elle
ressemble aussi à une courbe cumulative de la
distribution logit (fig. 10, graphique de droite) ou
à une distribution de Gompertz. Cette distribution
décrit la résistance de l’échantillon d’organismes au
toxique.
4. Cette distribution peut désormais être traitée
comme normale ou logistique, etc. Les effets
binomiaux dans la distribution sont transformés à
l’aide des transformations probit, logit ou de
Gompertz, etc., qui redressent la courbe dose-effet
sigmoïde (fig. 10).
5. La relation linéaire résultante entre le logarithme de
la concentration et l’effet binomial sert à estimer
les ordonnées à l’origine et les pentes. Ensuite, on
utilise le modèle linéaire à la manière d’une
régression inverse (v. le § 9.4) pour estimer la
CE p.
70
La régression logistique et probit sont deux méthodes
courantes que l’on emploie pour la transformation de
l’étape 4 ; les transformations en question sont
montrées dans la fig. 10 et décrites plus en détail dans
les annexes H et J. Les formules mathématiques des
modèles probit, logit et de Weibull sont présentées et
expliquées dans OECD (2004).
La partie gauche de la fig. 10 montre schématiquement
le calcul des probits. La courbe est une courbe typique
du pourcentage d’effet en fonction du logarithme de la
concentration. Les tiretés horizontaux représentent les
écarts types de la courbe normale cumulative (écarts
types par pas de 0,5 sur l’échelle verticale du
pourcentage d’effet). À partir de leur point
d’intersection avec la courbe, on fait descendre des
lignes verticales sur une échelle uniformisée des écarts
types. Les unités de cette échelle s’appellent variables
normales équivalentes (ou normits ou NED, pour
normal equivalent deviates). Sur l’échelle, 0 NED
correspond à l’effet de 50 % ; au-dessus et au-dessous,
les valeurs sont respectivement positives et négatives,
comme on peut le lire au bas des lignes verticales. Pour
faciliter le traitement mathématique à l’époque où les
calculs se faisaient à la main, on a ajouté aux NED la
valeur de 5 et on a appelé le résultat probits, figurant
dans le bas de la partie gauche de la figure. Si on
espace régulièrement les probits sur l’axe vertical, on
redresse la courbe, qui devient une droite en fonction du
logarithme de la concentration (montrée dans
l’annexe H).
Les logits sont montrés dans la partie droite de la
fig. 10. Les mêmes explications valent, sauf que la
répartition des effets est posée comme étant logistique
plutôt que normale. Les tiretés horizontaux expriment
des logits. Prolongés verticalement à partir du point
d’intersection avec la courbe, ils aboutissent sur
l’échelle horizontale des logits dans le bas de la figure.
Le résultat est similaire ; la courbe est redressée lorsque
l’on exprime les logits en fonction du logarithme de la
concentration.
Après la transformation en probits (ou en logits), on
procède à l’analyse statistique. Comme on le décrit
dans le texte qui suit, il faut estimer les paramètres du
modèle probit ou logit par des procédés plutôt
complexes, et, à cette fin, l’emploi de programmes
informatiques est universel.
4.5.2 Autres transformations
Il existe d’autres modèles et transformations. Dans les
calculs, on peut employer la transformation arc sinus et
celle de Gompertz, qui sont exactement analogues aux
transformations utilisées avec les probits. Ces méthodes
sont frappées des mêmes limites que celles qui
s’appliquent aux probits, notamment la nécessité de
connaître deux effets partiels.
Dans le tableau 2, on a montré les résultats de l’analyse
faite avec la transformation de Gompertz, et les CE 50
étaient notablement plus fortes que celles que l’on avait
estimé par d’autres méthodes et elles étaient
généralement plus fortes que les estimations pleines de
bon sens obtenues par la méthode graphique. Comme
nous l’avons mentionné dans le § 4.4.1, le modèle de
Gompertz et le modèle analogue de Weibull
conviendraient davantage à des données dans lesquelles
les effets seraient asymétriques. La transformation arc
sinus a permis d’estimer des CE 50 semblables à celles
des méthodes des probits. On pourrait utiliser cette
transformation, mais celle-ci ne semblerait pas
nécessaire si on pouvait disposer d’une bonne méthode
des probits ou des logits.
4.5.3 Régression probit classique informatisée
Dans les programmes informatiques actuels de
régression probit, l’opérateur saisit les données brutes
(arithmétiques), et, généralement, les programmes font
les transformations appropriées en logarithmes de la
concentration et en probits de l’effet. Certains
programmes ont leur « tempérament ». Avec
TOXSTAT 3.5, l’opérateur doit spécifier la
transformation en logarithme de la concentration et,
immédiatement après, il doit commander l’exécution de
la transformation, sinon celle-ci sera oubliée pendant
les calculs. TOXCALC a le défaut de ne pas utiliser les
probits dans le graphique qu’il trace.
La plupart des programmes informatiques actuels de
régression probit suivent les méthodes « classiques »
créées pour les calculatrices mécaniques d’avant
l’avènement des ordinateurs (Finney 1971 ; Hubert
1992). La transformation de l’effet proportionnel en
probits signifie que la relation est linéarisée en fonction
du logarithme de la dose et que l’ajustement est
simplifié en une régression linéaire pondérée.
L’ajustement est obtenu par approximations
successives jusqu’à l’obtention de la meilleure droite
71
Figure 10. — Démonstration graphique des transformations en probits et en logits (d’après Hewlett et Plackett,
1979)
(itération), à l’aide d’une technique des moindres
carrés.
À l’époque des calculatrices mécaniques, les calculs
étaient faisables, mais restaient fastidieux, longs, et ils
donnaient prise à l’erreur. Les itérations étaient
nécessaires parce que les pondérations (valeurs
relatives) des observations étaient initialement
inconnues et dépendaient des paramètres qui n’étaient
pas encore estimés. Le nombre d’individus à chaque
concentration contribue à la pondération. On peut
qualifier le processus de « méthode des moindres carrés
itérativement repondérés » 32 .
32. Ces opérations mathématiques, conçues en raison des
capacités limitées des calculatrices mécaniques, sont assez
complexes. (1) L’ordinateur ajuste grossièrement une droite aux
données brutes, à l’aide des logarithmes de la concentration et des
probits de l’effet. (2) Il « lit » les probits prévus (= % d’effet) sur
la droite grossièrement ajustée. (3) Dans un tableau de constantes,
il recherche les coefficients initiaux de pondération des
observations, d’après les probits prévus, puis affecte ces
coefficients aux observations. (4) Il cherche les probits de travail
d’après les probits prévus et observés. (5) Il ajuste une meilleure
droite, d’après les probits de travail, les coefficients de
pondération et le nombre d’organismes. Cela aboutit à la première
estimation de la CE 50, des limites de confiance et du khi-deux
comme mesure de l’ajustement. (6) Il effectue un autre cycle des
Cette méthode classique, lourde si les calculs sont
effectués à la main, peut être appliquée sans effort par
les ordinateurs. Ce n’est pas une estimation du
maximum de vraisemblance, mais les résultats sont
essentiellement les mêmes ; c’est-à-dire que l’on
« parvient à une solution qui possède un maximum de
vraisemblance » pour l’estimation de la CE 50 et les
étapes 2 à 5, en utilisant les probits de travail (de 4) comme s’ils
étaient des données brutes. Autrement dit, il cherche de nouvelles
valeurs pour les coefficients de pondération et les probits de
travail. (7) le processus 6 se répète tant que les réponses
n’approchent pas d’une valeur stable (« convergent »), et les
calculs finals sont adoptés.
Cet ajustement par les moindres carrés repondérés et réitérés est
une façon de calculer une solution ayant un maximum de
vraisemblance. Parfois le nombre de cycles dépend de la volonté
de l’opérateur, sinon le programme dispose d’un critère intégré
pour interrompre les cycles. Parfois, il suffit de deux ou trois
cycles ; pour les bons ensembles de données, les résultats de
cycles successifs changent peu. Dans le cas de données
irrégulières, il pourrait ne pas y avoir de convergence (absence
d’ajustement convenable) au bout de 20 cycles ; il y aurait peu de
raisons de poursuivre l’ajustement plus loin. Les données
anormales donnent parfois des résultats curieux après une
demi-douzaine de cycles, comme une pente très faible, peu
réaliste, et un large intervalle de confiance, alors que le
programme tente de représenter la gamme des résultats.
72
paramètres de la droite. La méthode itérative classique
a déjà été considérée comme la « plus efficace » à
l’égard des bonnes distributions des données qui sont
log-normales (Gelber et al., 1985).
La technique itérative des moindres carrés souffre d’un
grave handicap. On ne peut pas l’étendre efficacement
à tout effet observé chez le témoin. Cela peut être fait
par des modèles appropriés, utilisant les techniques du
maximum de vraisemblance (§ 4.2.3 et 4.5.5).
4.5.4 Évaluation de l’ajustement avec le khi-deux
L’ajustement de la droite des probits est révélé par la
valeur calculée de khi-deux, qui ne doit pas dépasser
une valeur critique si l’on veut accepter la droite et les
estimations. Les programmes informatiques s’occupent
normalement de ces calculs, mais l’expérimentateur
devraient s’assurer de la valeur satisfaisante de ÷2 .
L’évaluation par le khi-deux est approximative, parce
qu’elle exigerait au moins 30 individus par traitement
« pour être statistiquement justifiée » (Hubert, 1992).
On peut trouver les valeurs critiques de khi-deux dans
les manuels classiques de statistique. Dans un essai de
toxicité, le nombre de degrés de liberté égale le nombre
de concentrations employées moins 2. Le tableau qui
suit pourrait servir pour une probabilité de 0,05.
Nombre de degrés de liberté
1
2
3
4
5
6
Valeur critique de ÷2
3,54
5,99
7,82
9,49
11,1
12,6
Dans les quatre exemples du tableau 2, le nombre de
concentrations est toujours de cinq. Le nombre de
degrés de liberté est donc de trois. La valeur critique de
÷2 est 7,82. Si le ÷2 calculé excédait cette valeur, les
données seraient significativement hétérogènes, et la
droite ne serait pas un ajustement acceptable. Les
quatre exemples du tableau 2 sont tous acceptables.
Il est également souhaitable de vérifier de visu la droite
calculée des probits. On devrait la comparer à une
droite ajustée à vue d’œil, créée à cette fin (§ 4.2.2). Le
programme du MEEO (OMEE) produit un graphique
des résultats, et d’autres programmes pourraient faire
de même. Sinon, la droite calculée devrait être tracée à
côté de la droite tracée à la main, sur papier log-probit.
Le tracé peut être facile à réaliser, puisque la pente
calculée par le programme représente l’augmentation
du nombre de probits pour un cycle logarithmique de
concentrations. À partir du point connu de la CE 50, on
mesure un cycle logarithmique et un probit (vers le
haut, vers le bas ou les deux) pour placer un second
point sur la droite (ou les deuxième et troisième points).
Le tracé est encore plus facile si un programme
informatique produit une liste de paramètres de toxicité
(CE 10, CE 20, etc.), comme le font les programmes
SAS, SPSS, CETIS, TOXCALC et TOXSTAT.
4.5.5 Estimations du maximum de vraisemblance
La méthode du maximum de vraisemblance (MMV) est
une technique objective de sélection de la valeur des
paramètres pour un modèle servant à ajuster un
ensemble de données. Les paramètres sont choisis pour
maximiser (dans un modèle choisi) la probabilité
d’observer les données effectivement collectées.
Dans un essai de toxicité quantique, le nombre
d’organismes touchés à une concentration donnée suit
une distribution binomiale. Les paramètres des
distributions binomiales sont censés être reliés aux
concentrations par une fonction, d’habitude la normale
ou la logistique. Dans ces conditions, les estimations du
maximum de vraisemblance se révèlent dépendre de
deux équations. Aujourd’hui, on peut résoudre
directement les équations pour choisir les valeurs des
paramètres, à l’aide d’un ordinateur personnel et de
progiciels modernes de statistique tels que SAS 33 .
L’utilisation de la méthode du maximum de
vraisemblance dans les essais de toxicité ne constitue
qu’une petite partie de son application générale. On
peut adopter des modèles de divers type pour ajuster
différentes données, tandis que les techniques
d’estimation du maximum de vraisemblance
s’appliquent dans tous les cas. Ainsi, la MMV pourrait
servir à l’analyse des résultats de divers types d’essais
de toxicité, quantitatifs ou quantiques. Par exemple, le
33. Finney (1978), pionnier du domaine, a salué l’avènement des
ordinateurs modernes en déclarant que l’un des gains les plus
importants que les ordinateurs avaient procurés à la statistique
était de faciliter le lancement et l’exécution de calculs itératifs et
que, en outre, les calculs itératifs de régression probit et logit
classique pouvaient être remplacés par des techniques
d’optimisation directe qui parvenaient aux mêmes réponses
rapidement et avec plus de précision qu’auparavant.
73
modèle pourrait être une régression du poids des
organismes sur le logarithme des concentrations
d’exposition. Ou, encore, ce pourrait être une fonction
décrivant la distribution de probabilité d’un seul
ensemble d’observations. Ici, nous envisageons des
modèles pour les essais quantiques (c’est-à-dire la
régression probit) représentant une application très utile
de la MMV.
Pour la régression probit, la MMV est « équivalente »
à la vieille méthode des moindres carrés itérativement
repondérés (Jennrich et Moore, 1975). Autrement dit,
la MMV parvient à estimer une CE 50 et ses limites de
confiance qui sont très semblables à celles auxquelles
aboutirait la technique itérative décrite dans le § 4.5.3.
Toutefois, la MMV est mathématiquement plus
élégante et elle devrait être considérée comme la
méthode définitive. Dans la vieille régression probit
itérative, deux paramètres sont dignes d’intérêt : la
pente et l’ordonnée à l’origine. Dans les programmes
modernes employant la MMV, ces paramètres sont
remplacés par leurs équivalents, la moyenne et la
variance. Une fonction de vraisemblance est manipulée
de façon à exprimer les paramètres en fonction des
données. Par calcul, on fait égaler la dérivée première
à zéro, puis on résout les équations pour les estimations
du maximum de vraisemblance des paramètres.
Technique usuelle d’analyse statistique, la MMV fait
partie des grands progiciels de statistique. La
régression probit l’employant est spécifiquement offerte
dans le progiciel SAS (2000) et peut-être dans d’autres.
Le programme SPSS et les programmes TOXSTAT,
TOXCALC et CETIS employés en toxicologie
semblent utiliser les vieilles méthodes itératives
d’ajustement de droites. Les écotoxicologues
trouveraient sans doute commode de faire inclure la
MMV dans des progiciels adaptés à leurs besoins.
Effets observés chez les témoins. — Un grand
avantage de la régression probit ou logit avec la MMV
est leur capacité d’estimer un effet observé chez les
témoins comme variable séparée et de n’utiliser que
l’effet provoqué par le toxique pour estimer la CE p.
Les effets observés sont la somme de deux sources
d’effet, et l’amplitude de l’effet observé chez les
témoins compte comme l’un des paramètres à
déterminer dans le modèle. Le modèle le plus complexe
doit résoudre trois équations (celles de la moyenne, de
la variance et de l’effet observé chez les témoins). On
estime deux intensités d’effet : l’un d’eux est l’effet de
base ou l’effet observé chez les témoins, qui n’est pas
attribuable au toxique ; l’autre est l’effet progressif du
toxique, agissant seul, dont on se sert pour estimer la
CE 50 sans l’effet de base, qui se manifeste chez le
témoin.
La MMV est la meilleure méthode mathématique pour
tenir compte de l’effet observé chez les témoins.
Cependant, comme nous le faisons remarquer dans le
§ 4.2.4, elle ne peut pas remédier à toute interaction qui
est biologique plutôt que d’être statistique. Par
exemple, la maladie pourrait provoquer un effet chez
les témoins et pourrait aussi affaiblir la résistance des
organismes en expérience au toxique. L’analyse
estimerait une CE p statistiquement valable, mais pour
des organismes affaiblis.
4.5.6 Méthode de Spearman-Kärber
Nous recommandons la méthode de Spearman-Kärber
(la S.-K.) pour les données quantiques qui englobent :
a) un effet partiel ; b) des effets à 0 et à 100 %.
Autrement dit, la méthode peut être utilisée lorsque les
méthodes des probits ou des logits ne fonctionnent pas
parce que les données ne comprennent pas deux effets
partiels. Cette méthode est offerte dans la plupart des
programmes commerciaux tels que CETIS et
TOXSTAT ainsi que sur le site Web
http://www.epa.gov/nerleerd/stat2.htm. Elle est
également disponible dans le programme du MEEO
(OMEE), bien que cette version semble mal fonctionner
dans certains cas où les données sont irrégulières et
qu’il soit préférable d’éviter de l’utiliser.
Préconisée pour les essais d’écotoxicité par Hamilton
et al. (1977), la méthode de Spearman-Kärber procède
très différemment, mathématiquement, de la régression
probit. Elle estime la CE 50 à partir des moyennes
pondérées des points milieux entre les concentrations,
sur une échelle logarithmique. La pondération
appliquée à chaque point milieu est la modification de
la proportion de l’effet entre les deux concentrations,
similairement à l’estimation de la moyenne d’une
distribution de fréquences par multiplication des centres
de classe par la proportion propre à chaque classe.
(Pour de plus amples explications, v. l’annexe K.)
74
La S.-K. peut fonctionner en dépit de l’espacement
inégal des concentrations sur l’échelle logarithmique et,
également, avec des nombres inégaux d’organismes à
diverses concentrations. Il n’existe pas de méthode
intrinsèque pour traiter un effet qui s’est manifesté chez
les témoins.
On peut estimer les intervalles de confiance s’il existe
au moins un effet partiel. Ils égalent ± 2 écarts types
par rapport à la CE 50. Cela suppose que la CE 50 suit
une loi normale et se comporte comme une variable
aléatoire normale (Miller et Halpern, 1980). Les limites
ne sont pas « susceptibles d’être très erronées » à moins
que le nombre d’observations ne soit faible (Finney,
1978).
Le test repose sur les exigences ou hypothèses,
exposées ci-dessous, de monotonie et de symétrie des
données, lesquelles comprennent des effets à 0 et à
100 %.
• Les données doivent être monotones. — Si les
effets diminuent d’une concentration à une autre,
plus forte, alors les effets sont moyennés, et le
résultat est attribué aux deux concentrations. Ce
lissage est appliqué successivement à l’ensemble de
données jusqu’à ce que ces dernières deviennent
monotones (annexe K). Le lissage ne modifie pas la
valeur calculée de la CE 50, mais il modifie les
limites de confiance.
• La symétrie est une hypothèse de la méthode. Si la
distribution des effets est asymétrique, la S.-K.
n’estime pas une vraie CE 50. Même si on
employait l’équeutage, l’estimation de la CE 50 ne
serait convenable que si la partie centrale (non
équeutée) de la distribution était symétrique.
• Il faut des effets nul et total, et cela découle
quelque peu de l’hypothèse de symétrie. Sans ces
effets extrêmes, la méthode sans équeutage
échouerait ou, au mieux, donnerait des résultats
anormaux. L’équeutage peut parfois remédier à
l’absence d’effets nul et total, s’il existe des effets
petits et grands, comme à 10 et à 90 %.
• L’équeutage est un moyen de tenter de corriger
l’absence de symétrie des extrémités de la courbe
dose-effet. On peut l’appliquer pour supprimer les
valeurs extrêmes et utiliser les données centrales.
L’opération peut être utile s’il existe des proportions
inopinément grandes d’organismes à l’une ou l’autre
des extrémités de la distribution, c’est-à-dire
beaucoup d’organismes ayant réagi à la faible
concentration ou n’ayant pas réagi à la forte
concentration. Hamilton (1979 ; 1980) a étudié ces
situations et a constaté qu’un peu d’équeutage
réduisait considérablement plus l’erreur type de la
CE 50 estimée (c’est-à-dire que la méthode était
plus optimiste) que d’autres méthodes de référence
telles que l’analyse probit ou logit du maximum de
vraisemblance. Un équeutage plus poussé a encore
diminué l’erreur type, mais en augmentant
l’estimation de la CE 50. Hamilton a proposé un
équeutage de 10-20 % dans les cas où des résultats
erratiques se trouveraient dans les parties extrêmes
de la distribution, mais en évitant l’élaguer les
données dont la distribution était régulière.
Les méthodes d’essai publiées récemment par
Environnement Canada (EC, 2001a ; 2004a) sont
semblables aux recommandations de Hamilton (1979 ;
1980), mais en étant plus restrictives parce qu’elles
n’autorisent pas l’équeutage. Au cours d’une réunion
du Groupe consultatif sur la statistique
d’Environnement Canada, on a exprimé des doutes sur
l’ajustement d’un modèle statistique qui feraient
paraître les données plus robustes qu’en réalité. On y
aurait déclaré qu’on ne pouvait faire d’une buse un
épervier et que l’équeutage conduisait à des difficultés
avec la variance et, de là avec les limites de confiance »
(Miller et al., 1993). Comme nous le mentionnons plus
loin, l’interdiction de l’équeutage est probablement
dictée par un excès de prudence.
Quoi qu’il en soit, nous recommandons la méthode de
Spearman-Kärber, uniquement pour les essais
quantiques produisant un effet partiel, les effets à 0 et
à 100 %. Pour de tels ensembles de données, la S.-K.
est privilégiée à la méthode binomiale parce qu’elle
permet de calculer des limites de confiance que l’on
peut considérer comme valables.
Avec de « bons » ensembles de données, la méthode de
S.-K. peut donner des réponses très semblables à celles
de la régression probit, mais elle pourrait ne pas donner
de réponses fiables dans certaines circonstances. Les
comparaisons auxquelles on fait allusion dans les
75
§ 4.4.1 et 4.4.2 ont montré que cela se vérifiait parfois
après équeutage comme sans équeutage. La méthode
sans équeutage pourrait donner des réponses très
curieuses avec des données modérément ou fortement
erratiques (les deux exemples D des tableaux 2 et 3).
La méthode avec équeutage donne parfois une meilleure
estimation du paramètre de toxicité, mais dans les cas
où les données sont peu nombreuses, elle n’a pas abouti
à une estimation (exemples A à C du tableau 3).
La S.-K. sans équeutage donnera presque assurément
une CE 50 anormale, peut-être sans limites de
confiance, si les données ne comportent pas d’effets à
0 et à 100 %. On pourrait tenter une analyse employant
un équeutage minimal si l’ensemble de données
renfermait des effets tout à fait petits et grands
(# 20 %, $ 80 %) ainsi qu’un effet partiel central. Un
équeutage de 20 % est susceptible de conduire à une
estimation convenable de la CE 50 et de ses limites de
confiance.
Apparemment, il ressort des exemples dont il a été
question dans les § 4.4.1 et 4.4.2 que la façon la plus
raisonnable d’utiliser la S.-K. est de faire une
estimation sans équeutage et avec équeutage minimal,
au taux choisi par le programme informatique. On
devrait choisir entre les deux estimations (si elles sont
différentes) en les comparant aux données brutes et à
un graphique sur lequel on aura porté ces données
brutes. Cela demande du jugement, mais cela semble
inévitable. Les programmes informatiques ne
comportent aucun test de la validité de l’estimation.
Les premières méthodes publiées par Environnement
Canada mentionnaient la méthode de Spearman-Kärber,
mais elles ne la recommandaient pour l’analyse (par ex.
EC, 1992b). Cependant, dans CE (2001a), son emploi
a été spécifié pour des ensembles de données quantiques
ne renfermant qu’un effet partiel, inanalysable par la
régression probit ou logit. Dans les méthodes plus
récentes d’Environnement Canada (EC, 2004a, b, c),
on autorise la S.-K. avec équeutage limité, en donnant
des conseils de prudence à l’égard des ensembles de
données ne comportant qu’un effet partiel. Les
expérimentateurs devraient respecter les limites de la
S.-K., notamment pour ce qui concerne les méthodes
d’essai d’Environnement Canada. Une approche utile
comprendrait l’utilisation judicieuse de l’équeutage de
la façon conseillée dans l’alinéa précédent.
L’expérimentateur devrait vérifier soigneusement les
opérations utilisées par tout programme employant la
méthode de Spearman-Kärber. Les programmes offerts
au moment d’écrire ces lignes permettent à
l’expérimentateur de choisir entre aucun équeutage et
l’équeutage. Nous recommandons d’utiliser ces deux
options. Certains programmes ont autorisé l’utilisateur
à préciser le taux d’équeutage (par ex. celui du MEEO
[OMEE]). D’autres (TOXSTAT, CETIS) offrent une
procédure « automatique » en vertu de laquelle le
programme choisit le taux minimal d’équeutage
satisfaisant. Nous recommandons cette option
« automatique » ou « minimale ».
4.5.7 Méthode binomiale
Méthode mathématique connue, la méthode binomiale
est actuellement offerte sous forme de progiciel
commode pour l’analyse quantique dans un programme
de Stephan et al. (1978) et elle est également modifiée
pour la plate-forme Windows (OMEE, 1995). Nous la
recommandons pour les nombreux ensembles de
données dans lesquels une concentration entraîne un
effet nul sur les organismes en expérience et où la
concentration supérieure suivante provoque un effet à
100 %. On doit aussi l’utiliser pour un ensemble de
données dans lesquelles se trouve un effet partiel, mais
qui ne peuvent pas être analysées de façon satisfaisante
par la méthode de Spearman-Kärber.
Les opérations mathématiques sont très simples. Quand
aucun effet n’est partiel, la méthode binomiale pose,
par approximation, que la CE 50 est la moyenne des
logarithmes des deux concentrations causant les effets
de 0 et de 100 %. Elle n’estime pas de limites de
confiance, mais elle emploie les mêmes concentrations
comme bornes d’un intervalle prudent (large) à
l’intérieur duquel se trouve la CE 50. Les vraies limites
de confiance se trouveraient probablement bien à
l’intérieur de cette fourchette (voir ci-dessous).
Le calcul de base d’une CE 50 peut se faire facilement,
sans programme informatique, par la moyenne des
logarithmes des deux concentrations qui encadrent la
CE 50. C’est la moyenne géométrique, que l’on peut
également estimer en multipliant les valeurs
arithmétiques des deux concentrations, puis en
extrayant la racine carrée du produit, comme dans
l’équation 3.
76
(3)
Où :
Cinf. = la valeur arithmétique de la concentration
« inférieure » sans effet ;
Csup = la valeur arithmétique de la concentration
« supérieure » causant l’effet total.
L’intervalle à l’intérieur duquel on présume que se
trouve la CE 50 est donné par les deux mêmes
concentrations.
De fait, cette méthode binomiale est une simple
interpolation linéaire sur une échelle logarithmique de
la concentration. L’appellation méthode binomiale a
été retenue pour respecter un usage ancien.
L’appellation interpolation linéaire est réservée à une
autre méthode (§ 4.5.9) pour éviter la confusion, parce
qu’elle a été utilisée aux États-Unis pour une technique
particulière, pas toujours satisfaisante.
La méthode binomiale est très utile, comme nous
l’avons prouvé avec les données du tableau 3, parce
qu’il est fréquent de ne pas disposer d’effets partiels
quand on soumet des effluents industriels à des essais.
Si les concentrations étaient convenablement
rapprochées, on ne devrait pas considérer l’essai
produisant de telles données comme déficient, mais,
plutôt, comme une réponse valable, nette et uniforme
des organismes en expérience. Cela peut être le signe
d’un essai très précis, comme en a discuté Stephan
(1977) 34 et, en pareil cas, l’utilisation de la méthode
binomiale est recommandée.
34. Stephan (1977) traite de la plupart des techniques
d’estimation des paramètres quantiques de toxicité pour situer son
programme informatique dans son contexte. Il justifie la méthode
binomiale et celle de la moyenne mobile et il explique pourquoi
les écotoxicologues ne devraient pas trop s’inquiéter quand ils
n’obtiennent pas deux effets partiels dans les résultats d’un essai
quantique. Ces effets étaient importants en pharmacologie, ce qui
a donné naissance à la régression probit, parce que les chercheurs
devaient s’assurer eux-mêmes des pentes des droites des probits
avant d’estimer la puissance relative de deux substances. Stephan
fait remarquer que, dans le type de travail toxicologique dont nous
discutons ici, l’on peut obtenir des paramètres utiles de toxicité
sans aucun effet partiel.
Dans les essais sans effet partiel, les vraies limites de
confiance sont habituellement situées bien à l’intérieur
de l’intervalle des concentrations causant un effet de 0
et de 100 %. Si on avait une gradation plus fine des
concentrations, la limite inférieure pourrait être élevée,
correspondant à la concentration causant un effet de
30 %, tandis que la limite supérieure pourrait basse,
correspondant à la concentration causant un effet de
70 % (Doe, 1994) 35 . Cela a été prouvé dans le
tableau 2, selon lequel les limites de la méthode
binomiale étaient beaucoup plus prudentes (intervalle
plus large) que les vraies limites de confiance de la
méthode des probits.
La méthode binomiale est également recommandée si
les données présentent un effet partiel, mais ne peuvent
pas être analysées par la méthode de Spearman-Kärber,
faute d’effet de 0 ou de 100 % ou pour d’autres motifs.
Si la méthode des probits ou celle de Spearman-Kärber
est valable, il n’est pas nécessaire d’appliquer la
méthode binomiale et on ne devrait pas l’appliquer.
Néanmoins, la méthode binomiale fonctionnera et elle
approxime la CE 50 obtenue par des calculs plus
sophistiqués. Les comparaisons du tableau 2 ont
montré que les CE 50 estimées par la méthode
binomiale étaient quelque peu plus fortes que celles qui
avaient été estimées par la méthode des probits ou celle
des logits.
4.5.8 Méthode graphique de Litchfield-Wilcoxon
Dans les décennies antérieures aux années 1970, cette
méthode « de raccourci » graphique de la régression
probit était bien utilisée à cause de la rareté des
ordinateurs et des calculatrices scientifiques. Voici
comment la méthode fonctionne : on commence par
tracer à la main une régression, puis on vérifie la
qualité de l’ajustement et on estime les limites de
confiance par calculs simplifiés et nomographie
(Litchfield et Wilcoxon, 1949). L’annexe L donne une
description plus détaillée des techniques employées.
35. Les limites de confiance d’un essai avec un effet partiel
peuvent se lire à partir des tables fournies par van der Hoeven
(1991), mais seulement dans des circonstances exceptionnelles.
Le rapport des concentrations expérimentales successives doit
égaler 2. Il ne doit pas y avoir d’effet à la concentration
immédiatement inférieure à celle l’effet partiel et, à la
concentration immédiatement supérieure à celle de l’effet partiel,
l’effet doit être de 100 %. Dans d’autres situations, il faudrait
employer une « méthode numérique assez compliquée ».
77
Nous ne préconisons pas la méthode pour des
estimations définitives, mais elle peut encore être utile
pour la vérification des estimations de la CE 50 et de
ses limites de confiance produites par un programme
informatique. En effet, comme première étape de toute
analyse, nous recommandons de tracer à la main une
première droite, pour vérifier si les estimations de
l’ordinateur sont convenables (§ 4.2.2).
d’effet en fonction du logarithme de la concentration.
Pour les données sans effet partiel, l’une ou l’autre
méthode équivaut à tracer une droite sur un graphique
entre les logarithmes des concentrations causant des
effets de 0 et de 100 %, puis à interpoler le logarithme
de la concentration causant un effet de 50 %. Cela
revient à calculer la moyenne selon la formule de
l’équation 3.
La méthode de Litchfield-Wilcoxon pourrait aussi avoir
comme utilité d’aider à la formation du nouveau
personnel. Les étapes de la méthode graphique
pourraient donner un aperçu de la façon dont les
paramètres de toxicité et leurs limites de confiance
subissent l’influence de divers types de données. Cela
pourrait aider à reconnaître les résultats anormaux d’un
programme informatique.
Une autre raison pour éviter la « méthode
d’interpolation linéaire » est que certains programmes
informatiques ont été construits pour employer les
valeurs arithmétiques de la concentration, d’où des
estimations erronées. L’erreur a été corrigée, et les
logarithmes ont été utilisés par l’USEPA et l’USACE
(1994).
La méthode a déjà été utile aux estimations initiales sur
le terrain, quand l’accès aux programmes informatiques
était impossible. Désormais, les ordinateurs portables
remédient à cette situation.
4.5.9 Interpolation linéaire
Bien que l’expression « interpolation linéaire » désigne
une technique ordinaire et largement utilisée, nous la
mentionnons ici en tant que méthode séparée parce que
l’USEPA l’a désignée comme catégorie distincte, dotée
en propre d’une méthode statistique distincte (USEPA
et USACE, 1994) 36 . On l’appelle parfois « méthode
graphique » (USEPA, 2000a). Si on concède
provisoirement que la traduction anglaise de ces
expressions s’applique à la procédure états-unienne
particulière, on peut affirmer que celle-ci ne procure
aucun avantage particulier, et nous ne la
recommandons pas. Les méthodes recommandées, pour
les besoins d’Environnement Canada, seraient les
méthodes des probits ou des logits, celle de
Spearman-Kärber ou la binomiale, selon le nombre
d’effets partiels. La méthode états-unienne
d’interpolation linéaire est l’équivalent exact d’une
estimation par la méthode binomiale si le nombre de
concentrations n’est que de deux, l’une donnant un effet
inférieur à 50 % et l’autre supérieur.
L’interpolation linéaire (et la méthode binomiale)
reposent sur l’hypothèse d’un changement linéaire
36. Accessible à l’adresse électronique
http://www.epa.gov/nerleerd/stat2.htm.
suivante
:
La « méthode d’interpolation linéaire » est exposée plus
en détail dans l’annexe L. On y trouve une méthode
plus générale d’interpolation linéaire, qui accepterait les
ensembles de données comportant des effets partiels.
Cette méthode pourrait, en principe, être utile dans une
situation inhabituelle.
4.5.10 Méthode de la moyenne mobile
Cette méthode n’est pas recommandée pour les
programmes d’Environnement Canada, mais, ailleurs,
on l’a considérée comme une solution possible pour
l’analyse des données quantiques, et Stephan (1977) l’a
considérée comme « la méthode de choix » en
toxicologie des organismes aquatiques. La méthode a
permis d’estimer la CE 50 et ses limites de confiance de
façon identique ou semblable à la méthode des probits
appliquée aux « bonnes » données du tableau 2
(§ 4.4.1). Cependant, avec des données irrégulières, elle
a donné des estimations anormales par rapport à celles
d’autres méthodes (exemples D des tableaux 2 et 3).
La méthode, mise au point par Thompson (1947), a
besoin des résultats d’au moins quatre traitements,
entre lesquels les intervalles géométriques ou
logarithmiques doivent être égaux. En outre, elle pose
que la distribution des données est symétrique. Elle peut
estimer la CE 50, mais non la CE d’autres
pourcentages d’effet, comme la CE 25.
En théorie, avec la méthode de la moyenne mobile on
devrait estimer la CE 50 avec un ou sans effet partiel,
bien que, dans les exemples du § 4.4, elle ne donne pas
78
les limites de confiance sans au moins un effet partiel.
Dans la pratique, le programme ordinaire offert pour
appliquer la méthode (Stephan et al., 1978 ; OMEE,
1995) ne fonctionne pas à moins qu’il n’y ait deux
effets partiels ou plus. La régression probit ou logit
fonctionnerait avec les mêmes données, et nous la
recommandons. La méthode de la moyenne mobile
souffre de certaines limitations, décrites par Finney
(1978), qui fait observer que ses carences inhérentes
sont à peine contrebalancées par sa simplicité de calcul
dans une époque où le traitement informatique est si
bon marché. Peut-être la régression probit ne
conviendrait-elle pas à certains ensembles inhabituels
de données et que la méthode de la moyenne mobile
permettrait de les analyser.
Pour un ensemble donné d’observations, la méthode de
la moyenne mobile estime plusieurs ensembles de
CE 50 et de leurs limites de confiance, un ensemble
pour chaque « fourchette » utilisée dans les calculs,
c’est-à-dire le nombre d’intervalles entre les
concentrations prises en charge dans les calculs. Le
programme de Stephan imprime les résultats des
calculs utilisant plusieurs de ces fourchettes, de sorte
que l’expérimentateur peut examiner les modifications
produites par diverses fourchettes. La plus appropriée
est signalée par la plus petite valeur de g, qui est
imprimée par le programme de Stephan. La version du
MEEO (OMEE) du programme de Stephan choisit la
fourchette la plus appropriée et désigne celle qui a été
utilisée. Finney (1978) conseille la fourchette la plus
étendue possible, sans définir ce possible.
4.6
Évaluation de nouveaux programmes
informatiques
Les données des tableaux 2 et 3 pourraient servir à
évaluer de nouveaux programmes informatiques
d’estimation de CE p. On pourrait comparer les
résultats à ceux qui figurent dans les tableaux,
particulièrement le tableau 3, pour les données
manquant d’effets partiels. Dans le doute au sujet de
l’utilité d’un nouveau programme, on pourrait analyser
d’autres ensembles de données moins que parfaits avec
le nouveau programme et en comparer les résultats
avec ceux d’un programme plus puissant tels que SAS
ou SPSS.
Les critères pouvant servir à l’évaluation d’un
programme informatique d’analyse des résultats d’un
essai de toxicité ont été énumérés par Atkinson (1999,
légèrement remaniés), après examen des programmes
disponibles.
• Absence de formats non appropriés de codage et de
rapport (par ex. les spécifications de l’USEPA).
• Exigences et coût en matière d’équipement et
logiciels.
• Nécessité d’acheter des programmes
supplémentaires (par ex. EXCEL).
• Qualité et « convivialité » des instructions.
• Contraintes sur les analyses et la saisie des
données.
• Limites imposées au nombre de concentrations et
de répétitions.
• Méthodes incluses pour le calcul du paramètre
voulu de toxicité (par ex. test logistique, test de
Williams).
• Méthodes contraires aux
d’Environnement Canada.
recommandations
• Pertinence des réglages par défaut.
• Utilisation d’une échelle logarithmique de la
concentration appropriée aux calculs.
• Traitement des nombres inégaux de répétitions.
• Ajustement inapproprié des témoins pour les essais
quantiques.
• Existence et utilité des présentations graphiques de
données.
• Inclusion de tests pour la qualité de l’ajustement.
• Disponibilité de statistiques sommaires et de tests
simples.
• Limites de confiance correctes (par rapport à celles
d’autres méthodes).
Tous ces critères pourraient ne pas s’appliquer à un
programme particulier, mais ils constituent une
ossature partielle pour l’évaluation. Le dernier point
pourrait être quelque peu élargi. Bien que l’on suppose
que le paramètre estimé de toxicité sera juste, de même
que ses limites de confiance, on devrait en vérifier la
79
justesse en les comparant aux résultats de programmes
acceptés et en examinant la représentation graphique
des données. Dans le § 4.2.3 (note 27), nous avons
relaté qu’un laboratoire avait constaté que les résultats
d’un programme informatique nouvellement acheté
étaient erronés après qu’on les eut comparés à des
graphiques tracés à la main (K.G. Doe, EC, Moncton,
N.-B., communication personnelle).
Une méthode est déjà disponible. C’est un programme
complet d’analyse des données sur la toxicité offert par
Kooijman et Bedaux (1996). Il s’agit principalement
d’une régression non linéaire mais qui, dit-on, permet
d’analyser les données quantiques sur la mortalité
(CL 50), les concentrations efficaces (CE 50) et les
temps efficaces (TE 50), dans tous les cas avec leurs
limites de confiance (voir le § 5.1).
4.7
Des statisticiens utilisent individuellement des modèles
non linéaires depuis nombre d’années d’années pour
l’analyse de données quantiques et la détermination de
la CL 50. L’approche a été décrite par Kerr et Meador
(1996), et nous en discutons dans l’annexe M.
Méthodes non linéaires et
méthodes possibles de l’avenir
autres
Pour l’avenir immédiat, la régression probit ou logit
semble probablement la méthode de choix pour estimer
les CE p dans les essais de toxicité dont le plan
d’expérience est classique. Cependant, de nouvelles
approches telles que les modèles non linéaires sont
mises au point pour l’analyse des données quantiques.
Dans une certaine mesure, les nouvelles méthodes
quantiques se présentent comme des extensions de
méthodes élaborées pour les régressions de données
quantitatives. Un exemple approprié est l’adoption
d’une méthode de régression linéaire ou non linéaire par
Environnement Canada (§ 6.5.8).
Quelles que soient les méthodes mises au point, elles
doivent permettre l’estimation de la CE 50 et de ses
limites de confiance, si les essais sont effectués dans le
cadre des programmes de surveillance d’Environnement
Canada. Les bons programmes informatiques
produiront également une description de la courbe
ajustée (telle que la pente s’il s’agit d’une droite) et ils
mesureront la qualité de l’ajustement.
Des modèles linéaires généralisés pourraient ne pas
convenir aux essais de toxicité en routine, qui
produisent souvent des données avec un seul ou aucun
effet partiel. Les modèles peuvent utiliser des effets nul
et total, mais ils sembleraient compter fortement sur les
effets partiels. Les modèles non linéaires sont discutés
plus en profondeur dans les § 6.5.2 à 6.5.13.
Dans la section 5, nous discutons de méthodes
supplémentaires, dont l’intérêt est moins immédiat,
notamment le temps correspondant à un effet de 50 %,
et de l’emploi d’un modèle des taux de mortalité, cette
dernière technique étant probablement plus intéressante
pour la recherche. Dans l’annexe M, il est question
d’autres méthodes potentielles.
80
Section 5
Temps efficaces, courbes de toxicité et analyse de la survie
Tous les sujets abordés dans la présente section
concernent le temps pris par la matière toxique pour
agir sur les organismes. Actuellement, la priorité des
programmes d’essais d’Environnement Canada ne va
pas à l’estimation des temps ; cependant, de telles
méthodes possèdent des avantages qui permettraient
d’affiner l’analyse ou qui pourraient les faire adopter.
5.1 Temps efficaces 50
Repères
• Une méthode de rechange consiste à estimer le
temps nécessaire pour agir sur la moitié des
organismes à chacune des concentrations fixes
faisant partie d’une série de dilutions. Les temps
efficaces 50 % (temps efficaces médians, temps
efficaces 50, TE 50) et leur modélisation peuvent
être plus instructifs, plus éclairants et plus utiles,
dans certaines situations exceptionnelles telles
que de courtes expositions.
• Les essais visant à estimer le TE 50 procurent
également les données permettant d’estimer la
CE 50, si on a bien choisi les concentrations.
• Il n’existe pas de progiciel simple et pratique pour
estimer les TE 50, mais il serait utile d’en mettre
un au point.
Au cours des dernières décennies, on a peu utilisé les
temps létaux 50 (TL 50), mais, par le passé, c’était la
façon ordinaire d’étudier l’écotoxicité. Bliss (1937) a
utilisé des séries chronologiques logarithmiques pour
prouver que les transformations log-probit étaient utiles
dans les essais de toxicité létale. Le TL 50 était le
paramètre de toxicité estimé dans les études des effets
des pesticides sur des insectes (Finney, 1971) et dans
les travaux canadiens classiques sur la tolérance des
poissons et des invertébrés aquatiques aux températures
létales, au manque d’oxygène, à la salinité et aux
toxiques (par ex. Fry, 1947 ; Shepard, 1955 ; McLeese,
1956). Une méthode axée sur l’estimation des temps
(par ex. le TL 50) pourrait aider à évaluer les effets
rapides d’un toxique dangereux. Par exemple, elle
permettrait de prévoir les effets néfastes potentiels pour
le poisson franchissant le panache d’un effluent.
Pour déterminer les TE 50 aigus, on utilise, dans un
essai de toxicité, un groupe d’organismes que l’on
expose à plusieurs concentrations constituant une suite
logarithmique ordinaire. On observe à des moments
successifs, formant une suite logarithmique
approximative, le nombre d’organismes touchés à
chaque concentration. Pour le poisson, les temps
d’observation pourraient être de 0,5, 1, 2, 4, 8, 14 ± 2,
24, 48, 96 heures et peut-être de 7 jours. Pour les
organismes de moindre longévité, on pourrait ajuster
l’échelle de temps vers le bas, comme il convient.
Pour une concentration donnée, on porte le pourcentage
d’effet cumulatif sur une échelle probit en fonction du
logarithme du temps d’exposition. On ajuste une droite
à vue d’œil et on lit le TL 50 sur le graphique. Les
droites tracées à toutes les concentrations et réunies
pourraient être semblables à celles de la fig. 11, qui
montre un exemple classique des temps de mortalité du
poisson exposé à une teneur réduite en oxygène
(Shepard, 1955). Dans une fourchette convenable, les
fortes concentrations entraîneraient des TE 50 courts,
et certaines concentrations faibles ne pourraient se
traduire que par des mortalités de moins de 50 %
(partie droite de la fig. 11).
La technique pourrait servir à estimer la toxicité
sublétale, mais l’effet devrait être facilement observé et
être immédiatement évident, non retardé. L’effet devrait
être quantique ou, sinon, être défini par rapport à un
témoin, de la même manière qu’une concentration
inhibitrice (CI p). L’expression temps efficace 50
(TE 50) convient aux effets sublétaux comme aux
effets létaux.
On pourrait se servir d’une série de TE 50 pour tracer
des courbes de toxicité comme celles de la fig. 12. À
première vue, les courbes ressemblent aux courbes de
toxicité habituelles (§ 5.2), mais les coordonnées sont
81
Figure 11. — Mortalité, en fonction du temps, de l’omble de fontaine exposée à de faibles concentrations
d’oxygène dissous (d’après Shepard, 1955). Les concentrations d’oxygène figurent à l’extrémité
supérieure des droites des probits. La durée maximale d’exposition de 5 000 minutes correspond à
environ 83 heures. Les mortalités cumulatives successives de chaque groupe de poissons sont portées
sur l’échelle verticale de probabilité et, à chacune, on ajuste une droite. La mortalité s’est apparemment
interrompue dans les trois traitements les plus doux (à droite).
différentes : la concentration est en abscisse et le temps
(TE 50) est en ordonnée. Les courbes de la fig. 12
tracées pour le cuivre et le zinc semblent plus droites
qu’à l’accoutumée, avec des seuils d’effet très
brusques. Sous ces concentrations seuils (côté gauche
du graphique), plus de la moitié des organismes ont
longtemps survécu ; apparemment, la toxicité létale
aiguë a cessé d’agir, et les organismes ont pu s’adapter
aux métaux.
Malheureusement, il n’existe pas de programme
informatique simple, particulièrement conçu pour
estimer les limites de confiance d’un TE 50 37 .
37. Un programme informatique a été rédigé et utilisé à B.C.
Research, quelque part dans les années 1970. Il dérivait de la
méthode de Litchfield (1949) et il aurait bien fonctionné bien
(D.J. McLeay, McLeay Environmental Ltd., Victoria,
communication personnelle, 2004). Récemment, on a cherché,
Anciennement, on obtenait ces limites de confiance par
une méthode nomographique simplifiée (Litchfield,
1949). Les programmes informatiques ordinaires
d’estimation de la CE 50 et de ses limites de confiance
ne permettent pas d’estimer le TE 50, qui se déduit
d’observations répétées sur les mêmes groupes
d’organismes. Kooijman et Bedaux (1996) offrent un
programme d’analyse des données sur la toxicité qui
pourraient remédier à cette situation. Il sert
principalement à l’analyse non linéaire des données
quantitatives sur la toxicité sublétale, mais les auteurs
allèguent qu’il permet également d’estimer des CE 50
et des TE 50 avec leurs limites de confiance. Ces
capacités n’ont pas été vérifiées pour les besoins du
présent document, en raison de difficultés initiales dans
mais en vain, à retrouver ce programme.
82
Figure 12. — Temps d’effet médian chez le saumon de l’Atlantique exposé au cuivre et au zinc (d’après Sprague,
1964). On a estimé les limites de confiance des TE 50 par la méthode de Litchfield (1949). Les points
avec les flèches verticales représentent une survie de plus de 50 % des poissons en expérience durant
la période d’exposition indiquée par la position sur l’axe du temps.
le fonctionnement du programme. Les progiciels usuels
de statistique (SAS, SPSS, SYSTAT) pourraient
estimer assez facilement le TE 50 et ses limites de
confiance, bien qu’ils ne soient pas, à proprement
parler, disponibles immédiatement pour un laboratoire
de toxicologie.
L’emploi du TE 50 comme paramètre de la toxicité de
chaque concentration est, d’une manière prévisible, plus
efficacement instructif que la CE 50. En général, quand
on estime seulement la CE 50, on perd la moitié de
l’information. Dixon et Newman (1991) déclarent que
des avantages statistiques considérables découlent du
peu de travail supplémentaire à consacrer à l’obtention
de données sur les temps de survie, par rapport à la
détermination de la CL 50. De même, Newman et Aplin
(1992) expriment le regret du peu de cas fait des
méthodes d’estimation des temps efficaces en
écotoxicologie. Ils font remarquer que cette approche
n’empêche pas celle du paramètre ordinaire de toxicité
(la CE 50), mais qu’elle permet d’obtenir des
renseignements supplémentaires (la série de TE 50) et
qu’elle aide à l’interprétation de données (grâce aux
irrégularités significatives dans les effets).
Des exemples et d’autres explications sur le gain
d’information sont donnés dans Bliss et Cattell, 1943 ;
Gaddum, 1953 ; Sprague, 1969 ; Suter et al., 1987. Un
résultat attendu serait l’intervalle plus étroit de
confiance pour le TE 50 par rapport à la CE 50. Un
83
autre avantage est d’éviter la complication entraînée
par les estimations inversées de la CE 50 et de ses
limites de confiance (v. le § 9.4).
Il y aurait encore davantage à gagner en
renseignements, avec des méthodes qui tiendraient
compte de la progression des effets (et non simplement
du TE 50). Il pourrait y avoir des révélations
supplémentaires sur ce qui se passe pendant un essai de
toxicité. Parfois, on pourrait noter une pause dans la
progression de l’effet, signe, peut-être, d’une
modification dans le mécanisme de l’action toxique.
Des différences entre les pentes des droites des probits
adjacentes pourraient donner des indices sur les actions
du toxique. Une interruption et l’aplatissement de la
droite des probits pourraient signifier la décomposition
de l’agent ou des agents toxiques actifs. Une double
courbure de la ligne pourrait dénoter deux modes
d’action à court et à long terme ou la présence de deux
agents toxiques.
Un piège à éviter serait toute tentative de juger des
toxicités relatives de différentes matières d’après les
TE 50 à court terme (c’est-à-dire les temps efficaces de
très fortes concentrations). La comparaison peut être
très trompeuse (des exemples sont donnés dans
Sprague, 1969). Induisent également en erreur les
comparaisons de CE 50 fondées sur une courte
exposition (de nouveau, mettant en cause de fortes
concentrations). Les comparaisons sont beaucoup plus
significatives quand elles se fondent sur des durées et
des concentrations qui coïncident à peu près avec le
seuil de l’effet (§ 5.2).
Compte tenu de tous les avantages des TE 50, il est
regrettable que les méthodes aient tant privilégié
l’estimation des CE 50 seulement. Une base de données
rassemblées sur les TE 50 comme ceux des fig. 11 et
12 pourrait encore servir à l’estimation définitive de
CE 50. On pourrait, par ex., estimer la CE 50 après
96 h de la manière habituelle, à partir du pourcentage
d’effet aux diverses concentrations, après 96 heures
d’exposition. On ne devrait utiliser que les observations
brutes pour l’estimation de la CE 50 ; il ne serait pas
valable de choisir les pourcentages d’effet lissés d’après
les droites ajustées comme celles de la fig. 11.
5.2
Courbes de toxicité et seuils d’effet
L’expression courbe de toxicité a une signification
particulière en écotoxicologie. C’est un graphique
montrant une série de concentrations létales médianes
(CL 50) tracées en fonction des durées d’exposition, les
deux en logarithmes. Ce pourrait aussi être une série de
temps létaux 50 (TL 50) en fonction des concentrations
d’exposition, en logarithmes eux aussi (fig. 12).
Repères
• On devrait tracer la courbe de toxicité à mesure
que se déroule l’essai. On peut estimer les CL 50
à des moments cruciaux pendant l’essai et, à
partir de leurs valeurs, tracer une courbe de
toxicité (logarithme de la CL 50 en fonction du
logarithme du temps).
• La courbe de toxicité révèle toute relation
inhabituelle et elle montre si un seuil d’action
toxique a été franchi avant la fin de l’essai
(c’est-à-dire que la courbe devient asymptotique
à l’axe du temps).
• La CL 50 initiale est un paramètre de toxicité
relativement significatif, puisqu’elle est
déterminée par la physiologie de l’organisme en
expérience plutôt que par une valeur arbitraire de
la durée d’exposition.
• La plupart des toxiques semblent produire une
CL 50 initiale dans l’essai habituel d’exposition
de poissons d’une durée de 96 h ainsi que dans
les essais de toxicité d’un sédiment ou d’un sol
pour des invertébrés durant de 10 à 14 jours.
• Si, en sus de signaler la CE 50 pour une durée
standard d’exposition (par ex. la CE 50 pour le
poisson, après 96 h), on signalait une CE 50
initiale ou l’absence de ce paramètre, on
augmenterait la valeur pratique et scientifique de
l’essai.
• La modélisation des données utilisées pour tracer
des courbes de toxicité s’est révélée profitable
dans les études de recherche (§ 5.3).
La courbe a pour buts principaux de révéler toute
relation inhabituelle et de montrer si on a atteint une
84
asymptote avec l’axe du temps. L’enregistrement
périodique des effets pendant l’essai de toxicité aiguë
permet de rassembler des données pour le tracé de la
courbe de toxicité et augmente le gain d’information
tiré de l’essai, ce qui est particulièrement vrai dans le
cas des essais de toxicité létale aiguë. On prendra,
comme exemples, ces essais employant des poissons 38 .
Un objectif majeur de la courbe de toxicité est de
déceler un seuil de mortalité indépendant du temps
(c’est-à-dire cessation de la mortalité) et, le cas
échéant, si ce seuil arrive tôt dans l’essai ou tard. On
emploie le mot seuil dans le sens de moitié des poissons
manifestant l’effet et l’autre moitié ne le manifestant
pas, de sorte que le poisson médian a tout juste franchi
le seuil d’effet (v. le glossaire). La concentration à
laquelle survient ce phénomène peut s’appeler CL 50
initiale (ou concentration létale initiale, CE 50
initiale, CL 50 seuil ou CE 50 seuil). C’est une mesure
relativement robuste de la toxicité puisqu’elle marque
la concentration que le poisson moyen peut tout juste
tolérer, en excrétant ou en détoxifiant une substance
aussi rapidement qu’elle entre dans l’organisme.
Autrement dit, la CL 50 initiale est déterminée par la
physiologie du poisson ; c’est donc un paramètre
descriptif de la toxicité aiguë qui est relativement
significatif et sûr.
L’avantage de comparer les résultats correspondant à
différentes durées d’exposition dans les essais de
toxicité aiguë sont décrits par Sprague (1969),
Newman et Aplin (1992) et Lloyd (1992). Si l’on ne
trouve aucun seuil, c’est un avertissement que les effets
pourraient continuer de se manifester pendant une
exposition prolongée à de très faibles concentrations.
On peut estimer les CE 50 pendant le déroulement de
l’essai (par ex. aux heures 4, 8, 24, 48 et 96 de
l’exposition) et, grâce à elles, on peut tracer une courbe
de toxicité sur des échelles logarithmiques (fig. 13) 39 .
La courbe peut devenir manifestement asymptotique à
l’axe de temps, c’est-à-dire que l’action létale aiguë a
cessé (cas du toxique A dans la partie droite du
graphique de la fig. 13). On a très fortement intérêt à
savoir s’il existe une faible concentration que
l’organisme moyen peut tolérer pendant une exposition
aiguë ; les organismes survivants réchapperaient
apparemment de l’exposition. Il n’existe pas de règle
particulière permettant de déterminer si on a atteint une
telle CL 50 initiale, de sorte qu’il faudrait interpréter
subjectivement la courbe de toxicité 40 . Parfois, le seuil
peut être très marqué, et son interprétation laisse peu de
doute (fig. 12).
Même si une courte exposition n’a pas causé 50 % de
mortalité, elle peut quand même contribuer à l’allure de
la courbe de toxicité. Pour cette durée d’exposition, la
CL 50 serait supérieure à la plus forte concentration
expérimentale ; on peut placer un point accompagné
d’une flèche pointant vers les concentrations
supérieures à celles qui ont été expérimentées
(extrémité gauche des courbes des fig. 13 et 14). La
courbe ajustée peut ne pas englober certains points
(lissage) parce que chaque CL 50 possède une
variabilité (limites de confiance).
Il aurait été souhaitable de prolonger l’essai sur le
toxique B de la fig. 13 pour voir si on pouvait finir par
atteindre un seuil (asymptote). On devrait donc tracer
grossièrement la courbe à mesure que l’essai avance,
pour obtenir des indices sur la fin de l’essai. Même de
faibles concentrations auraient apparemment tué les
organismes, si l’exposition avait été prolongée. Il serait
visiblement intéressant de connaître une telle situation,
qui représenterait un type dangereux de toxique, parce
que les concentrations de plus en plus faibles pourraient
causer un effet, si la l’exposition était suffisamment
longue.
L’emploi des logarithmes du temps et de la
38. Les essais de toxicité aiguë employant des poissons durent
typiquement 4 j. Pour déterminer la mortalité aiguë d’invertébrés
dans un sédiment ou un sol, les essais d’Environnement Canada
durent d’habitude de 10 à 14 j, parfois avec inspection facultative
de la mortalité à 7 j (EC, 1992e ; 1997a, b ; 1998b ; 2001a ;
2004a). Pour les essais sur un sol ou un sédiment, il est
généralement impossible d’établir une courbe de toxicité en
raison de la difficulté d’établir la mortalité à des moments
intermédiaires et en raison du risque de blesser les animaux
pendant l’inspection.
39. On utiliserait une échelle arithmétique de concentration au
lieu d’une échelle logarithmique, si « l’agent toxique » à l’étude
était la température ou le pH, lequel est déjà un logarithme.
40. Aucune méthode usuelle de test statistique n’a été établie
pour déterminer si on a affaire à une asymptote. Il semble peu
probable qu’une méthode simple sera accessible à cette fin, en
partie en raison des observations non indépendantes répétées sur
les mêmes groupes d’organismes.
85
Figure 13. — Courbes de toxicité de deux toxiques hypothétiques. Ces courbes ont été ajustées à vue d'œil à toutes
les CL 50. Des échelles logarithmiques sont utilisées pour le temps et la concentration. Le toxique A
a atteint une CL 50 initiale, parce que la courbe devient asymptotique à l'axe du temps après deux jours
environ. La courbe du toxique B n'est pas devenue asymptotique.
concentration, pour le traçage de la courbe de toxicité
est d’une importance extrême, pour les raisons
exposées dans le § 2.3 et l’annexe D. La courbe de
toxicité tracée à une échelle arithmétique du temps est
déformée et peut être fortement trompeuse. Une grave
erreur pourrait être que le seuil a semblé être atteint à
de longues expositions alors que, effectivement, il n’y
aurait pas de seuil. Avec un graphique utilisant une
échelle arithmétique du temps, tout essai pourrait être
amené à montrer un seuil apparent, même s’il n’en
existe pas, simplement en le laissant courir assez
longtemps.
La fig. 14 montre un exemple hypothétique d’axes
erronés : le graphique du haut emploie des échelles
arithmétiques pour la concentration et le temps. La
courbe semble atteindre une asymptote rassurante après
7 à 10 jours (168-240 h) d’exposition. Cependant, la
représentation convenable des mêmes données, sur une
échelle logarithmique, dans le graphique du bas, montre
une mortalité régulière continue et une relation linéaire
sans seuil. Autrement dit, si on utilisait des axes
arithmétiques, on serait amené à croire, à tort, que le
toxique possède un seuil, sous lequel l’effet toxique
cesse quand, en fait, les faibles concentrations se sont
révélées toxiques en vertu de la même relation,
exactement, entre le temps et la concentration, qu’aux
fortes concentrations.
Contribuerait à la mauvaise interprétation des données
utilisées dans la fig. 14 le fait de ne pas augmenter
l’exposition de façon régulière. Le changement
important dans l’exposition est le rapport entre les
concentrations successives d’exposition et non la valeur
86
Figure 14. — Inadaptation de la courbe de toxicité sur un graphique employant des échelles arithmétiques. Dans
le graphique du haut, les axes sont gradués selon une échelle arithmétique, et la courbe s'aplatit et
devient parallèle à l'axe du temps vers la droite. L'expérimentateur serait induit à croire, mais à tort,
qu'un seuil de toxicité aiguë a été franchi, de sorte que la toxicité ne se manifestera pas à des
concentrations inférieures. Dans le graphique du bas, les données sont portées, cette fois, sur un
graphique employant correctement des axes gradués selon l'échelle logarithmique, ce qui redresse la
courbe de toxicité. On ne décèle aucun seuil, et la toxicité aiguë semble pouvoir continuer de se
manifester à des concentrations plus basses, ce qui est une propriété d'un toxique dangereux. Les
données sont hypothétiques.
absolue de l’augmentation (§ 2.3). Dans la plus grande
partie de l’essai représenté dans la fig. 14, les durées
successives d’exposition doublent ou presque. La paire
finale d’inspections représente un intervalle de trois
jours (du jour 7 au jour 10) qui pourrait sembler
relativement long, ce qu’il est, en effet, à l’échelle
arithmétique. Cependant, il représente une
augmentation de seulement 1,4 fois le temps et, en
87
conséquence, autorise moins de changement de l’effet
observé que les doublements antérieurs, par ex. des
jours 1 à 2 et 2 à 4. Il faudrait remédier à ce type
d’erreur, qui semble spontané dans les essais de toxicité
aiguë d’un sol (Lanno et al., 1997).
Estimation de la CE 50 initiale. — Sur une courbe de
toxicité, il n’est pas approprié de signaler une CE 50
initiale ayant été estimée à vue d’œil. Au lieu de cela,
la courbe sert à déterminer une durée d’exposition qui
semble se situer dans la région asymptotique, et on
calcule, pour cette durée, une CL 50 finale (initiale) à
l’aide d’une technique usuelle (§ 4.5), qui donne une
CE 50 exacte avec ses limites de confiance à 95 % .
L’OCDE (OECD, 2004) déconseille l’emploi des
courbes de toxicité, estimant qu’elles ne constituent pas
une méthode appropriée. Cependant l’argument ne
convainc pas, et la principale objection statistique est
que les données sur la relation dose-réponse à différents
moments ne sont pas indépendantes. Cela ne semblerait
pas faire problème, puisque la courbe de toxicité est
simplement une façon de visualiser en toute simplicité
le moment où des effets aigus semblent avoir cessé.
Comme nous le recommandons, le calcul final de la
CE 50 initiale se fait d’une manière usuelle,
complètement indépendante de toute donnée sur les
effets antérieurs. La courbe de toxicité peut jeter
beaucoup d’éclairage sur les effets toxiques agissant
dans un essai, et, à cause des observations de l’OCDE,
il ne faudrait pas se priver de recourir à cet outil.
Établir le plan d’expérience d’un essai, en prévoyant
l’établissement d’une courbe de toxicité, pourrait exiger
la mise à l’essai d’un nombre supplémentaire de faibles
concentrations. En contrepartie, cependant, la courbe
de toxicité permettra habituellement de mieux
comprendre le danger que pose le toxique. Dans les
essais avec le poisson, la plupart des toxiques
produisent une CL 50 initiale dans les 96 h usuelles
(Sprague, 1969), tandis qu’un seuil semble probable
dans les essais de toxicité d’un sol avec les vers de terre
d’une durée de 14 jours (Lanno et al., 1997).
Dans le cas des essais d’Environnement Canada, on
devrait estimer une CE 50 pour la durée usuelle
d’exposition stipulée dans le recueil de méthodes,
par ex. 96 h pour les poissons ou 14 j pour les vers de
terre. Si cette CE 50 « standard » représentait
également une CE 50 initiale, comme nous l’avons
décrite, il faudrait le signaler. Si on a obtenu une
asymptote seulement après une exposition plus longue,
on devrait estimer une deuxième CE 50 initiale pour
cette période plus longue et la signaler comme
paramètre supplémentaire et significatif de toxicité. Il
est avantageux de présenter dans tout rapport sur un
essai de toxicité létale une courbe de toxicité. Si on n’a
observé aucune asymptote, on devrait le signaler ;
l’absence apparente de seuil est d’une importance
toxicologique considérable.
Il semble y avoir un regain d’intérêt dans la
modélisation des effets toxiques en fonction du temps,
comme on le montre dans les paragraphes qui suivent.
5.3
Modélisation des temps efficaces et
courbes de toxicité
La modélisation statistique des résultats ne fait pas
partie des essais normalisés d’Environnement Canada,
de sorte que l’on ne fera qu’effleurer le sujet, au
bénéfice des expérimentateurs qui pourraient souhaiter
approfondir l’analyse de leurs résultats expérimentaux.
Quelques publications portent sur les descriptions
statistiques des courbes de toxicité. Dans une étude
innovatrice, Alderdice et Brett (1957) ont ajusté une
hyperbole rectangulaire aux données sur la létalité d’un
effluent d’usine canadienne de pâte à papier. Une
CL 50 initiale a été calculée. Carter et Hubert (1984)
ont produit une équation polynomiale généralisée (du
type courbe de croissance), en utilisant un modèle
linéaire multivarié. Hong et al. (1988) l’ont intégrée
dans un programme informatique en langage BASIC.
Ils ont utilisé le programme pour décrire un essai de
toxicité de 14 jours avec des poissons et ils ont produit
un graphique tridimensionnel des concentrations létales
à p % (CL p) indépendantes du temps et des courbes de
toxicité assorties de zones de confiance. Le programme
n’a pas trouvé une grande utilisation. Il avait comme
défaut de ne pas autoriser les effets observés chez les
témoins et de modéliser les phénomènes avec les
valeurs arithmétiques du temps, de sorte que les
courbes donnaient une impression déformée des
rapports de toxicité.
Heming et al. (1989) ont utilisé des analyses
temporelles dans une excellente étude des effets de
88
l’insecticide méthoxychlore chez plusieurs espèces de
poissons. Ils ont pu démontrer plusieurs ajustements
pour les courbes de toxicité usuelles. Quatre modèles,
sur les huit essayés, ont donné de bonnes descriptions
des courbes. Kooijman et Bedaux (1996) offrent un
programme complet (programme DEBtox) pour
l’analyse des données sur la toxicité. Le programme
possède des options pour l’analyse de données sur des
CE 50 et des TE 50, avec leurs limites de confiance et
la prise en considération du temps de réponse. D’autres
ont utilisé le tracé d’un modèle de survie ajusté pour
montrer une relation tridimensionnelle entre la
concentration, le temps et le pourcentage d’effet
(Newman et Aplin, 1992).
Périodiquement, on a tenté, il y a quelques décennies,
d’extrapoler les courbes de toxicité létale afin de
prévoir les effets toxiques de seuil, y compris les effets
sublétaux. Lee et al. (1995) ont relancé cette quête,
subtilement, en construisant trois modèles de prévision
des effets létaux chroniques chez les poissons. Ils ont
appliqué des régressions multiples aux données sur la
toxicité létale aiguë, en transformant certaines données
en logarithmes de la concentration et en logarithmes du
temps, en réciproques du temps ou en logarithmes de la
réciproque du temps. Des essais effectués avec
28 ensembles de données ont montré que les valeurs
prévues étaient généralement proches des valeurs
observées de la toxicité létale chronique et qu’elles
étaient au moins du même ordre de grandeur. Dans la
pratique, la méthode utiliserait des essais de toxicité
aiguë bon marché pour identifier les polluants
dangereux qui méritent d’être étudiés par des essais
plus coûteux de toxicité chronique.
5.4
Analyses de la survie au fil du temps
Repères
• Les taux de mortalité ou de survie et leur analyse
représentent un groupe de méthodes statistiques
avancées d’examen des effets toxiques. Ces
méthodes sont bien connues en recherche
biomédicale, et des publications récentes
montrent leur pertinence pour l’écotoxicologie.
Les techniques de recherche auraient besoin
d’être adaptées à une utilisation en routine par
les chercheurs.
• Les méthodes statistiques des mesures répétées
pourraient souvent convenir à l’analyse des
observations expérimentales répétitives.
5.4.1 Taux de mortalité
La mortalité et la survie représentent les deux facettes
de la même médaille, mais Borgmann (1994) a mis au
point une méthode qui, en écotoxicologie, intègre les
effets du temps et de la concentration sous l’appellation
de taux de mortalité. La méthode pourrait être
profitable à la recherche, particulièrement dans le cas
de longues expositions combinant des observations sur
la mortalité à des observations d’effets sublétaux,
par ex. le poids. Elle serait utile à des essais à long
terme sur les sédiments et employant des invertébrés,
au cours desquels la mortalité est souvent un
phénomène continu. Elle est également avantageuse
lorsque l’on utilise peu de concentrations ayant des
effets partiels. Les chercheurs intéressés pourraient
mieux connaître les méthodes et leurs applications en
consultant Borgmann (1994).
Bien que le taux de mortalité soit une variable continue
ou quantitative, Borgmann (1994) l’utilise pour intégrer
la mortalité, qui est un effet quantique. Le modèle du
taux de mortalité part de l’hypothèse différente selon
laquelle tous les organismes en expérience ont la même
sensibilité à l’égard de la matière toxique et que la
mortalité est un événement aléatoire que l’on peut
quantifier comme un taux. Le taux de mortalité total
peut être statistiquement séparé en taux de mortalité
chez les témoins et en taux de mortalité causé par le
toxique. On peut produire une courbe
concentration-effet et estimer la CL 50. On peut
également employer la méthode pour estimer la
production de biomasse. Un manuel, de Fleiss (1981),
donne des conseils sur la manipulation des taux.
5.4.2 Analyse de la survie
L’expression analyse de la survie englobe un groupe
particulier de techniques, souvent utilisées dans les
études biomédicales. Il s’agit de méthodes bien établies
et profitables d’examen des effets toxiques par rapport
au temps, bien qu’elles soient quelque peu complexes
(Newman et Aplin, 1992). Crane et Godolphin (2000)
en donnent une courte mais excellente introduction. Ils
fournissent des exemples et citent des publications sur
des sujets tels que la régression linéaire en deux
étapes, la régression probit multifactorielle, la
89
modélisation du temps de survie et les modèles
cinétiques. L’approche cinétique comprend la prise en
considération plus ou moins théorique du comportement
des toxiques dans les organismes vivants, avec la
possibilité de mieux déterminer les concentrations
toxiques initiales et les vraies concentrations sans effet
(CSE).
Heming et al. (1989) ont appliqué ces techniques dans
leur étude appliquée de la toxicité d’un pesticide (v. le
§ 5.3). Un autre bon exemple de modélisation du temps
de survie est donné par Newman et Aplin (1992), qui
ont analysé la toxicité du sel pour un poisson d’eau
douce. Ils ont effectué des analyses usuelles des CL 50,
mais ils ont montré que la modélisation du temps de
survie était beaucoup plus instructive. Leurs méthodes
ont permis prévoir les temps médians de survie à toute
concentration donnée de toxique, les faibles taux de
mortalité tels que 5 % et la toxicité pour une masse
donnée du poisson, le tout accompagné d’estimations
des erreurs types. Newman et Aplin (1992) ont
recommandé le processus LIFEREG de la méthode
SAS pour ces analyses.
Parmi les partisans les plus convaincus de ces analyses
raffinées pour l’écotoxicologie se trouvent Kooijman et
Bedaux (1996 ; également Kooijman, 1996). Une
introduction exhaustive à ces sujets avancés, qui
s’adresse à ceux qui possèdent un peu de compétences
en statistique se trouve dans un livre récent de Crane
et al. (2002). Le chapitre 5 montre les avantages de la
modélisation du temps de survie par rapport aux
analyses probit ou logit classiques de la toxicité létale
aiguë. Le livre aborde des techniques plus avancées
d’analyse temporelle, comme les tables de survie et les
fonctions exponentielles de survie. Dixon et Newman
(1991) font remarquer que les analyses des temps
efficaces sont facilement mises en œuvre avec plusieurs
progiciels courants, notamment SAS et SYSTAT, mais
que ces progiciels ne représentant pas un programme
facilement accessible et adapté aux besoins de tous les
laboratoires de toxicologie. Une autre source
d’information sur l’analyse de la survie est Parmar et
Machin (1995).
5.4.3 Mesures répétées
On appelle mesures répétées les méthodes et les
analyses fondées sur des mesures étalées dans le temps
et provenant de la même source. Si un échantillon de
sang était prélevé d’un poisson à plusieurs reprises, il
donnerait des mesures répétées sur une unité
d’échantillonnage. Si les mesures étaient effectuées, au
fil du temps, sur des aliquotes d’une suspension
d’algues extraite d’un plus gros récipient, les mesures
répétées seraient faites sur l’unité expérimentale. (Ce
ne serait pas des sous-échantillons, lesquels seraient
prélevés simultanément.) L’approche n’est pas souvent
utilisée en écotoxicologie, et les modifications de l’effet
au fil du temps « peuvent et, souvent, devraient être
analysées à l’aide de mesures répétées et de méthodes
connexes, mais ces dernières risquent d’être plus
complexes » que le plan d’expérience montré dans un
tableau établi pour l’analyse de variance (Paine, 1996).
On a besoin, en écotoxicologie, d’un modèle
d’utilisation de ces approches plus sophistiquées aux
données sur les effets en fonction du temps.
90
Section 6
Estimations ponctuelles pour les essais quantitatifs de toxicité sublétale
L’estimation des paramètres de toxicité à la faveur
d’essais de toxicité sublétale présente un intérêt majeur
en écotoxicologie. Quatre des neuf sujets discutés par
les écotoxicologues canadiens à la réunion de Québec
portaient spécifiquement sur la détermination des
paramètres de toxicité sublétale (Miller et al., 1993).
Les essais de toxicité sublétale disposent d’un choix
d’approches et de méthodes, et nous formulerons des
observations sur ce choix. Nous aborderons aussi
certaines généralités, puisqu’elles s’appliquent aux
deux estimations ponctuelles (la présente section) et
aux tests d’hypothèses (section 7).
La présente section débute par des conseils sur le choix
des paramètres de toxicité et par des généralités
concernant tous les essais de toxicité sublétale, puis elle
passe aux points particuliers des estimations
ponctuelles quantitatives que l’on peut utiliser pour
décrire un effet sublétal. Les essais de toxicité sublétale
sont traités de façon plus approfondie dans les
sections 7 et 8.
6.1.1
6.1
Généralités sur les essais de toxicité
sublétale
Dans un essai quantitatif de toxicité, l’expérimentateur
n’observe pas simplement si l’organisme manifeste un
effet ou non, mais, plutôt, il effectue des mesures
quantitatives (en continu). Il pourrait mesurer le poids
de chaque organisme en grammes, compter sa
progéniture, mesurer l’activité d’une enzyme, etc. Les
effets sur l’organisme entier sont d’un grand intérêt
pratique. Nous les aborderons. Les effets généralement
mesurés sont la taille atteinte, le degré de
développement larvaire, la fécondation, la germination
et le nombre de jeunes engendrés. Dans quelques cas,
les effets sublétaux sont quantiques, mais on peut les
assimiler à des effets quantitatifs en raison des
nombreuses observations (v. le texte qui suit).
Les méthodes quantiques décrites dans les sections 4 et
5 ne sont ni appropriées ni valables pour les mesures
quantitatives, et on ne devrait pas tenter de les
appliquer. Cependant, la mortalité pourrait parfois être
une mesure supplémentaire dans un essai conçu pour
révéler les effets sublétaux, et l’analyse quantique serait
appropriée pour ces données sur la mortalité dans des
essais de mesure d’un double effet (section 8).
Types de tests et de paramètres de toxicité
Repères
• Environnement Canada a publié diverses
méthodes pour soumettre à des essais l’eau, les
sédiments et les sols, en y exposant des
organismes de façon chronique, subaiguë ou
aiguë.
• La plupart des essais s’intéressent à des effets
quantitatifs, par ex. la mesure du poids des
organismes. On pourrait aussi mesurer des effets
quantiques dans le même essai, comme la
mortalité après une longue exposition ou la
mortalité de la première génération de vers de
terre.
• Le meilleur paramètre quantitatif de toxicité que
l’on recommande est une estimation ponctuelle.
C’est habituellement un degré spécifié de
diminution des performances, par rapport au
témoin, le plus souvent de 25 % dans les essais
d’Environnement Canada. Un exemple serait la
concentration associée à un poids inférieur de
25 % à celui du témoin.
• Pour effectuer des estimations ponctuelles, on a
c o m m u n é m e n t u t i l i s é des méthod e s
insatisfaisantes d’analyse. La méthode
d’interpolation est facile, mais elle néglige
beaucoup de données. Des méthodes plus
perfectionnées, qui font appel à la régression
linéaire et non linéaire se répandent et sont
désormais la norme dans les nouvelles méthodes
d’Environnement Canada sur les essais de toxicité
des sols. Les méthodes exigent que le personnel de
91
laboratoire comprenne les jugements à poser dans
le choix des modèles mathématiques appropriés.
• Le test d’hypothèse est communément utilisé pour
déterminer les concentrations exerçant des effets
significatifs par rapport à ceux que présente le
témoin. Cette méthode a de nombreux défauts, et
elle ne sera désormais plus recommandée (v. la
section 7).
Types d’essais. —
Ces dernières années,
Environnement Canada a produit des méthodes
normalisées pour un certain nombre d’essais de toxicité
sublétale, la plupart employant des organismes
aquatiques libres et des organismes vivant dans les
sédiments. D’autres méthodes d’essai de toxicité d’un
sédiment ou d’un sol sont en développement. Les essais
sont énumérés dans l’annexe A, et nous les énumérons
brièvement pour indiquer la large gamme d’organismes
et d’effets sublétaux (EC, 1992a-f ; 1997a, b ; 1998a,
b ; 1999b ; 2001a, b ; 2002a ; 2004a, b et 2007).
Certains essais de toxicité emploient le test d’hypothèse
pour l’analyse, mais, pour la plupart, on recommande
des estimations ponctuelles quantitatives. Certains
essais sont à double effet (section 8) et sont indiqués de
la sorte dans la liste. Le second effet est souvent
quantique, d’habitude la mort, qui, visiblement, n’est
pas sublétale.
Organismes
Type d’essai
Bactérie
luminescente marine
Vibrio fischeri.
Inhibition sublétale des fonctions
dans le milieu liquide, révélée
par l’intensité de la
luminescence.
Inhibition sublétale des fonctions
dans le sédiment
Algue verte
dulçaquicole
Pseudokirchneriella
subcapitata
[auparavant
Selenastrum
capricornutum]
Inhibition de la croissance et de
la reproduction, révélée par le
nombre de cellules
Plante dulçaquicole
Lemna minor
Inhibition de la croissance
Plantes terrestres
Levée et croissance des plantes
exposées aux contaminants du
sol
Vers polychètes
marins et estuariens
Inhibition de la croissance et
mortalité dans le sédument (effet
double)
Vers de terre, dans le
sol
Comportement d’évitement.
Effectifs et croissance de la
progéniture. Mortalité dans la
première génération (effet
double).
Collemboles
Effectifs de la progéniture et
mortalité dans la première
génération (double effet)
Oursins, plats, etc.
Réussite de la fécondation après
exposition initiale du sperme,
poursuivie après addition
d’œufs.
Crustacé
dulçaquicole, la
daphnie Ceriodaphnia
dubia.
Nombre de jeunes engendrés et
mortalité à long terme des
adultes (effet double)
Crustacés
(amphipodes) marins
et esturiens
Comportement apparent
d’évitement du sédiment,
capacité de creuser des galeries
et de s’enfouir de nouveau ;
mortalité après 10 jours (effet
double)
Amphipode
dulçaquicole Hyalella
azteca.
Croissance (gain de poids) et
mortalité dans le sédiment après
14 jours d’exposition (effet
double)
Larves dulçaquicoles
de chironomes
Chironomus tentans
ou C. riparius
Croissance (gain de poids) et
mortalité dans le sédiment après
14 jours d’exposition (effet
double)
Cyprinidé
dulçaquicole, le
tête-de-boule
Croissance des larves venant
d’éclore de ce poisson et leur
mortalité (effet double)
Salmonidé
dulçaquicole
Réussite du développement des
embryons , des embryons et des
alevins ou des embryons, des
alevins et des jeunes poissons
Paramètres quantiques de toxicité. — Un essai conçu
pour mesurer des effets sublétaux pourrait aussi avoir
la mortalité comme effet parmi plusieurs autres. Il
pourrait y avoir une mortalité à court terme à de fortes
concentrations. L’exposition à long terme pourrait
avoir divers effets sublétaux qui, au bout du compte,
s’accumuleraient et causeraient la mort. L’analyse de
la mortalité devrait être effectuée par régression probit
ou par une autre méthode quantique (section 4).
92
Les essais quantiques de toxicité sublétale sont peu
nombreux. L’un d’eux permet de mesurer l’évitement
du sol contaminé par les vers de terre (EC, 2004a).
L’analyse aboutirait à une CE p, par le même
processus quantique que pour l’estimation de la CL 50
(section 4). Deux autres essais mesurent le succès de la
fécondation avec des gamètes de truite arc-en-ciel (EC,
1998a) et d’oursins (EC, 1992f). L’effet est quantique,
mais on peut appliquer une analyse de rechange aux
oursins, comme il est décrit dans le texte qui suit.
Estimations quantitatives sur des données
quantiques. — Si le nombre d’observations
(organismes) quantiques est élevé, au moins 100 dans
une répétition, il est acceptable d’analyser les données
comme si elles étaient quantitatives. Un exemple serait
l’essai de fécondation d’oursins (EC, 1992f), pour
lequel on emploi de 100 à 200 œufs par récipient. Les
œufs sont classés comme fécondés ou non fécondés,
c’est-à-dire les données quantiques susmentionnées. En
raison du grand nombre d’observations, cependant, la
modification du pourcentage d’effet causée par un
individu réagissant serait suffisamment petite pour que
l’on puisse considérer ces données comme si elles
représentaient une distribution continue 4 1 .
Environnement Canada recommande d’estimer la CI p,
un paramètre quantitatif de toxicité, dans l’essai
employant des oursins. Le test d’hypothèse est une
option supplémentaire, bien qu’il conserve tous les
inconvénients énumérés dans le § 7.1.2. Un autre
exemple se trouve dans les essais de croissance et (ou)
de reproduction d’algues, dans lesquels la variable de
base est le nombre de cellules, qui est quantique.
Comme il peut y avoir des milliers ou des dizaines de
milliers de cellules, la distribution des nombres peut
41. On peut prévoir que les données quantiques (binaires)
suivront une loi binomiale, et les analyses statistiques appropriées
emploieront des méthodes pour cette distribution, comme le test
du khi-deux. Cependant, la distribution de nombreuses
observations vient à ressembler à une distribution normale. On
introduit peu d’erreur ou de biais en utilisant des techniques
statistiques quantitatives pour estimer un paramètre de toxicité.
Par exemple, si, dans une répétition de 10 œufs, 8 se révèlent
fécondés, chaque œuf a influé sur 10 % des résultats (de 70 %
d’effet total si cet œuf n’avait pas été fécondé, à 80 % d’effet
total, s’il avait été fécondé. Ce saut de 10 % est abrupt et
constitue un changement appréciable, révélateur de la nature
quantique des données. Cependant, dans une répétition de 100
œufs, chaque œuf pourrait n’influer que de 1 % sur le résultat
global, disons de 70 à 71 %. En pratique, cela représente un effet
quantitatif.
être considérée comme continue, et l’essai est traité
comme s’il était quantitatif.
D’autre part, l’essai d’Environnement Canada
employant des salmonidés à leurs premiers stades
n’emploie que 40 œufs par récipient, pour un total de
120 par traitement (EC, 1998a). Les résultats de l’essai
sont quantiques (œufs viables ou non viables), et les
paramètres de toxicité à estimer sont la concentration
efficace 25 (CE 25) et la concentration efficace 50 (CE
50), qui conviennent à ces nombres d’individus. Les
nombres se trouvant dans les récipients ne sont pas
assez grands pour que l’on traite les données comme si
elles étaient quantitatives.
Estimations ponctuelles quantitatives. — Le
paramètre quantitatif préféré de toxicité dans les essais
de toxicité sublétale est appelé estimation ponctuelle,
ce qui est un point précis sur l’échelle continue de
concentration (v. le § 6.2.2 pour connaître la liste des
avantages que cela comporte). D’habitude on choisit le
paramètre de toxicité pour représenter un certain degré
de réduction des performances par rapport au témoin,
par ex. 25 % de moins de progéniture que chez le
témoin. La méthode pose donc fondamentalement
comme hypothèse qu’il existe une relation dose-effet
raisonnablement régulière pour servir à estimer le
paramètre de toxicité.
L’emploi d’une estimation ponctuelle entraîne deux
problèmes principaux :
• 1o La sélection d’un degré approprié de diminution
des performances est clairement un choix subjectif
du chercheur ou un choix résultant du consensus de
la profession (est-ce que ça devrait être une
diminution des performances de 25 ou de 10 %,
comme cela est assez fréquent en Europe ?). Le
choix du plus grand degré d’effet (25 %) fera
imputer le résultat à la matière à l’étude et non pas
simplement à une variation expérimentale. Un effet
moindre (par ex. de 10 %) signifiera que le
paramètre de toxicité est proche d’une
concentration vraiment « inoffensive » (v. le
glossaire et le § 6.2.4).
• 2o Les distributions de l’effet prennent diverses
allures et, en conséquence, leur description exige
divers modèles mathématiques. Cependant, de réels
93
progrès ont été effectués dans l’élaboration d’une
approche normalisée, qui débute par la sélection
d’un modèle approprié parmi un petit éventail de
choix (§ 6.5.8).
L’expérimentateur qui envisage des méthodes
appropriées d’analyse pourrait s’inspirer de
l’organigramme de la fig. 15 en descendant par la
gauche jusqu’à la case « Estimation ponctuelle » et y
trouver deux choix généraux de méthode, décrits dans
les § 6.4 et 6.5.
• Le premier choix est la méthode non paramétrique
de lissage et d’interpolation. Cette méthode
d’analyse, jadis usuelle, souffre cependant de
plusieurs défauts et mérite d’être remplacée
(§ 6.4.1).
• Le second choix est la régression, linéaire ou non
linéaire, convenant à diverses distributions
dose-effet. Des programmes statistiques
polyvalents tels que SYSTAT peuvent servir dans
une approche analytique standard, désormais
adoptée par Environnement Canada (§ 6.5.8). Le
programme toxicologique CETIS offre aussi des
modèles mathématiques de régression non linéaire.
Il faut toujours posséder certaines connaissances
mathématiques pour choisir le modèle non linéaire
approprié et appliquer le traitement mathématique.
La participation d’un statisticien à l’établissement du
plan d’expérience et à l’analyse (§ 2.1) est
particulièrement importante pour les estimations
ponctuelles de paramètres sublétaux. Certaines des
méthodes les plus raffinées, qui se trouvent à la fin de
la section 6 exigent absolument l’obtention de conseils
en statistique d’une personne compétente.
Test d’hypothèse. — Cette solution de rechange aux
estimations ponctuelles a été couramment utilisée et elle
est autorisée, mais elle n’est plus recommandée dans
diverses nouvelles méthodes d’essai d’Environnement
Canada. L’approche consiste à déterminer la
concentration minimale ayant causé un effet
statistiquement significatif dans l’essai (la CEMO ;
droite de la fig. 15). On la décrit avec ses carences dans
la section 7.
6.2
Rudiments des estimations ponctuelles de
paramètres de toxicité sublétale
Repères
• La concentration inhibitrice p (CI p) pour un
pourcentage spécifié de réduction des
performances est le paramètre usuel de toxicité
des essais quantitatifs de toxicité sublétale. La
valeur de p dans l’expression CI p est
généralement de 25 ou de 20 % ou, parfois, de
10 %, en Europe. N’ayant aucune racine
statistique elle est choisie d’après le jugement du
biologiste.
• Les Européens et certains groupes des États-Unis
appellent souvent ce paramètre la concentration
efficace à p % (CE p), erreur trompeuse, puisque
cela fait allusion aux essais de toxicité quantique
dans lesquels une proportion spécifiée
d’organismes présente un effet particulier.
• La CI p est avantageuses à de nombreux points de
vue. C’est une concentration unique, ses limites
de confiance sont calculables, et la variabilité des
données ne devrait pas influer systématiquement
sur sa valeur. Les inconvénients sont moins
nombreux et mineurs.
• La répétition pourrait ne pas être exigée par la
méthode d’essai, mais même une répétition
modeste est avantageuse. Elle peut aider à
distinguer entre : a) la variabilité à l’intérieur de
l’essai ; b) l’écart par rapport au modèle choisi
de la relation dose-effet. Des répétitions poussées
sont nécessaires si on veut déterminer les
paramètres de toxicité avec une régression non
linéaire.
• Avant de passer à l’analyse mathématique
formelle, on devrait tracer manuellement un
graphique des résultats pour permettre l’examen
visuel de la courbe dose-effet et permettre la
détermination grossière d’un paramètre de
toxicité afin de vérifier la justesse de l’estimation
faite par l’ordinateur.
94
Données expérimentales
Utiliser le logarithme de la
concentration
Graphique tracé à la main
Signaler l’hormèse. Modifier les
données ou l’analyse, au besoin.
Estimation ponctuelle
(CI p)
Non paramétrique
Régressions linéaire
et non linéaire
Test d’hypothèse(s)
[CSEO et CEMO]
V. la fig. 19.
Tester la normalité
et l’homogénéité
Lissage et interpolation
Paramétrique et non paramétrique
Modèle convenablement
ajusté
Nécessité, pour les
résidus, d’être conformes
à la normalité et à
l’homoscédasticité
CI p et limites de
confiance au seuil de
95 %
Tester l’hypothèse nulle
Test de comparaisons multiples
CSEO, CEMO avec différence significative
minimale
Figure 15. — Organigramme de l’analyse des résultats des essais de toxicité quantitatifs à plusieurs
concentrations.
95
6.2.1 Terminologie
En Amérique du Nord, une estimation ponctuelle de la
toxicité sublétale quantitative est la CI p, c’est-à-dire la
concentration inhibitrice à p %, p % étant le
pourcentage spécifié d’effet. C’est la concentration que
l’on estime causer tel pourcentage de dysfonction
biologique, par rapport au témoin. Par exemple, la
CI 25 pourrait être la concentration que l’on estime
réduire la progéniture de 25 % par rapport au témoin.
On ne devrait pas décrire les effets sublétaux
quantitatifs par la CE 25, la CE 50, etc. ; ces
expressions sont valables pour les données quantiques
(la concentration efficace pour un pourcentage spécifié
d’individus). 25 % d’individus touchés (CE 25), c’est
tout à fait différent de performances diminuées de 25 %
par rapport à celles du témoin (CI 25). La bonne
terminologie informe sur le type d’essai, le type de
données obtenues et le type approprié d’analyse. La
mauvaise terminologie induit en erreur.
L’utilisation erronée de la notion de CE 50 en Europe,
même par des techniciens réputés, de groupes de travail
de l’OCDE et de l’ISO, est particulièrement
inquiétante. Cette erreur se commet aussi en Amérique
du Nord, dans certains progiciels de statistique
(CETIS), chez des mathématiciens (ce qui est étonnant)
et, notamment, dans les essais de luminescence
bactérienne. Même l’USEPA, parfois, omet de
distinguer nettement entre essais quantiques et essais
quantitatifs, dans la description des estimations
ponctuelles (USEPA, 1995).
D’autres termes et symboles ont été proposés pour les
paramètres de toxicité estimés au moyen de techniques
statistiques particulières, mais c’est la concentration
inhibitrice p (CI p) qui semble convenir à toutes les
estimations quantitatives.
6.2.2 Avantages des estimations ponctuelles
Les principaux avantages des estimations ponctuelles
sont qu’une seule concentration simple est obtenue
comme paramètre de toxicité et que l’on peut en estimer
les limites de confiance. Nous énumérons ci-dessous
d’autres avantages de cette méthode, par rapport à celle
de la CSEO et de la CEMO. La plupart des avantages
énumérés reposent sur l’hypothèse de l’obtention de
l’estimation ponctuelle par régression. Des listes
semblables ont été dressées par Stephan et Rogers
(1985) ; Pack (1993) ; Noppert et al. (1994) 42 ;
Chapman (1996) ; Moore (1996) ; OECD (1998) et
d’autres.
a) Une seule concentration est désignée comme
paramètre de toxicité.
b) Ce paramètre peut être n’importe quelle
concentration située dans l’intervalle visé par
l’essai et n’a pas besoin d’être une concentration
choisie par l’expérimentateur et utilisée dans
l’essai.
c) On peut accompagner le paramètre de limites de
confiance. On peut calculer d’autres expressions
usuelles de la variation telles que l’écart type.
d) La valeur du paramètre ne subirait habituellement
pas l’effet d’une erreur systématique dans la même
direction qui serait causée par le degré de variation
naturelle, par la variation provoquée par la minutie
de l’expérimentateur ou par le nombre de
répétitions (la précision, toutefois, pourrait subir
leur influence).
e) Le choix d’á, le niveau de signification, ne modifie
pas l’estimation de la toxicité.
f)
Si le paramètre de toxicité est estimé par
régression, la méthode choisie aurait d’habitude sur
lui un effet relativement petit, au moins pour les
valeurs centrales de p (de la CI p).
g) L’emploi de la CI p favorise la prise en
considération des degrés d’altération dans le monde
réel et dissuade de penser que la CSEO obtenue par
un test d’hypothèse est une concentration « sans
effet » biologique.
On peut aussi énumérer les inconvénients des
estimations ponctuelles. Certains sont simplement des
problèmes à résoudre ou des méthodes à normaliser.
a) L’ampleur de l’effet correspondant au paramètre de
toxicité (la valeur de p dans CI p) n’est pas un
absolu et elle exige un apport subjectif et l’accord
entre les chercheurs.
b) La précision de l’estimation du paramètre dépend
du nombre de concentrations expérimentées, de
leurs valeurs numériques, du nombre de répétitions
42. Sinon, v. deBruijn et Hof (1997), van der Hoeven (1997) et
van der Hoeven et al. (1997).
96
et du choix d’un modèle mathématique approprié
pour décrire la relation. Ainsi, le choix des
concentrations peut influencer sur la CI p estimée,
particulièrement aux faibles valeurs de p.
c) Plus la valeur de p dans CI p diminue, plus
l’intervalle de confiance s’élargit.
d) Le modèle choisi pour s’ajuster aux données peut
influer sur la valeur estimée du paramètre de
toxicité, particulièrement, de nouveau, si ce dernier
correspond à un petit effet.
6.2.3 Répétitions
Le § 2.5 donne tous les renseignements relatifs aux
répétitions pour les estimations ponctuelles. Pour la
régression, une seule mesure à chaque concentration est
la condition absolue permettant d’estimer le paramètre
de toxicité et ses limites de confiance. Cependant, il
faut des répétitions si l’on souhaite choisir parmi des
modèles linéaires et non linéaires pour les ajuster aux
données et évaluer la qualité de l’ajustement. Pour une
estimation moins souhaitable du paramètre de toxicité
par lissage et interpolation (programme ICPIN, § 6.4),
il faut au moins deux répétitions à chaque concentration
pour calculer les limites de confiance, et cinq ou plus
sont souhaitables. Les documents d’Environnement
Canada recommandent d’habitude trois répétitions pour
les estimations ponctuelles, au cas où elles seraient
nécessaires au test d’hypothèse, mais quatre seraient
nécessaires à certaines méthodes d’analyse non
paramétrique.
6.2.4
Choix du degré d’effet pour le paramètre de
toxicité
Le choix d’une valeur de p (de la CI p) est entièrement
arbitraire. C’est une décision de l’expérimentateur qui
fait appel à son jugement. Les mathématiques n’ont rien
à y voir. En Amérique du Nord, on a tenté, sans qu’il y
ait rien d’officiel, d’établir la CI 20 comme paramètre
standard de toxicité dans les essais en milieu aquatique,
mais la CI 25 (c’est-à-dire réduction de 25 % des
performances) est le plus souvent utilisée.
On aurait été justifié de croire que la CI 25 était
semblable, dans des nombreux cas, à la CSEO 43 .
43. Les preuves ne sont pas nombreuses. Une comparaison
importante ayant porté sur des essais en milieu aquatique a
montré que la CI 25 était semblable à la CSEO dans le cas de
23 effluents et toxiques de référence, par suite d’essais de toxicité
L’argument n’est pas particulièrement convaincant, vu
les nombreuses déficiences de l’approche fondée sur la
CSEO et la CEMO (section 7). La relation entre la
CI p et la CSEO pourrait changer selon la puissance et
la variation d’un essai donné, l’effet mesuré et la
matière soumise à l’essai.
Les Européens ont constaté qu’il était possible
d’estimer la CI 10 dans plusieurs types d’essais. Cette
concentration a servi à décrire l’inhibition de la
croissance des algues (ISO, 1999) et elle est
sanctionnée pour d’autres méthodes de l’organisation
(ISO, 1998). La CI 10 est certes un paramètre
acceptable de toxicité si on peut l’estimer avec un
intervalle de confiance convenablement étroit et si on
satisfait à certaines autres conditions (v. le texte qui
suit). La promotion de la CI 10 comme éventuel
paramètre de toxicité pourrait aider à remplacer les
moins souhaitables CSEO et CEMO. Certains clients
des programmes d’essais de l’industrie et
d’organisations écologistes sont d’avis que le paramètre
de toxicité estimé par un essai devrait sembler
« inoffensif », ce qui le cas de la CSEO. La CI 10 est
visiblement plus proche d’une concentration sans effet
que ne l’est la CI 25 et elle donne l’impression plus
nette d’être un paramètre de faible toxicité, assez
rassurant.
Le Groupe consultatif sur la statistique
d’Environnement Canada a énuméré divers facteurs
influant sur le choix d’une valeur appropriée de p
(Miller et al., 1993). Les voici, sous forme lapidaire.
• La question fondamentale est de choisir la valeur
de p (de la CI p) soit d’après son importance
écologique, soit pour plaire aux statisticiens.
sublétale menés avec des oursins, le cyprinodon varié
(Cyprinodon variegatus, un poisson) et l’algue rouge non
microscopique Champia (USEPA, 1991a). Un ensemble d’essais
avec des daphnies et un seul toxique de référence a également
montré la similitude des deux mesures (OECD, 1997). Une
compilation par Suter et al. (1987) de 176 essais de toxicité
sublétale avec des poissons a montré que, en moyenne, la CI 25
était presque égale à la concentration avec effet de seuil observé
(CESO), concentration plus forte que la CSEO. Cependant, même
les rapports moyens de la CI 25 à la CSEO, pour ce qui concerne
divers effets chez les poissons, ont varié de 0,5 à 3,2. Plus tard,
Suter et al. (1995) ont conclu qu’une inhibition sublétale de 20 à
25 % était à peu près le minimum qui correspondrait à un effet
statistiquement décelable (CEMO).
97
• Une faible valeur de p est souhaitable du point de
vue biologique, pour obtenir une estimation
sensible de l’action toxique.
• Une faible valeur telle que la CI 10 signifierait
travailler à l’extrémité de la relation dose-effet, qui
entraîne peut-être une variation indésirable de
l’estimation. Une CI 50 serait statistiquement
souhaitable, mais, biologiquement, une valeur
inférieure de p serait exigée dans les essais de
toxicité sublétale.
• L’option d’une faible valeur de p sera propre au
type d’essai et à l’effet mesuré. Si l’effet mesuré
est variable, la CI 10 pourrait bien se situer dans la
zone de variabilité biologique normale, d’où une
interprétation incertaine du paramètre de toxicité.
La variabilité observée chez le témoin devrait
influer sur le choix de la valeur de p.
• La CI 25 ou, parfois, la CI 20, semble avoir gagné
la faveur en Amérique du Nord et d’autres pays, en
tant que bon indicateur minimal d’une modification
« biologiquement significative ».
La valeur de p (de la CI p) devrait être supérieure à
toute valeur spécifiée dans les méthodes comme limite
supérieure de l’effet acceptable chez le témoin, et cette
précision devrait être ajoutée à l’avant-dernier alinéa de
l’énumération qui précède. La CI 10 semblerait
généralement une limite inférieure pratique comme
paramètre fiable de toxicité. Les éléments à considérer
dans le choix d’une valeur de p pour la CI p sont
quelque peu analogues à ceux du choix d’un paramètre
quantique de toxicité (la CE p), qui sont mentionnés
dans le § 4.2.5.
Statistiquement, il est indéniable que l’intervalle de
confiance de la CI p s’élargit à mesure que p diminue.
Pour les valeurs très faibles de p, il pourrait être
difficile d’obtenir une estimation convenable d’une
concentration avec un intervalle de confiance
suffisamment étroit. Une partie de cet effet est
imputable à la possibilité que la CI p et ses limites
soient estimées par régression inverse, à l’instar des
estimations quantiques de la CE p (v. le § 9.4) 44. Dans
44. En bref, on cherche un ensemble de concentrations et on
observe les effets correspondant à chacune d’elles. Si une
régression est ajustée aux données, l’effet est la variable
dépendante, et le logarithme de la concentration est la variable
indépendante. Les intervalles de confiance de la régression sont
les régions extrêmes de la régression, l’intervalle de
confiance s’élargit et, aux concentrations minimales, il
n’est pas rare que la limite inférieure aille à l’infini
quand on a employé la régression inverse.
Le choix des concentrations peut atténuer ce problème.
Comme les intervalles de confiance commencent
toujours à s’élargir à partir de la moyenne de la
variable indépendante, un bon plan d’expérience ferait
en sorte de centrer la variable indépendante (la
concentration) sur la valeur de p à laquelle on
s’intéresse. On devrait donc choisir les concentrations
pour les rapprocher du paramètre envisagé de toxicité,
disons la CI 10. Bien sûr, cette valeur est un peu
difficile à prévoir, et les priorités s’opposent (§ 2.2),
mais on devrait se rappeler ce principe.
L’expérience générale montre que la CI 10 est moins
souhaitable dans les essais suivant généralement les
méthodes d’Environnement Canada parce que ce
paramètre peut posséder un large intervalle de
confiance. La CI 25 est devenue usuelle à
Environnement Canada et, plus généralement, en
Amérique du Nord. Par ailleurs, la CI 20, sa solution
de remplacement, a le mérite d’être un paramètre de
toxicité que l’on peut estimer et qui reste significatif.
6.2.5
Sélection de la variable biologique comme
paramètre de toxicité
L’effet à analyser pourrait influer sur la CI p, en la
déplaçant vers le haut ou le bas. En conséquence, le
choix d’effet pourrait influer beaucoup sur la sélection
de la valeur de p de la CI p. Cela pourrait être
particulièrement important dans des essais de mesure
d’un double effet, sujet abordé dans la section 8.
en fonction de l’effet et, comme toujours, ils sont plus larges aux
concentrations extrêmes qu’au « centre ». On souhaite inverser
l’interprétation, en exprimant les limites de confiance en fonction
de la concentration autour d’un paramètre de toxicité
(concentration) que l’on estime causer un effet indiqué (p). On
peut considérer cela comme une « régression inverse ». Les
limites inversées sont asymétriques, et, dans la région inférieure
de la régression, l’intervalle inférieur de confiance peut s’élargir
particulièrement (comme dans la fig. 7). V. le § 9.4.
98
6.3
pas effectuer un transfert erroné de données 45 .
Étapes générales de l’estimation d’un
paramètre de toxicité sublétale
On pourrait également représenter les données brutes
sur un graphique produit par l’ordinateur ou vice versa.
Repères
• La première étape de l’analyse devrait être le
tracé, à main levée, d’un graphique des données.
Ce graphique montre la nature générale des
résultats et permet de vérifier l’estimation finale
du paramètre de toxicité.
• La méthode de choix est la régression linéaire ou
non linéaire. Si elle est impraticable, on devrait se
rabattre sur une méthode commune
d’interpolation, le processus ICPIN.
6.3.1 Tracé des données
Un tracé à la main devrait constituer la première étape
de l’analyse et il n’a pas besoin de prendre beaucoup de
temps. Tracer le graphique de l’effet en fonction du
logarithme de la concentration, que l’effet soit la taille
atteinte, le pourcentage de diminution de la
reproduction ou un quelque autre effet quantitatif (v. un
échantillon des résultats dans les fig. 22 à 31 de la
section 10 et dans la fig. P.1 de l’annexe P).
Voici une liste des avantages que présente le graphique
tracé à la main.
a) Le graphique révélera tout résultat insolite. Ce
pourrait être quelque chose dont l’intérêt biologique
est considérable, que l’on n’aurait pas remarqué
autrement.
b) L’allure générale ou la forme de la relation
dose-effet deviendront manifestes, ce qui pourrait
prévenir l’ajustement forcé, aux données, d’un
modèle mathématique non convenable.
c) Habituellement, le graphique permet d’estimer
grossièrement la valeur du paramètre de toxicité. Si
le paramètre estimé en vertu de l’analyse
mathématique ne concorde pas suffisamment, il
faut chercher la cause de l’écart. Parfois, cela
pourrait aider à ne pas communiquer un résultat
qui renfermait une erreur inopinée de calcul ou à ne
6.3.2 Choix de la méthode
La régression linéaire ou non linéaire est la méthode de
choix pour les essais quantitatifs de toxicité sublétale
effectués dans les laboratoires canadiens
d’écotoxicologie. Nous donnons des conseils sur ces
méthodes (§ 6.5.8), et, désormais, Environnement
Canada exige la régression comme premier choix pour
les essais de croissance et de reproduction des
organismes vivant dans le sol (EC, 2004a, b et 2007).
La méthode la plus utilisée par le passé — et le choix
le plus facile — a été le lissage et l’interpolation (v. le
§ 6.4). Ses défauts notables, connus des chercheurs
canadiens depuis de nombreuses années, ont été décrits
à la réunion de Québec du Comité consultatif de la
statistique (Miller et al., 1993 ; v. le § 6.4.1). Les
participants y ont recommandé l’emploi de la régression
comme méthode de rechange et ils ont exprimé le
besoin de conseils pour la sélection du modèle
approprié. Comme nous l’avons mentionné, ces conseils
sont maintenant disponibles.
6.4
Lissage et interpolation
Repères
• Pratique courante un peu partout en Amérique du
Nord, cette méthode devrait progressivement
cesser d’être utilisée au Canada pour faire place
aux méthodes de régression. C’est une méthode
commode, parce que la seule hypothèse
concernant les résultats est que l’effet augmente
avec la concentration.
• On estime la CI p par interpolation entre deux
points adjacents de données, ce qui est moins
avantageux que la régression, qui utilise toutes
les données.
45. Les bons programmes informatiques comprennent souvent un
sous-programme utile de traçage des résultats, mais qui, comme
nous l’avons fait remarquer dans le § 4.2.2, ne saurait remplacer
un graphique tracé à la main. Si une erreur a eu lieu dans la saisie
des données, le graphique tracé par ordinateur et les calculs
arriveraient au même résultat erroné.
99
• Dans un premier temps, l’analyse ajuste les
données brutes en les rendant monotones, ce qui,
de façon limitée, permet d’utiliser la distribution
plus étendue de données.
• Non-utilisation du logarithme de la
concentration, ce qui introduit une légère
majoration systématique dans le calcul de la
CI p ;
• Le calcul de la CI p est suffisamment simple pour
pouvoir se faire à la main, mais un gratuiciel est
accessible, le programme ICPIN.
• Étrécissement parfois exagéré des intervalles de
confiance calculés par la méthode bootstrap.
• À présent, le programme informatique n’utilise
pas une échelle logarithmique de concentrations.
Les utilisateurs canadiens du programme doivent
saisir les concentrations sous forme
logarithmique.
• Les limites de confiance ne peuvent pas être
calculées par les méthodes habituelles. Plutôt, le
programme informatique sert à une estimation
par la méthode bootstrap. L’ordinateur
rééchantillonne les mesures originelles au moins
240 fois (le minimum recommandé) pour estimer
les limites de confiance.
6.4.1 Critique générale
Cette méthode d’interpolation lancée par l’USEPA
(Norberg-King, 1993) est offerte sous la forme du
programme informatique ICPIN. Les estimations par
interpolation linéaire souffrent de certains problèmes
conceptuels (v. le texte qui suit), mais la méthode
d’interpolation est polyvalente. Elle a été la façon
habituelle d’obtenir une estimation ponctuelle
quantitative en Amérique du Nord, faute, à l’époque,
d’un progiciel de statistique commode pour effectuer la
régression. Le programme ICPIN est peu connu en
Europe, au moment d’écrire ces lignes (Niels Nyholm,
Université technique du Danemark à Lyngby, 2001,
communication personnelle)
Le Groupe consultatif sur la statistique (Miller et al.,
1993) a dressé la liste de certains défauts généraux de
la méthode de lissage et d’interpolation, comme suit :
• Utilisation inefficace de données, puisque la
méthode effectue l’interpolation seulement entre
deux concentrations encadrant le paramètre de
toxicité et qu’elle néglige la relation entre l’effet
et la concentration, dans son ensemble (mise à
part une certaine influence générale du lissage) ;
• Sensibilité à toute irrégularité ou particularité
des deux concentrations utilisées ;
Les trois hypothèses qui suivent sont implicitement
posées dans la méthode de lissage et d’interpolation.
(Parfois cette méthode est dite « sans hypothèse » parce
qu’elle ne postule aucune forme particulière de courbe
dose-effet, mais, néanmoins, elle pose des hypothèses.)
• Les effets doivent augmenter monotonement en
passant d’une concentration à la suivante plus
forte (ou, du moins, ils ne devraient pas
diminuer). Si on ne satisfait pas à cette exigence,
elle est imposée par les manipulations
mathématiques.
• Les effets augmentent linéairement entre deux
concentrations successives. (On dit parfois qu’ils
suivent une fonction linéaire par morceaux,
expression ambiguë.)
• Les effets devraient provenir d’un échantillon
représentatif de données expérimentales qui est
aléatoire et indépendant, hypothèse qui
s’applique à la plupart des analyses statistiques.
Dans la pratique, les problèmes concernant les
hypothèses requises sont rarement reconnus dans
l’application de cette méthode. Pour ce qui concerne la
première exigence (suite monotone), les données sont
simplement ajustées, au besoin, pour rendre la suite
monotone. Il n’y a pas moyen de vérifier la deuxième
hypothèse (linéarité par morceaux). On ne vérifie
presque jamais la troisième hypothèse (résultats
aléatoires, indépendants).
L’expérimentateur a peu l’occasion de s’assurer de la
fiabilité des résultats produits par la méthode. Celle-ci
devrait être utilisée avec prudence, si les effets
s’écartent fortement de la monotonie. La méthode est
particulièrement inappropriée pour les données
hormétiques (§ 10.3), comme avec certains essais avec
l’algue Pseudokirchneriella subcapitata. Elle serait
également risquée si des concentrations successives
causaient des effets très petits et très grands (USEPA,
100
1995). Néanmoins, le lissage masquera de telles
irrégularités, et la méthode est souvent utilisée lorsque
les données sont irrégulières. Dans de tels cas, la
prudence dicterait de soumettre les données originelles
à une comparaison subjective et de tracer un graphique
à la main.
6.4.2 Étapes de l’analyse
Vu que la méthode a été si largement utilisée, voici une
description générale des étapes de l’estimation d’une
CI 25 par lissage et interpolation. Quand un exemple
est nécessaire, c’est le poids de poisson à la fin d’un
essai de toxicité. L’annexe N renferme une description
très détaillée de l’analyse et du programme
informatique ICPIN. Les utilisateurs de la méthode
feraient bien de comprendre les étapes exposées dans
l’annexe N.
(1) Afin de vérifier subjectivement la qualité des
données, porter sur un graphique la moyenne non
ajustée de chaque groupe de poisson en fonction du
logarithme de la concentration.
(2) Commencer l’interpolation linéaire par le lissage
des données si le poids moyen augmente entre une
concentration et la concentration supérieure
suivante.
On estime la CI 25 par simple interpolation linéaire
entre les deux concentrations qui l’encadrent. Les
calculs, faits à la main (voir les étapes qui suivent),
passent par les mêmes étapes que celles du programme
informatique ICPIN. Les étapes semblent complexes,
mais elles font appel, de fait, à des calculs plutôt
simples.
(3) Calculer le poids correspondant au paramètre de
toxicité recherché. C’est 75 % du poids moyen du
poisson témoin, c’est-à-dire une réduction de 25 %.
probablement négatif.
(6) Diviser le résultat de l’étape 4 par celui de
l’étape 5.
(7) Soustraire le logarithme de la concentration
immédiatement inférieure à la CI 25 du logarithme
de la concentration supérieure à la CI 25.
(8) Multiplier le résultat de l’étape 6 par celui de
l’étape 7. Ceci représente la croissance de la
concentration immédiatement inférieure à la CI 25
à cette dernière.
(9) Ajouter le résultat de l’étape 8 à la concentration
logarithmique immédiatement inférieure à la CI 25.
Le résultat est la CI 25 sous forme logarithmique.
La CI p ne peut pas être évaluée s’il n’existe pas une
concentration expérimentale qui lui est inférieure et une
autre qui lui est supérieure. Selon le cas, en effet, on
pourra seulement affirmer que la CI p est inférieure
(supérieure) à la plus faible (forte) concentration
expérimentale.
L’ordinateur est indispensable à l’estimation des limites
de confiance (v. le § 6.4.3 et l’annexe N).
6.4.3 Le programme informatique ICPIN
Le programme ICPIN roule sur les ordinateurs
personnels et il est disponible dans des progiciels
commerciaux ; cependant, des exemplaires gratuits sont
largement accessibles (annexe N). Il est facile à utiliser,
ses consignes d’emploi sont claires, et les étapes de
saisie et de manipulation des données se passent
d’explications.
(4) De ce poids (résultat de l’étape 3), soustraire le
poids moyen à la concentration immédiatement
inférieure à la CI 25. Dans une expérience de
croissance, le résultat est normalement négatif.
Le programme ICPIN se charge de toutes les étapes (1
à 9) exposées dans le § 6.4.2 avant de calculer les
limites de confiance. Cependant, il faut calculer
manuellement les logarithmes des concentrations
d’essai et effectuer la saisie de ces logarithmes, plutôt
que des concentrations arithmétiques, contrairement à
ce que l’on lit dans les consignes du programme.
(5) Du poids moyen à la concentration immédiatement
supérieure à la CI 25, soustraire le poids à la
concentration immédiatement inférieure à la CI 25.
Dans une expérience de croissance, le résultat est
Pour calculer les limites de confiance au seuil de 95 %
de la CI p, l’ordinateur est indispensable. Il faut
appliquer la technique dite bootstrap, parce que les
méthodes statistiques usuelles sont inutilisables après
101
l’interpolation. Le programme ICPIN s’y prend en
calculant une série de CI p qui auraient pu avoir été
obtenues d’après les rééchantillonnages des
observations originelles (v. l’annexe N). À cette fin,
l’essai de toxicité doit avoir des répétitions. D’après la
distribution des CI p hypothétiques, il est possible de
calculer les limites de confiance de la CI p estimée.
6.5
Estimations ponctuelles par régression
Repères
• Les techniques de régression représentent la
méthode de choix pour l’estimation de la CI p.
Beaucoup de publications portent sur la question,
et des conseils précis en ce sens ont récemment
été intégrés dans les méthodes canadiennes
d’essai.
• La plupart des types d’effets quantitatifs sublétaux
peuvent être ajustés par régression non linéaire.
Nous les récapitulons en ajoutant, dans
l’annexe O, des conseils détaillés point par point.
• Il n’existe pas de modèle unique de régression
non linéaire pouvant convenir à tous les types de
relations dose-effet observées. On peut ajuster la
plupart de ces cas en choisissant parmi cinq
modèles définis. Ensuite, on peut ajuster les
données, puis estimer le paramètre de toxicité en
appliquant les programmes d’un progiciel
polyvalent de statistique. Le choix et l’analyse
subséquente exigent des connaissances en
statistique et non, simplement, l’application
mécanique d’un programme informatique. Au
moins un progiciel de statistique immédiatement
disponible et applicable à l’écotoxicologie offre
une grande sélection de modèles de régression
non linéaire.
• La régression non linéaire peut s’ajuster aux
distributions d’effets hormétiques. Un modèle
proposé s’adapte à l’hormèsel Pourtant, il utilise
les données obtenues du vrai témoin pour estimer
le paramètre de toxicité.
• Environnement Canada exige désormais qu’on
applique la régression dans les méthodes récentes
d’essai de toxicité visant à estimer la croissance
et la reproduction chez les organismes du sol.
Le présent paragraphe donne des renseignements de
base sur l’emploi de la régression, puis passe à des
processus particuliers pour les méthodes de régression
désormais exigées dans la plupart des essais de toxicité
du sol d’Environnement Canada.
Les techniques de régression ont bénéficié de l’intérêt
répandu pour l’amélioration des méthodes d’analyse
des résultats des essais de toxicité sublétale. En 1995,
un atelier sur les méthodes statistiques, parrainé par la
SETAC (Society of Environmental Toxicology and
Chemistry)-Europe a accueilli quelque deux douzaines
de participants de nombreux pays (Chapman et al.,
1996a), et un atelier semblable a été parrainé par
l’OCDE (Chapman, 1996).
Vieil outil statistique (Draper et Smith, 1981), la
régression constitue probablement la meilleure méthode
d’estimation des paramètres quantitatifs de toxicité
sublétale. Le développement et la normalisation des
méthodes de régression pour l’écotoxicologie ont été
appréciables.
La régression est une description mathématique de la
relation entre deux ou plusieurs variables. Dans le
présent document, la variable dépendante est l’effet
observé. Sa valeur dépend de la variable indépendante,
la concentration, ou, peut-être, de plus d’une variable
s’il existe des conditions modifiantes. Les données sont
ajustées mathématiquement à un modèle choisi, puis (en
toxicologie) on sélectionne, à partir du modèle, un
paramètre de toxicité. Les techniques mathématiques
usuelles peuvent décrire une régression pour
transmettre de l’information utile. On peut prédire les
effets à fortes et à faibles concentrations et l’on peut
estimer des bandes de confiance. Le modèle choisi
devrait se conformer aux données, même s’il ne repose
sur aucune base biologique particulière ou s’il possède
peu de justification théorique (Moore, 1996).
Le problème de la régression est qu’il n’existe pas un
seul modèle qui s’ajuste aux diverses courbes dose-effet
résultant des essais de toxicité sublétale. Un spectre de
modèles est nécessaire, avec des conseils sur la façon
de choisir le modèle approprié.
La transformation des données sur les effets est
méthode utilisable pour ajuster les résultats à un
modèle linéaire relativement simple. L’opération
102
comporte des avantages et des inconvénients (v. le
§ 2.9.1) et, en général, il est préférable de l’éviter.
6.5.1 Le b.a.-ba de la régression
Les exigences communes et les étapes essentielles de
toute régression (dans le contexte des essais de toxicité)
peuvent s’exprimer simplement comme suit :
(1) Compiler l’ensemble de données.
L’essai possède un ensemble fixe de valeurs pour
la variable indépendante (la concentration). À
chacune de ces valeurs, on fait des observations
de la variable dépendante (l’effet).
(2) Choisir un modèle.
L’expérimentateur propose une relation entre les
variables dépendantes et indépendantes. Il
l’exprime sous forme d’une fonction
mathématique telle qu’une droite ou une courbe
logistique.
(3) Choisir une méthode d’ajustement de la relation
aux données.
D’abord, on vérifie les hypothèses du modèle
(par ex. normalité de données). Ensuite, on
estime habituellement les paramètres du modèle
en réduisant au minimum le carré des écarts entre
les observations et la courbe servant de modèle.
La méthode normalisée d’Environnement Canada
est décrite dans le § 6.5.8.
(4) Effectuer les calculs et examiner la qualité de
l’ajustement des données au modèle.
(5) Effectuer l’estimation inverse de la concentration
que l’on prévoit causer le degré choisi d’effet (le
paramètre de toxicité, par ex. la CI 25).
(6) Trouver les limites de confiance de ce paramètre de
toxicité, également par estimation inverse.
Normalement, les calculs sont effectués par un
programme informatique de régression.
6.5.2
Notions sur les modèles linéaires, non
linéaires, linéaires généraux (GLM) et
linéaires généralisés (GLIM)
« ... tous les modèles sont faux ; cependant,
certains sont plus utiles que d’autres, et ce
sont eux que nous devrions rechercher. »
(McCullagh et Nelder, 1989)
Repères
• Dans l’expression régression linéaire le qualificatif
linéaire décrit la relative simplicité de l’équation.
On peut estimer les paramètres (a, b, etc.) en
évaluant une seule formule.
• En régression non linéaire, les paramètres ne sont
pas indépendants des autres paramètres. Il faut
recourir à l’itération pour estimer les paramètres
du modèle.
• Les modèles linéaires généraux (GLM) constituent
une catégorie de modèles semblables, notamment
la régression linéaire simple, l’analyse de
variance, l’analyse de covariance, les mesures
répétées, etc. Les modèles linéaires généralisés
(GLIM) sont une catégorie élargie de l’approche
employée pour les GLM. Les statisticiens s’en
servent pour estimer les paramètres d’un modèle
comprenant des distributions exponentielles,
binomiales, logistiques, de Poisson et
log-normales. La notion est tout à fait avancée et
elle n’est pas encore largement utilisée en
écotoxicologie.
• L’avantage de la régression non linéaire est de se
servir de toutes les données pour une estimation
ponctuelle dotée de limites de confiance pour
diverses formes de courbes de la relation
concentration-effet, y compris celle du phénomène
de l’hormèse. La régression englobe les mesures
sur le témoin. Il faut appliquer connaissances et
jugement, cependant, dans le choix du modèle et
l’application des méthodes statistiques.
Rappelons aux non-mathématiciens que, pour le
statisticien, les qualificatifs linéaire ou non linéaire ne
décrivent pas une forme dessinée, mais qu’ils qualifient
les relations des éléments avec une équation. En termes
de statistique, une expression est linéaire dans son ou
ses paramètres si on peut écrire une solution pour le
paramètre par référence aux données uniquement et non
pas à un autre paramètre. La linéarité décrit la relation
entre l’effet et les paramètres du modèle, et non la
relation entre l’effet et la ou les variables
103
indépendantes. L’exemple le plus simple de modèle
linéaire est l’équation 4 d’une droite (§ 6.5.3). Les
valeurs d’á et de ß peuvent être déterminées au moyen
d’opérations arithmétiques, fondées sur les valeurs
observées de X et de Y. En outre, une équation
quadratique (équation 5) reste un modèle linéaire parce
que l’on peut également estimer ses paramètres à partir
des données observées.
Dans les régressions non linéaires, il est impossible
d’estimer en une seule étape les paramètres à partir des
données observées. Il faut recourir à l’itération pour
résoudre les équations permettant d’estimer chaque
paramètre. (v. le § 6.5.4.)
À un niveau plus complexe, l’expression « modèles
linéaires » entre dans deux expressions plus longues,
mais semblables au point d’entraîner la confusion et
qui, pour le statisticien, possèdent des significations
différentes. Les deux concernent l’analyse des résultats
des essais de toxicité. Dans le premier cas, il s’agit de
modèles linéaires généraux (GLM), une catégorie
générale de modèles à une seule variable dépendante
(§ 6.5.10). Cette catégorie comprend des modèles bien
connus tels que l’analyse de variance, la régression et
des modèles plus complexes tels que l’analyse de
covariance (ANCOVA) et les mesures répétées. Les
GLM s’appliquent seulement si les données (tels que le
poids des organismes) suivent la loi normale. En vertu
de cette définition rigide, les données suivant une
distribution binomiale telles que les données sur la
mortalité n’en feraient pas partie.
La seconde expression, modèles linéaires généralisés
(GLIM), représente une catégorie encore plus grande de
modèles, qui comprend notamment les GLM. Les
GLIM offrent à l’expérimentateur un champ de
manœuvre encore plus grand pour l’analyse des effets
quantiques ou quantitatifs qui découlent de la rencontre,
simple ou complexe, de variables indépendantes dans
une expérience (§ 6.5.11).
6.5.3 Régression linéaire
La relation bien connue décrivant une ligne droite
(équation 4) représente un modèle linéaire. (Des
courbes peuvent aussi en faire partie.)
Y = á + âX
(4)
Cette formule décrit la relation entre un effet mesuré Y,
la variable dépendante, et un prédicteur X, la variable
indépendante, qui, dans ce cas, serait probablement le
logarithme de la concentration.
Dans l’équation 4, á et â sont des paramètres. á est
l’ordonnée à l’origine de la droite avec l’axe des
ordonnées, c’est-à-dire la valeur de la variable
dépendante (Y) quand la variable indépendante (X) est
nulle. â est la pente de la régression, c’est-à-dire
l’augmentation de la valeur de Y correspondant à
chaque augmentation d’une unité de la valeur de X.
Pour un ensemble donné, les paramètres seraient
estimés par quelque méthode mathématique. Souvent,
on emploie à cette fin la méthode des moindres carrés,
qui permet d’estimer les paramètres permettant de
réduire au minimum la somme des carrés des écarts des
valeurs observées par rapport au modèle.
La relation pourrait être causale comme le laisse
entendre le qualificatif « dépendant » ou elle pourrait
n’être qu’une corrélation. Comme il n’y a que deux
variables à considérer, il s’agit d’une régression
simple, d’où l’expression régression linéaire simple
(Zar, 1999). [Il pourrait y avoir plus d’une variable
indépendante, auquel cas où une formule plus complexe
décrirait la relation, comme il est précisé plus loin, sous
la rubrique « Régression multiple ».]
Les essais de toxicité pourraient parfois révéler une
relation entre l’effet et la concentration qui semble
directement proportionnelle, du moins dans la partie
centrale de la régression. Le calcul du meilleur
ajustement de la droite (modèle) aux données pourrait
alors se faire par les moyens classiques que l’on
emploie avec les régressions linéaires, telles que la
méthode des moindres carrés. En effet, les régressions
simples ont servi à décrire des résultats,
particulièrement pour les effets sublétaux tels que la
croissance (par ex. Rowe et al., 1983).
La régression linéaire est un modèle simple. Si un
ensemble de données toxicologiques s’ajuste bien à la
régression, on peut se servir de cette dernière pour
formuler des prévisions. Pour toute valeur donnée ou
choisie de X (par ex. le logarithme de la concentration),
on peut calculer, à partir de l’équation, la valeur prévue
de Y (disons le poids des poissons exposés à cette
concentration). Il importe que les valeurs de la variable
104
indépendante X soient créées et mesurées sans erreur.
[Comme il est décrit dans les § 6.2.4 et 9.4, le
toxicologue effectue finalement une inversion pour la
concentration (et ses limites de confiance) réputée
devoir causer un degré choisi d’effet (par ex. réduction
de 25 % des performances par rapport à ceux du
témoin, la CI p.)]
Une description plus complète, plus juste et plus
explicite du modèle ajouterait des indices à
l’équation 4. Bien que nous les omettions dans le
présent document, ils sont implicites, et les
expérimentateurs devraient s’attendre à en rencontrer
dans d’autres sources. Des indices seraient nécessaires
si une équation représentait un ensemble d’observations
dans un essai. L’indice i désignerait chacun des
organismes ou chacune des mesures de l’essai, tandis
que l’indice j désignerait les concentrations de toxique.
L’équation 4 deviendrait donc l’équation 4a, comme
suit :
Yij = á + âXj
(4a)
Comme les points de données seraient dispersés de part
et d’autre de la droite ajustée, on ajoute à l’équation un
terme d’erreur (åij ou eij). Le terme e représente la
variabilité aléatoire d’une mesure individuelle i à la
j-ième concentration. La régression linéaire complète
est l’équation 4b.
Yij = á + âXj = åij
(4b)
Régressions multiples. — Celles-ci font partie de la
catégorie des régressions linéaires. L’expression
signifie que la variable dépendante est sous l’emprise de
deux ou de plusieurs variables indépendantes (X1 et X2
dans l’équation 5). Par exemple, la toxicité d’un métal
pourrait dépendre non seulement de la concentration du
métal, mais aussi de la température du milieu.
L’équation 5 pourrait représenter une régression à
quatre paramètres : á, â1 , â2 et la variance (ó).
(5)
L’équation 5 correspond à plusieurs catégories. On
peut la qualifier de régression multiple parce qu’elle
comprend plusieurs termes. C’est aussi une fonction
quadratique, en raison de l’ajout, à la fin, du terme dit
quadratique. Les statisticiens font remarquer que,
appliqué aux données sur la toxicité, ce modèle devrait
se borner à décrire un effet local. Théoriquement,
l’équation quadratique ne convient pas, parce qu’elle
prédit une diminution de l’effet à une forte
concentration, au lieu de la situation habituelle de la
relation dose-effet. Comme nous l’avons mentionné,
elle peut cependant être utile pour décrire des effets
locaux à l’intérieur d’une étendue limitée de
concentrations.
6.5.4
Aspects généraux des régressions non
linéaires
La relation linéaire (§ 6.5.2) est une relation
relativement simple, souvent insuffisante pour décrire
une relation complexe de l’évolution de l’effet avec la
concentration. L’expérimentateur devrait choisir un
modèle (c’est-à-dire une fonction mathématique) plus
complexe afin d’ajuster les données sur la toxicité ; la
forme de la relation dose-effet pourrait bien mener à
l’adoption d’un modèle de régression non linéaire. Deux
paramètres ou plus du modèle pourraient être des
fonctions l’un de l’autre, de façon multiplicative,
comme dans la croissance exponentielle, montrée par
l’équation 6 (Zar, 1999). Manifestement, l’estimation
des paramètres d’une telle équation sera plus
compliquée que celle des paramètres d’une régression
linéaire.
Y = á âX
(6)
Souvent, une fonction décrivant une forme sigmoïde
conviendrait en écotoxicologie. Deux modèles non
linéaires se sont souvent révélés convenir : le modèle
logit et l’équation de Weibull. Le modèle logit est
symétrique tandis que le modèle de Weibull est
asymétrique (v. les § 4.5.1, 4.5.2 et l’annexe J).
D’autres modèles utiles sont exposés en détail dans le
§ 6.5.8.
Une fois la fonction (le modèle) spécifiée, on trouve les
« meilleures » estimation de ses paramètres par la
technique du maximum de vraisemblance ou celle des
moindres carrés. Comme nous l’avons mentionné, il
faut procéder par itération pour résoudre les équations
estimant chaque paramètre.
105
L’itération appliquée aux régressions non linéaires
pourrait se décrire simplement comme des
« suppositions » initiales des valeurs des paramètres du
modèle, faites par l’expérimentateur ou le programme
utilisé. Au moyen d’itérations successives, ces valeurs
initiales sont modifiées (majorées ou diminuées) par le
programme, pour mieux les approcher d’un ajustement
des données observées. Autrement dit, le programme
cherche une valeur optimale pour chaque paramètre.
On peut visualiser le modèle comme un groupe de
petites collines représentant les divers paramètres,
chaque paramètre possédant une valeur optimale au
sommet d’une colline. Le programme peut déterminer
au moment de chaque itération, la pente de la colline
localement et, de là, la bonne direction vers où se
diriger pour la prochaine itération afin de se rapprocher
de la valeur optimale du paramètre (le « sommet de la
colline »). Quand les estimations de tous les paramètres
restent essentiellement constantes d’une itération à
l’autre, l’opération a convergé vers une solution finale,
c’est-à-dire qu’elle est parvenue aux meilleures
estimations des paramètres du modèle pour l’ensemble
particulier de données.
L’OCDE (OECD, 2004) fait remarquer qu’il peut être
important de faire des « suppositions » initiales
réalistes des valeurs des paramètres. Les estimations
finales pourraient dépendre de ce choix initial, parce
qu’il pourrait se trouver plusieurs maximums ou
optimums locaux d’un paramètre donné. Cela pourrait
se représenter sous la forme de plusieurs petites
proéminences dispersées sur les pentes d’une grande
colline. Comme le programme, en une itération
quelconque, peut n’apprécier que la pente se trouvant
dans le voisinage immédiat et non la pente de la colline,
il pourrait gagner le sommet d’une proéminence et y
rester, en vertu d’une « convergence » indésirable. D’où
l’importance d’un point de départ réaliste, près du
sommet principal.
Une méthode pour parvenir aux estimations finales des
variables d’une équation consiste à utiliser la technique
des moindres carrés. Il a été fait allusion à l’itération de
la méthode des moindres carrés pour la résolution de la
régression probit de données quantiques (§ 4.5.3). Dans
la méthode des moindres carrés, les valeurs prévues et
observées de la variable dépendante (l’effet toxique)
sont comparées à des concentrations données de la
variable indépendante (le logarithme de la
concentration). La différence entre la valeur prévue et
la valeur observée s’appelle résidu, et mieux la droite
est ajusté, plus les résidus diminuent. On élève les
résidus au carré et on les additionne. C’est cette
« somme des carrés » que l’on prend comme mesure de
l’ajustement. Manifestement, la somme minimale des
carrés correspond au meilleur ajustement, d’où
l’expression « méthode des moindres carrés ».
La solution trouvée par la méthode des moindres carrés
aux paramètres d’une équation équivaut souvent à la
solution de maximum de vraisemblance, méthode
mathématique plus recherchée, plus complexe et plus
mystérieuse.
Comme nous l’avons écrit dans les § 6.5.7 et 6.5.8, la
régression non linéaire exige un certain jugement et une
connaissance des techniques mathématiques. On utilise
souvent un logiciel général de statistique, bien qu’il
existe au moins un progiciel de statistique conçu
spécifiquement pour l’écotoxicologie (CETIS), qui
offre un large choix de modèles. Les méthodes
générales de régression existent depuis un certain temps
dans les manuels et les progiciels classiques de
statistique, mais il a souvent fallu du temps aux
toxicologues pour développer leurs propres
compétences (Moore, 1996). Les techniques utiles en
toxicologie ont été décrites par Newman (1995).
On trouve des conseils sur la régression non linéaire
dans les manuels tels que ceux de Bates et Watts
(1988). L’expérimentateur qui commence à utiliser la
régression non linéaire bénéficierait des conseils d’un
statisticien expérimenté (§ 2.1). L’expérimentateur naïf
pourrait obtenir des résultats erronés en ne satisfaisant
pas aux hypothèses techniques, en choisissant un
modèle inapproprié, etc. De plus amples
renseignements sont donnés dans les § 6.5.7 à 6.5.9.
Avantages de la régression non linéaire. — Pour
l’analyse des données sur la toxicité, la régression est
beaucoup plus défendable que le lissage et
l’interpolation ou que le test d’hypothèse. Les données
expérimentales dicteront le type de régression à
appliquer. Si la régression linéaire est ajustée aux
données, on devrait l’utiliser ; sinon, on privilégie le
modèle non linéaire. On peut énumérer ci-dessous
certains des avantages généraux de la régression et les
avantages particuliers de la régression non linéaire :
106
•
•
•
•
On utilise tous les résultats de l’essai ;
On obtient une estimation ponctuelle, la CI p ;
On obtient les limites de confiance de la CI p ;
On peut utiliser n’importe quelle valeur de p, par ex.
la CI 25 ; on peut prendre en charge diverses formes
de courbes concentration-effet ;
• On tient compte, dans la régression ajustée, des
résultats obtenus chez le témoin ;
• On peut prendre en charge l’hormèse sans
compromettre l’effet observé chez les témoins.
Le principal inconvénient est qu’il ne peut pas y avoir
de programme informatique simple, de style « boîte
noire », conçu pour la toxicologie. L’expérimentateur
doit utiliser connaissances et jugement dans la sélection
du modèle et l’application des méthodes statistiques.
6.5.5
Choix d’un modèle de régression
Repères
• Il est prudent de choisir un modèle adéquat, mais
aussi simple que possible. Il est souhaitable de
respecter le principe de parcimonie des
paramètres — chaque paramètre ajouté au
modèle lui fait perdre un degré de liberté.
• Une façon de conserver au modèle sa simplicité
est d’éliminer les paramètres corrélés à un autre
paramètre déjà modélisé.
une personne pourrait être celui qui renferme le moins
d’erreurs de prévision, tandis qu’une autre personne
pourrait insister sur le respect du principe de
parcimonie ou un autre, encore, préférerait le modèle
qui éclairerait le plus les mécanismes biologiques.
Certains aspects intervenant dans le choix du modèle
sont mentionnés dans le texte qui suit.
Il est prudent d’adopter des modèles relativement
simples mais adéquats et d’éviter les modèles
excessivement complexes. Certes, on pourrait ajuster
une équation polynomiale dotée d’un nombre suffisant
de termes à presque toute forme inhabituelle d’effet,
mais l’ajout de paramètres supplémentaires entraîne des
pénalités telles que la perte de degrés de liberté et
l’élargissement de l’intervalle de confiance. Dans leur
texte sur des modèles linéaires généralisés, McCullagh
et Nelder (1989) déconseillent d’employer beaucoup de
paramètres pour obtenir un ajustement précis aux
données.
« Ce faisant, cependant, nous n’avons obtenu
aucune réduction de la complexité ... la
simplicité, représentée par la parcimonie des
paramètres, est aussi une qualité de
n’importe quel modèle ; nous n’incluons pas
de paramètres dont nous n’avons pas besoin.
Non seulement un modèle parcimonieux
permet-il au chercheur ... de penser à ses
données, mais un modèle qui est en grande
partie juste donne de meilleures prévisions
qu’un modèle comprenant des paramètres
supplémentaires inutiles. »
• Le modèle pourrait ne pas être ajusté parce qu’on
l’a mal choisi, qu’on en a choisi un excessivement
compliqué, que des observations sont aberrantes
ou que des erreurs sont survenues au codage.
Parfois, les données originelles pourraient ne pas
couvrir le haut ou le bas du domaine du modèle.
Dans cette citation, « inutiles » pourrait être interprété
comme qualifiant un paramètre statistiquement non
significatif. Un autre spécialiste attire l’attention sur la
possibilité qu’une interprétation biologique obscure
découle d’un modèle complexe d’équation à quatre
paramètres :
• Le graphique des résidus en fonction de la valeur
prévue permet l’évaluation visuelle de
l’ajustement du modèle, et on a toujours besoin
d’une vérification visuelle des données. Dans le
cas de la régression linéaire, le coefficient de
détermination (la valeur R2 ) peut servir à évaluer
l’ajustement.
« un ajustement pourrait sembler génial, mais
comment utiliser les résultats quand les
informaticiens sont inaccessibles ? »
(Nyholm, 2001).
En choisissant un modèle, l’expérimentateur doit
prendre en considération ses propres priorités, de même
que les aspects techniques. Le « meilleur » modèle pour
Un exemple de complexité inutile serait des
observations fortement corrélées (par ex. longueur et
poids des organismes), et l’expérimentateur devrait se
méfier de l’emploi de paramètres pour chacune dans un
modèle de régression. Cela peut mener à un problème
« de multicolinéarité » et à des messages d’erreur ou à
un manque d’ajustement. Les progiciels de statistique
107
produisent d’habitude une matrice de corrélations pour
les paramètres et on devrait l’examiner ; les fortes
corrélations pourraient indiquer qu’une des variables
d’une paire de variables pourrait être omise.
Dans les régressions multiples, il est possible de vérifier
— et cela est fortement recommandé — si toutes les
variables sont nécessaires. À cette fin, il est préférable
d’effectuer une série d’ajustements, avec et sans les
paramètres auxquels on s’intéresse et de comparer les
résultats (v. la rubrique « Explication de la variabilité
de la régression » dans le § 6.5.6). Une autre méthode,
mentionnée dans certains manuels, mais que nous ne
recommandons pas, consiste à vérifier chaque
paramètre au moyen du test t (parfois fourni avec le
progiciel de statistique). L’hypothèse nulle serait que le
paramètre égale zéro et que si le test t ne le réfute pas,
le paramètre est supprimé de la régression.
La pondération pourrait être nécessaire, comme
l’expliquent Nyholm et al. (1992) :
« si la variance des points de données est
constante (erreur absolue constante), on peut
effectuer une régression non linéaire,
directement, sans pondération,... sinon il faut
une pondération statistique appropriée. Les
coefficients de pondération devraient être
inversement proportionnels à la variance des
points de données ... ».
Cela exige des répétitions et la vérification de
l’équivariance, comme il est décrit dans le § 6.5.8.
6.5.6 Adéquation et ajustement
Manque d’ajustement. — Le modèle pourrait « ne pas
réussir à converger » auquel cas il n’y aurait pas
d’ajustement ni d’estimation des paramètres. La
multicolinéarité peut expliquer la non-convergence
(v. le § 6.5.5). Parfois, on pourrait ne pas obtenir
d’estimations satisfaisantes des paramètres, même
après convergence satisfaisante. On peut énumérer pour
cela quelques raisons possibles :
• Mauvais choix de modèle. — On ne peut pas
s’attendre qu’un modèle qui ne convient pas puisse
être ajusté.
• Observations aberrantes. — Même une observation
aberrante pourrait empêcher la convergence. Cette
observation ne doit pas être arbitrairement retranchée
du processus de modélisation. Il faut plutôt en tenir
compte objectivement par des méthodes telles que
celles qui sont mentionnées dans les § 6.5.8 et 10.2.
• Erreurs de codage. — Des inexactitudes ou des
erreurs dans le codage (v. le glossaire) peuvent
donner des résultats absurdes.
• Étendue des données. — Les méthodes pourraient
être satisfaisantes, mais les données originelles
pourraient être déficientes. Les valeurs pourraient ne
pas couvrir le domaine supérieur ou inférieur du
modèle. Les données quantiques devraient couvrir
toute l’étendue des effets, de l’absence d’effet à
l’effet total. Les données quantitatives devraient être
représentées dans chaque branche de la courbe du
modèle. C’est une carence relativement fréquente,
dont il a été question dans le § 2.2. On peut y
remédier par une recherche de la gamme de
concentrations à utiliser.
• Modèle trop compliqué. — (Par ex.
multicolinéarité, § 6.5.5). On devrait adopter un
modèle plus simple si les observations ne couvrent
pas une partie de la distribution voulue.
Quand les paramètres ont bien été estimés,
l’expérimentateur doit décider si le modèle décrit
convenablement la variabilité. La plupart des progiciels
de statistique offrent un test F ; si ce test donne pour p
une valeur inférieure à 0,05, on peut conclure que le
modèle de régression décrit une proportion significative
des données, au niveau de confiance de 95 %. L’autre
évaluation devrait se poursuivre de la façon décrite cidessous.
Explication de la variabilité dans la régression.
— Le graphique des résidus en fonction des valeurs
prévues permet l’évaluation visuelle de la qualité de
l’ajustement du modèle (v. la notion de résidu dans le
glossaire.). On peut, de la sorte, révéler certains
problèmes. Une série de résidus supérieurs ou inférieurs
aux valeurs prévues pourrait traduire un ajustement
insatisfaisant ou une corrélation insatisfaisante des
observations. La distorsion des résidus en forme de V,
dans le graphique, traduit une hétérogénéité de la
variance. Si la dispersion est divergente, cela est le
signe d’un modèle qui ne convient pas (v. le § 6.5.8 et
l’annexe O).
108
D’autres évaluations fondées sur le bon sens devraient
suivre le tracé du graphique. L’intervalle des
concentrations testées était-il suffisamment étendu pour
révéler l’étendue des effets ? Le tracé de la régression
ajustée représente-t-il de façon convenable les
observations réelles. La forme du modèle est-elle
ajustée aux mécanismes que l’on pense gouverner
l’effet ? Des observations aberrantes ont-elles
exagérément influé sur l’ajustement ? Si, à ces
questions, les réponses négatives sont plus nombreuses,
l’expérimentateur serait bien avisé de consulter un
statisticien.
Dans le cas de la régression linéaire, le coefficient de
détermination ou R2 (« la valeur R2 ») est la somme
des carrés (SC) expliqués par l’ajustement du modèle
(SC régression ) divisée par la somme totale des carrés
(SC totale) par rapport à la moyenne. Les valeurs sont
souvent exprimées en pourcentage et pourraient,
théoriquement, aller de 0 (modèle n’expliquant rien) à
100 % (ajustement parfait du modèle). Ce taux de
100 % ne sera pas observé, et des résultats très élevés
ne sont pas nécessairement souhaitables. De tels
résultats portent à croire en un modèle complexe, aux
nombreux paramètres et aux inconvénients associés
(v. le § 6.5.5). Le coefficient de détermination ne peut
pas s’appliquer à des modèles non linéaires.
L’OCDE (OECD, 2004) déconseille l’application
aveugle d’un test statistique de la qualité de
l’ajustement d’une façon stricte et absolue (c’est-à-dire
soit le modèle est ajusté, soit il ne l’est pas). On lit dans
son guide qu’une « vérification visuelle des données est
toujours nécessaire et peut prévaloir sur un test
d’ajustement. » Ce conseil vise à encourager
l’expérimentateur à vérifier que les données
communiquent suffisamment de renseignements pour
confiner le modèle. Par exemple, si on avait disposé de
données supplémentaires sur les doses intermédiaires,
cela pourrait-il avoir modifié la forme de la relation ?
L’OCDE fait aussi observer que les données
correspondant à un petit nombre de traitements peuvent
plus facilement réussir le test d’ajustement. En
revanche, un bon ensemble de données comportant un
seul traitement ou effet aberrant pourrait entraîner le
rejet d’un modèle qui, par ailleurs, était parfaitement
ajusté aux données.
On peut évaluer l’ajustement par d’autres moyens.
L’analyse de variance peut résumer un modèle de
régression, et le test F vérifie globalement l’hypothèse
nulle de l’ajustement convenable. Une autre forme de
R2 n’utiliserait que le dénominateur pour décrire
l’erreur résiduelle. Une petite valeur est souhaitable,
mais, encore une fois, le paramétrage à outrance peut
être une cause de faible erreur. Mallows fournit une
version supérieure de R2 (1973), dont Cp pénalise les
modèles paramétrés à outrance. Des mesures
semblables, qui devraient être reconnues comme
supérieures si on en rencontre, sont le critère bayésien
d’information et le critère d’information d’Akaike.
6.5.7
Exemples récents de régressions non
linéaires
Repères
• Un groupe d’auteurs canadiens a mis au point des
méthodes ayant inspiré l’approche normalisée
d’Environnement Canada consistant à utiliser la
régression pour les estimations ponctuelles de
paramètres quantitatifs de toxicité sublétale,
• Ces auteurs ont appliqué des modèles de
régression linéaire et non linéaire qui étaient
offerts dans un progiciel usuel de statistique
(SYSTAT) aux résultats de leurs essais de toxicité
du sol pour les plantes.
• Ils ont constaté que l’on pouvait ajuster de façon
satisfaisante à la plupart des ensembles de
résultats l’un des cinq modèles suivants : linéaire,
logistique, logistico-hormétique, exponentiel et de
Gompertz.
Stephenson et al. (2000) ont présenté des illustrations
claires de l’ajustement de régressions non linéaires aux
données quantitatives sur la toxicité sublétale, tandis
que Koper (1999) a expliqué la même recherche. Ces
chercheurs ont obtenu des estimations utiles de la
toxicité sublétale de sols contaminés pour plusieurs
espèces de végétaux. Leurs méthodes ont été
développées plus avant par Environnement Canada en
tant que méthodes exigées dans les nouveaux essais de
sol (EC, 2004a, b et 2007 ; v. le § 6.5.8).
Stephenson et al. (2000) ont illustré la forme générale
et expliqué les équations de trois modèles : logistique,
109
hormético-logistique et exponentiel. D’autres modèles
utiles ont été ajoutés à leur progiciel de modèles de
régression non linéaire (Koper, 1999). L’un était le
modèle sigmoïde de Gompertz, un autre une équation
linéaire ordinaire. On a ajouté un paramètre au modèle
exponentiel pour permettre à l’asymptote d’être une
valeur non nulle.
Les techniques de régression non linéaire et les
difficultés que celle-ci pose sont décrites brièvement par
Stephenson et al. (2000), qui fournissent un
organigramme semblable à celui de la fig. 16 pour aider
à s’y retrouver dans la sélection du modèle le plus
approprié. L’expérimentateur aura dû faire une
estimation initiale de chaque paramètre du modèle. (Il
faut faire des estimations initiales réalistes, sinon le
programme de statistique pourrait choisir un paramètre
de toxicité anormal : v. l’annexe O.) Les paramètres de
l’équation ajustée ont ensuite été estimés de calculs
itératifs. Stephenson et al. (2000) ont fait observer
qu’un nombre excessif de paramètres pourrait
empêcher les estimations. Une stratégie fructueuse a
consisté à utiliser le modèle approprié le plus simple
(§ 6.5.5), un nombre suffisant de répétitions et jusqu’à
12 traitements. La nécessité de variances égales pour
les traitements posait également problème, parce que
des variances inégales pourraient mener à une
estimation gonflée de l’erreur type et des limites de
confiance. C’est pourquoi on a pondéré les observations
à l’aide de l’inverse de la variance pour les
observations correspondant à chaque traitement (v. le
§ 2.6). De bonnes estimations de la variance étaient
nécessaires à cette fin, parfois au moins 9 répétitions
par concentration. Koper (1999) a recommandé que si
la pondération était nécessaire, il faudrait effectuer des
calculs pour les distributions pondérées et non
pondérées, puis on pourrait comparer les résultats et la
distribution des résidus.
Koper (1999) a fait remarquer que, grâce à
l’ordinateur, la régression non linéaire était devenue
réalisable en routine dans les laboratoires. Les modèles
ont été reparamétrés pour une estimation automatique
de la CI p et de ses limites de confiance (v. le § 6.5.12,
sur le reparamétrage). Le reparamétrage a été inspiré
par les méthodes de Van Ewijk et Hoekstra (1993) ainsi
que d’Hoekstra et Van Ewijk (1993). Les analyses ont
employé le progiciel de statistique SYSTAT 7.0.1.
Les problèmes d’ajustement pourraient être imputables
à la colinéarité, qui survient quand les paramètres sont
fortement corrélés ou quand une valeur près de zéro
dans le dénominateur d’une matrice a été inversée à la
faveur des calculs. D’autres causes d’éventuelles
difficultés statistiques ont été la convergence, le choix
d’un algorithme de maximisation, les maximums locaux
par opposition aux maximums globaux et la
comparaison de modèles emboîtés et non emboîtés.
Les méthodes de Stephenson et al. (2000) étaient
assorties de certaines exigences. Les données devaient
encadrer la CI p (ce qui serait utile ou essentiel à
d’autres méthodes). Au moins 10 ou 12 traitements
étaient recommandés, pour montrer la forme de la
relation et permettre le choix du modèle. Le nombre
élevé de traitements a aussi contribué à la réussite des
calculs informatiques. Le nombre de répétitions par
traitement pourrait être de deux, bien que ces
chercheurs en aient employé jusqu’à six. Il n’était pas
nécessaire que le nombre de répétitions soit identique à
chaque concentration.
Les lecteurs qui voudraient imiter ce travail devraient
être conscients que Stephenson et al. (2000) n’ont pas
utilisé les logarithmes de la concentration. Or, il
faudrait les utiliser dans les diagrammes de dispersion
et les calculs, comme dans le mode opératoire
normalisé d’Environnement Canada (§ 6.5.8). Comme
nous l’avons expliqué dans le § 2.3, c’est une question
de méthode scientifique et non pas simplement une
question de méthode statistique ou de savoir si le
modèle est capable de traiter les valeurs arithmétiques
des concentrations.
6.5.8
La méthode de régression d’Environnement
Canada
Repères
• Dans ses nouveaux essais de toxicité d’un sol,
Environnement Canada exige, comme premier
choix pour l’estimation de la CI p, la régression
linéaire ou non linéaire. Des méthodes
particulières sont exposées pour SYSTAT ou
d’autres progiciels de statistique.
• L’expérimentateur a le choix entre cinq modèles :
linéaire, logistique, exponentiel, logistique adapté
110
à l’hormèse (hormético-logistique), de Gompertz.
Les modèles ont été reparamétrés pour permettre
l’estimation directe de la CI p et de ses limites de
confiance.
• Avant d’effectuer l’estimation, il faut satisfaire
aux hypothèses de normalité et
d’homoscédasticité des résidus.
• Si les méthodes de régression ne sont pas
couronnées de succès, il faut estimer la CI p par
interpolation, à l’aide du programme ICPIN.
Les nouvelles méthodes d’essai biologique publiées par
Environnement Canada, dans lesquelles on emploie des
vers de terre, des végétaux et des collemboles (EC,
2004a, b et 2007) exigent, comme méthode préliminaire
d’analyse des données quantitatives sur la toxicité
sublétale, l’application de la régression linéaire et non
linéaire. C’est seulement si les résultats ne se prêtent
pas à la régression que l’expérimentateur est autorisé à
recourir à des méthodes moins souhaitables d’analyse.
Après un essai à plusieurs concentrations, il faut
calculer la CI p et ses limites de confiance au seuil de
95 % à l’aide d’un ou de plusieurs modèles de
régression linéaire et non linéaire proposés par
Stephenson et al. (2000). Les modèles ont été
reparamétrés à l’aide des techniques de van Ewijk et
Hoekstra (1993), pour donner automatiquement la CI p
et ses limites de confiance au seuil de 95 % pour toute
valeur spécifiée de p (par ex. la CI 25 ou la CI 50). Les
modèles comprennent un modèle linéaire et les quatre
modèles suivants de régression non linéaire :
exponentiel, de Gompertz, logistique et
hormético-logistique 46 . Des consignes sont données
dans l’annexe O pour appliquer la régression linéaire et
46. On pourrait observer une réaction hormétique (stimulation
à faible dose) dans les observations d’un effet sublétal
correspondant à la ou aux concentrations les plus faibles,
c’est-à-dire à une augmentation des performances à ces
concentrations par rapport à celles du témoin. Par exemple, la
progéniture engendrée à de faibles concentrations pourrait être
plus nombreuse que chez le témoin ou les individus pourraient
être plus lourds que les témoins. Cette réaction est un véritable
phénomène biologique et non le résultat d’une faille dans l’essai.
On devrait analyser ces données au moyen du modèle hormétique.
Les effets hormétiques sont pris en compte dans la régression,
mais ils ne biaisent pas l’estimation de la CI p. La CI 25 estimée
continuerait de correspondre à une réduction de 25 % des
performances par rapport au témoin.
non linéaire à l’aide de la version 11.0 du programme
de statistique SYSTAT 47 . Cependant, on peut utiliser
tout logiciel de statistique capable d’effectuer une
régression linéaire et non linéaire (voir, à la fin du
présent paragraphe, des observations sur d’autres
logiciels de statistique).
Ci-dessous, suivent les descriptions des cinq modèles,
avec de plus amples renseignements dans l’annexe O.
Le modèle exponentiel est une version générale, tandis
que la version codée de l’annexe O comporte des
modifications particulières.
Modèle exponentiel
Y = a × (1 ! p)( C ÷ CI p )
Où :
Y
=
a
=
p
=
C
=
CI p =
la variable dépendante (par ex. le nombre
de jeunes, la longueur des racines ou des
pousses, la masse sèche) ;
l’ordonnée à l’origine (c’est-à-dire la
réaction des organismes témoins) ;
la valeur spécifiée de p, par ex. 0,25 si
l’inhibition est de 25 %) ;
le logarithme de la concentration d’essai ;
la CI p estimée pour l’ensemble des
données.
Modèle de Gompertz
Y = t × exp[log(1! p) × (C ÷ CI p)b ]
Où :
Y
=
t
=
exp
=
p
=
C
=
la variable dépendante (par ex. le nombre
de jeunes, la longueur des racines ou des
pousses, la masse sèche) ;
l’ordonnée à l’origine (c’est-à-dire la
réaction des organismes témoins) ;
l’exposant de la base du logarithme
népérien ;
la valeur spécifiée de p, par ex. 0,25 si
l’inhibition est de 25 %) ;
le logarithme de la concentration d’essai ;
47. On peut acheter la version la plus récente (à partir de 11.0)
de SYSTATz auprès de SYSTAT Software, Inc., 501, Canal
Boulevard, Suite C, Point Richmond, Calif., 94804-2028,
États-Unis, tél : 800-797-7401 ; www.systat.com/products/Systat/.
111
CI p =
b
=
la CI p estimée pour l’ensemble des
données ;
un paramètre d’échelle, estimé entre 1 et 4,
qui définit la forme de l’équation.
t
=
p
=
Modèle hormétique
Y = t × [1 + (h × C)] ÷ { 1 + [(p + (h × C)) ÷ (1
! p)] × (C ÷ CI p)b }
C
=
CI p =
b
Où :
Y
=
t
=
h
=
C
p
=
=
CI p =
b
=
la variable dépendante (par ex. le nombre
de jeunes, la longueur des racines ou des
pousses, la masse sèche) ;
l’ordonnée à l’origine (c’est-à-dire la
réaction des organismes témoins) ;
un descripteur de l’effet hormétique,
estimé petit, habituellement entre 0,1 et
1) ;
le logarithme de la concentration d’essai ;
la valeur spécifiée de p, par ex. 0,25 si
l’inhibition est de 25 %) ;
la CI p estimée pour l’ensemble des
données ;
un paramètre d’échelle, estimé entre 1 et 4,
qui définit la forme de l’équation.
Modèle linéaire
Y = [(! b × p) ÷ CI p] × C + b
Où :
Y
=
b
=
p
=
CI p =
C
=
la variable dépendante (par ex. le nombre
de jeunes, la longueur des racines ou des
pousses, la masse sèche) ;
l’ordonnée à l’origine (c’est-à-dire la
réaction des organismes témoins) ;
la valeur spécifiée de p, par ex. 0,25 si
l’inhibition est de 25 %) ;
la CI p estimée pour l’ensemble des
données ;
le logarithme de la concentration d’essai.
Modèle logistique
Y = t ÷ {1 + [ p ÷ (1 ! p)] × (C ÷ CI p)b }
Où :
Y
=
la variable dépendante (par ex. le nombre
=
de jeunes, la longueur des racines ou des
pousses, la masse sèche) ;
l’ordonnée à l’origine (c’est-à-dire la
réaction des organismes témoins) ;
la valeur spécifiée de p, par ex. 0,25 si
l’inhibition est de 25 %) ;
le logarithme de la concentration d’essai ;
la CI p estimée pour l’ensemble des
données ;
un paramètre d’échelle, estimé entre 1 et 4,
qui définit la forme de l’équation.
Le processus général de sélection du modèle de
régression le plus approprié et de l’analyse statistique
ultérieure des données quantitatives sur la toxicité est
exposé dans la fig. 16. Il débute par l’examen d’un
diagramme de dispersion (nuage de points) ou d’un
graphique linéaire représentant les données
expérimentales, pour déterminer la forme de la courbe
concentration-réponse, que l’on compare ensuite à celle
des modèles disponibles, pour choisir, en vue d’un
examen approfondi, le ou les modèles correspondant le
mieux aux données (v. la fig. O.1 de l’annexe O pour
des exemples des cinq modèles).
Une fois le ou les modèles choisis pour examen
approfondi, on évalue les hypothèses de normalité et
l’homoscédasticité des résidus. Si la régression d’un ou
de plusieurs des modèles examinés satisfait aux
hypothèses, on examine les données (et la régression)
pour y déceler d’éventuelles observations aberrantes.
Le cas échéant, on devrait examiner les procès-verbaux
de l’essai et les conditions expérimentales pour y
dépister des traces d’erreur humaine. Ensuite, on
devrait effectuer l’analyse avec et sans l’observation ou
les observations aberrantes, afin de déterminer leur
effet sur la régression. Il faut prendre une décision sur
la suppression ou non des observations aberrantes de
l’analyse finale, compte tenu de la variation biologique
naturelle et d’autres causes biologiques de l’anomalie
apparente. Nous donnons des conseils supplémentaires
sur la présence d’observations aberrantes et
inhabituelles dans le § O.2.4 de l’annexe O ainsi que
dans le § 10.2. Il est également conseillé d’obtenir
l’avis d’un statisticien qui connaît bien la conduite à
tenir avec les observations aberrantes.
112
Figure 16. — Organigramme général de la sélection du modèle le plus approprié et de
l’analyse statistique des données sur la toxicité quantitative (adapté et
modifié de Stephenson et al., 2000).
113
Si aucune observation n’est aberrante ou si on n’en
supprime aucune de l’analyse finale, on retient le
modèle présentant la plus petite moyenne des carrés des
erreurs résiduelles.
On devrait évaluer la normalité à l’aide du test de
Shapiro-Wilk, décrit dans les § P.2.1 et P.2.2 de
l’annexe P. On peut utiliser, pendant la régression, le
tracé de probabilité normale des résidus, mais cela n’est
pas recommandé comme test unique de la normalité,
parce que la détection d’une distribution « normale » ou
« non normale » dépendrait de l’évaluation subjective
de l’utilisateur. Si les données ne pas suivent la loi
normale, il est conseillé d’essayer un autre modèle, de
consulter un statisticien pour obtenir d’autres conseils
sur la sélection du modèle ou d’appliquer la méthode
moins souhaitable d’interpolation linéaire utilisant le
programme ICPIN (v. le § 6.4 et l’annexe N). Dans les
méthodes récentes d’essais de sol d’Environnement
Canada, le programme ICPIN est l’option de repli pour
l’analyse si la régression ne fonctionne pas (EC, 2004a,
b et 2007).
L’homoscédasticité des résidus devrait être évaluée au
moyen du test de Levene, décrit dans le § P.2.3 de
l’annexe P, et de l’examen des graphiques des résidus
en fonction des valeurs réelles et prévues. Le test de
Levene indique clairement le caractère homogène ou
non des données (comme dans la fig. O.2A de
l’annexe O). Si les données sont hétéroscédastiques, il
faudrait examiner les graphiques des résidus. Si la
variance change significativement et si les graphiques
des résidus présentent une dispersion nettement en
fuseau ou en V (v. la fig. O.2B de l’annexe O), il
faudrait répéter l’analyse à l’aide de la régression
pondérée. Avant de choisir cette dernière, on devrait
comparer l’erreur type de la CI p à celle de la
régression non pondérée. Si les deux erreurs types
diffèrent de plus de 10 %, on choisit d’abord la
régression pondérée 48 . Cependant, si la différence est
inférieure à 10 %, l’utilisateur devrait consulter un
statisticien pour l’application d’autres modèles, sinon
les données pourraient être réanalysées à l’aide de
48. La valeur de 10 % est uniquement fondée sur l’expérience.
Des essais objectifs permettant de juger de l’amélioration due à
la pondération existent, mais ils sortent du cadre du présent
document. On devrait utiliser la pondération uniquement
lorsqu’elle est nécessaire, la procédure pouvant introduire des
complications supplémentaires à la modélisation. On devrait
consulter un statisticien lorsque la pondération est nécessaire.
l’interpolation linéaire (moins souhaitable). On
parachève cette comparaison entre la régression
pondérée et non pondérée pour chacun des modèles
envisagés, tout en poursuivant la sélection finale du
modèle et de la régression. Certains modèles non
divergents pourraient être révélateurs d’un modèle qui
ne convient pas ou qui est erroné (par ex. la fig. O.2C
de l’annexe O), et nous incitons de nouveau l’utilisateur
à consulter un statisticien pour obtenir ses conseils sur
d’autres modèles convenables.
Choix de progiciels de statistiques. — Les
descriptions qui ont précédé font allusion à un progiciel
de statistique polyvalent (SYSTAT), mais l’avenir
pourrait nous apporter des progiciels spécialisés,
conçus pour l’écotoxicologie. Par exemple, le progiciel
CETIS renferme un choix extrêmement riche de
modèles de régression non linéaire. Jackman et Doe
(2003) ont comparé ses estimations de paramètres de
toxicité à celles de SYSTAT pour de nombreux
modèles. Ils ont constaté que les deux progiciels et
divers modèles ont produit des estimations semblables
de la CE 20 à partir d’une sélection de résultats de
véritables essais de toxicité sublétale. Cependant, ils
ont précisé que les résultats ont souvent varié
considérablement selon différentes techniques et que
des méthodes ont donné des résultats tout à fait
inappropriés.
Plus précisément, Jackman et Doe (2003) signalent
avoir obtenu des résultats semblables avec SYSTAT et
CETIS pour 13 ensembles de données sur la toxicité
sublétale à l’égard de divers organismes. Dans deux
autres cas, les résultats obtenus par SYSTAT ont
semblé plus convenables et, dans un autre cas, c’était
l’inverse. Ces deux auteurs ont trouvé que CETIS était
plus compliqué et d’un apprentissage plus difficile que
les anciens progiciels de toxicologie. D’après eux, pour
faire les bons choix statistiques, il faut bien comprendre
les méthodes statistiques (ou disposer d’un ou de guides
très détaillés). Leur recommandation est de fournir aux
non-statisticiens de bons conseils sur le choix du
modèle non linéaire convenable parmi tous ceux
qu’offre le progiciel CETIS. Ils ont aussi fait observer
que si on l’employait pour estimer des CI 50, CETIS
n’estimait pas souvent des limites convenables de
confiance.
114
À mesure que davantage de progiciels de toxicologie
dotés de fonctions de régression non linéaire
deviendront disponibles, il importera de pouvoir
compter sur les conseils d’un statisticien pour les
utiliser. Il sera également souhaitable de pouvoir
comparer les paramètres de toxicité estimés grâce aux
nouveaux progiciels à ceux que l’on estime avec les
progiciels de statistique polyvalents utilisant la méthode
normalisée publiée par Environnement Canada.
6.5.9
Un nouveau programme de régression :
Newtox-Logstat
Repères
• La méthode Newtox-Logstat permet d’obtenir des
estimations ponctuelles par régression. Elle a été
utilisée avec succès au Canada dans les essais sur
l’inhibition de la croissance chez la lentille d’eau.
• Le programme Newtox-Logstat offre une méthode
nouvelle d’estimation ponctuelle de données
quantitatives sur la toxicité sublétale, du moins
sur la croissance végétale. Il offre deux modèles
fondés sur la distribution de Weibull et la
distribution log-normale. Il ne permet pas de
modéliser les effets hormétiques, mais, à l’avenir,
ses capacités pourraient être augmentées.
Créé à l’Université technique du Danemark par les
Drs K.O. Kusk et N. Nyholm, le programme d’analyse
de la toxicité Newtox-Logstat s’inspire d’une méthode
décrite par Andersen (1994). [Les grands principes
d’une méthode similaire ont été publiés par Andersen
et al. (1998), bien que dans un but différent. Une
publication antérieure (Nyholm et al., 1992) avait frayé
la voie à la nouvelle méthode en décrivant les avantages
de la régression non linéaire dans la résolution des
difficultés statistiques posées par les données
quantitatives.] Le programme a été utilisé au Canada,
comme il est décrit dans le texte qui suit. Pour les
chercheurs canadiens, sa source la plus commode est le
Saskatchewan Research Council, en vertu d’une entente
entre les Drs Kusk et Nyholm ainsi que Mary Moody 49 .
49. Mme Mary Moody, chercheure, Environment and Mineral
Branch (Direction générale de l’environnement et des minéraux),
Saskatchewan Research Council, 125 - 15, Innovation boulevard,
Saskatoon S7N 2X8 (moody@src.sk.ca).
La méthode Newtox-Logstat convient aux résultats
quantitatifs d’essais de toxicité sublétale. Elle emploie
une feuille de calcul d’Excel, et on y saisit chaque point
de données et non seulement les effets moyens. Elle
offre le choix entre deux modèles non linéaire fondés
sur la distribution de Weibull et la distribution
log-normale. Elle permet d’estimer la CI p et ses limites
de confiance.
À l’origine, le programme était conçu pour les données
sur les taux de croissance. Il a été utilisé avec succès au
Canada par Moody (2003), pour les données sur la
toxicité inhibant la croissance dans la lentille d’eau
(Lemna sp. ; inhibition de l’augmentation du nombre de
frondes et du poids sec). Moody signale que le modèle
de Weibull a permis le meilleur ajustement visuel aux
données. Un exemple de l’ajustement pour l’inhibition
de nombre de frondes est présenté à la fig. 17.
La méthode Newtox-Logstat offre aux chercheurs
canadiens une méthode de rechange pour l’estimation
des paramètres de toxicité par régression, certainement
pour les essais employant des algues et la lentille d’eau
et probablement pour d’autres effets sur la croissance.
Dans son état actuel, elle n’est pas capable de prendre
en charge le phénomène de l’hormèse dans le modèle.
Ses concepteurs ont proposé de régler arbitrairement les
effets hormétiques à 0 % d’inhibition, pour les besoins
de la modélisation. Moody (2003) a constaté que, en
général, l’hormèse ne gênait pas l’analyse, mais elle a
écarté les données « hormétiques » quand elles faisaient
problème 50 .
50. À partir d’essais d’inhibition de la formation des frondes,
Moody (2003) a comparé 23 paramètres de toxicité estimés par
régression à des paramètres homologues obtenus après lissage et
interpolation (par le programme ICPIN). Les quotients entre les
paramètres (estimés par interpolation / estimés par régression) ont
révélé une similitude complète (quotient moyen de 102 % ;
quotient médian de 96 %). Cependant la diversité était grande
dans les comparaisons individuelles. Les quotients variaient de 42
à 195 %, avec un écart type de 39 %. En supposant que les
paramètres de toxicité estimés par régression sont plus réalistes,
ils représentent une amélioration méthodologique appréciable. La
comparaison des poids secs des plantes a présenté une similitude
plus grande entre les paramètres de toxicité estimés par les deux
méthodes (écart type de 20 %), mais, dans 7 cas, l’interpolation
n’a pas permis d’estimer le paramètre de toxicité ou n’a pas
permis de déterminer les limites de confiance.
115
Figure 17. — Effet du cadmium sur l’inhibition de la croissance des frondes chez Lemna minor (d’après Moody,
2003). La courbe ajustée se fonde sur un modèle de Weibull utilisant les méthodes de Kusk et de
Nyholm inspirées par Anderson (1998) du progiciel Newtox-Logstat.
6.5.10 Modèles linéaires généraux
Repères
• Les modèles linéaires généraux (GLM) et les
modèles linéaires généralisés (GLIM) sont des
catégories générales de modèles statistiques
comprenant de nombreuses techniques statistiques
bien connues.
• La catégorie la plus nombreuse est celle des
GLIM, qui englobe diverses distributions,
notamment la normale, l’exponentielle, la
logistique, celle de Poisson et la distribution
probit. L’approche pourrait s’appliquer aux
études des variables quantiques ou des variables
continues telles que le poids.
• Actuellement, ces notions restent du domaine de
la statistique, mais elles ont été affinées pour
servir dans celui de la toxicologie. Des
développements avantageux pourraient être :
l’obtention d’un progiciel unique, permettant
d’analyser diverses catégories de résultats ; le
transfert de connaissances et de techniques entre
les modèles ; l’utilisation de meilleures méthodes
mathématiques plutôt que de techniques
inexactes ; la comparaison de l’ajustement de
divers modèles. Cependant, les non-statisticiens
trouveraient probablement les progiciels existants
difficiles à utiliser.
L’expression modèles linéaires généraux (GLM)
n’englobe pas une technique particulière, mais, plutôt,
une catégorie d’approches ou de modèles. Les modèles
possèdent une variable dépendante unique, qui est
fonction d’une ou de variables indépendantes. Ainsi, la
régression linéaire simple entre dans cette catégorie,
mais on ne devrait pas se représenter les GLM comme
étant limités aux régressions. Entrent également dans
les GLM les modèles tels que l’analyse de variance et
l’analyse de covariance, qui ne pourraient pas être
considérées comme des modèles « linéaires ». Les
statisticiens feraient remarquer que ces méthodes sont
« linéaires » parce que leurs paramètres entrent dans le
modèle d’une façon linéaire. Gad (1999) donne un
exemple dans lequel la méthode de GLM du logiciel
SAS est mise à contribution pour effectuer une analyse
de variance classique de données toxicologiques
typiques (poids des reins en fonction de plusieurs
doses).
116
Ainsi, les expérimentateurs devraient s’attendre à
trouver beaucoup de techniques d’analyse particulière
dans la catégorie générale des GLM. Les GLM ne
constituent pas un logiciel s’appliquant simplement et
bêtement à un ensemble de données. La plupart des
biologistes ou des toxicologues auraient besoin de la
participation directe d’un statisticien pour appliquer ces
techniques à leur travail. Des GLM ont été décrits par
Searle (1971).
6.5.11 Modèles linéaires généralisés
L’expression modèles linéaires généralisés (GLIM)
représente une catégorie plus large encore de modèles
mathématiques qui englobe les GLM, dont nous venons
de parler. La catégorie a parfois été appelée « modèles
interactifs linéaires généralisés » (generalized linear
interactive models), d’où l’abréviation GLIM.
Leurs grandes capacités ont d’abord fait des GLIM
d’utiles moyens didactiques. Mais la recherche et
l’avènement d’ordinateurs puissants les ont propulsés
sur le devant de la scène des développements et de
l’actualité statistiques. Tous les GLIM ont en commun
la même approche mathématique, mais la catégorie
pourrait englober diverses techniques particulières. Les
techniques elles-mêmes pourraient intéresser plus
directement la toxicologie appliquée que les notions
mathématiques abstraites sur lesquelles les GLIM
reposent. Dobson (2002) a rédigé une introduction à la
question, tandis que McCullagh et Nelder (1994) ont
conçu un manuel plus détaillé pour les statisticiens et
« les biologistes à l’aise avec les chiffres ».
Diverses distributions mathématiques bien connues se
classent sous la rubrique générale des GLIM, y compris
les distributions normale, exponentielle, logistique, la
distribution probit et celle de Poisson. On peut les
décrire mathématiquement de façon à ce qu’un effet
dans n’importe quelle d’entre elles puisse être lié, par
une fonction, à une ou à plusieurs variables
indépendantes. L’effet pourrait être quantique
(dénombrements, mortalités, proportions) ou être une
variable continue telle que le poids. Il existe une
méthode commune de calcul des estimations des
paramètres. Un chercheur pourrait utiliser les GLIM
pour évaluer la dépendance d’un effet à l’égard d’une
seule variable indépendante telle que la concentration
(par régression) ou une structure plus complexe de
variables indépendantes tel qu’un traitement collectif
(analyse de variance) ou des traitements et des
covariables (analyse de covariance ).
Dans une série de communications, Bailer et Oris
(1993 ; 1994 ; 1997) et leurs associés (Bailer et al.,
2000a, b) ont donné un appui enthousiaste à l’emploi
des GLIM dans les analyses toxicologiques. Ils ont
montré que leur modèle général de régression peut
s’ajuster à différents effets, qu’ils soient dénombrés,
dichotomiques ou continus. La régression peut servir à
estimer la CI p et à contourner les problèmes
conceptuels existant dans le programme informatique
ICPIN (Bailer et Oris, 1997), étant « supérieure [au
programme ICPIN] pour ce qui concerne le biais,
l’erreur quadratique moyenne et le taux de couverture »
(Bailer et al., 2000b). Bailer et Oris (1994) font
observer que le logiciel permettant d’ajuster les GLIM
est d’accès facile (par ex. la macro GLIM de la
procédure NLIN du logiciel SAS. Dans les publications
antérieures, les limites de confiance ne sont pas
estimées, mais Bailer et Oris (1997) énumèrent des
options que l’on pourrait élaborer en les dotant d’une
base mathématique défendable.
L’emploi des GLIM et des GLM qui en font partie
confère plusieurs avantages, comme suit :
• Un seul progiciel peut remplacer l’éventail de
programmes dont on a besoin pour analyser des
effets non normaux et linéaires.
• L’expérimentateur peut se servir des mêmes
connaissances générales des types de modèles
faisant partie des GLIM (par ex. signification,
qualité de l’ajustement, test d’hypothèses).
• On peut cesser d’utiliser les approches qui
englobent des raccourcis inexacts et des
techniques à des fins particulières datant de
l’époque antérieure à l’avènement de l’ordinateur
et adopter plutôt de meilleures méthodes
mathématiques.
• La comparaison de l’ajustement aux données sur
la relation dose-effet de diverses distributions
(par ex. probits, logistique, Gompertz) est simple.
En même temps, les GLIM souffrent de limites et
d’inconvénients. Bien qu’il existe un progiciel
117
autonome pour les GLIM, les biologistes pourraient en
trouver l’utilisation difficile. L’achat d’un progiciel de
plus d’envergure tel que SAS permettrait d’employer
les GLIM, mais les utilisateurs devraient apprendre à
faire appel aux techniques appropriées et à les
maîtriser. Manifestement, les GLIM sont utiles à la
recherche en toxicologie, mais les essais de toxicité en
routine ou à des fins réglementaires suivront
probablement des pistes toutes faites, telles les conseils
donnés en matière de statistique dans les méthodes
d’Environnement Canada.
6.5.12 Reparamétrage
Cette approche à l’analyse des données sur la toxicité
découle du désir d’estimer les paramètres de toxicité et
leurs limites de confiance et de les exprimer en fonction
d’une concentration particulière (CE 50, CI 25), bien
que les essais de toxicité aient été mis au point avec la
concentration comme variable indépendante. Le degré
d’effet était, en réalité, la variable dépendante.
Pourtant, on se sert d’un degré fixe d’effet pour
calculer le paramètre de toxicité en unités de
concentration. Cette « inversion » de la régression pour
choisir un paramètre de toxicité entraîne des
complications statistiques, décrites dans le § 9.4. Une
façon de contourner le problème est le reparamétrage
pour créer un modèle renfermant le paramètre de
toxicité auquel on s’intéresse. L’approche a été adoptée
par Stephenson et al. (2000), puis modifiée dans les
méthodes récentes d’Environnement Canada (§ 6.5.8).
Repères
• Dans les essais d’écotoxicité, l’effet mesuré est la
variable dépendante. Pour calculer le paramètre
de toxicité, cependant, on se sert d’un degré fixe
d’effet, comme si c’était la variable indépendante,
afin de calculer la concentration correspondante
de matière toxique (le paramètre de toxicité). Cela
entraîne une « inversion » de la relation.
• Le reparamétrage implique une modification du
modèle statistique décrivant la relation, de façon
à intégrer le paramètre de toxicité (la CI p,
disons) et ses limites de confiance en tant que
variables à estimer par le modèle. C’est ce que
font les techniques de régression linéaire et non
linéaire d’Environnement Canada (annexe O).
• Cette façon de faire pourrait diminuer les
performances des modèles, avec, comme pénalité,
la nécessité d’accroître le nombre de répétitions
pour obtenir des résultats satisfaisants.
• D’autres auteurs ont publié des approches à la
modélisation non linéaire, et nous en exposons
brièvement des exemples.
Le reparamétrage commence par un modèle statistique
usuel, tel que le modèle de régression non linéaire. Si on
doit estimer la CI 25, on « reparamètre » l’équation de
régression en y incluant la CI 25 comme paramètre.
Cela permet d’estimer directement la CI 25 et ses
limites de confiance sans devoir employer les
techniques de régression inverse.
Cette opération comporte des inconvénients. L’analyse
statistique, notamment, pourrait fonctionner moins
bien. Par exemple, le modèle hormético-logistique
(§ 6.5.8) s’est révélé très sensible au choix de
l’algorithme d’optimisation. Il est donc souhaitable
d’éprouver un nombre de concentrations plus grand que
la normale.
Les premiers, Bruce et Versteeg (1992) ont décrit le
reparamétrage dans un excellent exposé de l’emploi de
la régression non linéaire sur les données quantitatives
sur la toxicité. Ils ont éprouvé la méthode sur des essais
de toxicité sublétale avec l’algue Pseudokirchneriella
subcapitata, des têtes-de-boule et des crustacés du
sous-ordre des mysidés. Les courbes résultantes des
effets mesurés à différents logarithmes de la
concentration semblaient des ajustements lissés. Le
programme a alors reparamétré l’équation de la droite
ajustée pour estimer la CI p logarithmique et ses limites
de confiance, pour n’importe toute valeur choisie de p.
Ayant fondé leur modèle sur « sur une courbe en forme
de S dérivée de la fonction de répartition d’une loi
normale », Bruce et Versteeg (1992) divulguent le code
pour l’exécution de l’analyse avec le logiciel SAS. Un
autre exemple est donné par Andersen et al. (1998).
Cette marche à suivre a été intégrée dans les modèles
offerts pour les nouvelles méthodes d’essai
d’Environnement Canada (EC, 2004a, b et 2007),
décrites dans le § 6.5.8 et l’annexe O.
118
6.5.13 Autres exemples de tentatives de régression
Nous exposerons les méthodes de régression utilisées
par d’autres auteurs. Elles semblent prometteuses, mais
leur application exige que l’on s’y connaisse.
Slob (2002) a décrit une famille de modèles non
linéaires, semblables à ceux dont nous venons de
discuter. Les analyses sont effectuées par un progiciel
d’utilisation facile, appelé PROAST, disponible dans
l’institut néerlandais où travaille Slob. L’une des
qualités des régressions est de permettre la
détermination de la dose critique (Critical Effect Dose
[CED]), qui est reliée à un degré négligeable ou
acceptable d’effet sur les organismes en expérience.
Andersen et al. (1998) ont recommandé une régression
non linéaire généralisée pour estimer la CI p et ses
limites de confiance. Pour choisir une fonction
particulière de régression, ils ont utilisé un graphique
sur lequel les données étaient portées. Pour leur
analyse, ils ont fusionné des routines numériques
usuelles, y compris un codage en FORTRAN 90. Leur
méthode a fait appel à la « variance et à la covariance
non homogènes empiriques pour l’estimation de la
courbe dose-réponse ». Une version tournait sur la
plate-forme Windows 95.
Scholze et al. (2001) ont utilisé 10 fonctions sigmoïdes
différentes de régression, les mieux connues étant les
régressions probit, logit, de Weibull, logit généralisées
et trois options des fonctions Box-Cox. Toutes les
fonctions ont été ajustées à un ensemble particulier de
données, et on a retenu le meilleur ajustement au moyen
de deux étapes de tests (des résidus, puis de la qualité
de l’ajustement). On a estimé les limites de confiance
par la méthode bootstrap. La méthode a été confirmée
grâce à une prédiction remarquable de la toxicité totale
d’un mélange de 14 substances à différents modes
d’action. L’effet prévu sur l’inhibition de la
luminescence bactérienne était 36 %, ce qui est presque
identique aux 39 % effectivement observés.
Moore et Caux (1997) ont appliqué cinq modèles
« génériques » à des données quantiques et
quantitatives. Les meilleurs ajustements ont
habituellement été obtenus par une équation logistique
à trois paramètres, dont un avait une pente fortement
inclinée. Ils ont aussi essayé trois modèles logistiques,
un modèle probit à deux paramètres et un modèle de
Weibull à deux paramètres. Ils ont exclu les polynômes
d’ordre supérieurs, peu plausibles du point de vue
biologique. Leur progiciel, employant une feuille de
calcul, se servait du logarithme de la concentration et
donnait un maximum de vraisemblance convenable
avec chaque modèle (Caux et Moore, 1997). Le logiciel
a livré une estimation de qualité de l’ajustement, des
graphiques établis avec les données observées et dotés
d’une courbe ajustée ainsi que les CE p ou les CI p
correspondant aux valeurs petites et grandes de p.
Parmi 198 ensembles de données sur la toxicité
sublétale, ils en ont choisi 65, dans lesquels la relation
dose-effet était convenablement monotone et un effet au
moins était partiel. Ils ont analysé les 65 ensembles à
l’aide de leur méthode et ils ont allégué un ajustement
adéquat dans une quarantaine de cas
Baird et al. (1995) ont prétendu qu’il suffisait de
seulement deux modèles paramétriques non linéaires
pour expliquer divers résultats sur la toxicité. À l’aide
d’un modèle logistique dose-réponse et d’un modèle
puissance, ils ont ajusté de 77 à 100 % des essais
quantitatifs de toxicité sublétale effectués avec des
ménés, des oursins, des ormeaux et des laminaires
géantes (ou macrocystes). Le modèle puissance avait la
forme y = bxc et il s’ajustait à des droites ainsi qu’à des
distributions concaves ou convexes vers le haut.
Cependant, leur validation a été incertaine, du fait que
leurs données hypothétiques possédaient des étendues
arithmétiques fortement irréalistes et que les données
logarithmiques ont été analysées à l’aide de
concentrations arithmétiques. Les données sur la
laminaire géante ont été ajustées et représentées
graphiquement sous forme de courbe, mais,
apparemment, elles auraient épousé la forme d’une
droite si on avait utilisé une bonne échelle
logarithmique de concentration.
6.6
Seuils estimés par régression
Repères
• Un mouvement international aspire à la mise au
point des méthodes qui permettraient d’estimer la
concentration vraie ou absolue sans effet pour
une population d’organismes. Ce serait une
valeur théorique, qui devrait être estimée par des
techniques de régression.
119
• Aux Pays-Bas, on a construit de tels modèles pour
estimer la concentration sans effet ou la dose
critique.
• Les modèles « en bâton de hockey » permettent
d’estimer un tel seuil d’effet. Le long manche est
constitué de la régression normale de la relation
concentration-effet, tandis que la lame représente
l’arrière-plan d’effets normaux. L’intersection des
deux droites est censée représenter un seuil.
En Europe et ailleurs, un mouvement aspire à la
construction de modèles de la toxicité permettant
d’estimer la « vraie » concentration sans effet (OECD,
2004). Cette estimation serait une concentration
absolue sans effet, qui est un paramètre de la
population et non de l’échantillon soumis à l’essai
(Anonyme, 1994). Le but serait approché par des
techniques de régression et non par un test d’hypothèse
qui estime la concentration sans effet observée (CSEO)
dans un échantillon, plutôt que la vraie concentration.
Nous donnons des exemples de ces avancées
européennes dans le § 6.6.2.
6.6.1
Seuils estimés par le modèle en bâton de
hockey
On peut modéliser le seuil de toxicité sublétale
quantitative au moyen d’un modèle dit « en bâton de
hockey ». C’est un modèle linéaire de régression
puisque deux droites sont ajustées aux résultats de
l’essai. La droite évoquant le manche s’applique à la
relation dose-effet habituelle, tandis que ce qui tient lieu
de lame serait une droite parallèle à l’axe des
concentrations (fig. 18). Zajdlik (1996) a franchi les
étapes mathématiques de l’ajustement d’un tel modèle
et, d’après lui, cette opération n’est pas difficile.
La description de Zajdlik confère beaucoup d’attrait à
l’approche, qui permet d’estimer un seuil apparemment
objectif et significatif d’effet se situant à l’intersection
des deux droites. Il fait remarquer des inconvénients
potentiels tels que le problème général de l’ajustement
d’une relation dose-effet incurvée. Parfois, un toxique
particulier pourrait ne pas manifester un seuil d’effet
(les faibles concentrations agiraient simplement plus
tard). Zajdlik (1996) mentionne qu’il pourrait être plus
coûteux d’effectuer l’expérience pour ce type
d’analyse, mais que les coûts seraient équilibrés par les
avantages d’une estimation objective d’une
concentration sans danger pour l’environnement.
La méthode discutée par Zajdlik (1996) a été utilisée
par d’autres auteurs. Un excellent exemple concerne
l’incidence de lésions hépatiques chez les poissons
benthiques, en fonction de la présence d’aromatiques
polycycliques (HAP) dans les sédiments (Horness
et al., 1998). La représentation graphique (fig. 18)
montre l’incidence naturelle des lésions distribuées
horizontalement le long de l’un des segments du « bâton
de hockey », sur un intervalle de faibles concentrations
logarithmiques d’HAP. Puis, on constate un
changement brusque, le second segment de la régression
montrant une augmentation linéaire des lésions
coïncidant avec les concentrations logarithmiques
supérieures. Les ajustements semblent convenables,
bien que les intervalles de confiance soient plutôt larges
dans les graphiques A et D. L’intervalle de confiance ne
figure pas dans le graphique B, mais il pourrait être
large. Cependant, l’estimation d’un seuil apparent
d’effet toxique à l’intersection des deux segments
semble un élément d’information très utile.
Pour cette analyse, Horness et al. (1998) ont traité les
deux segments (droites) comme une seule fonction
discontinue, définie par une régression simple. Les
concentrations d’HAP ont été transformées en
logarithmes avant l’analyse, bien que cela ait pu avoir
été effectué dans le cadre des calculs. Horness et al.
font remarquer que des techniques numériques
itératives d’estimation des paramètres de régression non
linéaire sont de plus en plus souvent offerts dans les
progiciels commerciaux usuels, et ils ont utilisé le
progiciel de statistique JMP® de SAS.
L’utilité potentielle des « paramètres de toxicité estimés
grâce au modèle de bâton de hockey » est éloquemment
prouvée par Beyers et al. (1994), qui ont estimé des
seuils de toxicité 2 à 4 fois plus bas que la CSEO
estimée par un test d’hypothèse. Ils ont étudié la
toxicité de pesticides pour le poisson, et leurs
ajustements du modèle en bâton de hockey semblent
satisfaisants. Ils ont aussi utilisé le logiciel de
statistique développé par SAS.
6.6.2
Estimation de la concentration sans effet par
régression
La régression non linéaire devrait être utilisable pour
estimer des seuils d’effet toxique, approche qui a été
120
Figure 18. — Exemples de régression en bâton de hockey (d’après Horness et al., 1998). Les graphiques
représentent les données pour certains types de lésions hépatiques chez des soles anglaises capturées
dans des localités de la côte du Pacifique. Les échelles verticales représentent la prévalence chez le
poisson. Les axes horizontaux mesurent la teneur en hydrocarbures aromatiques totaux dans les
sédiments séchés du fond, prélevés dans les mêmes localités. Les concentrations seuils sont indiquées
par des flèches, tandis que les bandes ombrées représentent les intervalles de confiance (IC).
121
tentée aux Pays-Bas. Slob (2002) a montré l’emploi
d’une famille de régressions non linéaires pour
déterminer la dose critique, reliée à un effet négligeable
chez les organismes en expérience (v. le § 6.5.13).
De même, Kooijman et Bedaux (1996) offrent une
description et un logiciel pour estimer le paramètre de
toxicité sublétale appelé « concentration sans effet
(CSE). Leur programme est conçu principalement pour
l’analyse des méthodes d’essais de toxicité sublétale
déterminer la dose critique, reliée à un effet négligeable
chez les organismes en expérience (v. le § 6.5.13).
De même, Kooijman et Bedaux (1996) offrent une
description et un logiciel pour estimer le paramètre de
toxicité sublétale appelé « concentration sans effet
(CSE). Leur programme est conçu principalement pour
l’analyse des méthodes d’essais de toxicité sublétale
publiées par l’OCDE sur la croissance des poissons, la
reproduction de la daphnie ou puce d’eau (Daphnia) et
la croissance des algues. Ils mentionnent que le
programme peut aussi produire des analyses des
données quantiques sur la mortalité (CL 50), des
concentrations efficaces (CE 50) et des temps efficaces
(TE 50), tous accompagnés de leurs limites de
confiance. Ces allégations n’ont pas été validées pour
le présent document d’Environnement Canada.
Le programme semble bien conçu, clair et facile à
utiliser. Les données fournies à titre d’exemple sont
traitées facilement par le programme ; ce dernier estime
les paramètres de toxicité et l’information à l’appui,
mais il ne donne pas d’indications des modèles et des
méthodes utilisées pour obtenir les réponses 51 . Le
programme offre des graphiques imprimables si on le
désire. Malheureusement, les concentrations ont été
représentées sur une échelle arithmétique qui donne au
lecteur une impression déformée des asymptotes, des
seuils apparents et de l’allure générale des courbes.
L’approche fondée sur la concentration sans effet est
également intégrée dans une fonction mathématique de
l’inhibition de la croissance de la population dans les
essais employant des algues (Kooijman et al., 1996).
On dit que l’équation fonctionne bien, parvenant à
l’efficacité des analyses logistiques, log-normales ou
par la méthode de Weibull (N. Nyholm, Université
technique du Danemark à Lyngby, communication
personnelle, 2001).
Les avantages de l’approche fondée sur la
concentration sans effet sont évidents. Elle utilise des
méthodes statistiques appropriées, c’est-à-dire
l’ajustement d’une régression. Elle satisfait la demande
d’un paramètre de toxicité représentant le seuil d’effet,
censément l’absence d’effet.
Kooijman et Bedaux (1996) ont glissé la disquette du
programme informatique (programme DEBtox, pour
Dynamic Energy Budget, ou bilan énergétique
dynamique) dans une monographie. Publié en 1996, le
programme tournait sur la plate-forme Windows 3.1 ou
95. Des versions plus récentes fonctionnent sous
Windows et Unix et sont offerts dans Internet à
l’adresse suivante : www.bio.vu.nl/thb/deb/deblab/. Les
fonctions du programme ont été décrites en détail,
récemment, dans un guide de l’OCDE (OECD, 2004).
51. Une tentative de saisie de données nouvelles a échoué.
L’opérateur canadien a réussi à saisir des chiffres dans certaines
positions du tableau de données initiales, mais il n’a pas réussi à
découvrir quelles parties du tableau devaient recevoir les données
sur les concentrations, le temps, le nombre d’organismes en
expérience et l’effet. Il n’a pas pu obtenir de conseils sur ces
points.
122
Section 7
Tests d’hypothèse(s) pour déterminer la concentration sans effet observé (CSEO) et la
concentration avec effet minimal observé (CEMO)
7.1 Pertinence générale pour les essais
d’écotoxicité
Repères
• Le test d’hypothèse détermine les différences
statistiquement significatives entre les résultats
obtenus avec le témoin et les résultats obtenus à
chaque concentration.
• C’est une approche qui convient aux essais à
concentration unique comme aux essais de
surveillance.
• Dans un essai à plusieurs concentrations, le test
d’hypothèse(s) permet d’identifier la CSEO et la
CEMO.
• L’estimation de la CSEO et de la CEMO est une
option dans certaines méthodes d’essai de la
toxicité sublétale publiées par Environnement
Canada. Cependant, elle ne représente pas un bon
paramètre toxicologique dans les essais à
plusieurs concentrations, pour plusieurs raisons,
les suivantes notamment :
— Les paramètres de toxicité sont définis
statistiquement plutôt que biologiquement ; une plus
grande variabilité dans l’essai conduit à des valeurs
plus élevées de la CSEO et de la CEMO.
— En dépit de l’impression qu’elle donne, la CSEO ne
représente pas nécessairement une concentration
sans danger (inoffensive) dans l’environnement.
— Les paramètres de toxicité peuvent seulement être
des concentrations qui ont effectivement été
éprouvées et, de ce fait, ils sont exposés aux effets du
hasard ou des plans d’expérience.
— Les calculs donnent une paire de concentrations
plutôt qu’un seul paramètre de toxicité.
— On ne peut calculer aucune limite de confiance.
• La moyenne géométrique de la CSEO et de la
CEMO peut servir à représenter un paramètre
unique de toxicité que l’on devrait appeler la
concentration avec effet de seuil observé (CESO).
Elle présente les mêmes inconvénients que la
CSEO et la CEMO.
7.1.1 Essais à concentration unique
Le test d’hypothèse(s) est le mode opératoire normalisé
pour les essais de toxicité dans lesquels on a employé
des répétitions d’une concentration et un témoin
(par ex. des échantillons de sédiment d’un
emplacement). C’est une méthode statistique
appropriée, et il n’y en a pas d’autres. Les techniques
disponibles sont décrites dans la section 3.
On peut comparer un traitement et un témoin à l’aide
du test t. Il ne faut pas répéter les tests t multiples sur
un ensemble d’échantillons au lieu d’effectuer un test
de comparaisons multiples. Il existe des modifications
particulières du test t (annexe P.4.4).
D’ici la fin de la section, il sera question d’essais
comportant au moins deux concentrations ou deux
collections d’échantillons.
7.1.2 Essais à plusieurs concentrations
Le principal paramètre de toxicité que nous
recommandons d’estimer est une estimation ponctuelle
telle que la CI 25. Le test d’hypothèse(s) est considéré
comme secondaire. Cependant, plusieurs méthodes
d’Environnement Canada permettent l’emploi du test
d’hypothèse(s) si on le désire. En conséquence, nous
exposons ci-dessous des méthodes en ce sens,
puisqu’elles pourraient s’appliquer à une situation
particulière et, aussi, permettre l’évaluation de travaux
antérieurs ayant utilisé cette méthode statistique.
Les variables estimées dans le test d’hypothèse(s)
seraient la concentration sans effet observé (CSEO) et
la concentration avec effet minimal observé (CEMO).
La méthode habituelle de détermination de la CSEO et
de la CEMO consiste à comparer, statistiquement,
l’effet observé chez les témoins aux effets observés à
chaque concentration expérimentale (v. les § 7.4 et
7.5). Le test d’hypothèse(s) est souvent utilisé, en partie
123
parce qu’il s’agit de méthodes bien établies. L’analyse
de variance et les méthodes non paramétriques sont très
accessibles, relativement faciles à utiliser et robustes à
l’égard des données irrégulières. Cependant, de plus en
plus de publications signalent les nombreuses carences
de l’approche fondée sur le test d’hypothèse(s) (Suter
et al., 1987 ; Miller et al., 1993 ; Pack, 1993 ; Noppert
et al., 1994 ; Chapman, 1996 ; Chapman et al.,
1996b ; Pack, 1996 ; Suter, 1996 ; Moore et Caux,
1997 ; Bailer et Oris, 1999 ; Andersen et al., 2000 ;
Crane et Newman, 2000 ; Crane et Godolphin, 2000).
Parmi les douteurs, on trouve des écotoxicologues et
des statisticiens canadiens (Miller et al., 1993). Voici
quelques-unes des limites de cette méthode :
• La CSEO et la CEMO ne peuvent avoir que des
valeurs égales aux concentrations effectivement
utilisées. Comme ces concentrations ont été
décidées par l’expérimentateur, les paramètres de
toxicité pourraient être exposés à des influences
fortuites, au caprice ou à la manipulation.
• La CSEO et la CEMO sont particulièrement
sensibles à la variabilité interne de l’essai,
puisqu’elles dépendent de la détermination d’une
différence statistiquement significative par rapport
à l’effet observé chez le témoin. Un essai
soigneusement mené et ayant abouti à un résultat
précis abaisserait la CSEO, tandis qu’un essai
aux résultats très variables entraîneraient une
CSEO plus élevée. Ainsi, les paramètres de
toxicité CSEO et CEMO ne correspondent à
aucun point particulier de la courbe dose-effet.
puissance dans le plan d’expérience (§ 7.23). On
pourrait exiger qu’il soit démontré qu’un essai
possédait une puissance suffisante pour, disons,
déceler un effet de 25 %.]
• Ne pouvant calculer aucune limite de confiance
pour le paramètre de toxicité, on ne peut pas
comparer statistiquement différentes CSEO.
• La CSEO, en raison de l’attrait de cette
appellation pour le commun des mortels, pourrait
être confondue avec une concentration
« inoffensive » par les non-toxicologues, même si
cette concentration peut correspondre à des effets
appréciables.
• En estimant une CSEO, on tend à s’opposer
quelque peu à une règle fondamentale de la
méthode scientifique, parce qu’on tente de
« prouver » une hypothèse nulle de l’absence
d’effet.
En toute justice, on devrait faire remarquer que ces
limitations ne sont pas propres au test d’hypothèse(s).
La plupart se retrouvent dans d’autres méthodes
d’analyse des résultats des essais. Par exemple, les
intervalles classiques de confiance de la CI 25 et de la
CE 25 dépendent de la justesse de l’hypothèse utilisée
par le modèle pour les produire. Il est même rare que
l’on reconnaisse cette hypothèse, sans parler de la
tester.
• La puissance statistique de l’analyse de variance
et du test de comparaisons multiples est souvent
faible, en raison du nombre relativement peu élevé
de répétitions. Moins de répétitions entraînent une
CSEO plus forte, de sorte qu’il pourrait y avoir
une incitation soit à réduire, soit à augmenter le
nombre de répétitions selon l’orientation que l’on
entend donner au programme.
L’importance de la précision des résultats et du choix
de la méthode statistique est révélée par un exemple
donné par Crane et Godolphin (2000). Ceux-ci
présentent des données hypothétiques concernant un
essai de toxicité létale sur le même effluent par le
laboratoire A, qui a obtenu des résultats précis, et le
laboratoire B, qui a obtenu des résultats variables.
L’analyse par le test de Dunnett (actuellement le test de
comparaisons multiples le plus employé) donne une
CSEO de 2,2 % pour laboratoire A et de 22 % pour
laboratoire B. Le choix d’autres tests statistiques donne
une CSEO estimée très variable, qui va de 1,0 à 10 %,
dans le cas des résultats du laboratoire A, et de 2,2 à
46 %, dans le cas du laboratoire B (v. le § 7.5.1).
[On pourrait remédier à cette situation, en
s’attachant davantage aux caractéristiques de la
On peut donner d’autres exemples particuliers. Suter
et al. (1987) ont montré que l’estimation de la CSEO et
• Les valeurs de la CSEO et de la CEMO
dépendent dans une certaine mesure de la méthode
d’analyse statistique employée.
124
de la CEMO ne donnait de paramètres de toxicité
satisfaisants. Lorsque des études de la toxicité sublétale
pour le poisson ont été analysées par régression non
linéaire, une comparaison avec les résultats du test
d’hypothèse(s) a montré que les moyennes
géométriques de la CSEO et de la CEMO (les
concentrations avec effet de seuil observé [CESO] :
v. le texte qui suit) étaient associées à des effets de
12 % sur l’éclosion, de 19 % sur la survie des larves et
de 20 % sur la survie des parents et le poids des larves,
de 35 % sur la masse d’un œuf et de 42 % sur la
fécondité. Ce sont des effets relativement puissants, qui
montrent certainement que les CESO peuvent être
éloignées d’un véritable seuil d’effet. Une analyse
semblable des résultats de 14 essais de toxicité
sublétale a montré que la CSEO (et non la CESO)
correspondait à des effets sublétaux qui variaient de 3
à 38 % (moyenne géométrique de 14 %) [Crane et
Newman, 2000].
Pour ce qui concerne l’attrait de l’appellation
concentration sans effet observé (CSEO), on relève,
dans le compte rendu de la réunion de Québec, que le
test d’hypothèse(s) est une désignation attrayante du
point de vue réglementaire et gestionnel, parce qu’il
donne l’impression de répondre à la question que l’on
se pose sur la toxicité ou non d’une concentration
donnée dans l’environnement (Miller et al., 1993). Les
écotoxicologues sont conscients que toute réponse à
cette question par la détermination de la CSEO et de la
CEMO pourrait être erronée, en raison des problèmes
que nous venons d’exposer.
7.1.3 Expression des résultats sous forme de seuil
On calcule souvent la moyenne géométrique de la
CSEO et de la CEMO afin de n’avoir qu’un seul
nombre à manipuler plutôt que deux. Une désignation
recommandée pour cette moyenne géométrique est celle
de concentration avec effet de seuil observé (CESO).
Ici, seuil, conformément au dictionnaire, signifie point
à partir duquel un effet commence à se manifester. Une
telle valeur peut être utilisée et signalée, en
reconnaissance du fait qu’elle représente une estimation
arbitraire d’un seuil d’effet qui pourrait se situer
n’importe où dans l’intervalle entre la CEMO et la
CSEO et qui serait assujetti à toutes les incertitudes de
ces valeurs (§ 7.1.2).
On s’est servi de l’expression concentration maximale
acceptable de toxique (CMAT), principalement aux
États-Unis (sous l’abréviation MATC), comme d’un
paramètre empirique de la toxicité dans les essais de
toxicité sublétale couvrant le cycle vital des sujets
d’expérience. L’expression a été galvaudée par divers
auteurs, qui lui ont prêté les significations suivantes :
a) moyenne géométrique de la CSEO et de la CEMO ;
b) CSEO ; c) valeur indéterminable, située entre la
CSEO et la CEMO ; d) intervalle allant de la CSEO à
la CEMO. Dans les publications récentes on tend à
abandonner cette CMAT ou MATC galvaudée en lui
préférant les expressions CSEO et CEMO ; nous
recommandons l’emploi de l’abréviation CESO ou
concentration avec effet de seuil observé. Les
estimations ponctuelles conviennent davantage à la
détermination de seuils (section 4).
7.2
Particularités du plan d’expérience dans
le test d’hypothèse(s)
Repères
• En analyse de variance, l’emploi de mesures non
répétées, comme si c’étaient des répétitions,
pourrait entraîner des erreurs majeures.
• « Erreur á » ou « erreur de première espèce »
signifient « faux positif », c’est-à-dire le fait de
conclure à l’existence d’une différence entre des
traitements alors que, en réalité, il n’existe pas de
différence réelle. « Erreur â » ou « erreur de
seconde espèce » signifient l’acceptation d’une
hypothèse nulle de l’absence de différence bien
qu’une différence réelle existe.
• La plupart des expérimentateurs fixent le niveau
de signification (á) à la probabilité (p) de 0,05. Il
s’ensuit que l’on peut s’attendre à ce que 5 % des
essais de toxicité présentent une différence
attribuable au seul hasard, d’où la possibilité de
commettre une erreur á une fois sur 20.
• â (bêta) est la probabilité de commettre une
erreur â. Elle est inversement proportionnelle à á,
de sorte que, si l’on choisit de faibles valeurs de
p, la probabilité d’erreur â augmente. La
puissance d’un essai (1 ! â), est la capacité de
discrimination d’un essai. La plupart des
expérimentateurs ne choisissent pas le plan
125
Tableau 4. — Types d’erreur dans les tests d’hypothèses et probabilités associées (d’après USEPA et USACE,
1994).
Conclusion tirée du test
d’hypothèse
Situation réelle des populations
Aucune différence (H0 est vraie)
Différence (H0 est fausse)
Acceptation l’hypothèse nulle
(on conclut que H0 est vraie)
Correct
(probabilité = 1 - á)
Erreur â
(probabilité = â)
« faux négatif »
Rejet de l’hypothèse nulle
(on conclut que H0 est fausse)
Erreur á
(probabilité = niveau de signification = á)
« faux positif »
Correct
(probabilité = puissance
= 1 ! â)
d’expérience en fonction de â ni de la puissance, bien
que cela puisse être souhaitable.
• Appliquée à une situation réelle, l’erreur á
aboutirait, en écotoxicologie, à des limites de
rejet plus rigoureuses ou à un traitement
supplémentaire des déchets, mesures qui
pourraient ne pas être nécessaires. L’erreur â
augmenterait la probabilité d’atteinte à
l’environnement.
• On devrait signaler la différence significative
minimale (DSM) comme une autre façon de
décrire la puissance d’un essai de toxicité. La
DSM est la plus petite différence en pourcentage
entre les résultats obtenus avec le témoin et les
résultats obtenus avec un traitement qui serait
statistiquement différente dans le cadre du plan
d’expérience de l’essai de toxicité.
• L’application inverse de la DSM est la
« bioéquivalence » ; avant d’entreprendre l’essai
de toxicité, on fixe, comme critère de validité de
l’essai, un degré de différence acceptable entre le
traitement et le témoin.
• On ne devrait normalement pas appliquer le test
d’hypothèse(s) à des données quantiques non
transformées. On peut cependant l’appliquer si
les répétitions réunissent des observations
quantiques sur au moins 100 individus, nombre
est suffisamment élevé pour s’approcher d’une
distribution quantitative. Il est actuellement
quelque peu utilisé, bien que des méthodes
supérieures puissent être désormais exigées.
7.2.1 Répétitions et unités expérimentales
Dans le test d’hypothèse(s), il importe beaucoup
d’identifier les unités expérimentales et les vraies
répétitions ou échantillons réitérés (explications dans le
§ 2.5 et avertissement ici). Une désignation des
répétitions qui manquerait de rigueur pourrait mener à
une analyse et à des conclusions extrêmement erronées.
En particulier, les organismes se trouvant dans une
enceinte expérimentale unique ne seraient pas des
répétitions, mais des unités d’échantillonnage.
7.2.2 Erreurs á et â
Dans un test d’hypothèse, il est particulièrement facile
de formuler des conclusions erronées d’une manière soit
excessivement optimiste, soit excessivement prudente.
Le sujet est étroitement apparenté à la notion de
puissance du test statistique utilisée dans le test d’une
hypothèse (v. le § 7.2.3). La notion est également reliée
à la question de signification statistique par opposition
à celle de signification biologique (§ 9.3).
On commet une erreur á ou de première espèce
(« faux positif ») quand on rejette l’hypothèse nulle,
alors que cette dernière est en réalité vraie (c’est-à-dire
que l’on conclut à une différence qui n’existe pas). On
commet une erreur â ou de seconde espèce (« faux
négatif ») quand on accepte (c’est-à-dire quand on ne
rejette pas) l’hypothèse nulle d’une absence de
différence, qui existe en réalité. Le tableau 4 montre les
relations existant entre les conclusions des tests et la
vraie situation (inconnue).
126
La plupart des expérimentateurs maîtrisent
partiellement ces erreurs en fixant le niveau de
signification (á) pour la tolérance de faux positifs
(erreur á). Presque toujours, á est fixé de façon à ce
que la probabilité (p) égale 0,05. Dans ce cas, on peut
s’attendre à ce qu’un test sur 20 (5 % ou 0,05) révèle
une différence apparemment significative par le seul
effet du hasard, c’est-à-dire que les éléments que l’on
compare sont fortement divergents, mais pas vraiment
différents. En conséquence, il existe une probabilité de
1/20 de conclure à un « faux positif » ou de commettre
une erreur á. Si on attribuait à á une valeur plus grande
(disons 0,1), la probabilité de conclure à un faux positif
augmenterait (dans cet exemple, on s’attendrait à un
écart de probabilité dans un essai sur 10). Si á était
petit (0,01), on s’attendrait à ce que seulement un essai
sur 100 donne lieu à une erreur á (mais lire le texte qui
suit pour savoir à quel prix).
La probabilité de commettre une erreur â (ou de
seconde espèce) est appelée â (bêta), la probabilité
d’accepter l’hypothèse nulle quand, en réalité, elle est
fausse (tableau 4). La valeur de â est rarement fixée de
façon délibérée par l’expérimentateur avant la
réalisation de l’essai (v. le texte qui suit), mais elle est
déterminée en grande partie par le choix initial d’á. Il
existe une relation inversement proportionnelle entre á
et â, et, à mesure que diminue le niveau de signification
(plus la valeur attribuée à á est petite, moins on risque
de commettre l’erreur á), â augmente et, de la sorte, la
probabilité de commettre l’erreur â. Autre facteur : plus
le plan de l’expérience est puissant (par ex. plus de
répétitions, § 7.2.3), moins l’erreur â est probable,
Les statisticiens relient habituellement â à la puissance
du test, 1 ! â, et que l’on peut définir comme suit :
a) la « capacité de discrimination » du test ;
b) la probabilité de conclure correctement qu’il existe
une différence ou (mieux encore) ;
c) la « probabilité de rejeter l’hypothèse nulle quand
celle-ci est en réalité fausse et devrait être rejetée ».
Lorsque l’on applique les résultats d’essais de toxicité
au monde réel, les erreurs á et â ont des conséquences
très différentes. Conclure à tort à la présence d’un effet
toxique (erreur á), si cela s’applique à un rejet
industriel ou à la fixation de limites de qualité de l’eau,
pourrait mener à des restrictions plus rigoureuses ou à
un traitement plus poussé des déchets. Les
conséquences seraient une marge plus large de sécurité
pour la nature et un coût accru pour l’activité
humaine 52. D’autre part, ne pas déceler une différence
réelle (erreur â) pourrait donner une impression non
justifiée de sécurité à l’égard de la matière soumise à
l’essai, ce qui aboutirait probablement à un milieu
récepteur nocif pour les organismes. Du point de vue
écologique, les erreurs â sont plus graves. En
conséquence, le niveau de signification (á) ne devrait
pas être fixé à des niveaux excessivement rigoureux. Le
choix d’un niveau de signification de 0,01 au lieu de
0,05 pourrait sembler une norme rigoureuse, mais cela
diminuerait aussi la puissance du test, augmenterait la
probabilité d’erreur â et augmenterait la possibilité de
conséquences nuisibles pour l’environnement.
7.2.3 Puissance d’un essai de toxicité
Dans le § 7.2.2, nous avons présenté la notion de
puissance d’un test statistique dans le test
d’hypothèse(s). La puissance subit l’influence de
plusieurs facteurs :
• le niveau de signification (á) choisi par
l’expérimentateur ;
• la variabilité des répétitions ;
• la grandeur de l’effet (c’est-à-dire de l’effet
véritable, visé par l’essai) ;
• n, le nombre d’échantillons ou de répétitions
utilisées dans l’essai.
Le calcul de la puissance (d’un essai) peut servir a
priori à la détermination de la grandeur de l’erreur â et
à la probabilité de résultats qui sont des faux négatifs
(USEPA et USACE, 1994). L’expérimentateur peut
choisir trois des quatre éléments énumérés dans la liste
qui précède et les intégrer dans le plan d’expérience. Le
quatrième, la variabilité, est difficile à prévoir, mais on
peut l’estimer à partir d’expériences antérieures ou
d’essais préliminaires. En conséquence, il pourrait être
52. Grâce à une expérience au résultat surprenant, Moore et al.
(2000) ont montré l’importance du choix du niveau de puissance
et du niveau de signification statistique. Ils ont demandé à des
laboratoires d’analyser des échantillons d’eau synthétisée en
laboratoire, non toxique, en leur faisant croire qu’il s’agissait
d’échantillons d’eau usée. 6 des 14 laboratoires ont signalé que
l’eau était toxique. Moore et al. (2000) n’ont pas pu trouver de
raisons plausibles à ce niveau élevé d’erreur á. Ils proposent des
solutions, notamment des critères supplémentaires pour
l’acceptation des essais de toxicité.
127
long ou ennuyeux d’intégrer la puissance dans le plan
d’expérience d’un essai, ce qui explique pourquoi on ne
le fait pas souvent. Un plan d’expérience prévoyant une
puissance convenable pourrait signifier la nécessité
d’un essai d’envergure, ce qui, économiquement et
logistiquement, est peu attrayant. Dans ce cas,
l’expérimentateur devrait au moins reconnaître les
limites de l’essai et la possibilité d’aboutir à une
conclusion erronée.
Aucune valeur standard n’a été mise au point pour la
puissance d’un essai, ni pour son fondement, qui est le
taux d’erreur â. Pour â, le taux d’erreur de 10 % (la
puissance = 90 %) a été adopté pour la surveillance des
effets dans les mines de métaux (EC, 2002b), et on
pourrait le considérer comme un objectif convenable.
Cependant, même à ce taux, toute conclusion sur
l’absence d’effet toxique pourrait être peu fiable. À un
taux de puissance de 90 %, un essai sur 10 pourrait ne
pas révéler d’effet, du seul fait du hasard, peut-être en
raison d’un échantillon de petite taille ou de la
variabilité des organismes. Il est sage de tempérer les
conclusions selon lesquelles « il n’y a pas effet » en
ajoutant : « pour ce plan d’expérience et un essai de
cette puissance ». Pour un essai de faible puissance, il
pourrait être plus réaliste d’annoncer un résultat peu
concluant plutôt que d’affirmer qu’il n’y a pas d’effet.
On a enjoint aux toxicologues de préciser á et la
puissance statistique (1 ! â) comme indications de la
possibilité de tirer des conclusions erronées dans un
sens comme dans l’autre. La plupart des gens
éprouvent des difficultés avec la puissance et ne la
signalent pas. En effet, les formules précises de cette
notion assez complexe diffèrent selon les divers tests
statistiques. Vu cette complexité, nous exposons dans
le § 7.2.4 une solution de rechange utilisant la
d i f férence sig n i f i c a t i v e m i n i m a l e . L es
expérimentateurs souhaitant signaler la puissance
d’expériences de toxicité devraient consulter USEPA et
USACE (1994).
7.2.4 Différence significative minimale
La différence significative minimale (DSM) est un cas
particulier de la puissance d’un essai donné, et on peut
la considérer comme un indice de la puissance . Comme
la DSM est une caractéristique du logiciel employé
pour beaucoup de tests de comparaisons multiples
(§ 7.5), le fait de la signaler remédie en partie à la
difficulté de communiquer la puissance d’un essai de
toxicité.
La signification exacte de différence significative
minimale dépend du test statistique envisagé. En
général, la DSM est la grandeur de la différence qui
devrait exister dans les mesures moyennes (poids,
par ex.), entre le témoin et une concentration d’essai,
pour qu’on puisse conclure à un effet significatif à cette
concentration. Manifestement, la DSM augmente en
même temps que la variation à chaque concentration.
On exprime souvent la DSM en pourcentage. Par
exemple, une DSM de 12 % signifierait qu’une
différence de 12 % entre les mesures correspondant à
une concentration et celles qui correspondent au témoin
serait la différence minimale décelable dans l’essai de
toxicité. (Autrement dit, si une différence de 12 % était
constatée, on la considérerait comme statistiquement
significative, pour le mode opératoire utilisé).
Si on signalait la CSEO et la CEMO comme
paramètres de toxicité, il serait avantageux de préciser
la DSM. L’utilisateur des résultats aura une idée
quelque peu meilleure de la variabilité dans un essai
donné et de l’interprétation plus ou moins étroite à
donner aux résultats. Environnement Canada exige la
déclaration de la DSM dans les rapports assujettis à ses
programmes, pour les tests statistiques permettant de la
déterminer. Il est fortement recommandé de préciser
aussi la DSM dans les rapports relevant d’autres
autorités (Miller et al., 1993).
Tous les tests de comparaisons multiples paramétriques
tels que les tests de William et de Dunnett (§ 7.5)
donnent la DSM ou son équivalent. Malheureusement,
dans la pratique courante actuelle, les tests non
paramétriques (tels que le test multiunivoque de Steel
ou le test de sommation des rangs de Wilcoxon) ne
donnent aucun analogue utile.
Valeurs acceptables de la DSM. — Jusqu’ici,
Environnement Canada ne s’est donné aucune ligne
directrice pour décider de l’acceptabilité d’une DSM.
À la réunion du Groupe consultatif sur la statistique, il
a été envisagé, mais non décidé, d’adopter une limite,
qui permettrait, par ex., d’invalider un test dont la
DSM excéderait 50 % (Miller et al., 1993).
128
L’État du Washington a adopté une DSM de 40 %
pour les essais de toxicité sublétale, pour les besoins de
la réglementation (WSDOE, 1998). L’USEPA (2000b)
a proposé des maximums recommandés pour
l’acceptation des résultats de certains essais de toxicité
(tableau 5). Les valeurs découlent de l’examen d’une
base nationale de données sur 23 modes opératoires
utilisés sur des toxiques de référence pendant une
décennie dans 75 laboratoires. Peu importe la valeur de
probabilité (á) choisie, les maximums s’appliqueraient.
Il semble, à la lecture du tableau 5, que la valeur
normale de la DSM est beaucoup plus une
caractéristique individuelle des divers essais de toxicité.
Apparemment, il ne convient pas d’attribuer une valeur
à la DSM pour tous les organismes et tous les modes
opératoires. Dans les essais de mesure d’un double
effet, les valeurs recommandées ne s’appliquent qu’à
l’effet sublétal.
Dans une étude objective, Wang et al. (2000) sont
arrivés à la même conclusion (nécessité de DSM
différentes pour différents essais). Ils ont conclu, à
partir d’essais avec des ensembles appropriés de
données, que les limites de la DSM pouvaient être
fixées scientifiquement, grâce à une équation assez
complexe, fournie par eux, qui dépendait de plusieurs
autres variables, notamment de la puissance du test
statistique et de la différence décelable souhaitée par
rapport au témoin. Aucune valeur unique, calculée
mécaniquement, n’a pu être donnée.
7.2.5 Bioéquivalence
Bioéquivalence est le nom donné au test relié à la
DSM. Cet outil de test d’hypothèse a pour effet
d’inverser l’approche générale et d’utiliser l’hypothèse
nulle à l’envers. On fixe d’abord un degré de différence
acceptable, entre les performances du témoin et celles
qui correspondent aux concentrations d’essai.
L’hypothèse nulle est la suivante : les résultats de
l’essai ne s’écartent pas de la normale de plus de la
différence acceptable. On teste cette hypothèse au
moyen d’un traitement statistique.
Shukla et al. (2000) ont montré les avantages de la
bioéquivalence. Beaucoup d’essais de toxicité dans
lesquels on a constaté un effet appréciable et que l’on
a jugés valides en vertu de la méthode classique, en
raison de la forte variabilité interne de l’essai, ont
échoué (de façon méritée) en vertu de l’approche dite de
bioéquivalence. Beaucoup d’essais n’ayant révélé qu’un
effet légèrement toxique, dans lesquels la matière à
l’étude avait « échoué » en vertu de la méthode
classique, à cause d’une légère variabilité interne de
l’essai, ont reçu une note (méritée) de passage en vertu
de la méthode dite de bioéquivalence. Les bases
statistiques de la méthode de bioéquivalence sont
exposées dans Wellek (2002).
La méthode de bioéquivalence exige l’accord sur ce qui
constitue un effet biologique significatif, ce qui n’est
pas décidé pour la plupart des essais d’Environnement
Canada (v. le texte qui précède). Cependant, dans les
essais canadiens, on a commencé à vouloir définir les
limites d’un effet acceptable. La surveillance
réglementaire des effluents industriels exige
habituellement que les essais de létalité aiguë montrent
un effet de moins de 50 %. Cela ne signifie pas que la
mort de près de la moitié des organismes en expérience
est acceptable. Ce paramètre de toxicité a été adopté
parce qu’on pouvait l’estimer avec une exactitude et
une fiabilité convenables. En outre, on pensait qu’une
maîtrise suffisante de la toxicité dans le déchet rejeté
permettrait la mise en place de conditions satisfaisantes
après la dilution dans le milieu récepteur.
Le Programme canadien d’immersion en mer a des
exigences quelque peu plus contraignantes pour deux
essais de toxicité.
Le sédiment ne passe pas l’essai effectué avec des
oursins (EC, 1992f) si la réussite de la fécondation est
inférieure de 25 % au taux de réussite dans l’eau
témoin. Dans l’essai employant des amphipodes marins
(EC, 1992d ; 1998b), même constat si la survie est
inférieure de 20 % au taux de survie dans le sédiment
de référence ou inférieure de 30 % au taux de survie
dans le sédiment témoin (Porebski et Osborne, 1998 ;
Zajdlik et al., 2000). Il faut également que la différence
soit statistiquement significative. Autrement dit, l’effet
apparemment nuisible ne devrait pas résulter du hasard.
Il faut également satisfaire aux critères de validité d’un
essai de toxicité. Les scientifiques du Programme
d’immersion en mer ont voulu que ces limites soient
raisonnablement représentatives d’une différence
écologiquement significative par rapport à la variabilité
naturelle des populations. Ils étaient grandement
conscients des connaissances limitées ayant présidé à la
129
Tableau 5. — Différences significatives minimales (DSM) recommandées par l’USEPA pour des effets sublétaux
manifestés dans certains essais de toxicité (d’après USEPA, 2000b).
Méthode d’essai publiée par l’USEPA
Effet mesuré
DSM maximale
Reproduction
37 %
Tête-de-boule, survie et croissance des larves
Croissance
35 %
Capucette béryl (Menidia beryllina), survie et croissance des larves
Croissance
35 %
Crustacé mysidé, survie, croissance et fécondité
Croissance
32 %
Cyprinodon varié (Cyprinodon variegatus), survie et croissance des larves
Croissance
23 %
Croissance et
reproduction
23 %
Ceriodaphnia, reproduction et survie
Pseudokirchneriella subcapitata, croissance et reproduction
fixation de ces limites, mais, manifestement, des limites
étaient nécessaires pour les programmes réglementaires.
La validation du choix est le sujet d’une étude (Zajdlik
et al., 2000).
7.2.6
Emploi des techniques sur les données
quantiques
On peut utiliser le test d’hypothèse(s), technique
normalement quantitative, pour évaluer les effets
quantiques, mais, d’habitude, on ne devrait pas le faire.
Une exception, cependant, serait si les données étaient
convenablement transformées, comme il est exposé
dans les § 2.9.2 et 2.9.3.
7.3
Préparatifs du test par analyse de
variance
Le test d’hypothèse(s) est une méthode bien reconnue,
possédant une approche générale, communément
utilisée dans la recherche en pharmacologie et sur la
santé humaine. Il dispose d’un ensemble de techniques
statistiques, utilisables sur des données quantitatives,
c’est-à-dire variables en grandeur entre les individus,
par ex. la taille, le poids ou le nombre de tumeurs 53 .
Repères
Une autre exception serait si chaque répétition
renfermait au moins 100 observations ; l’analyse
quantitative pourrait servir directement, comme nous en
avons discuté dans le § 6.1.1. Un exemple est l’essai de
fécondation d’oursins (EC, 1992f) dans lequel, avec des
données quantiques sur la fécondation de 100-200 œufs
par récipient, il est satisfaisant de traiter les données
comme si elles représentaient une distribution continue.
• Pour le test d’hypothèse(s) appliqué à des
résultats quantitatifs, on recherche des différences
statistiques dans les effets de l’exposition à
différents traitements. Il doit y avoir des
répétitions. Souvent, les différents traitements
seraient une série de concentrations et un témoin
(le texte qui suit répond à cette hypothèse).
Si les répétitions comptent peu d’individus, disons
moins de 100, les résultats doivent être analysés comme
s’ils étaient des données quantiques.
• Le test de Shapiro-Wilk sert à estimer la
normalité de la distribution des données, tandis
que le test d’O’Brien (ou celui de Levene ou de
Bartlett) permet de juger de l’homogénéité des
variances des divers traitements. Grâce à des
53. Certains essais dont les résultats sont quantiques peuvent
être analysés au moyen d’un test d’hypothèse(s) si le nombre
d’observations est grand (§ 7.2.6).
130
résultats favorables, l’expérimentateur peut
passer aux analyses paramétriques. Le traçage
d’un graphique pourrait aider à estimer la
normalité.
• Si les données ne se conforment pas à la
normalité ni à l’homogénéité de la variance, on
pourrait les y amener en leur faisant subir une
transformation. L’analyse pourrait ensuite se
poursuivre avec les méthodes paramétriques
classiques.
• Si les données transformées ne sont toujours pas
conformes à la normalité et à l’homogénéité de la
variance, il faut employer des méthodes non
paramétriques d’analyse. Les analyses
paramétriques ne seraient pas valides, mais on
pourrait également en réaliser pour comparer les
sensibilités estimées. Les méthodes paramétriques
sont relativement robustes pour les petits écarts
par rapport à la normalité et à l’homogénéité de
la variance ; pour les écarts légers, les résultats
de l’analyse paramétrique pourraient être
communiqués en sus de ceux, qui sont exigés, de
l’analyse non paramétrique.
La démarche fondamentale consiste à adopter une
hypothèse nulle selon laquelle les effets manifestés par
les organismes exposés aux concentrations ne seront
pas différents de ceux que l’on constate chez les
organismes témoins. On effectue ensuite l’essai de
toxicité et on mesure les degrés d’effet dans les groupes
répétés d’organismes exposés à une ou à plusieurs
concentrations ainsi que chez les organismes témoins.
Quand on utilise des méthodes paramétriques, la
comparaison des degrés d’effet révèle si les différences
entre les groupes différemment exposés (variation
intergroupes) sont statistiquement supérieures à la
variation intragroupe (correspondant à chaque
traitement) d’ensemble. Dans les méthodes non
paramétriques, la comparaison se fonde sur le
classement relatif des traitements. Si le traitement n’a
aucun effet, le classement moyen devrait être le même
pour les divers traitements. Si on ne décèle aucune
différence entre une concentration expérimentale,
n’importe laquelle, et le témoin, comparativement au
« bruit » général entre les répétitions, l’expérimentateur
accepte l’hypothèse nulle, c’est-à-dire que la ou les
conditions expérimentales ont eu un effet nul. S’il
existe une ou des différences significatives entre le ou
les traitements, d’une part, et le témoin, d’autre part, on
rejette l’hypothèse nulle et, automatiquement, on
accepte l’hypothèse alternative, selon laquelle la
matière à l’étude a exercé un effet réel, c’est-à-dire de
la toxicité.
Les méthodes statistiques générales employées en
écotoxicologie ont connu un bon développement dans
les années 1980 et 1990 (travaux cités dans
l’annexe P). Wellek (2002) donne les renseignements de
base statistiques. La fig. 19 présente l’organigramme
général du test d’hypothèses. D’habitude, si l’essai de
toxicité est bien planifié et produit des effets constants
chez les organismes en expérience, il suivra un
parcours vertical vers le bas, dans le centre de cette
figure, tandis que les essais souffrant de quelque
irrégularité ou de quelque problème se déporteront vers
la droite. Les essais de comparaisons multiples les plus
recommandés sont indiqués au bas de la figure, avec
des solutions de rechange si le premier choix n’est pas
accessible. Quelques autres sont mentionnées dans le
texte.
L’expérimentateur devrait représenter les résultats de
l’essai sur un graphique, même si test d’hypothèse(s) ne
permet pas d’ajuster une droite aux données. L’examen
du tracé à permet d’évaluer le caractère convenable de
la CSEO et de la CEMO et de constater toute anomalie
dans les données (v. les exemples du § 10.4).
Bien que les concentrations expérimentales aient dû être
choisies dans une suite géométrique (§ 2.2), dans les
circonstances habituelles, l’échelle de concentration
n’est pas un facteur dans l’analyse statistique, laquelle
porte sur les effets. Les concentrations ne servent que
d’étiquettes aux groupes.
7.3.1
Tests de normalité et de comparaison de
variances
L’analyse de variance est au cœur du test
d’hypothèse(s) dans l’analyse paramétrique. Elle se
fonde sur des hypothèses selon lesquelles les données
obéissent à la distribution normale et que les variances
des divers groupes ou traitements sont semblables. Les
mêmes hypothèses s’appliquent aux tests paramétriques
de comparaisons multiples qui suivent l’analyse de
variance. L’expérimentateur doit vérifier s’il est
satisfait à ces hypothèses avant d’appliquer l’analyse de
variance. Les tests sont énumérés dans le présent
Figure 19. —
Méthode LSD de Fisher
Test de Tukey
Deux à deux
Test de
Shirley
Non
Oui
Test de Nemenyi-Damico-Wolfe
Test de sommation des
rangs de Wilcox on
Test multiunivoque de Steel
Test de Fligner-Wolfe
Test de Kruskal-Wallis
Comparer au témoin
Ordonné ?
Non paramétrique
Test de
Jonckheere
-Terpstra
Test de
Hayter
-Stone
Transformation
appropriée ?
Aucune satisfaisante
Comparer au témoin Deux à deux
Oui
Hétérogène
Non normale
Estimations de la CSEO, de la CEMO avec différence significative minimale
Test de Dunnett
Comparer au
témoin
Non
Paramétrique
Distribution homogène
Test de Bartlett, de Levene ou
d’O’Brien
Distribution normale
Test de Shapiro-Wilk
Test d’hypothès e(s)
[CSEO et CEMO]
Test de Critchlow-FlignerSteel-Dwass
Test de comparaison
par paires de Steel
Test de Kruskal-Wallis
Test de
Kruskal-Wallis
Deux à deux
Organigramme des analyses statistiques pour les tests d’hypothèses dans les essais de toxicité. Les cases
entourées d’une double bordure dénotent des tests d’hypothèse nulle. Ce n’est que si cette hypothèse est rejetée
que l’analyse peut passer au test de comparaisons multiples.
Test de Williams
Comparer au
témoin
Oui
Ordonné ?
ANOVA
Signaler l’hormèse. Modifier les
données ou l’analyse au besoin.
Interpolation
Voir la fig. 15.
Régression
Estimation
ponc tuelle
(CI p)
Graphique tracé à la main
Données expérimentales
131
132
paragraphe et sont décrits plus en détail dans le § P.2
de l’annexe P. Il doit y avoir au moins deux répétitions
pour tous ces tests statistiques et il est souhaitable qu’il
y en ait davantage ; les déficiences des tests de
comparaisons multiples s’aggravent si le nombre de
répétitions diminue.
Si l’un des tests de qualification échoue, il faut analyser
les données par des méthodes non paramétriques de
rechange (§ 7.5.2). Si la non-conformité est petite, il
pourrait être avantageux d’effectuer des analyses
paramétriques et non paramétriques et d’en
communiquer les résultats (§ 7.3.2).
Normalité. — On recommande le test de Shapiro-Wilk
pour tester la normalité, plutôt que le test de
Kolmogorov-Smirnov, offert dans certains programmes
informatiques. Le test de Shapiro-Wilk est décrit dans
le § P.2.1 de l’annexe P, accompagné d’un exemple.
L’analyse se fonde sur les résidus, avec un échantillon
dont la taille minimale est de 3. Les programmes
informatiques usuels de toxicologie s’occupent des
calculs compliqués. La comparaison finale utilise une
valeur critique (W), trouvée dans les tables (Shapiro et
Wilk, 1965 ; D’Agostino, 1986), et l’expérimentateur
peut évaluer le degré de non-conformité.
En outre, l’obtention d’un graphique des données pour
chaque répétition ou concentration pourrait être
instructive (v. la fig. P.1, dans l’annexe P). Le
graphique pourrait laisser entrevoir la cause apparente
de la non-normalité ou de la non-homogénéité.
Homogénéité de la variance. — Nous recommandons
le test de Levene (1960), mais, malheureusement, ce
test ne fait pas partie des progiciels conçus pour
l’écotoxicologie. Le test de Levene évite un problème
qui se manifeste dans le test de Bartlett : l’extrême
sensibilité aux données non normales. Le test de Levene
se fonde sur la moyenne des écarts absolus des
observations par rapport à la moyenne des traitements.
Il est peu facile à trouver, mais on pourrait l’appliquer
par traitement manuel des données (§ P.2.3, annexe P).
Le test d’O’Brien (O’Brien, 1979) est supérieur à celui
de Levene sous certains aspects mathématiques ;
cependant, il est presque introuvable, même dans les
manuels.
Le test de Bartlett (1937) est usuel dans les progiciels
d’écotoxicologie pour tester l’homogénéité de la
variance. Nous le décrivons dans le § P.2.3 de
l’annexe P. Il a l’inconvénient d’être très sensible aux
données qui ne pas suivent la loi normale,
particulièrement les distributions asymétriques. Un
ensemble de données pourrait être rejeté à cause d’une
conclusion erronée sur l’homogénéité de la variance.
Le point de chacun de ces tests est l’hypothèse nulle
selon laquelle il n’existe pas de différence entre les
variances des traitements. Si les variances diffèrent de
façon importante, une analyse de variance ultérieure est
invalide. Ces tests reposent sur l’hypothèse selon
laquelle les observations suivent la loi normale. Les
données fondées sur des proportions ne devraient
normalement pas être soumises à ces tests (§ P.2.4 de
l’annexe P).
7.3.2
Décisions après le test de distribution
données
Les résultats qui réussissent les tests de Shapiro-Wilk
et de Levene ou de Bartlett devraient être analysés par
des méthodes paramétriques, c’est-à-dire l’analyse de
variance. Les données qui ne satisfont à aucun de ces
tests pourraient être transformées pour répondre aux
exigences. On soumet les données transformées à des
tests de normalité et d’homogénéité et si elles satisfont
aux exigences, on les analyse à l’aide de méthodes
paramétriques usuelles. La transformation entraîne
cependant des complications et des inconvénients,
décrits dans le § 2.9.2.
Si les données originales ou transformées ne satisfont
à aucun test de distribution des données, l’analyse doit
employer des méthodes non paramétriques (fig. 19).
Les tests de normalité et d’homogénéité de la variance
peuvent être excessivement sensibles, parfois, tandis
que les tests d’analyse de variance et de comparaisons
multiples sont plutôt robustes à l’égard des
non-conformités mineures (§ P.2.4). En conséquence,
si un ensemble de données déviait légèrement ou
modérément de la normalité ou de l’homogénéité de la
variance, l’expérimentateur pourrait souhaiter consulter
un statisticien sur les méthodes convenables d’analyse.
Nous recommandons la réalisation d’une analyse
paramétrique et non paramétrique et d’en communiquer
les résultats. La plus sensible des deux analyses devrait
133
donner l’estimation définitive de la toxicité 54 .
On devrait également présenter les résultats des tests de
Shapiro-Wilk’s et d’O’Brien (ou de Bartlett) avec un
graphique des résultats bruts. La raison en est que les
tests paramétriques sont souvent plus puissants pour
déceler des effets toxiques, même quand les données
renferment des irrégularités mineures.
7.4
Analyse de variance
On effectue une analyse de variance pour les tests
paramétriques. On teste ainsi l’hypothèse nulle (H0 )
selon laquelle il n’existe pas de différence dans l’effet
moyen entre les traitements (concentrations). La plupart
des expérimentateurs connaissent bien l’analyse de
variance, et cette dernière est offerte dans la plupart des
progiciels de toxicologie. Elle est davantage décrite
dans le § P.3. Dans l’analyse de variance, on compare
la variation entre les effets moyens correspondant aux
divers traitements (concentrations) et la variation des
effets correspondant aux répétitions de chaque
concentration. On compare le quotient entre les deux
variations aux valeurs critiques présentées dans les
tables pour déterminer s’il existe une ou plusieurs
différences significatives entre les traitements. S’il
n’existe pas de telles différences, l’analyse se termine
là, et on adopte l’hypothèse nulle. Si, au contraire,
l’analyse révèle une différence, elle peut se poursuivre
54. Il semble y avoir, à cet égard, des appuis pour plus de
souplesse. Un groupe de statisticiens et d’autres professionnels
ayant rédigé une analyse sur l’écotoxicité pour l’OCDE (OECD,
2004) avait une opinion étonnamment détendue sur les tests
formels de normalité et d’homogénéité. Dans le paragraphe
consacré au choix entre des méthodes paramétriques et non
paramétriques, il déclare que « l’inspection visuelle des données
peut avoir montré que la dispersion est plus ou moins symétrique
et homogène... que, dans ce cas, on peut vouloir analyser les
données par les méthodes paramétriques usuelles, fondées sur la
normalité ». Plus loin, le groupe ajoute que, « lorsque les
données semblent se conformer aux hypothèses (après inspection
visuelle) d’une analyse paramétrique particulière, c’est la
méthode évidente à choisir. On peut vérifier plus avant les
hypothèses à la fin de l’analyse (par ex. en examinant les résidus
...). On peut noter que l’analyse paramétrique fondée sur des
hypothèses normales est raisonnablement robuste aux légères
infractions contre les hypothèses. » « Des tests formels existent
également..., mais il est à noter qu’une infraction légère aux
hypothèses n’est pas préoccupante, et les tests ne mesurent pas le
degré d’infraction. Pour la plupart des expérimentateurs, il serait
difficile de juger de ce qui constitue une « infraction légère »,
auquel cas on devrait obtenir les conseils d’un statisticien.
par un test de comparaisons multiples pour identifier
les différences.
Repères
• Lorsque les données sont conformes à la
normalité et à l’homogénéité de la variance, la
première étape du test paramétrique est une
analyse de variance pour déceler une différence
globale entre les traitements. Dans l’analyse de
variance, on compare la variation entre les
concentrations et la variation de fond
correspondant à chaque concentration.
• Si l’analyse de variance permet de déceler une
différence globale, on la fait suivre d’un test de
comparaisons multiples pour décider quelle(s)
concentration(s) a (ont) causé des effets différents
de ceux du témoin. Cela permet de déterminer la
concentration avec effet minimal observé
(CEMO). La concentration immédiatement plus
faible est la concentration sans effet observé
(CSEO). On recommande le test de Williams s’il
y a un ordre de concentrations dans les
traitements ou, dans le cas contraire, le test de
Dunnett. On recommande le test de la plus petite
différence significative de Fisher pour une
comparaison deux à deux (chaque traitement avec
chacun des autres). Il existe des tests de
remplacement.
• Pour l’analyse non paramétrique des données
ordonnées, on recommande le test de
comparaisons multiples de Shirley pour comparer
les traitements au témoin, bien que la méthode ne
soit pas facilement accessible. Pour la
comparaison deux à deux, le test de
Jonckheere-Terpstra serait l’analogue non
paramétrique de l’analyse de variance. Si ce test
aboutit au rejet de l’hypothèse nulle, on devrait le
faire suivre du test de Hayter-Stone pour une
comparaison multiple par paires (deux à deux)
des effets des traitements.
• Pour l’analyse non paramétrique des résultats
non ordonnés et la comparaison des traitements
avec le témoin, on devrait vérifier l’hypothèse
nulle au moyen du test de Fligner-Wolfe. Si
l’hypothèse est rejetée, on recommande le test des
étendues multiples de Nemenyi-Damico-Wolfe. À
134
défaut de pouvoir se servir de ce dernier, les
solutions de rechange sont le test de sommation
des rangs de Wilcoxon et le test multiunivoque de
Steel. Pour la comparaison deux à deux, on
devrait utiliser le test de Kruskal-Wallis pour
l’hypothèse nulle. Si ce dernier est rejeté, on
devrait ensuite appliquer le test de comparaisons
multiples de Critchlow-Fligner-Steel-Dwass ; au
cas ou ce test ne serait pas accessible, nous
énumérons des tests de remplacement.
L’analyse de variance donne ce que l’on appelle la
variance de l’erreur ou le terme d’erreur résiduelle
pour tout test ultérieur de comparaisons multiples
(§ 7.5). Les programmes informatiques modernes
d’analyse de variance peuvent traiter les données dont
le nombre de répétitions est inégal et produire le terme
correct d’erreur résiduelle pour tout test ultérieur de
comparaisons multiples.
7.5
Tests de comparaisons multiples
On applique un test de comparaisons multiples pour
déterminer quels traitements provoquent des effets
significativement différents des effets observés chez le
témoin et, si on le souhaite, différents les uns des
autres. Les divers tests de comparaisons multiples
(parfois appelés tests des étendues multiples)
permettent des comparaisons quelque peu différentes.
L’expérimentateur choisit le test approprié (fig. 19).
Parce que ceci est un test d’hypothèse(s), aucun des
tests ne tient compte de la valeur numérique de la
concentration, mais deux d’entre eux (les tests de
Williams et de Shirley) tiennent compte des effets
moyens dans l’ordre de la concentration et trouvent le
premier effet qui diffère de celui que l’on observe chez
le témoin. En conséquence, quand les données sont
ordonnées, comme dans un essai employant une série de
concentrations, la préférence va au test de Williams
(paramétrique) ou à celui de Shirley (non
paramétrique) 55 .
55. Les statisticiens pourraient préférer des approches
différentes de celles des tests de comparaisons multiples, au
moins pour ce concerne les données paramétriques. Ils pourraient
choisir de lancer des comparaisons en utilisant les énoncés
intégrés dans les modèles linéaires généraux (GLM) et les
modèles linéaires généralisés (GLIM) [v. le § 6.5.2.].
Nous discutons des tests de comparaisons multiples
dans les paragraphes qui suivent et nous les expliquons
plus en profondeur dans les § P.4 et P.5 de l’annexe P.
On trouvera des détails mathématiques dans Newman
(1995) ou dans les manuels classiques de statistique.
Beaucoup de tests importants sont offerts dans divers
progiciels.
7.5.1 Tests paramétriques
Nous recommandons fortement le test de Williams
(Williams, 1972) parce qu’il tient compte de l’ordre des
concentrations, croissant ou décroissant. Cette qualité
convient à la plupart des essais de toxicité. Le test de
Williams compare les effets correspondant à chaque
concentration avec les effets observés chez le témoin,
comme cela est courant dans beaucoup d’essais à
plusieurs concentrations. On compare les statistiques de
l’essai, dans l’ordre, à la valeur critique. La première
statistique à excéder la valeur critique indique une
différence significative de cette moyenne par rapport au
témoin. D’une puissance statistique supérieure, le test
de Williams est notablement plus sensible pour
l’estimation d’une CEMO inférieure que les autres tests
disponibles (§ P.4.1, annexe P).
Le test de Williams repose sur l’hypothèse selon
laquelle les données correspondant aux concentrations
suivent la distribution normale et sont homogènes. Il
doit aussi y avoir une suite monotone de concentrations,
sinon les moyennes devraient être lissées, bien que cela
risque de réduire la sensibilité du test. Le lissage
pourrait être offert dans les nouveaux logiciels de
toxicologie, sinon on peut l’effectuer par calculs
manuels. Les statistiques du test sont estimées par l’une
des deux formules simples utilisables, selon qu’il se
trouve un nombre égal ou inégal d’observations
contribuant aux valeurs moyennes. La valeur critique,
correspondant au taux souhaité d’erreur á et aux degrés
de liberté de l’erreur, est tirée des tables (Williams,
1972) si les données ne sont pas trop « déséquilibrées »
selon les critères exposés par cet auteur. On peut
trouver les tables correspondant aux cas déséquilibrés
dans Hochberg et Tamhane (1987). Le test perd en
puissance lorsque les données ne sont pas équilibrées,
et l’OCDE (OECD, 2004) invoque des preuves selon
lesquelles on ne devrait pas l’appliquer à des résultats
fortement déséquilibrés. Le test de Williams, qui est
l’objet d’une autre discussion dans le § P.4.1 de
l’annexe P, a été examiné en détail par l’OCDE
135
(OECD, 2004, annexe), tandis que Newman (1995) en
a exposé la marche à suivre.
Le test de Dunnett, comme celui de Williams, compare
la moyenne de chaque groupe avec le témoin, mais il est
moins puissant parce qu’il ne tient pas compte de
l’ordre des concentrations (tableau P.3 ; Dunnett,
1955 ; 1964). Si les échantillons n’obéissent à aucun
ordre implicite, par ex. divers sédiments soumis
simultanément à un essai à une seule concentration, on
peut employer le test de Dunnett plutôt que celui de
Williams. Le test de Dunnett a préséance sur celui de
Williams, dans les programmes informatiques utilisés
en écotoxicologie.
La formule de base du test de Dunnett ressemble à celle
du test t de Student. Les progiciels courants exigent,
pour le test de Dunnett, un nombre égal d’observations
à chaque traitement. La publication d’une série de
modifications, qui autorisaient des nombres inégaux, a
abouti à celle de Dunnett et Tamhane (1998). Tant
qu’une modification convenable ne sera pas intégrée les
logiciels disponibles, les expérimentateurs possédant de
telles données pourraient consulter et utiliser la
modification publiée ou utiliser le test de Dunn-Sidak
décrit dans l’alinéa qui suit.
On pourrait remplacer les tests de Williams ou de
Dunnett par le test de Dunn-Sidak, si le nombre de
répétitions n’était pas égal en raison de pertes
accidentelles ou d’autres causes. On utilise souvent
l’ajustement de Bonferroni du test t, mais il est moins
puissant que le test de Dunn-Sidak et il ne confère
aucun avantage particulier. Les deux tests sont moins
puissants que ceux de Williams et de Dunnett pour
l’estimation de la CSEO et de la CEMO.
L’expérimentateur pourrait vouloir comparer les
différences entre toutes les paires d’emplacements dans
une étude effectuée en plusieurs endroits. Nous
recommandons la méthode LSD de Fisher, apparentée
au test t. Elle permet de maîtriser le taux d’erreur á
global (lié à la famille de valeurs) et de se tirer d’affaire
avec un nombre inégal de répétitions, mais elle n’est
pas répandue dans les progiciels conçus pour la
toxicologie (§ P.4.4, annexe P). La méthode LSD est
également destinée uniquement à un petit nombre de
toutes les comparaisons possibles dans un ensemble de
données, et ces comparaisons devraient être spécifiées
d’avance (cette restriction trouve une application
générale dans d’autres tests de comparaisons
multiples). Le test de Tukey est semblable, il est
généralement disponible, il peut s’adapter à des
échantillons de tailles inégales, mais il n’est pas très
sensible (tableau P.3 en annexe). Le test de
Student-Newman-Keuls (le test S.N.K.) est une autre
solution de rechange.
7.5.2 Tests non paramétriques
Les tests non paramétriques sont de puissants outils
pour les données qui ne suivent pas la loi normale.
Généralement, ils tendent à être moins puissants que les
tests paramétriques, si on les applique à des données
obéissant à la loi normale, auquel cas ils pourraient ne
pas déceler un véritable effet de toxicité. Beaucoup de
méthodes non paramétriques usuelles exigent au moins
quatre répétitions ; cependant, certaines se contentent
de moins (par ex. le test de sommation des rangs de
Wilcoxon).
Il est recommandé que les tests non paramétriques
suivent la même séquence générale que celle qui utilisée
dans les tests paramétriques. D’abord, l’hypothèse nulle
de l’absence de différence dans les traitements devrait
être testée à l’aide de méthodes analogues à une analyse
de variance. Ce n’est que si l’hypothèse nulle est rejetée
que l’on devrait passer à des tests de comparaisons
multiples.
Analogues de l’analyse de variance. — Le test de la
somme des rangs de Kruskal-Wallis figure parfois
dans les progiciels et peut servir comme équivalent non
paramétrique d’une analyse de variance (Kruskal et
Wallis, 1952 ; test appelé ci-après test de
Kruskal-Wallis). Le test de Fligner-Wolfe (Fligner et
Wolfe, 1982) permet d’examiner l’hypothèse nulle
selon laquelle les moyennes correspondant aux
traitements sont égales ; l’hypothèse alternative
habituelle est que les moyennes d’un ou de plusieurs
traitements diffèrent du témoin.
Le test de Jonckheere-Terpstra (Jonckheere, 1954)
permet de tester aussi l’hypothèse nulle d’égalité des
médianes, mais l’hypothèse alternative est que les
traitements sont ordonnés. Ce test, très puissant,
convient aux données qui s’écartent fortement de la
normalité et de l’homoscédasticité. Les échantillons de
taille inégale ne lui posent aucun problème, mais le fait
136
de pas prendre en considération le nombre d’individus
dans chaque sous-groupe risque également d’être un
inconvénient. Malheureusement, la méthode n’étant pas
largement accessible sous forme de programme
informatique, elle exige des calculs fastidieux à la
main. Cependant, on en trouve une version qui traite les
petits échantillons dans les logiciels commerciaux SAS
et StatXact (OECD, 2004). Les caractéristiques du test
sont décrites en détail dans une annexe de l’OCDE
(OECD, 2004).
Les trois tests dont nous venons de parler débutent par
l’hypothèse nulle d’égalité de l’effet des traitements. À
l’instar des tests paramétriques, si l’hypothèse nulle
d’égalité est acceptée, l’analyse statistique s’arrête là,
et on conclut à l’absence de différences significatives.
Comparaison multiple. — On recommande le test de
Shirley (Shirley, 1977) comme premier choix pour
comparer les médianes des traitements avec la médiane
du témoin, s’il existe un ordre dans l’amplitude du
traitement et (ou) de ses effets. Ce test est un analogue
non paramétrique du test de Williams et il tient compte
de l’ordre des concentrations. Il exige cinq répétitions,
mais ces dernières n’ont pas besoin d’être égales.
Malheureusement, on ne trouve pas ce test dans la
plupart des programmes informatiques, et il n’est pas
facile à trouver dans les publications (§ P.5, annexe P).
On peut aussi faire une comparaison deux à deux
(chaque traitement avec un autre traitement) si ces
traitements sont ordonnés (par ex. une série de
concentrations). On peut appliquer le test de
Jonckheere-Terpstra, et si l’hypothèse nulle est rejetée,
on poursuit l’analyse par le test de Hayter-Stone de
comparaisons multiples deux à deux (Hayter et Stone,
1991). Malheureusement, comme pour les autres tests,
le logiciel n’est pas facile à trouver.
Si les traitements ne sont pas ordonnés (par ex. les
emplacements dans une étude générale), on devrait
appliquer d’abord un analogue non paramétrique de
l’analyse de variance. Ce n’est que si l’hypothèse nulle
est rejetée (c’est-à-dire qu’il existe une différence
quelque part entre les traitements) que l’analyse devrait
employer des tests de comparaisons multiples non
paramétriques, comme il est décrit dans le texte qui
suit. L’étape du test de l’hypothèse nulle n’est pas
nécessairement stipulée dans les méthodes exposées
ailleurs, mais nous la recommandons dans un souci de
prudence. La méthode devrait permettre d’éliminer ou
de réduire considérablement les erreurs á, qui
consistent à conclure, à tort, à l’existence d’une
différence. En termes de statistique, le test de
comparaisons multiples est « protégé » par le test initial
avec un analogue de l’analyse de variance. Comme on
n’effectue pas de test de comparaisons multiples à
moins que le test antérieur n’ait rejeté l’hypothèse nulle,
le test de comparaisons multiples est « protégé » contre
la conclusion de l’existence d’une différence imputable
uniquement au hasard.
Si les traitements ne sont pas ordonnés, on recommande
le test de Fligner-Wolfe pour tester l’hypothèse nulle
de l’absence de différence d’avec le témoin (Fligner et
Wolfe, 1982 ; v. l’annexe P). Si ce test n’est pas offert
par un logiciel approprié, on pourrait utiliser le test de
Kruskal-Wallis. Si l’hypothèse nulle est rejetée, le
premier choix recommandé pour la comparaison avec
le témoin est le test de Nemenyi-Damico-Wolfe
(Damico et Wolfe, 1987). Ce test convient à un plan
d’expérience équilibré (c’est-à-dire nombre égal de
répétitions). Le second choix est le test de sommation
des rangs de Wilcoxon, généralement offert et qui peut
prendre en charge les répétitions en nombres inégaux.
Ce test également est connu sous d’autres noms tels que
test de Wilcoxon pour observations appariées et,
souvent, en Europe, sous ceux de test de
Wilcoxon-Mann-Whitney ou simplement de test U
(§ P.5.4 de l’annexe P). On l’utilise souvent sans tester
l’hypothèse nulle, mais cette étape est préconisée par
Hollander et Wolfe (1999). Un troisième choix,
généralement disponible dans les logiciels
toxicologiques, est le test multiunivoque de Steel
(Steel, 1959), qui exige un nombre égal de répétitions.
Si on désire appliquer des comparaisons deux à deux à
un ensemble non ordonné de données, on devrait tester
l’hypothèse nulle par le test de Kruskal-Wallis. Si
l’hypothèse est rejetée, le premier choix du test de suivi
devrait être celui de Critchlow-Fligner-Steel-Dwass,
également connu sous le nom de test de
Critchlow-Fligner (Critchlow et Fligner, 1991). Ce test
convient aux nombres de répétitions égaux ou inégaux.
S’il n’est pas accessible dans un logiciel approprié, on
devrait utiliser, pour les données équilibrées, le test de
comparaison par paires de Steel (Steel, 1960) pour les
données équilibrées. Il ne faudrait pas confondre ce test
137
avec le test multiunivoque de Steel (Steel, 1959 ; v. le
texte qui précède) précédemment mentionné. Dans le
cas des ensembles non équilibrés de données, on
pourrait suivre une méthode quelque peu inhabituelle.
On teste d’abord l’hypothèse nulle avec le test de
Kruskal-Wallis, puis, en cas de rejet, on utilise le même
test pour des comparaisons multiples, afin de trouver
quelles moyennes des traitements diffèrent les unes des
autres.
Edwards et Berry (1987) ont mis au point un test de
comparaisons multiples que l’on peut utiliser dans
toutes les situations, mais, malheureusement, il n’est
pas facile à trouver dans un logiciel.
138
Section 8
Essais de mesure d’un double effet
Ces essais mesurent deux effets différents :
habituellement la mortalité en tant qu’effet quantique
et un effet sublétal tel que le poids d’organismes ou le
nombre de descendants, qui est presque toujours
quantitatif. Il a été question de ces catégories d’effets
(v. les sections 4, 6 et 7), mais, dans les essais de
mesure d’un double effet, les difficultés conceptuelles
et statistiques découlent du fait que, souvent, les deux
effets interagissent. Par exemple, le poids des individus
qui meurent pendant l’essai ne compte pas dans
l’évaluation parce qu’il est impossible de le connaître.
De même, la mort d’un individu pourrait manifestement
influer sur le nombre de jeunes qu’il aurait pu avoir
engendrés.
Le choix des méthodes d’analyse est en partie déterminé
par les aspects « philosophiques » ou biologiques de
l’application des résultats au monde réel et, en partie,
par les aspects pratiques des essais particuliers de
toxicité. Des paragraphes particuliers sont consacrés,
ci-dessous, aux effets quantiques et à deux catégories
d’effets sublétaux.
8.1
par les techniques quantiques habituelles, bien
qu’une analyse quantitative soit possible si on
possède au moins 100 observations dans chaque
répétition.
• Dans les essais de mesure d’un double effet
portant sur la reproduction, il pourrait être
souhaitable d’analyser cet effet en combinaison
avec la mortalité à l’aide d’une approche fondée
sur la biomasse.
Habituellement, le volet quantique d’un essai de mesure
d’un double effet est la mortalité, que l’on traite parfois
de façon relativement directe. L’expérimentateur ne doit
pas supposer que, parce qu’un essai de toxicité est
chronique, la mortalité devrait être analysée comme une
concentration inhibitrice (CI p). La mortalité est un
effet quantique et elle devrait être analysée par des
techniques quantiques (section 4). On doit continuer de
considérer comme quantiques les données rassemblées
sur la mortalité, même si elles proviennent des effets
cumulés de diverses actions sublétales survenues
pendant une exposition chronique.
L’effet quantique
Repères
• Dans les essais de toxicité sublétale ou chronique,
on devrait analyser les effets quantiques à l’aide
de techniques quantiques.
• Pour ce qui concerne la mortalité survenant
pendant un essai visant à mesurer un effet
quantitatif chronique ou sublétal, on devrait
habituellement effectuer une analyse de la
mortalité au moyen de méthodes quantiques
usuelles telles que la régression probit.
• On pourrait estimer la CL 25 au lieu de la CL 50
si on souhaite un paramètre de toxicité quelque
peu analogue à la CI 25 sublétale.
• Pour les essais quantiques sublétaux tels que la
fécondation d’œufs, on devrait estimer une CE p
On pourrait estimer la CL 25, à l’instar du paramètre
quantitatif habituel de toxicité qu’est la CI 25, mais,
dans ce cas, l’intervalle de confiance serait plus large
que pour la CL 50 (fig. 7). Toutefois, on ne peut pas
obtenir ce paramètre par extrapolation : il doit y avoir
un effet effectivement observé d’au moins 25 % afin
d’estimer la CL 25. Cependant, la mortalité maximale
pourrait être inférieure à 50 % 56 .
On peut estimer d’autres paramètres quantiques de la
toxicité grâce aux essais de mesure d’un double effet
comme la réussite de la fécondation des œufs de
salmonidés, que l’on devrait analyser à l’aide de
méthodes quantiques (§ 6.1.1). On peut analyser les
56. Comme nous l’avons fait observer dans le § 4.5.3, certains
programmes informatiques d’estimation de la CE p n’analysent
pas les données à moins qu’il y ait un effet d’au moins 50 %,
mécanisme pour empêcher d’estimer la CE 50 à partir de données
inadéquates. Pour la CE 25, il faudrait contourner cette restriction
ou, sinon, utiliser une autre méthode.
139
observations quantiques nombreuses (d’au moins 100
par répétition) par des moyens quantitatifs (§ 6.1.1).
Parfois la mortalité est intimement liée aux effets sur la
reproduction, et il convient d’analyser les effets
combinés, au moyen d’une méthode fondée sur la
biomasse (v. le § 8.3).
8.2
La « croissance » en tant qu’effet
sublétal
Repères
• Dans un essai de mesure d’un double effet (y
compris de la taille atteinte [la dite
« croissance »]), il est souvent préférable
d’analyser cet effet sublétal séparément de la
mortalité, pour estimer un paramètre de la
toxicité indépendant, habituellement la CI p. Pour
le poids atteint par les alevins de salmonidés, les
larves de têtes-de-boule, les jeunes amphipodes ou
les larves de chironomes, l’analyse séparée peut
se fonder sur le poids final moyen des survivants
de chaque répétition. Les individus morts ne
fournissent aucune donnée pour l’estimation du
paramètre de toxicité fondé sur le poids.
Néanmoins, il pourrait y avoir un biais causé par
l’interaction, si, disons, des individus « faibles »
présentaient à la fois une petite taille et une
mortalité rapide ; aucune méthode de résolution
de ce problème n’est évidente.
• Une solution de rechange, l’approche fondée sur
la biomasse, combine mortalité et taille dans
l’analyse du poids total des survivants ou du
quotient du poids total dans une répétition divisé
par le nombre d’organismes au début de l’essai
dans cette répétition. On peut utiliser cette
approche si on le souhaite ou si elle est prescrite.
Dans une certaine mesure, elle simule la réussite
écologique et elle pourrait produire des effets plus
puissants. Cette approche comporte également le
biais éventuel dû à l’interaction de la taille et du
temps de survie.
• On ne devrait pas, dans un souci de compromis,
utiliser en même temps l’approche dite séparée et
celle qui est fondée sur la biomasse.
• Il faut choisir les techniques mathématiques avec
soin. La méthode séparée pourrait entraîner des
répétitions dont les effectifs sont déséquilibrés, ce
qui limite l’éventail des méthodes statistiques
convenables. L’approche axée sur la biomasse
pourrait donner des mesures de zéro dans
certaines répétitions, ce qui mènerait à des
complications avec la variance.
L’effet sublétal mesuré dans les essais de mesure d’un
double effet est d’habitude quantitatif, par ex. le poids
ou le nombre de jeunes. L’analyse est plus directe pour
ce qui concerne le poids d’organismes, et les choix sont
expliqués dans le présent paragraphe (8.2). On qualifie
souvent ces essais d’essais « de croissance », mais il
serait plus judicieux de parler de « poids atteint » ou de
« taille atteinte ». Habituellement, on mesure la taille à
la fin de l’essai, mais non au début, comme cela serait
exigé pour une bonne évaluation de la croissance.
Le choix d’une méthode pour ce qui concerne le nombre
de descendants est plus complexe (v. le § 8.3).
8.2.1 Options de mesure
Dans les essais de mesure d’un double effet portant sur
le poids atteint (ou la longueur atteinte ou d’autres
mesures de la taille), on devrait prendre sérieusement en
considération l’effet sublétal que l’on veut analyser et
signaler. La valeur du paramètre de toxicité que l’on
dégagerait pourrait être beaucoup plus grande ou plus
petite, pour certains effets ou certaines combinaisons
d’effets. Habituellement, le choix se réduit
fondamentalement à combiner des mesures d’un effet
sublétal avec la mortalité ou à tenter de les maintenir
séparées. Pour les essais de mesure d’un double effet,
certaines méthodes d’Environnement Canada précisent
la marche à suivre, et, pour les programmes de ce
ministère, il faut se conformer à la spécification. Si le
choix était laissé à la discrétion de l’expérimentateur,
ce serait en partie pour des motifs de doctrine, la ligne
de pensée de l’expérimentateur et les applications
écologiques des résultats. Néanmoins, le choix a des
conséquences certaines sur la validité des méthodes
mathématiques.
Quel que soit le choix posé, il pourrait y avoir des
interactions inconnues et indésirables subtiles dans les
enceintes expérimentales. Par exemple, la mort de
certains organismes augmenterait la quantité de
140
solution, de nourriture et (ou) l’espace dont
disposeraient les survivants, ce qui influerait
probablement sur leur croissance ou leur mieux-être.
Dans l’interprétation des résultats, il faudrait tenir
compte de ces possibilités. Bien que l’on n’ait pu faire
aucune correction statistique de ces interactions, on
peut en réduire l’importance au minimum si on suit les
recommandations d’Environnement Canada concernant
le volume de la solution d’essai et d’autres questions
touchant le mode opératoire.
Une autre difficulté susceptible de conduire à un essai
trop sensible de toxicité sublétale a été appelée
interaction entre les maigrichons et les dodus par le
statisticien B. Zajdlik. Il serait tout à fait possible que
les individus faibles ou affaiblis, qui seraient de plus
petite taille, meurent au cours de l’essai. À une faible
concentration où la mortalité serait nulle, ces individus
maigrichons survivraient et feraient en sorte que, à cette
concentration, le poids moyen, qui serait représentatif,
serait relativement faible. À une concentration
supérieure, seuls les individus « dodus » survivraient,
ce qui, à cette concentration, pousserait le poids moyen
vers le haut. L’effet net serait que le paramètre estimé
de la toxicité pour l’effet sur le poids serait déplacé
vers le bas.
Pour mesurer les effets, trois options se présentent. Les
choix sont exemplifiés, dans les lignes qui suivent, par
l’essai de toxicité sublétale employant des
têtes-de-boule ; cet essai mesure le poids final atteint
par un groupe de larves dans une répétition donnée
(EC, 1992b). Les options représentent différents
objectifs ; elles ne sont pas égales des points de vue
biologique ou statistique. Toutes entraînent des
difficultés ou possèdent des imperfections mineures ou
majeures.
Option 1. — Séparer l’effet sublétal de la mortalité
dans l’essai et l’analyser séparément, autant que c’est
possible. Cela signifie de dresser un tableau des
mesures de l’effet sublétal, uniquement chez les
organismes qui ont survécu jusqu’au moment de la
prise de mesures (à la fin de l’essai). Dans le cas des
larves de tête-de-boule, les données brutes seraient le
poids moyen des poissons survivants. On diviserait le
poids total mesuré dans chaque répétition à la fin de
l’essai par le nombre de larves ayant survécu dans la
répétition. Comme nous l’avons déjà souligné, cela
pourrait mener à une « interaction entre les maigrichons
et les dodus » d’une ampleur inconnue, contre laquelle
il n’y aurait aucun remède. Si aucun poisson ne
survivait dans une répétition, il n’y aurait aucune
mesure du poids et aucune saisie de données
(essentiellement, ce serait une répétition manquante).
On évaluerait la mortalité au moyen d’une analyse
séparée (§ 8.1).
Option 2. — La prise en compte partielle de la
mortalité a parfois été utilisée de la façon
inconséquente qui suit et qui n’est pas recommandée.
Si, dans une répétition, il se trouvait un ou plusieurs
organismes vivants, on estimerait le poids par le poids
moyen des poissons survivants, comme dans l’option 1.
Si, dans une répétition donnée, les 10 organismes
mouraient, on saisirait 0 comme mesure de l’effet
sublétal. De la sorte, 0 est le poids moyen des 10 larves
mortes dans la répétition, ce qui est absurde. Si toutes
les larves étaient mortes, on utiliserait des poids nuls
pour les représenter. Si, dans une répétition, des larves
survivaient, on ne les représenterait pas par des poids
nuls.
Option 3. — Le paramètre de toxicité fondé sur la
biomasse résulte de la combinaison d’un effet sublétal
et de la mortalité. Il peut entraîner des différences
majeures entre les observations à différentes
concentrations et insister fortement sur l’effet de la
matière à l’étude. Dans l’essai employant des
têtes-de-boule, la mesure analysée serait le poids total
des poissons vivants, dans une répétition à la fin de
l’essai, divisé par le nombre initial de larves dans la
répétition (Si chaque répétition avait débuté avec le
même nombre de larves, on obtiendrait exactement le
même résultat par l’analyse du poids total de poissons
dans chaque répétition, plutôt que de la moyenne 57 .) La
biomasse finale est la mesure analysée. Si, dans une
répétition, tous les poissons meurent, on attribue à cette
répétition une masse nulle, comme dans l’option 2 58 .
57. Si, pendant l’exposition, des larves avaient été
accidentellement détruites ou perdues, on en soustrairait le
nombre du nombre initial de larves dans la répétition.
58. En effet, en vertu de l’option 3, on attribue une masse nulle
aux larves mortes dans toute répétition, que la mortalité dans
cette dernière ait été totale ou partielle. La méthode est donc une
extension de l’option 2, épurée cependant de ses incohérences. La
méthode correspond à son appellation d’approche fondée sur la
biomasse.
141
Cette approche pourrait aussi être entachée d’un biais :
celui de « l’interaction entre les maigrichons et les
dodus ».
8.2.2 Aspects conceptuels des options
Les trois options du § 8.2.1 présentent divers qualités
et défauts.
Les trois options ont été utilisées au Canada, et deux
d’entre elles ont été recommandées ou, du moins,
conseillées, dans des méthodes publiées par
Environnement Canada.
L’option 1 peut certes être justifiée sur le plan
biologique, car elle examine directement le
comportement des organismes en expérience ayant subi
une exposition complète à la toxicité sublétale et
uniquement le comportement de ces organismes à la
toxicité sublétale. Cette approche semble rationnelle,
mais elle peut conduire à des anomalies. Par exemple,
dans certains essais de longue durée, avec des
amphipodes, la mortalité est un paramètre plus sensible
de la toxicité que la croissance. Les sédiments à l’étude
pourraient même avoir de meilleures qualités nutritives
que le sédiment témoin et favoriser une meilleure
croissance des amphipodes (U. Borgmann, Institut
national de recherche sur les eaux, Environnement
Canada, Burlington [Ont.], communication personnelle,
2001). On remédie à ce type d’anomalie dans les
méthodes d’essai d’Environnement Canada, qui exigent
une analyse séparée de la mortalité, l’effet le plus
sensible étant adopté pour représenter l’essai. En outre,
le biais dû à une « interaction entre les maigrichons et
les dodus », dont l’ampleur est inconnue, pourrait agir.
L’option 1 est la pratique courante dans la méthode
d’Environnement Canada de détermination du poids des
larves de têtes-de-boule (EC, 1992b) 59 . C’est aussi la
pratique courante pour l’analyse du poids des alevins
de salmonidés dans l’essai au premier stade du cycle
évolutif (EC, 1998a), des larves de chironomes (EC,
1997a), de l’amphipode d’eau douce Hyalella azteca
(EC, 1997b) et du ver polychète Polydora cornuta
(EC, 2001a) dans les essais de toxicité d’un sédiment.
L’option 2 ne semble être la pratique courante dans
aucune méthode publiée. Néanmoins, elle était
communément utilisée pour déterminer le poids des
larves de chironomes dans les essais de toxicité
appliqués par certains consultants canadiens, avant la
publication de la méthode par Environnement Canada
(1997a).
L’option 3 est courante dans certaines méthodes d’essai
de l’USEPA, dans lesquelles le poids ou la taille permet
de mesurer l’effet. Dans le programme ICPIN
(Norberg-King, 1993), une consigne impose la division
du poids total des larves de tête-de-boule dans une
répétition par le nombre de larves au début de l’essai.
59. Dans la méthode d’Environnement Canada pour la
détermination des effets sublétaux subis par des têtes-de-boule,
la consigne est d’exclure une concentration de l’analyse si, dans
toutes les répétitions correspondant à cette concentration, toutes
les larves sont mortes (EC, 1992b). Les consignes ne sont pas
explicites sur la conduite à tenir si toutes les larves sont mortes
dans une répétition, mais non dans les autres correspondant à la
même concentration. Logiquement, l’analyse ne devrait pas tenir
compte de la répétition où la mortalité a été totale. On aurait ainsi
un ensemble déséquilibré de données, ce qui exigerait une
méthode d’analyse statistique appropriée aux répétitions
déséquilibrées. Certes, les consignes d’Environnement Canada
n’exigent pas l’application de l’option 2, ce qui aurait signifié la
saisie d’une masse nulle pour une répétition dans laquelle toutes
larves seraient mortes.
L’option 2 est un compromis, historique, que l’on ne
peut pas justifier du point de vue conceptuel. Comme
nous l’avons mentionné, elle a été utilisée de façon
officieuse au Canada pour les essais employant des
larves de chironomes dans un sédiment. Visiblement,
chaque larve possédait un poids fini au début de l’essai,
et le fait de lui attribuer un poids final nul n’a rien de
rationnel. À titre d’exemple extrême, si toutes les larves
d’une répétition mouraient, la saisie d’une valeur nulle
pour leur poids signifieraient qu’il y avait des larves
vivantes à la fin de l’essai, mais que leur poids était
absolument nul. Cela influe certainement sur la
distribution des mesures et abaisse à une valeur
inférieure la concentration estimée comme paramètre de
toxicité ; cependant l’approche est inconséquence et
contre-indiquée.
L’option 3, fondée sur la biomasse, peut se justifier,
écologiquement, parce qu’elle simule la réussite globale
de l’espèce dans les conditions d’exposition. La réussite
écologique se mesure souvent par la biomasse totale ou
le nombre total d’individus. L’option 3 est susceptible
de donner une courbe dose-effet plus raide que la
142
courbe résultant de l’option 1, probablement avec une
concentration inférieure comme paramètre de toxicité.
Cependant, les données de l’option 3 sont plus
variables, elles possèdent une sensibilité statistique
moins grande pour contrebalancer l’effet biologique
apparemment accru (Zaleski et al., 1997). En effet,
dans les essais avec les têtes-de-boule, l’option 3 a
abouti à des estimations de la toxicité qui sont
inférieures à celles de l’option 1 (Pickering et al.,
1996 ; WSDOE, 1998). L’option 3 pourrait convenir
aux essais à long terme tels que ceux que l’on applique
aux sédiments, avec des amphipodes, où la mortalité est
le paramètre sensible de toxicité. Encore une fois, cette
option pourrait être entachée du biais attribuable à
l’« interaction entre maigrichons et dodus ».
8.2.3 Aspects statistiques des options
Les trois options peuvent présenter des subtilités
statistiques. Dans chacune, le nombres d’individus
pourraient être différent dans les diverses répétitions et
aux diverses concentrations, ce qui exige des méthodes
statistiques plus complexes. Des nombres non
équilibrés ne poseraient pas un problème insoluble aux
estimations ponctuelles fondées sur la régression.
L’option 1 semble réserver les problèmes les moins
graves à l’analyse. Le nombre inégal d’individus dans
les répétitions pourrait être compensé par les méthodes
courantes employées en régression ou en analyse de
variance. Des difficultés pourraient surgir. Si, à de
fortes concentrations, la mortalité devait être générale,
ces concentrations n’entreraient pas dans l’analyse de
l’effet sublétal. Si la croissance était modifiée
seulement près des concentrations finalement mortelles,
les observations de l’effet sublétal correspondant à la
partie supérieure de la courbe dose-effet seraient
manquantes ou rares, et l’estimation du paramètre de
toxicité sublétale pourrait être inappropriée ou mal
fondée. Une telle situation serait relativement rare, mais
elle pourrait se produire. On se prémunirait contre en
intégrant dans le plan d’expérience un plus grand
nombre de concentrations, plus rapprochées les unes
des autres. Environnement Canada conseille de 8 à
10 concentrations dans les essais de mesure d’un
double effet.
L’option 2, mauvais usage parfois usité dans le passé,
comporte le problème déjà mentionné de traitement
déséquilibré des organismes morts dans les répétitions
où la mortalité a été totale, par rapport aux répétitions
où la mortalité a été partielle. Du moins, cela
signifierait des effectifs déséquilibrés dans les
répétitions, tandis que les méthodes d’analyse
pourraient avoir été conçues pour des effectifs
équilibrés. À part cela, toute analyse semblerait
désespérément compromise par le fait qu’il existe deux
catégories de données.
L’option 3 pourrait comporter le problème
mathématique commun d’effectifs déséquilibrés dans
les répétitions et (ou) les concentrations, problème qui
peut être résolu grâce aux méthodes statistiques
appropriées.
Au niveau de la recherche, Wang et Smith (2000) ont
proposé une approche potentiellement supérieure. Elle
diffère des options précédentes, mais elle est
statistiquement complexe et sa mise au point n’est pas
terminée. La modélisation tient compte à la fois de la
mortalité et des effets sublétaux et elle permet d’estimer
une CI p fondée sur les deux effets, ainsi que ses limites
de confiance. Les auteurs admettent que l’ajustement de
leur modèle n’était pas tout à fait satisfaisant. Ils
mentionnent que des modèles « plus complexes »
pourraient convenir davantage ; apparemment, leur
méthode statistique déjà complexe n’est pas une
solution immédiate aux difficultés mentionnées dans la
présente section.
8.3
Le nombre de descendants en tant
qu’effet sublétal
Repères
• Dans un essai mesurant un double effet (mortalité
et nombre de descendants), l’évaluation de l’effet
combiné dans une approche fondé sur la biomasse
est un choix qui s’offre à l’analyse.
• L’autre méthode légitime, une analyse séparée de
l’effet sublétal sur la reproduction (par ex. chez
Ceriodaphnia) est plus complexe que les essais
mesurant la croissance. C’est que le nombre de
descendants dépend, en partie, de la durée de
survie des parents.
• Une approche appropriée peut se fonder sur une
disposition en tableaux chronologiques du
nombre moyen de nouveaux descendants par
143
parent vivant durant la période visée d’inspection.
La méthode mérite d’être normalisée, grâce à un
progiciel commode.
Si au moyen d’un essai à double objectif, on mesure le
nombre de descendants (la « reproduction ») comme
effet sublétal, une autre complexité s’ajoute à celles que
nous avons décrites dans le § 8.2. C’est la situation
illustrée par l’essai sur la reproduction de la puce
d’eau, Ceriodaphnia (EC, 1992a), mais également
celle qui s’applique à la reproduction des vers de terre
et des collemboles (EC, 2004a,b et 2007). Dans l’essai
avec Ceriodaphnia, chaque daphnie adulte entreprend
l’essai dans un récipient séparé et, en conséquence, elle
représente une répétition à une concentration donnée.
Le nombre de jeunes qu’elle aura engendrés à la fin de
l’essai est la donnée relative à l’effet sublétal qu’utilise
l’analyse statistique de la répétition. (En outre, la
mortalité des daphnies adultes est analysée par des
méthodes quantiques pour estimer un paramètre de
toxicité tel que la CL 50 ou la CL 25.)
La méthode d’essai d’Environnement Canada fonde
l’analyse et l’interprétation sur ce dénombrement direct
du nombre réel de jeunes engendrés dans chaque
répétition, que le parent ait survécu ou non, ce qui est
approprié au concept de biomasse.
8.3.1
Interrelation entre la mortalité et la
reproduction
Si une daphnie meurt avant de s’être reproduite, le
nombre de jeunes dans cette répétition est nul.
Cependant, si la daphnie vit assez longtemps pour se
reproduire, le nombre observé de jeunes dépend en
partie de la longévité du parent, puisque, normalement,
celui-ci engendrerait des générations répétées. Ainsi, la
mesure apparemment nette d’un effet sublétal dans
l’essai avec Ceriodaphnia (nombre de jeunes engendrés
dans un récipient pendant l’exposition) a, de fait,
intégré en elle celle de la mortalité du parent.
Ce type particulier d’intégration avec la mortalité n’est
pas un facteur dans le paramètre de toxicité sublétale
relatif au poids des larves de tête-de-boule (§ 8.2).
Dans des essais avec ces poissons, la mortalité a
déterminé le nombre de larves présentes à la fin de
l’essai. Cependant, pour l’option 1 recommandée, le
critère relatif à un point de donnée sur la toxicité
sublétale était indépendant — si une larve vivait
jusqu’à la fin de l’essai, son poids contribuerait aux
données observées sur la toxicité sublétale, mais, si elle
mourait, sa contribution aux données sur le poids serait
nulle. Le taux de mortalité dans un groupe n’a pas
influé sur l’amplitude du point de donnée (le poids
moyen), à l’exception possible de l’« interaction entre
les maigrichons et les dodus ».
Lorsque le nombre de jeunes est l’effet mesuré, il existe
une interaction avec la mortalité, contrairement à la
situation où l’on pèse les têtes-de-boule. La mortalité
des parents influe sur le nombre de jeunes dans
l’ensemble de données, c’est-à-dire que la
quantification des observations d’un effet sublétal est
façonnée par le taux de mortalité. Compte tenu de cela,
on peut envisager, pour l’essai de reproduction chez
Ceriodaphnia, les trois options pour l’analyse des
données (§ 8.2.1). Les analyses statistiques actuelles de
la reproduction des daphnies reposent sur l’hypothèse
d’une distribution normale des données, mais elles
devraient se fonder sur une distribution de Poisson.
Conceptuellement et mathématiquement, l’option 3
convient à l’analyse des résultats de l’essai avec
Ceriodaphnia, si l’approche fondée sur la biomasse est
reconnue comme un critère approprié d’effet. L’analyse
tient compte d’effectifs nuls, faibles et nombreux chez
la progéniture, sans égard à la durée de survie des
parents. Cette méthode est, en effet, pratique courante
dans les essais de reproduction avec Ceriodaphnia
effectués au Canada et aux États-Unis
Nous avons décrit l’option 2 dans le § 8.2 et nous n’en
tiendrons pas compte ici pour les raisons précédemment
exposées.
L’option 1, que nous ne recommandons pas, buterait
sur la difficulté supplémentaire décrite précédemment,
selon laquelle la mortalité des parents ne peut pas être
facilement séparée de l’effet sublétal, bien que cette
séparation soit la conséquence directe de cette option.
Si un adulte meurt avant d’engendrer, l’effectif nul de
sa progéniture noté pour cette répétition ne représente
pas un effet sublétal sur la reproduction, mais, plutôt,
la mortalité. De même, si un parent meurt
prématurément, le faible nombre de descendants
refléterait cette mortalité, plutôt qu’une fatigue des
144
mécanismes de reproduction 60. Une nouvelle approche
potentielle à ce problème est exposée dans le § 8.3.2.
8.3.2 Analyse séparée de la reproduction
Hamilton (1986) a étudié de façon pénétrante le
problème de l’estimation de la progéniture dans les
essais de toxicité avec Ceriodaphnia. Il a rédigé une
méthode potentiellement favorable à l’option 1. Cette
approche, qui consiste à séparer l’effet sublétal de la
mortalité, mérite qu’on l’évalue en vue d’un emploi
futur. Il est surprenant que cela n’ait pas déjà été fait.
Hamilton (1986) a utilisé les résultats d’un essai réel
avec Ceriodaphnia pour prouver les erreurs
systématiques (biais) qui se manifestent si on fonde le
nombre de jeunes soit sur le nombre initial d’adultes,
soit sur le nombre d’adultes survivants à la fin de
l’essai. Une solution serait de présenter dans un tableau
le nombre de jeunes engendrés par chaque adulte
vivant, à chaque inspection (l’essai dure habituellement
sept jours, pendant lesquels on compte et retire
journellement la progéniture des récipients). On calcule
la moyenne journalière par adulte dans toutes les
répétitions à une concentration donnée.
Cette approche n’est valide que s’il n’existe pas de
corrélation entre la mortalité et la reproduction. Si la
mortalité prochaine ralentissait la reproduction,
l’interaction pourrait disqualifier cette méthode.
Hamilton (1986) a prouvé que cette corrélation était
négligeable ou absente. Les Ceriodaphnia continuaient
60. La position correspondant à l’option 1 serait encore plus
intenable si on tentait naïvement d’exprimer les résultats
correspondant à une concentration particulière comme le nombre
moyen de jeunes engendrés par adulte. Faire ce calcul, c’est
toujours s’attirer des ennuis. Il serait difficile, si un ou plusieurs
adultes mouraient pendant l’essai, de calculer une moyenne
réaliste sans tenir compte de la durée de survie. Si on divisait le
nombre total de jeunes par le nombre initial de parents, la
moyenne serait systématiquement ramenée vers le bas (par ex. un
adulte mort sans descendance au premier jour d’exposition
figurerait toujours dans le calcul comme s’il était un parent
fécond). Si on divisait le nombre de jeunes par le nombre de
parents survivants à la fin de l’essai, la moyenne serait poussée
vers le haut, au-dessus d’une valeur réaliste. (Par exemple, un
adulte mort une heure avant le dernier dénombrement aurait
probablement engendré tous les jeunes qu’il était capable
d’engendrer, mais ne compterait pas dans le calcul du nombre
moyen de jeunes par adulte. Comble de l’absurdité, si tous les
adultes avaient engendrés leur descendance, mais étaient morts
une heure avant le dénombrement final, un grand nombre de
jeunes serait attribué à un nombre nul d’adultes.)
de se reproduire à un rythme normal jusqu’à leur mort,
dans la mesure où cela pouvait être décelé par des
moyens statistiques et par des comparaisons graphiques
convaincantes. Dans le même temps, l’examen des
données par Hamilton a montré que l’approche fondée
sur la biomasse reflétait d’abord les mortalités et non
les taux de reproduction.
À la fin de l’essai, on a réuni les moyennes journalières
(du nombre de jeunes par parent) pour obtenir le
nombre moyen total de jeunes par adulte à chaque
concentration. Ces données de base représentaient une
estimation relativement non biaisée de la performance
de reproduction. Hamilton (1986) a prouvé, à partir des
données ajustées, que la méthode permettait de déceler
des modifications des performances de reproduction, à
part toute influence de la mortalité. Pour mesurer la
variation à chaque concentration, Hamilton a
recommandé des techniques bootstrap.
L’approche exposée par Hamilton (1986) semblait bien
étayée et bien justifiée. Nous la recommandons comme
méthode à mettre au point pour les essais de mesure
d’un double effet où la reproduction est l’effet sublétal,
comme dans l’essai avec Ceriodaphnia. Cette
approche, fondée sur l’option 1, séparerait l’effectif de
la descendance comme un effet individuel et elle est
semblable à celle que l’on utilise en épidémiologie
humaine pour étudier le temps prévu de survie à partir
d’une cause donnée (disons une crise cardiaque),
abstraction faite des effets de causes concurrentes de
mortalité. Elle est également semblable aux méthodes
utilisées en biologie des pêches pour faire abstraction
de l’effet de la mortalité par pêche, de sorte que l’on
peut décrire les caractéristiques naturelles des
populations halieutiques (Ricker, 1958).
Il faudrait préciser et normaliser le mode opératoire de
cette méthode d’analyse, puis développer un progiciel
commode. La méthode pourrait s’appliquer à tout essai
de mesure d’un double effet dans lequel une réponse
cumulative a été utilisée pour chaque animal et dans
lequel la mortalité pourrait survenir prématurément. Le
paramètre préféré de toxicité serait la CI p. Hamilton
(1986) a recommandé, outre l’analyse mathématique,
le tracé des graphiques du nombre de jeunes engendrés
journellement dans chaque répétition, pour évaluer la
séparation de la mortalité et de la reproduction.
145
Cette option 1 ou méthode « de séparation » pourraient
être une solution de rechange à l’analyse fondée sur la
biomasse, utilisée dans l’essai d’Environnement Canada
avec Ceriodaphnia. Cependant, les deux approches
sont identiques si tous les adultes survivent jusqu’à la
fin de l’essai.
8.4
Résumé et recommandations
Il va de soi que les essais conformes aux méthodes
publiées par Environnement Canada doivent utiliser la
méthode prescrite d’analyse. Dans d’autres situations,
le choix d’une méthode appropriée et d’une analyse
statistique doit être faite par l’expérimentateur pour
répondre aux besoins de l’étude.
Pour l’analyse et l’interprétation des résultats des essais
de mesure d’un double effet, il existe deux grandes
options légitimes. La première (l’option 1) consiste à
séparer l’effet sublétal de l’autre effet (d’habitude la
mortalité) et de l’analyser séparément. Cette séparation
des effets pourrait être plus instructive, techniquement.
La seconde approche consiste à combiner les deux
effets dans un type d’analyse fondée sur la biomasse.
Elle pourrait augmenter l’effet toxique apparent, et les
résultats pourraient mieux prévoir les effets écologiques
globaux du monde réel. L’approche fondée sur la
biomasse pourrait être appropriée pour des essais ou
des objectifs particuliers. L’application générale de
cette option ne trouve cependant pas beaucoup d’appui
parmi les expérimentateurs canadiens en exercice
(Schroeder et Scroggins, 2001).
On devrait éviter les méthodes qui combinent
partiellement deux effets.
Dans les essais de toxicité mesurant un double effet,
notamment la taille atteinte par les organismes,
l’option 1 semble préférable. Elle utilise la taille
moyenne des survivants et elle permet des analyses
statistiques « propres ». De telles observations se
prêtent à la plupart des méthodes statistiques
communes qui tiennent compte d’effectifs inégaux dans
les répétitions. On ne devrait pas ignorer la mortalité ni
d’autres effets, mais les signaler convenablement après
analyse par des méthodes quantiques.
Dans les essais de mesure d’un double effet
(notamment le nombre de descendants), l’approche
fondée sur la biomasse est une solution appropriée de
rechange pour l’analyse et l’interprétation. Il serait
souhaitable qu’Environnement Canada élabore et
normalise une telle approche, qui isolerait l’effet
sublétal (la reproduction) par le nombre moyen de
jeunes par parent, présenté dans des tableaux créés
pour chaque période d’inspection et dont le total aura
été calculé pour l’ensemble de l’essai (v. la description
donnée dans le § 8.3.2).
146
Section 9
Quelques concepts et outils de statistique
La plupart des expérimentateurs auront déjà été initiés
à la statistique, et le présent guide ne prétend pas jouer
ce rôle d’initiation. Cependant, nous avons défini dans
le glossaire, pour des motifs de commodité, des termes
de statistique se rapportant à la toxicologie. En outre,
des rudiments de mathématiques, en rapport avec les
analyses de toxicité, sont exposés au début de la
présente section ; vers la fin de cette dernière, il sera
question de certaines méthodes mathématiques souvent
utilisées.
9.1
Distributions normales et binomiales
Repères
• Les distributions normales et binomiales sont des
caractéristiques fondamentales des essais de
toxicité quantitatifs et quantiques, respectivement.
Quand on a affaire à de grands nombres et à des
proportions s’approchant de 0,5, les courbes
binomiales tendent à ressembler aux courbes
normales.
Les distributions normales sont fondamentales pour
beaucoup de résultats des essais de toxicité, à l’instar
de la plupart des domaines de la biologie. Beaucoup de
tests statistiques reposent sur l’hypothèse de la
normalité des données, particulièrement les résultats des
essais quantitatifs de toxicité sublétale (section 6). De
même, la distribution binomiale est fondamentale pour
les données quantiques (section 4). Pour un grand
nombre d’observations et pour les proportions proches
de 0,5, la distribution tend à ressembler à la distribution
normale.
9.1.1 Courbes normales
Nous décrivons, dans le glossaire, les caractéristiques
de la distribution normale et nous en donnons une
représentation dans la fig. 20, en prenant les statures
comme exemple.
La distribution normale caractéristique du graphique
supérieur de la fig. 20 montre que la plupart des
statures se regroupent autour de la moyenne. Plus on
s’éloigne de cette dernière, moins les observations sont
nombreuses. L’histogramme peut être représenté par la
courbe normale classique en forme de cloche. Les
courbes en forme de cloche ne sont pas toutes
normales ; pour être qualifiée de normale, la
distribution doit satisfaire à une formule assez
complexe (Zar, 1999). Des tests usuels permettent
d’établir si un ensemble de données remplit les
exigences à cette fin (§ 7.3).
Le graphique inférieur de la fig. 20 montre comment la
grandeur de l’écart type (ó, sigma) détermine la forme
de la courbe normale. X y représente la variable
mesurée, dont la moyenne, dans ce cas est de 0. L’axe
vertical représente la fréquence f (ou la probabilité) de
réalisation. Plus l’écart type est grand, plus la courbe
est large et aplatie. La variation de la valeur de la
moyenne déplacerait la courbe vers la gauche ou la
droite, mais n’en modifierait pas la forme. Les courbes
normales sont toujours symétriques, bien qu’une
distribution asymétrique puisse résulter de la
superposition d’une distribution normale sur une autre
distribution (c’est-à-dire de la combinaison de deux
ensembles de données dont les moyennes sont
différentes).
9.1.2 Distributions binomiales
Les distributions binomiales sont très importantes en
écotoxicologie parce qu’une grande partie des données
est du type « tout ou rien ». Beaucoup d’essais
consistent à dénombrer les organismes morts à la fin de
l’expérience par rapport au nombre total exposé. On
peut qualifier de telles données de binomiales, de
binaires ou de quantiques (v. le glossaire). Dans la
fig. 21, nous montrons des histogrammes de données
binaires.
Le graphique de gauche de la fig. 21 montre une
distribution symétrique quand la probabilité est de 0,5.
Si on réduit la probabilité de l’événement, la
distribution devient asymétrique, comme dans les
147
Figure 20. — Distributions normales. Le graphique du haut montre la répartition des statures de 1 052 personnes,
ajustées à une courbe normale en forme de cloche. Dans le graphique du bas, ÷ représente la variable
mesurée, avec une moyenne de 0. L’axe vertical représente la fréquence (f). La forme de la courbe est
commandée par l’écart type (ó). D’après Snedecor et Cochran (1980) et Zar (1974).
148
Figure 21. — Distributions binomiales. Voici les distributions consécutives à cinq essais d’un événement binomial
(par ex. « mortalité » ou « absence de mortalité » chez cinq puces d’eau dans une enceinte). La
probabilité de survenue de l’événement (« mort ») est de p, tandis que la probabilité de non-survenue
(« vivant ») est de q. L’axe horizontal (x) sous chaque histogramme représente 0, 1, 2, etc. réalisations
de la première probabilité (c’est-à-dire aucune mortalité, un mort, etc. chez les cinq organismes en
5 essais ou répétitions). L’axe vertical représente la fréquence de ces manifestations. Dans le graphique
de gauche (a), les probabilités de la réalisation ou non de l’événement sont égales, et la distribution est
symétrique. Dans le graphique b et c, les probabilités de survenue de l’événement sont réduites(la mort
est moins probable), et les distributions sont asymétriques. D’après Snedecor et Cochran (1980).
graphiques b) et c). La fréquence correspondant aux
barres du côté gauche des histogrammes augmente,
notamment pour les réalisations nulles sur 5 essais
(X = 0, soit aucune mortalité). Par conséquent, la
fréquence diminue (barres de droite des histogrammes),
notamment la disparition de cinq réalisations sur cinq
essais (X = 5 ou la mort des cinq organismes).
À la lecture de la fig. 21, il est facile de voir qu’avec
des échantillons plus gros (disons d’au moins
25 individus) et avec p . 0,5, la distribution binomiale
des essais (ou des organismes) prendrait la forme
générale d’une distribution normale (fig. 21). Beaucoup
d’observations se regrouperaient près de la proportion
de 0,5, et elles seraient de moins en moins nombreuses
à mesure que les proportions s’éloigneraient de cette
valeur en tendant vers 0 ou 1,0. Si p s’écartait
sensiblement de 0,5, la distribution normale serait une
mauvaise approximation de la binomiale. Selon la
valeur de p, des centaines d’observations binaires
pourraient devoir être nécessaires pour obtenir une
distribution semblable à la normale. Cette
caractéristique est en rapport avec les hypothèses de
normalité utilisées pour estimer la fécondation dans les
essais de toxicité employant des oursins et des
salmonidés (EC, 1992f ; 1998a).
9.2
Échantillons et populations
Repères
• Les essais de toxicité utilisent toujours un
échantillon d’organismes, et une sélection
aléatoire est essentielle si l’on veut que
l’échantillon soit représentatif de la population se
trouvant dans un réservoir d’attente.
• Il est rare que l’on tente de déterminer si un essai
particulier de toxicité est représentatif des
populations beaucoup plus nombreuses
d’organismes vivant librement (sauvages).
Cependant, la plupart des essais délibérés de
validation sur le terrain confirment que les
concentrations toxiques déterminées en
laboratoire sont de bons prédicteurs des effets
nocifs pour les communautés naturelles
(sauvages).
Les expérimentateurs effectuent des essais de toxicité
sur un échantillon d’organismes. Ils pourraient prélever
un échantillon dans un réservoir contenant beaucoup
d’organismes. Tous les organismes du réservoir
149
pourraient être considérés comme une population.
L’expérimentateur suppose que l’échantillon est typique
des organismes en attente dans le réservoir ; c’est
pourquoi un processus de sélection aléatoire des
échantillons est important.
Le paramètre de toxicité estimé à la faveur de l’essai et
ses descriptions statistiques caractérisent toujours
l’échantillon. Les tests et les descriptions statistiques
tiendront compte de la taille de l’échantillon et de la
variation des observations, dans le cadre du processus
d’estimation. Un grand échantillon est susceptible de
produire un paramètre de toxicité plus précis. D’où la
concurrence qui, dans le plan d’expérience, oppose le
désir de travailler sur un grand échantillon pour obtenir
plus de précision, d’une part, et le désir de travailler
avec de petits échantillons pour réduire la taille de
l’appareillage, la quantité de substrat et le temps
nécessaire à la vérification des effets.
Il est habituellement raisonnable de poser comme
hypothèse que le paramètre de toxicité pour
l’échantillon représente aussi la population. Cependant,
si l’expérimentateur s’y est mal pris pour l’échantillon
(disons qu’il n’a prélevé que de gros organismes), toute
constatation statistique s’appliquerait à l’échantillon,
mais non à la population dans le réservoir d’attente.
À un échelon plus général, se trouve une hypothèse
implicite, dont il ne sera pas question ici, selon laquelle
les organismes se trouvant dans le réservoir d’attente et
le paramètre de toxicité de l’échantillon représentent
une population beaucoup plus grande telle que la
totalité des organismes sauvages de l’espèce employée.
Une telle hypothèse est rarement testée pour un
ensemble d’essais de toxicité en laboratoire, et cela doit
être reconnu par les utilisateurs des données
expérimentales. Il est donc essentiel de présenter des
renseignements sur l’échantillon d’organismes testés,
tels que le contexte génétique, l’historique de l’élevage
et la taille. Ces éléments d’information sont exigés dans
les méthodes publiées par Environnement Canada.
Cependant, il existe une masse importante de
renseignements sur la validation sur le terrain des essais
de toxicité en laboratoire. Le travail de terrain dans les
parages de certaines usines canadiennes de pâte à
papier a montré que les effets observés dans la nature
correspondaient aux prévisions découlant des essais
effectués en laboratoire (Scroggins et al., 2002) et que
les évaluations en laboratoire étaient également utiles
pour prévoir les effets des mines de métaux (Sprague,
1997). Il y a eu un nombre appréciable de programmes
de recherche sur le terrain pour associer les effets subis
dans les communautés aquatiques naturelles (sauvages)
et les résultats d’essais en laboratoire ainsi que
d’expériences similaires employant des communautés
contrôlées (mésocosmes). Ayant assuré un examen
majeur de cette recherche, Environnement Canada a
conclu que, dans la plupart des cas, les essais en
laboratoire étaient de bons prédicteurs des effets dans
les habitats naturels (EC, 1999a).
Des détails encore plus pertinents peuvent être trouvés
dans le glossaire sous les vedettes échantillon,
population, unité d’échantillonnage, unité
expérimentale, traitement, répétition, échantillonnage
au hasard, erreur d’échantillonnage et précision.
9.3
Signification statistique par opposition à
signification biologique
Repères
• Les tentatives de définition des degrés d’effet
toxique biologiquement significatif sont
relativement peu nombreuses. Idéalement, dans
un test d’hypothèse, un tel niveau devrait être
défini préalablement à l’essai de toxicité. L’essai
et son analyse statistique pourraient ensuite être
convenablement planifiés, de façon à évaluer la
signification biologique. Le résultat de l’essai
serait que l’on a observé ou non un effet
biologique néfaste avec une certitude de 95 %.
• Actuellement, la signification statistique des effets
remplace généralement la signification
biologique, par défaut, mais les deux notions ne
correspondent pas nécessairement sans un plan
approprié d’expérience.
La signification statistique des résultats est un thème
récurrent du présent document et de l’écotoxicologie.
Cela est particulièrement vrai dans le test
d’hypothèse(s). Presque universellement, on choisit
comme critère la probabilité de 5 % en vertu de laquelle
toute différence sera attribuable au hasard. Si une
150
différence observée est suffisamment importante pour
n’être due au hasard qu’une seule fois sur 20 (ou
moins), on la considère comme significative. Ce niveau
de signification signifie que si 20 essais de toxicité
étaient effectués sur une substance inoffensive, on
devrait s’attendre à ce que les résultats d’un essai
présentent une différence significative par rapport au
témoin (erreur á ou de première espèce conduisant à
conclure, à tort, à l’existence d’une différence ;
§ 7.2.2).
La lacune de l’approche générale est la suivante : la
signification biologique est rarement définie, de sorte
que ce concept ne peut pas être intégré dans le plan
d’expérience de l’essai de toxicité. Quand l’essai est
terminé, la signification biologique et la signification
statistique n’ont pas besoin d’avoir de relation
particulière l’une avec l’autre. Dans le § 7.1.2, nous
avons mentionné que la concentration sans effet
statistique était associée à des effets biologiques
sublétaux qui, en moyenne, étaient plus graves de 14 %
que chez le témoin et qui pouvaient même être plus
graves de 38 % (Crane et Newman, 2000).
La bonne façon de faire serait que le biologiste ou le
toxicologue décide dès le début du processus de ce qui
constitue un effet écologiquement significatif dans
contexte particulier (survie, croissance, taux de
reproduction, etc.) et qu’il en informe le statisticien. À
son tour, ce dernier intégrerait ce degré d’effet dans le
test d’hypothèses et informerait le toxicologue des
conditions à remplir concernant le nombre
d’échantillons, de répétitions, d’organismes plus un
certain degré de variation. Après analyse des résultats
de l’essai, on conclurait qu’un effet écologiquement
significatif a été (ou n’a pas été) démontré avec une
certitude de 95 %. (Cela suppose que l’on a fixé la
valeur de â à 0,05.)
Une décision rare et louable sur la signification
biologique a été prise au Canada, dans le cadre du
Programme d’immersion en mer. Les critères d’une
différence biologique significative ont été fixés à
20-30 % de différence par rapport au témoin dans
certains essais sur un sédiment (Porebski et Osborne,
1998 ; Zajdlik et al., 2000 ; v. le § 7.2.5). [Les
constatations doivent aussi être statistiquement
significatives, bien sûr.]
Cette question de jugement est mise en valeur dans une
autre approche importante de l’écotoxicologie,
l’estimation ponctuelle (section 6). Le paramètre de
toxicité qu’est la CI p peut prendre toute valeur de p
choisie par l’expérimentateur. La CI 25, qui correspond
à une réduction de 25 % des performances (par rapport
au témoin), est parvenue à être généralement reconnue
comme paramètre de toxicité dont la signification
écologique est acceptable (§ 6.2.4).
La décision sur ce qui constitue un effet écologique
significatif doit se fonder sur des critères biologiques et
le jugement de l’expérimentateur. Le degré choisi
d’effet pourrait varier selon le type d’effet. Peut-être
une diminution de 50 % du nombre d’œufs ne
serait-elle pas considérée comme de la plus haute
importance écologique, mais un ralentissement de 10 %
de la croissance des individus pourrait être considéré
comme très important.
Faute de décisions initiales sur la signification
biologique, l’écart potentiel entre cette dernière et la
signification statistique peut aller dans un sens comme
dans l’autre. Un effet statistiquement significatif
pourrait être minime et ne causer aucune inquiétude sur
le plan biologique. Cependant, un effet qui n’est pas
statistiquement significatif pourrait être biologiquement
grand, être très inquiétant, se manifester dans un essai
présentant une grande variabilité interne. Cette
contradiction est peut-être d’une plus grande
importance pratique. L’expérimentateur est déchiré
entre les résultats statistiques et la responsabilité de
signaler un effet biologique majeur. Ce qu’il faut éviter,
c’est de tomber dans la phraséologie des premiers jets
de thèses de maîtrise : « bien que statistiquement non
significatif, l’important changement de... montre
que... » De fait, dans un cas comme celui-là,
l’expérimentateur n’a pas montré qu’il y avait de
changement, quel qu’il soit, par rapport au témoin.
Paine (2002) décrit de façon excellente les conflits
généraux relatifs aux programmes de surveillance des
effets sur l’environnement, dans le cadre de l’approche
actuelle aux plans d’expérience :
« Les effets
signifi catifs pour
l’environnement peuvent ne pas être
statistiquement significatifs, et les effets
statistiquement significatifs peuvent ne pas
être significatifs pour l’environnement.
L’ampleur des effets significatifs pour
151
l’environnement est difficile à définir, parce
qu’elle dépend d’enjeux et de valeurs
environnementaux, sociologiques, politiques
et économiques. Par conséquent, nous
traitons souvent comme équivalentes,
implicitement ou par nos actions, la
signification environnementale et la
signification statistique. Les discussions et
les décisions juridiques, réglementaires et
gestionnelles se fondent souvent sur la
signification statistique de résultats ou
d’effets. De façon plus générale, les articles
de journaux ainsi que les rapports de
consultants ou de fonctionnaires ne
communiquent que la signification statistique
des effets (par ex. “la fécondité des poissons
a été significativement plus faible dans la
région touchée que dans la région
témoin”)... » [Traduction]
Paine (2002) formule trois recommandations pour que
nous ne nous sentions pas parfois écartelés entre la
signification statistique et la signification biologique.
Certes, les deux premières devraient être suivies par les
expérimentateurs qui font rapport de leurs travaux. La
deuxième est l’essence de l’argument que nous venons
de présenter.
(1) Signaler l’ampleur des effets et ses limites de
confiance et ne pas simplement affirmer que les
effets étaient statistiquement significatifs.
(2) S’efforcer de définir les effets écologiquement
significatifs, quelque difficile que cela puisse être.
La troisième recommandation de Paine, cesser d’être
obsédé par la signification statistique, serait le mieux
satisfaite grâce à la planification des essais de toxicité
pour que les résultats statistiques aient une signification
directe pour l’effet biologique.
9.4
Régression inverse
L’expérimentateur devrait être conscient que, dans
l’essai usuel d’écotoxicité, l’estimation du paramètre de
toxicité et de ses limites de confiance pose un problème
statistique complexe. Cette complexité relève du
traitement statistique, de sorte que l’expérimentateur
n’a à prendre aucune action correctrice. Cependant,
cette complexité explique pourquoi il faut utiliser des
méthodes statistiques spécifiques et pourquoi les limites
de confiance sont souvent asymétriques.
Repères
• Dans un essai de toxicité, la concentration est
d’abord la variable indépendante. L’essai mesure
la variation d’après l’effet biologique, la variable
dépendante. L’estimation du paramètre de toxicité
et des limites de confiances est, cependant,
reconvertie en concentration. Cela entraîne des
complexités statistiques.
• L’expérimentateur est en grande partie ignorant
de la complexité de l’analyse statistique, mais
cela explique pourquoi il faut utiliser des
programmes particuliers d’analyse des données
sur la toxicité et pourquoi les limites de confiance
peuvent être asymétriques.
• L’inversion ne s’applique pas aux paramètres de
toxicité exprimés en temps tels que le temps
efficace 50 (TE 50), puisque les observations et
les calculs se fondent sur une variation à l’échelle
du temps.
Habituellement, l’expérimentateur fixe les
concentrations quand il organise l’essai de toxicité,
faisant de la concentration la variable indépendante. Le
degré d’effet biologique constaté chez les organismes
est mesuré en tant que variable dépendante. Cela
instaure un conflit fondamental entre le plan
d’expérience et les paramètres de toxicité recherchés.
En un mot, les concentrations finissent par être traitées
comme si elles étaient la variable dépendante. La
détermination du paramètre de toxicité est inversée,
pour estimer la concentration nécessaire pour causer un
degré d’effet biologique fixé par l’expérimentateur,
c’est-à-dire des paramètres tels que la CE 50, la CI 25
et leurs limites de confiance. L’inversion entraîne des
complexités statistiques dans les programmes d’analyse
des données.
Les concentrations d’essai fixées a priori sont censées
être invariables. Les observations expérimentales du
degré d’effet sont exposées à une variation
expérimentale de l’effet véritable. Si on calcule une
relation linéaire entre les deux, la variabilité de cette
relation continue d’être en fonction de l’effet biologique
mesuré. Cette relation linéaire, avec sa variation sur
l’axe des effets sert à prévoir les paramètres de toxicité
et leurs limites de confiance sur l’autre axe, c’est-à-dire
152
l’axe des concentrations. Par exemple, une CE 50
(concentration) et les concentrations marquant ses
limites de confiance seraient estimées à partir de la
droite ajustée et de la variation des effets que cause
cette concentration (v. la fig. 7).
Le conflit est moins évident dans le test d’hypothèse(s).
L’estimation d’un paramètre de toxicité est simple,
parce qu’elle se fonde sur la variation observée de
l’effet pour déterminer le traitement causant un effet
significativement différent de l’effet observé chez le
témoin. Cependant, pour les limites de confiance, c’est
une estimation inversée qui prend la relève : exprimées
en unités de concentrations, elles sont calculées à partir
de la variation de l’effet.
La commutation réciproque des variables dépendantes
et indépendantes peut être décrite comme une
estimation inverse des paramètres de toxicité et des
limites de confiance. Comme nous l’avons mentionné,
l’inversion est intégrée dans les programmes
statistiques, de sorte que l’expérimentateur n’en a pas
conscience. Elle reste néanmoins une complexité dans
les opérations statistiques de la plupart des essais
employés en écotoxicologie.
Un effet commun de l’estimation inverse est révélé par
l’exemple d’un essai de toxicité quantique hypothétique
dans la fig. 7. À toute concentration donnée, les limites
de confiance sont symétriques, verticalement, parce
qu’elles sont calculées en effets observés aux
concentrations fixées. Cependant, les limites de la
CE 50, parallèles à l’axe horizontal des concentrations,
sont habituellement asymétriques en raison de
l’inversion des calculs. L’asymétrie est manifeste si
l’on pose une règle horizontalement sur la fig. 7, à la
hauteur de l’effet de 50 % ou à tout autre taux d’effet.
L’asymétrie est particulièrement évidente près des
extrémités de la droite des probits, où l’une des limites
ou les deux peuvent parfois s’en éloigner beaucoup,
presque à l’infini même.
Les estimations inversées s’appliquent quand toute
technique de régression, qu’elle soit linéaire ou non, est
appliquée aux essais habituels de toxicité. Les
progiciels ordinaires de statistique (ceux qui ne
s’appliquent pas à la toxicologie) n’offrent pas l’option
« standard » permettant de traiter ce phénomène,
par ex. dans l’estimation de limites de confiance. Voilà
l’une des raisons pourquoi il faut utiliser un programme
spécialement conçu de régression probit, plutôt qu’une
simple méthode d’ajustement de la droite fondée sur les
moindres carrés, pour estimer la CE 50. Bien que
Nyholm et al. (1992) aient fourni une formule pour
estimer les limites de confiance d’un paramètre de
toxicité estimé par régression linéaire ordinaire, elle ne
semble pas encore avoir été intégrée dans les progiciels
nord-américains d’écotoxicologie. On peut trouver des
formules servant au même usage général dans Draper
et Smith (1981) et dans d’autres manuels sur la
régression.
La régression inverse ne s’applique pas aux essais
quantiques d’estimation du TE 50 ou du TL 50 (v. la
section 5). Dans ce cas, on estime le paramètre de
toxicité et ses limites de confiance en unités de la
variable dépendante, le temps. L’approche directe est
statistiquement propre, s’ajoutant aux autres avantages
de l’emploi du TE 50 comme paramètre de toxicité.
L’autre approche générale au problème de l’estimation
inverse consiste à reparamétrer l’équation reliant l’effet
à la concentration (v. le § 6.5.12). Environnement
Canada l’a fait dans de récentes méthodes d’essai de
toxicité d’un sol (EC, 2004a, b et 2007 ; § 6.5.7 et
6.5.8).
9.5
Différences significatives entre les CE 50
Repères
• On peut évaluer des différences significatives
entre deux paramètres quantiques de toxicité (des
CE 50) à partir de leurs limites de confiance. La
comparaison simple est analogue à l’erreur type
de la différence.
• Il semble faisable d’employer une méthode
mathématique supérieure pour deux CE 50.
• Pour tester les différences entre plusieurs CE 50,
on pourrait utiliser l’analyse de variance
classique pour la situation inhabituelle dans
laquelle on possède des répétitions.
• Il semble possible de mettre au point une formule
mathématique exclusive pour déterminer si une
différence significative a existé entre plusieurs
CE 50, mais, à l’instar d’une analyse de variance,
153
elle ne permettrait pas de déterminer la ou les
CE 50 qui diffèrent de la sorte.
On peut calculer des différences significatives entre des
paramètres de toxicité sans recourir à des méthodes à
cette fin, lorsque l’on dispose de données brutes.
Cependant ces méthodes n’entrent pas dans le cadre du
présent document. Dans le présent paragraphe, nous
décrivons des méthodes que l’on peut utiliser à cette fin
particulière lorsque l’on ne dispose pas de données
brutes.
9.5.1 Paires de CE 50
On peut utiliser des méthodes à cette fin pour comparer
la différence statistiquement significative entre deux
paramètres quantiques de toxicité.
Aucune superposition des intervalles de confiance.
— L’examen des limites de confiance est commode
pour déterminer, pour les résultats d’essais quantiques,
des différences significatives entre certaines paires de
CE 50. Si les intervalles de confiance de ces
concentrations ne se superposent pas, les CE 50 sont
différentes et on peut les déclarer telles sans autre test
statistique. Cependant, la superposition des intervalles
de confiance ne dit rien sur le caractère significatif ou
non de la différence entre ces paramètres.
Méthode de Litchfield-Wilcoxon. — Pour distinguer
deux CE 50, on peut utiliser cette méthode (Litchfield
et Wilcoxon, 1949) , analogue à une technique
mathématique reconnue, l’erreur type de la différence
entre les moyennes (Zar, 1974, p. 105-106), bien que la
plupart des manuels de statistique ou de toxicologie
n’en traitent pas explicitement. La méthode de
Litchfield et Wilcoxon (1949) est analogue à
l’obtention d’une seule estimation groupée de la
variance à partir des variances de deux distributions
(Snedecor et Cochran, 1980). Finney (1971,
p. 110-111) montre un exemple analogue pour obtenir
une seule variance pour la puissance relative, à partir
de la somme de deux variances d’une paire de
substances. La méthode a été mise en doute par Hodson
et al. (1977), mais elle fait partie des méthodes usuelles
de la pharmacologie. L’application de la méthode à
l’écotoxicologie est décrite par Sprague et Fogels
(1977). La méthode est utilisée depuis quelques
décennies et semble valable pour des paires d’essais
dont les résultats ont des distributions semblables.
Cette méthode approximative est appliquée comme le
montre l’équation 7. On pourrait l’employer avec
précaution 61 tant qu’une méthode mathématique
supérieure n’aura pas été mise au point ni publiée.
(7)
Pour comparer deux CE 50 dont les intervalles de
confiance se superposent , on calcule la statistique f1,2
conformément à l’équation 7. La différence entre les
deux serait significative si le quotient (CE 50
maximale) /(CE 50 minimale) excédait la statistique
f1,2 . La valeur f1 est simplement le quotient entre la
limite de confiance et la CE 50 pour un essai donné et
on peut la calculer comme suit : [(la limite supérieure
de confiance) / (CE 50)] + [(CE 50) / (la limite
inférieure de confiance)], le tout divisé par 2. On
calcule de même f2 pour l’autre CE 50. Pour effectuer
ce calcul, on peut se procurer un petit programme
informatique auprès d’Environnement Canada à North
Vancouver 62 .
La principale utilisation de l’équation 7 serait
probablement de déterminer si deux CE 50 ne sont pas
différentes, ce qui éviterait la surinterprétation de la
61. L’équation 9.1, analogue à celle de l’erreur type (s0 )de la
différence, dans laquelle s0.diff égale la racine carrée de la somme
de (s0 élevé au carré pour le premier élément) plus (s 0 élevé au
carré pour le second élément). L’emploi de cette méthode en
écotoxicologie pourrait parfois la déloger de sa base statistique
prévue. En pharmacologie, les méthodes classiques permettaient
de teste un médicament de puissance inconnue par rapport à un
autre, étalon, de puissance connue. Le test de la différence
significative entre les puissances, à la manière de l’équation 9.1,
exigeait la même pente pour les relations dose-effet des deux
matières. Dans les essais de toxicité, les « pentes » des
distributions des effets pourraient ne pas être les mêmes, de sorte
que la validité de l’emploi de cette méthode est mise en doute. Il
est probable que si f1 et f2 sont semblables, c’est-à-dire que si les
intervalles de confiance sont d’une largeur semblable sur une
échelle logarithmique, par rapport à leurs CE 50, cette méthode
pour tester la différence significative serait acceptable. Si la
méthode ad hoc de Zajdlik devient disponible, ce serait la
méthode de prédilection, en l’absence de données brutes.
62. Programme de toxicologie, Environnement Canada, Centre
des sciences environnementales du Pacifique, 2645, route
Dollarton, North Vancouver, BC, V7H 1V2.
154
variation dont on n’a pas prouvé la réalité 63.
donne la formule de calcul.
Attention ! La conclusion selon laquelle il existe une
différence significative ne s’appliquerait qu’aux deux
paramètres particuliers de toxicité qui auront été
comparés et elle pourrait ne pas être vraie si des essais
supplémentaires étaient effectués. Par exemple, si
l’équation 7 a montré que les CE 50 du cuivre
différaient de façon significative pour deux espèces de
crustacés, cela ne signifierait pas nécessairement que
les espèces avaient une tolérance différente :
uniquement que ces deux paramètres particuliers de
toxicité étaient différents. En outre, on devrait prendre
en considération la signification biologique des
différences et des causes possibles. Par exemple, la
variation des résultats obtenus par différents
laboratoires ou en différents moments pourrait mener à
des différences statistiquement significatives, mais la
signification biologique de la différence pourrait se
trouver dans le domaine de la variation inexpliquée, et
on devrait la considérer sous cet angle.
Méthode particulière no 1de Zajdlik
Une méthode mathématique de comparaison de deux
CE 50 peut se fonder sur le test Z à deux échantillons,
que la plupart des manuels de statistique expliquent
(par ex. Zar, 1974, p. 105-106). Hubert (1992) a
proposé la méthode générale à utiliser dans la
comparaison de deux CE 50. Cela pourrait être une
méthode utile, une fois que ses étapes auront été
décrites par Zajdlik (en préparation). L’équation 8
63. Des exemples pourraient aider à comprendre. Pour la
comparaison des CE 50 dans le tableau, on a fixé arbitrairement
toutes les limites de confiance au seuil de 95 % à CE 50 × 1,5 et
à CE 50/1,5. Ainsi f1 = f2 = 1,5, et le calcul de f1,2 donnera
toujours 1,77.
CE 50 max
(limites)
CE 50 min
(limites)
Q uotient des
CE 50
f1 ,2
D ifférents ?
20 (13,3, 30)
8 (5,3, 12)
Pas de
superposition
N on
calculé
O ui
Comme
ci-dessus
11 (7,3, 16,3)
1,82
1,77
O ui, tout
juste
Comme
ci-dessus
12 (8, 18)
1,66
1,77
Pas tout à
fait
Comme
ci-dessus
15 (10, 22,5)
1,33
1,77
N on
(8)
représente l’erreur type, c’est-à-dire les erreurs
types du premier et du second logarithmes des CE 50.
Au moment d’écrire ces lignes, la méthode de calcul de
(et, de là, son carré) reste à préciser.
Si | Z | > 1,96, alors les deux CE 50 diffèrent
significativement au niveau de signification de 95 %
pour un test bilatéral, visant à répondre à la question
suivante : la CE 501 diffère-t-elle ou non de la CE 502
en étant plus petite ou plus grande ? Pour un test
unilatéral, visant à répondre à la question suivante : la
CE 501 est-elle ou n’est-elle pas statistiquement plus
grande que la CE 502 ?, la signification serait établie si
| Z | est plus grand que 1,645.
Autres approches. — Sur cette question, d’autres
opinions ont été exprimées relativement à
l’écotoxicologie. Villeneuve et al. (2000) se sont
interrogés sur la puissance relative, ce qui est la même
question générale que le fait de déterminer des
différences significatives entre les CE 50. Ils ont
reconnu que les estimations de la puissance relative
(quotient de deux CE 50) ne sont valides que lorsque
les droites dose-effet sont parallèles et montrent le
même effet réalisable maximal. Dans les essais de
toxicité, le respect de la condition de parallélisme est
moins important.
Villeneuve et al. (2000) ont proposé un cadre d’analyse
qui aurait besoin d’être davantage développé pour être
utilisé en écotoxicologie. Ils ont exposé une méthode
utilisant des estimations en des points multiples dans un
intervalle d’effets allant de la CE 20 à la CE 80 pour
déterminer les intervalles de puissance relative.
Villeneuve et al. ont proposé un « cadre » dichotomique
à la prise de décisions sur le calcul et à l’application
d’estimations de la puissance relative ; toutefois, ils
n’ont pas offert de technique mathématique particulière
pour traiter les données sur la toxicité. La
155
transformation de la courbe en ligne droite est proposée
par l’emploi du logarithme de la dose ainsi que des
probits, des logits ou d’outils logistiques. Ils ont
subséquemment utilisé la régression linéaire, mais il
renvoient le lecteur à plusieurs modèles linéaires
généralisés et à d’autres techniques de régression
linéaire qui se trouvent dans les publications.
9.5.2 Comparaison de CE 50 multiples
Il ne faut pas répéter entre toutes les paires possibles
d’une liste de CE 50 les tests de comparaison deux à
deux que montrent les équations 7 et 8, ce qui
entraînerait probablement une erreur á (faux positif). Si
on a fixé le niveau de signification à 5 %, la répétition
du test serait susceptible de conclure à une différence
significative, du seul fait du hasard, dans une
comparaison sur 20.
Pour chaque CE 50, w = (1/s0.log (CE 50))2 , c’est-à-dire le
carré de la réciproque de l’erreur type (s0 ) du
logarithme de la CE 50. Certaines étapes du calcul sont
exposées dans l’annexe Q, avec un exemple. On
pourrait utiliser une feuille de calcul ou un simple
programme informatique pour faciliter ce calcul.
On compare le khi-deux (÷2 ) calculé aux valeurs de la
table pour le nombre de CE 50 moins un et à la valeur
choisie de la probabilité, d’habitude p = 0,05. Si la
valeur calculée excède celle de la table, il existe au
moins une différence significative entre les CE 50.
Pour déterminer quelle(s) CE 50 diffère(nt) des autres,
il faudrait un test de comparaisons multiples, mais on
n’en a pas encore trouvé un de convenable.
9.6
Le problème est analogue à celui de l’utilisation répétée
d’un test t dans les situations où une analyse de
variance conviendrait.
En écotoxicologie, on a rarement testé les différences
dans une série de CE 50, probablement faute d’une
méthode ou d’un progiciel commodes. L’emploi de
l’analyse de variance classique pour le test serait valide
si on disposait de répétitions des CE 50, mais ce ne
serait pas le cas dans la plupart des programmes
d’essais.
La méthode décrite par l’équation 9 pourrait servir si
on en avait prouvé la validité et si les procédures étaient
décrites. L’équation 9 reste provisoire au moment
d’écrire ces lignes, mais elle pourrait être développée
(Zajdlik, en préparation). La méthode est fondée sur le
test du khi-deux et elle permettrait de déterminer si une
différence significative ou non existait dans un tableau
de plus de deux CE 50. Comme dans l’analyse de
variance, l’emploi de l’équation 9 ne permettrait pas de
distinguer quelle concentration diffère des autres.
(9)
Différences significatives entre les CI p
Repères
• On peut comparer deux à deux les CI p par une
méthode inspirée du test Z à deux échantillons.
• Si plusieurs CI p étaient répétés, on pourrait
estimer des différences significatives par l’analyse
ordinaire de variance et des tests de
comparaisons multiples.
• S’il n’y a pas de répétitions, aucune méthode ne
permet actuellement de tester les différences entre
plusieurs CI p.
Dans le § 9.5, on expose des méthodes pour tester les
différences significatives entre deux ou plusieurs
paramètres de toxicité létale et d’autres formes de
toxicité quantique. On peut utiliser des méthodes
analogues pour estimer les paramètres quantitatifs de
toxicité. Certaines méthodes sont établies pour des
paires de paramètres de toxicité, mais il n’existe pas
encore de méthodes de comparaison de plusieurs
paramètres de toxicité.
En Amérique du Nord, le paramètre quantitatif de
toxicité le plus utilisé est la CI 25. Comme les
méthodes qui suivent sont valables pour n’importe
quelle valeur de p, on parlera de la CI p. Il est entendu
que les comparaisons ne doivent être faites que pour les
mêmes valeurs de p, c’est-à-dire une CI 20 avec une
156
autre CI 20, une CI 25 avec une autre CI 25, etc.
9.6.1 Paires de concentrations inhibitrices (CI p)
Aucune superposition des limites de confiance. — Si
les intervalles de confiance des CI p ne se superposent
pas, on peut affirmer que ces dernières sont
significativement différentes, sans autre forme de
procès. Si les intervalles se superposent, cela ne dit rien
au sujet d’une différence significative. Le principe est
le même que dans la comparaison se deux CE 50
(§ 9.5.1).
Dans l’équation 10, s0 représente l’erreur type du
logarithme de la CI p. L’erreur type de chaque CI p se
calcule de la façon indiquée dans l’équation 11
(Zajdlik, en préparation).
(11)
Dans cette équation,
Méthode de Litchfield-Wilcoxon. — Cette méthode
(§ 9.5.1) utilise une combinaison de limites de
confiance de deux CE 50 pour juger du caractère
significatif des différences. Bien qu’elle semble facile à
étendre aux CI p, les statisticiens s’accordent à dire
qu’elle ne convient pas à cet usage.
Méthode particulière no 2 de Zajdlik. — Cette
méthode est semblable à la no 1, exposée dans le
§ 9.5.1. Elle découle aussi du test Z à deux
échantillons, décrit dans la plupart des manuels de
statistique (par ex. Zar, 1974, p. 105-106).
L’équation 10 en donne la formule, mais les étapes du
calcul restent à décrire (Zajdlik, en préparation). Les
manipulations mathématiques sont assez simples,
comme le montre l’équation 10, et elles ne comportent
que les valeurs logarithmiques des CI p et de leur erreur
type. Cette méthode suppose que les CI p ou — plutôt,
pour les essais d’écotoxicité — que les logarithmes des
CI p obéissent à une loi normale.
(10)
Si | Z | > 1,96 (c’est-à-dire plus grand que la valeur
critique de Z), les deux CI p diffèrent significativement
au niveau de signification de 95 %, pour un test
bilatéral. Dans le cas plus habituel, il serait évident
pour l’expérimentateur qu’une des CI p serait
numériquement plus grande que l’autre. Un test
unilatéral serait approprié (la CI p1 n’est-elle pas,
statistiquement, plus grande que la CI p2 ?). Une
différence statistique serait établie si | Z | était plus
grand que la valeur critique de 1,645.
LSC
est la limite supérieure de confiance de la
CI p pour (1 ! á) % (habituellement
95 %) ;
LIC
est la limite inférieure de confiance de la
CI p pour (1 ! á) % (habituellement
95 %) ;
Z
est le quantile normal pour (1 ! á) %. Le
quantile est la LSC (95 %) moins la LIC
(95 %) = 1,96, et on introduit cette valeur
numérique dans la formule.
L’approche se fonde sur les intervalles de confiance
calculés en même temps que les CI p. La méthode est
appropriée, que la CI p et ses limites aient été obtenues
par régression ou par interpolation et la méthode
bootstrap. L’équation 11 utilise les limites supérieure
et inférieure de confiance pour donner deux estimations
de la variance d’une CI p donnée, en l’occurrence la
CI p1 , la première CI p. La moyenne de ces estimations
permet d’obtenir une seule valeur pour la première
erreur type. L’erreur type de la deuxième CI p serait
estimée de la même manière.
Les logarithmes népériens de l’équation 11 entrent dans
le calcul de la moyenne géométrique des limites
supérieure et inférieure de confiance. Les logarithmes
(de base 10) représentent les calculs des expositions
expérimentales à partir d’une suite logarithmique de
concentrations (§ 2.3).
Dans certaines méthodes de calcul de la CI p,
notamment dans les meilleures méthodes de régression,
l’erreur type ferait partie du résultat de l’analyse.
L’expérimentateur pourrait utiliser cette valeur sans
157
devoir employer l’équation 11 et passer à la
comparaison par l’équation 10.
La différence (CI p ! erreur type) se calculerait comme
suit :
On peut donner un exemple de calcul de l’erreur type
par l’équation 11, en utilisant des valeurs
arbitrairement choisies pour la CI p (10 mg/L) et ses
limites de confiance (6 et 16 mg/L). Dans le deuxième
membre de l’équation 11, la partie mise entre
parenthèses devient (après omission de quelques
chiffres) :
log CI p ! s0 (log CI p) = 1 ! 0,10857... =
0,89142, dont l’antilogarithme est 7,79 mg/L
[Ln (log 16 ! log 10) + ln (log 10 ! log 6)
! 2 (ln 1,96)]/2
[ ! 1,5890... ! 1,5057... ! 1,3458...] / 2 = ! 2,2203...
En prenant cette valeur comme exposant, cela
donnerait, pour l’équation :
9.6.2 Comparaison de CI p multiples
Si, dans plusieurs ensembles d’essais, il y a une
véritable répétition de CI p, on peut tester les
différences entre les ensembles par les méthodes
ordinaires d’analyse de variance, suivies d’un test de
comparaisons multiples, si on le désire. Cependant, s’il
se trouve une série de CI p non répétées, il ne semble y
avoir de méthode en usage pour établir si, entre ces
concentrations, une ou des différences sont
significatives. Un test de comparaisons deux à deux tel
que celui que montre l’équation 10 ne doit pas être
répété entre toutes les paires possibles d’une liste de
CE 50 en raison du risque de faux positif (erreur á).
s0 (log CI p) = 0,108571336
La somme (CI p + erreur type) se calculerait comme
suit :
log CI p + s0 (log CI p) = 1 + 0,10857...
= 1,10857, dont l’antilogarithme est 12,8 mg/L
La méthode montrée dans le § 9.5.2, pour comparer
plusieurs CE 50, semblerait se prêter à la comparaison
de CI p et elle pourrait être raffinée à cette fin (Zajdlik,
en préparation). Sinon, les efforts pourraient se
concentrer sur l’obtention des résultats bruts des essais
et l’application à ces résultats de techniques plus
perfectionnées.
158
Section 10
Quand les résultats sont « difficiles »
Les essais de toxicité peuvent donner diverses formes
de résultats, qui les rendent difficiles à traiter. La
présente section porte sur certaines difficultés, la
plupart concernant les essais de toxicité sublétale, mais
toutes ne bénéficient pas de solutions admises.
10.1
Variabilité
Repères
• La forte variabilité des effets ne devrait pas
influer systématiquement sur la CI p, en la
poussant vers le haut ou vers le bas, mais un
intervalle de confiance plus large signifiera que
l’estimation est moins fiable. Dans le test
d’hypothèse(s), une grande variabilité déplace les
valeurs de la CSEO et de la CEMO vers le haut.
Si on se sert d’un modèle linéaire pour estimer un
paramètre de toxicité, la variabilité, si elle est grande,
pourrait ne pas changer la valeur de ce paramètre, bien
qu’elle élargisse l’intervalle de confiance. Comme les
limites de confiance auront été précisées, la fiabilité du
paramètre de toxicité sera manifeste pour tous les
utilisateurs de cette information.
Si le test d’hypothèse(s) sert à analyser les résultats
d’un essai, il sera rendu moins sensible par la grande
variabilité de ces derniers. Le paramètre de toxicité se
situera à une concentration plus forte, défaut de
l’approche fondée sur le test d’hypothèse, qui est à la
base des discussions des § 7.1 ainsi que 7.2.2 à 7.2.5.
À la fin de l’essai de toxicité, la variabilité est fixée. La
seule façon d’en réduire au minimum les effets consiste
à choisir la méthode d’analyse statistique la plus
appropriée et la plus efficace. Si on effectuait des
nouveaux essais semblables, le remède le plus probable
consisterait, au stade du plan d’expérience, à augmenter
la taille des échantillons ou, parfois, à affiner le plan
d’expérience statistique et à supprimer ou à réduire les
causes de variation dans le mode opératoire.
10.2
Observations aberrantes
De temps en temps, les résultats renferment une
observation aberrante, qui ne semble pas en harmonie
avec les autres résultats de l’essai. L’expérimentateur
remarquerait probablement l’observation aberrante
d’abord à la lecture des tableaux ou à l’examen du
tracé de la distribution des résultats, raison pour
laquelle nous insistons pour que l’on trace d’abord à la
main un graphique des résultats.
Il n’existe pas de méthode fondée sur les
mathématiques ou le jugement qui puisse, de façon
magique et définitive, séparer une erreur d’une
variation inhérente. L’erreur et la variation pourraient
se ressembler dans leur grandeur, et l’expérimentateur
ne doit pas céder à la tentation de se débarrasser
arbitrairement d’un point qui ne semble pas en
harmonie avec une présumée distribution. D’autre part,
on ne devrait pas aveuglément traiter un point
discordant de la façon habituelle — ce point pourrait,
en effet, être erroné et avoir une mauvaise influence sur
les interprétations techniques.
Repères
• Si on remarque une observation apparemment
aberrante, il faut une bonne raison pour la
supprimer.
• Si une observation est aberrante, il faudrait
examiner tous les procès verbaux de l’essai, à la
recherche d’une erreur humaine. Il faudrait
chercher dans les méthodes de garde ou de
maintien ainsi que d’essai les causes possibles
d’une réaction biologique altérée. On devrait
envisager des modèles d’analyse de rechange,
peut-être une simple transformation des données.
• L’expérimentateur devrait également appliquer
des tests mathématiques appropriés pour évaluer
les observations aberrantes, comme il est décrit
dans le texte. Cependant, ces tests ont des
carences pour ce qui concerne leur emploi en
159
toxicologie, et on devrait en nuancer les
conclusions, grâce à l’examen de la variation
totale dans une expérience.
• On devrait signaler les anomalies ainsi que tout
test effectué à leur égard et toute conclusion
formulée quant à leur nature.
• En général, on devrait analyser les essais avec et
sans la valeur aberrante et on devrait, dans les
deux cas, signaler les résultats de l’analyse en
indiquant ce que l’on considère comme définitif et
en motivant cette conclusion.
On peut tenter de résoudre rationnellement le problème
des observations aberrantes. Trois étapes sont à suivre
à l’égard des observations suspectes, selon Grubbs
(1969) par l’entremise de Newman (1995). C’est un
bon conseil pour les écotoxicologues.
(1) L’expérimentateur devrait rejeter toute mesure
qu’il sait avoir été obtenue par une méthode
défectueuse. Il devrait la rejeter, qu’elle semble ou
non en harmonie avec la présumée distribution.
(On devrait examiner, dans le cadre du
programme normal de maîtrise de la qualité du
laboratoire, les méthodes influant sur toutes les
données, que ces dernières semblent ou non
inhabituelles.)
(2) Ensuite, l’expérimentateur devrait envisager la
possibilité d’avoir adopté un modèle qui ne
convient pas, qui pourrait être la cause du manque
d’ajustement d’une ou de plusieurs observations.
Cette possibilité, souvent négligée, est importante.
(3) Enfin, si l’anomalie reste inexpliquée, on devrait
la signaler, quel que soit le parti choisi pour
l’analyse subséquente des données.
10.2.1 Vérification des erreurs et des modes
opératoires
Toute observation aberrante devrait faire l’objet d’une
nouvelle vérification pour trouver la trace d’une erreur
humaine. Cela comprend la mesure de l’effet,
l’enregistrement des données, le transfert des chiffres
ou leur saisie dans les programmes informatiques.
La solution la plus heureuse pour remédier à une
donnée aberrante serait de découvrir qu’elle a été
causée à la faveur d’une erreur de transcription ou
d’arithmétique, que l’on peut corriger immédiatement.
On devrait vérifier de même tous les autres points de
données. Il pourrait également y avoir une erreur dans
une observation non aberrante, et l’on doit soumettre
toutes les observations au même examen, au moyen
d’une approche scientifique équilibrée.
Si aucun lapsus (de la plume ou du clavier) n’est
apparent, l’expérimentateur devrait rechercher les
causes biologiques ou celles qui, dans le mode
opératoire, pourraient être à l’origine de l’anomalie
apparente. Conformément au principe que l’organisme
en expérience ne ment jamais, l’expérimentateur devrait
envisager tous les stimuli possibles dus à
l’environnement et auxquels les organismes ont été
soumis pendant l’acclimatation et l’expérience.
Il faudrait examiner toute la suite des modes
opératoires dans tous les éléments de l’essai et dans
tous les traitements utilisés. Cela suit la première étape
susmentionnée.
10.2.2 Modèles de rechange
Si aucune erreur n’est manifeste, l’étape suivante
pourrait consister à s’interroger sur la justesse du
modèle utilisé. Par exemple, on pourrait poser, par
hypothèse, une diminution régulière des performances
en raison de l’augmentation de la concentration, mais,
en réalité, on pourrait avoir affaire à un phénomène
d’hormèse (augmentation des performances à une faible
concentration ; § 10.3).
Une autre étape logique dans la recherche d’un modèle
plus approprié serait la possibilité de transformer les
données au moyen d’une opération courante. Une
tendance systématique des données pourrait se prêter à
une transformation avantageuse. Par exemple, on
pourrait remédier à l’absence générale de normalité
dans la distribution des données par la transformation
arc sinus (racine carrée). Si l’observation aberrante
était un point unique, la justification de la
transformation serait moins convaincante, tout comme
la probabilité de résoudre la difficulté par cette
méthode.
Si la transformation est de peu de secours, l’analyse par
des méthodes non paramétriques pourrait être utile. Une
méthode de classement peut donner de bons résultats
160
avec une valeur aberrante, puisqu’elle est
habituellement moins exposée à l’influence d’une
observation aberrante. L’OCDE (OECD, 2004)
propose d’inclure une telle analyse non paramétrique (y
compris l’observation aberrante) comme dernière étape
supplémentaire dans un rapport qui comprend deux
analyses paramétriques (avec et sans l’observation
aberrante ; v. le texte qui suit).
Un statisticien pourrait proposer un modèle robuste,
qui utilise une fonction de pénalité différente (une règle
d’optimisation telle que les sommes résiduelles
minimales des carrés) qui réduit au minimum l’effet de
l’observation aberrante. Une comparaison des
inférences obtenues grâce à des méthodes ordinaires et
robustes pourrait orienter les décisions à prendre sur
l’observation aberrante.
10.2.3 Critères applicables aux observations
aberrantes
Parallèlement aux méthodes exposées dans les § 10.2.1
et 10.2.2, l’expérimentateur devrait, si possible, utiliser
des techniques mathématiques objectives pour voir si
l’observation aberrante semble représenter une
anomalie ou si elle est simplement une variation. La
recherche de ces techniques mathématiques doit être
assujettie au bon sens, lorsqu’elle est appliquée à des
résultats de toxicité (v. le texte qui suit), mais elle peut
aider à décider si la valeur anormale doit ou ne doit pas
être incluse dans l’analyse d’ensemble des résultats.
S’il n’y a aucune répétition (comme sur la droite des
probits d’un essai quantique, il n’existe aucun moyen
objectif de reconnaître les observations aberrantes.
Dans son rapport, l’expérimentateur devrait faire
connaître l’amplitude de l’anomalie au moyen de
données présentées dans des tableaux ou dans des
graphiques.
Si on possède des répétitions, on peut prendre des
options supplémentaires. La fig. 22 montre des
exemples d’observations peut-être aberrantes qui
correspondent aux deuxièmes concentrations les plus
faibles : dans le graphique de gauche, une valeur
semble particulièrement différente des autres.
Règles empiriques. — Pour évaluer une observation
aberrante parmi des mesures répétées, on pourrait
utiliser une règle empirique. Si l’observation est
éloignée de la médiane de plus de 1,5 fois l’intervalle
interquartile, elle est probablement aberrante 64 .
Malheureusement, la règle empirique perd une certaine
utilité en écotoxicologie parce que, habituellement, on
ne compte que quelques répétitions par traitement et
que les estimations de l’intervalle interquartile
deviennent plutôt incertaines. Par exemple, cette
méthode n’est pas utile dans le cas des données de la
fig. 22, parce qu’il serait chimérique de vouloir estimer
des quartiles pour une série de quatre mesures.
Une variante de cette méthode informelle est la règle de
Tukey (Tukey, 1977), qui englobe des observations
quelque peu moins nombreuses qui seraient des
observations aberrantes possibles. Une observation
aberrante possible serait inférieure ou supérieure à
1,5 fois l’intervalle interquartile au premier quartile ou
au troisième quartile, respectivement. De 1,5 à 3,0 fois
l’intervalle susmentionné et on parle d’une observation
« légèrement aberrante », tandis que plus de 3,0 fois
l’intervalle et on parle d’une observation « gravement
aberrante ». Cette méthode éprouve la même difficulté
à décider de l’intervalle interquartile de répétitions peu
nombreuses comme on les trouve habituellement en
écotoxicologie. L’OCDE (OECD, 2004) propose la
règle de Tukey comme test formel d’estimation des
observations aberrantes en fonction des résidus
(différences entre la moyenne du traitement et les
valeurs individuelles), afin de ne pas confondre les
observations aberrantes et les effets du traitement.
Critères statistiques pour les observations
aberrantes. — Des tests statistiques ont été proposés
pour évaluer objectivement une éventuelle observation
aberrante. Newman (1995) recommande la méthode de
Grubbs (1969). On saisit la valeur de l’observation que
l’on soupçonne d’être aberrante et qui fait partie d’un
groupe dans une formule comprenant la moyenne (0) et
l’écart type (s) de toutes les observations pour estimer
une valeur T. En écotoxicologie, « toutes les
observations » signifie toutes les valeurs obtenues à la
concentration particulière à laquelle correspond la
64. Intervalle interquartile est défini dans le glossaire et décrit
dans l’annexe R. Si 20, 24, 28, 34 et 40 étaient les cinq moyennes
d’une série, le premier quartile serait 24, la médiane 28, et le
troisième quartile serait 34. L’intervalle interquartile serait de
34 ! 24 = 10. Le critère serait 10 fois 1,5 = 15. Les limites
seraient de 28 ± 15 = 13 et 43. Les valeurs minimale et maximale
de la série se trouvent à l’intérieur de ces limites et ne sont
probablement pas des observations aberrantes.
161
valeur aberrante. Les formules des observations
aberrantes supérieures et inférieures à la moyenne sont
respectivement comme suit :
On compare la valeur calculée de T aux valeurs
critiques d’une table fournie par Grubbs (1969) et
Newman (1995). Si la valeur calculée excède la valeur
critique, l’observation que l’on soupçonne d’être
aberrante est estimée ne pas provenir de la même
distribution normale que le reste des valeurs 65 . Une
carence importante de ce test paramétrique de détection
des observations aberrante est l’hypothèse selon
laquelle les données obéissent à une distribution
particulière, normale dans le cas qui nous occupe. Le
rejet ou non d’un point de données dépend de cette
hypothèse.
On peut appliquer cette formule aux données
correspondant à la deuxième concentration la plus
faible du graphique de gauche de la fig. 22, où semble
se trouver une observation sans conteste aberrante. Les
poids moyens des larves de tête-de-boule des quatre
répétitions sont : 0,69, 0,77, 0,79 et 1,47 mg (ce dernier
étant déviant). Avec des chiffres significatifs
supplémentaires pour le calcul, la moyenne est de 0,93,
l’écart type est de 0,3626, et la valeur calculée de T est
1,49. La valeur critique (v. la note 65) des quatre
mesures est 1,46. T y est à peine supérieur, de sorte que
le point de valeur élevée pourrait être classé comme
observation aberrante. Cela semble justifié par
l’examen de tout l’ensemble de données. Il est
65. Dans la table de Grubbs (1969), on trouve un choix de trois
niveaux de signification pour jusqu’à 100 observations dans la
distribution. En écotoxicologie, le nombre inférieur
d’observations serait la règle. Pour 3, 4, 5... 10 observations dans
la distribution et un niveau de signification de 5 %, les valeurs
critiques seraient de 1,15, 1,46, 1,67, 1,82, 1,94, 2,03, 2,11 et
2,18. La valeur critique pour 20 et 30 observations serait
respectivement de 2,56 et de 2,75. Il s’agit de valeurs
unilatérales, comme il serait approprié pour les formules
montrées.
remarquable que T ne semble pas excéder la valeur
critique autant qu’on pourrait s’y attendre d’après
l’aspect du graphique.
Si l’on répète l’opération pour les données du graphique
de droite de la fig. 22, on constate que ce test objectif
doit être appliqué avec jugement aux données
toxicologiques. Les quatre poids moyens des poissons
correspondant à la deuxième concentration la plus
faible sont 0,84, 0,82, 0,85 et 1,0 mg. La moyenne,
l’écart type et T sont respectivement de 0,8775, de
0,08261 et de 1,48. Encore une fois, la valeur critique
est 1,46. La valeur calculée de T excède à peine la
valeur critique, de sorte que cela justifie dans une
certaine mesure le rejet de la valeur maximale
correspondant à cette concentration et l’analyse à l’aide
des trois autres valeurs. Cependant, il faudrait
examiner toute la distribution des données dans le
graphique de droite de la fig. 22. La variabilité globale
de la deuxième concentration la plus faible ne diffère
pas beaucoup de celle des autres concentrations. La
décision statistique du caractère aberrant de
l’observation semble avoir été pilotée par le groupage
dense des trois autres mesures, qui sont en effet
exceptionnellement proches les unes des autres (0,84,
0,82 et 0,85). Cette densité réduit l’écart type à une
valeur très faible et, ainsi, elle augmente la valeur
calculée de T. La distribution que l’on suppose normale
pourrait ne pas être valable, problème évoqué
précédemment. En outre, cette méthode statistique ne
tient pas compte de la variation globale révélée par la
totalité de l’essai ; elle subit complètement l’influence
de la variation minime à la concentration à laquelle on
s’intéresse, qui était apparemment un événement fortuit
peu commun. Une méthode qui intégrerait la variation
totale dans un essai répondrait mieux aux besoins de
l’écotoxicologie.
Dans un cas limite comme celui qu’illustre le graphique
de droite de la fig. 22, la prudence dicterait
l’acceptation de la mesure mise en doute. Il est conseillé
à l’expérimentateur de produire les résultats des
analyses avec et sans le point limite, avec une
description de la situation et des conclusions
interprétatives.
D’autres méthodes statistiques permettant de déceler les
observations aberrantes sont décrites dans les
publications, mais elles semblent posséder les mêmes
162
Figure 22. — Exemples d’observations peut-être aberrantes dans des essais de mesure de la croissance, au
7e jour, de larves de têtes-de-boule. Ces données proviennent d’essais sur deux effluents de fabriques
canadiennes de pâte à papier. Dans chaque exemple, une mesure à la 2e concentration la plus faible
(25 % d’effluent) excède les autres mesures à cette concentration et, aussi, la distribution générale. Le
nombre de répétitions à chaque concentration était de quatre, chacune avec 9 ou 10 larves.
faiblesses à l’égard des essais de toxicité, c’est-à-dire
de ne pas prendre en considération la variation totale de
toutes les concentrations. Le manuel classique de
statistique de Snedecor et Cochran (1980) offre deux
formules relativement simples permettant de tester la
nature aberrante ou non d’une observation. Les
méthodes reposent sur l’emploi de tables assez
détaillées des valeurs critiques des tests, que nous ne
pouvons pas reproduire ici. Une monographie a été
exclusivement consacrée à la question par Barnett et
Lewis (1994), et l’USEPA (1995) conseille la
consultation d’une publication de Draper et John
(1981).
Observations aberrantes multiples. — L’application
d’un remède a une issue plus douteuse lorsque, à une
concentration donnée, on soupçonne plus d’une
observation aberrante. Collett (1991) était d’avis qu’il
n’existe pas de méthode objective et fiable que l’on peut
recommander pour évaluer un groupe de deux ou de
plusieurs observations aberrantes ; cependant, Rosner
(1983) offre une méthode exploitable. La même
méthode est décrite par Newman (1995), avec un code
de programme informatique en FORTRAN. Snedecor
et Cochran (1980) ont montré comment les deux
formules simples concernant une observation aberrante
pouvaient et devraient être appliquées au cas de deux
valeurs aberrantes dans un ensemble d’observations
(disons dans les répétitions correspondant à une
concentration). Il faudrait tester d’abord la valeur
aberrante la plus extrême. Que cette valeur se révèle ou
non une observation aberrante statistique, on devrait la
supprimer et tester l’autre valeur extrême dans la
distribution résiduelle de valeurs. Si cette valeur se
révèle statistiquement aberrante, les deux sont déclarées
aberrantes. Cette opération se justifie comme suit : la
valeur la plus extrême peut « occulter » l’écart que
représente la seconde valeur extrême, en influant sur
l’ensemble de la distribution.
Bien qu’il n’existe pas de critère tout à fait adéquat
pour les observations aberrantes dans les essais de
toxicité, la méthode de Grubbs (1969), que nous avons
exposée ci-dessus, semble aussi appropriée que toute
autre. Il faudrait mettre au point des méthodes
statistiques convenant davantage à la toxicologie. En
attendant, si une observation apparemment aberrante
est cruciale pour l’interprétation d’un essai, d’une
façon ou d’une autre, on devrait consulter un
statisticien pour appliquer des mesures, que nous ne
décrirons pas ici, afin de quantifier le degré d’influence
qu’une observation particulière exerce sur un modèle.
10.2.4 Interventions à signaler
Si on soupçonne une observation d’être aberrante, on
peut résumer la séquence des approches et des
163
interventions souhaitables comme suit :
• On devrait examiner, à la recherche d’erreurs dans
les observations ou les enregistrements, tous les
enregistrements de l’essai.
• Ensuite, on devrait examiner toutes les méthodes
utilisées dans le maintien des sujets de l’expérience et
dans leur exposition aux conditions expérimentales,
pour voir si elles n’ont pas déclenché quelque
réaction biologique compréhensible.
• Sinon, on devrait envisager d’autres modèles de
rechange pour les résultats.
Parallèlement à ces étapes, l’expérimentateur devrait
utiliser des méthodes statistiques objectives pour
examiner la question du rejet ou de l’acceptation de
l’observation ou des observations variantes.
Dans le rapport, on devrait énumérer les anomalies et
décrire les résultats et les conclusions des recherches
afférentes.
Si, selon les techniques statistiques, l’observation n’est
pas aberrante, on devrait le signaler, et l’analyse de
l’ensemble des résultats devrait englober le résultat
aberrant. (On pourrait également inclure dans le
rapport une analyse sans la valeur anormale,
accompagnée d’observations sur les conséquences que
cela a eues sur l’interprétation.)
On devrait également signaler si le test statistique a
permis de reconnaître une observation aberrante. On
devrait analyser les résultats avec et sans la valeur
douteuse. Les deux analyses devraient être
mentionnées, l’expérimentateur devrait préciser laquelle
il a choisi comme définitive, en motivant son choix.
Une analyse différente ou supplémentaire, par une
méthode non paramétrique ou une autre méthode plus
robuste, pourrait projeter un éclairage supplémentaire.
Cette répétition des analyses et des explications
pourrait ne pas convenir à certains programmes
réglementaires, qui exigent habituellement un résultat
normalisé. Dans ce cas l’expérimentateur devrait
communiquer la meilleure estimation, selon son
jugement, en ajoutant que des analyses et des
explications supplémentaires du contexte sont jointes
ou archivées.
10.3
L’hormèse — stimulation à faibles
concentrations
Repères
• Dans beaucoup d’essais de toxicité sublétale, les
performances des sujets d’expérience sont
stimulées à de faibles concentrations. C’est le
phénomène de l’hormèse (les sujets font mieux
que les témoins). Cela pose le problème
philosophique consistant à décider si ces effets
sont nuisibles et quelles performances devraient
être considérées comme celles du témoin. On ne
peut pas donner de réponse générale à cette
question.
• L’hormèse pose également des problèmes
pratiques d’analyse. Les modèles ordinaires
dose-effet ne sont pas satisfaisants ou ils faussent
les estimations. Les modèles plus complexes
peuvent perdre leur pouvoir de détection des
concentrations nuisibles, si on adopte un plan
minimal d’expérience.
• Pour les estimations ponctuelles, telles que celles
de la CI 25, la meilleure approche consiste à
ajuster les données avec une régression non
linéaire, puis à estimer la CI 25 par comparaison
avec le vrai témoin. Dans les nouvelles méthodes
d’Environnement Canada et dans le présent
document, on présente une approche analytique
normalisée de ce phénomène.
• Si on effectue un test d’hypothèse, on devrait
suivre le mode opératoire normal, avec les
résultats obtenus à toutes les concentrations.
Cependant, on ne devrait prendre en
considération que les effets significativement pires
que ceux du vrai témoin dans la désignation de la
CSEO et de la CEMO.
• À l’égard des essais hormétiques, les rapports
devraient comprendre les résultats originels et
expliquer les méthodes d’analyse.
L’hormèse est le fait, pour une matière, de stimuler à de
faibles concentrations les organismes en expérience par
rapport aux organismes témoins, c’est-à-dire qu’ils
« performent mieux » que les témoins. Aux fortes
164
concentrations, les effets nuisibles sont visibles.
Habituellement, la terminologie la plus juste est, en
termes plus généraux, la stimulation à faible dose.
L’expression englobe d’autres causes possibles de
stimulation, telles que l’effet de solvants, l’erreur
expérimentale ou, en théorie, uniquement une
stimulation générale des organismes en expérience
gardés dans des conditions monotones de laboratoire
(« stimulation suffisante »). On perçoit parfois la
stimulation à faible dose dans divers effets, notamment
l’accélération de la croissance des organismes ou
l’augmentation de la densité des cellules algales,
montrée dans la fig. 23.
La stimulation à faible dose est peut-être
l’empêchement le plus fréquent de l’analyse des
résultats d’essais de toxicité sublétale bien planifiés.
Elle représente un phénomène réel et non des
observations aberrantes ou un essai imparfait, et des
expérimentateurs canadiens tombent sur des résidus qui
donnent de manière fiable des résultats hormétiques.
Cela ne se limite pas aux études de l’environnement ; le
phénomène est répandu en toxicologie médicale (Davis
et Svendsgaard, 1990). Calabrese et Baldwin (1997)
ont examiné des effets positifs allant de 30 à 60 %, bien
que des laboratoires canadiens de l’environnement
observent, comme maximum le plus probable, un taux
de + 30 %.
La cause de performance accrue est rarement
déterminée. Pour ce qui concerne la croissance ou le
nombre de cellules produites, les constatations
correspondraient à l’apport de nutriments avec la
matière à l’étude, ce qui stimulerait la production. Si
cela était et si le nutriment était connu, la parade
évidente serait d’ajouter le nutriment en question à
toutes les concentrations, y compris dans le milieu
témoin. Le niveau de compréhension justifierait
rarement une telle mesure.
10.3.1 Les difficultés
Problèmes avec les méthodes usuelles. — Si la
stimulation à faible dose se manifeste et si on applique
des techniques courantes d’analyse, le paramètre de
toxicité tend habituellement à être abaissé (« plus
grande toxicité »). Les performances du témoin ou les
performances de base sont souvent surestimées, ce qui
mène souvent à une surestimation des effets des
concentrations et à l’abaissement de la CI p. La pente
de la relation ajustée devient habituellement plus raide,
ce qui pourrait influer sur l’estimation des limites de
confiance.
Si les données présentées dans la fig. 23 sont saisies
telles quelles dans le programme ICPIN (§ 6.4.3), le
processus ordinaire de lissage augmente le nombre de
cellules du témoin et il estime une CI p inférieure à
celle à laquelle on pourrait s’attendre. La valeur témoin
originelle (réelle) de 2 650 cellules est ajustée à 2 860.
Le lissage affecte la même valeur (2 860 cellules) à
chacune des quatre premières concentrations. En
conséquence, si on estime la CI 25, elle est fondée sur
2 145 cellules (75 % de 2 860) plutôt que sur le nombre
initial de 1 988. On estime la CI 25 à environ 3,92
(logarithme), soit 8 300 unités de concentration, contre
4,05 ou 11 220 unités de concentration si on avait
utilisé le témoin initial, ce qui est assurément un
changement appréciable.
Il n’est donc certes pas souhaitable de simplement
ignorer la stimulation à faible dose et d’utiliser
mécaniquement les méthodes statistiques utilisées
communément.
Effet ou témoin plus « performant » ? — Voilà une
énigme philosophique que soulève l’hormèse et à
laquelle il n’y a pas de réponse consensuelle. Aucun des
éléments possibles de solution n’est entièrement
satisfaisant.
Les performances améliorées devraient-elles être
considérées comme un « effet » du toxique et, par
définition, être jugées répréhensibles ? À l’extérieur du
laboratoire, dans une communauté vivante, le
détournement de l’énergie d’un organisme vers des
voies telles que la croissance pourrait en effet être
néfaste.
Cela pourrait soustraire de l’énergie qui servirait, plus
stratégiquement, à la reproduction ou à quelque autre
activité. Cependant, dans un essai en laboratoire, il est
difficile d’adhérer à une telle spéculation. Il est difficile
de considérer l’accroissement des rendements dans le
critère de validité de l’essai comme un effet nocif.
D’autre part, si on décidait de considérer la stimulation
à faible dose comme un effet nuisible, pour les besoins
de l’exemple présenté dans la fig. 23, cela signifierait
165
Figure 23. —
Exemple de stimulation à faible concentration. Le phénomène a été observé dans un essai avec
l’algue verte Pseudokirchneriella subcapitata [auparavant Selenastrum capricornutum] dans un
laboratoire canadien. Le tireté horizontal montre le comportement du témoin, et la concentration
minimale a donné lieu à une réponse semblable. L’algue a manifesté un taux de reproduction accru aux
trois concentrations plus grandes, puis la baisse prévue aux fortes concentrations.
que les 2e, 3e et 4e concentrations seraient déclarées
comme des effets potentiellement toxiques, ce qui ne
semblerait probablement pas rationnel à la plupart des
observateurs.
Une autre interprétation encore serait de considérer
l’augmentation des performances de l’organisme
comme une sorte de témoin stimulé, peut-être dû à un
apport amélioré de nutriments ou, peut-être, dans le cas
des animaux, cela pourrait être une réponse à un
« stimulus suffisant » par rapport à un ensemble de
conditions par ailleurs monotones d’existence dans les
conditions contrôlées du laboratoire. La mesure après
stimulation représenterait les performances potentielles
et elle jouerait le rôle du témoin. La plupart des
expérimentateurs considéreraient probablement cela
comme peu réaliste et ils opteraient, plutôt, pour la
comparaison avec le témoin ordinaire.
Il n’est pas souhaitable d’adopter un mélange de
performances du témoin et de performances après
stimulation comme nouveau témoin, tel qu’on l’a fait
dans le lissage par le programme ICPIN. Cette
méthode, comme cela a été montré, aboutit à un
paramètre de toxicité sensiblement abaissé.
La fig. 23 montre la difficulté de répondre à de telles
questions fondamentales, et, par le passé, il n’y a pas
eu de véritable consensus sur ces questions.
À part les questions philosophiques, la stimulation à
faible dose pose des problèmes très pratiques
d’élaboration d’une approche statistique pour l’analyse
des données (v. les options exposées ci-dessous). Un
problème potentiel est que les effets hormétiques à de
faibles concentrations signifieraient que la méthode
statistique avait moins de concentrations montrant la
diminution des performances pour la modélisation de
166
leur réduction par rapport au témoin.
10.3.2 Prise en considération des effets hormétiques
dans la régression
Environnement Canada a adopté cette option
raisonnable dans ses méthodes usuelles récentes de
régression non linéaire pour estimer les CI p (EC,
2004a, b et 2007 ; § 6.5.8 et annexe O). Pour les
comparaisons de l’effet, on utilise le vrai témoin. On
utilise un modèle particulier, adapté à l’hormèse et,
grâce à lui, on résout les problèmes d’analyse auxquels
nous avons fait allusion. Cette solution heureuse de la
partie statistique recèle de nombreux avantages. Nul
besoin de rejeter aucune des données ; nul besoin de
modifier la valeur du témoin par lissage ou par d’autres
techniques. Il n’y a pas de distorsion des effets aux
concentrations supérieures à celles auxquelles se
manifeste l’hormèse. Cela est mentionné sous la
rubrique « Option 1 » du § 10.3.3, pour l’analyse des
données révélant une stimulation à faible dose.
On a appliqué des modèles linéaires généralisés
(GLIM)) aux résultats des essais avec Ceriodaphnia.
Ces modèles se sont montrés prometteurs pour la
stimulation à faible dose, qui s’est souvent manifestée
(Bailer et al., 2000a). Les GLIM ont permis des
estimations plus cohérentes de la CI p que le
programme ICPIN. Ils étaient également applicables
aux données quantiques, aux données quantitatives ou
aux dénombrements.
Brain et Cousens (1989) ont décrit des ensembles
hormétiques de résultats obtenus par des modèles
logistiques (sigmoïdes) reparamétrés. Le paramètre
ajouté à l’équation a autorisé une modification
hormétique des performances à faibles concentrations.
On a perfectionné l’approche en incluant le paramètre
voulu de toxicité en tant que paramètre (van Ewijk et
Hoekstra, 1993), puis on a intégré cette technique dans
les méthodes récentes d’Environnement Canada.
L’avantage est que l’on estime directement le paramètre
de toxicité et ses limites de confiance à partir des
données. Un inconvénient possible est la nécessité
d’estimer quatre paramètres par régression non linéaire,
ce qui exige un plan d’expérience produisant un
ensemble de données comportant un nombre adéquat de
concentrations et de répétitions. Le paramétrage de
van Ewijk et Hoekstra (1993) est sensible à
l’algorithme d’optimisation sous-jacent au progiciel non
linéaire (B.A. Zajdlik, B. Zajdlik & Associates Inc.,
Rockwood, Ont., communication personnelle, 2004).
La méthode plus perfectionnée d’analyse supprime la
partie statistique de l’énigme posée par l’hormèse. Elle
résout les problèmes philosophiques exposés dans le
§ 10.3.1, grâce à l’approche raisonnable qui consiste à
utiliser les performances du vrai témoin comme base
pour juger des effets (Option 1, § 10.3.3). La question
philosophique, qui est « que devrait-on désigner comme
performances “normales” ? », pourrait encore être
débattue dans certaines situations inhabituelles, et c’est
ce dont il est question dans le § 10.3.3.
10.3.3 Options face à l’hormèse
Dans les options exposées ci-dessous pour les essais
dans lesquelles on observe un effet de stimulation à une
ou à deux faibles concentrations, on expose une gamme
d’approches. Nous recommandons l’option 1, premier
choix exigé dans les méthodes récentes d’essai d’un sol
d’Environnement Canada (EC, 2004a, b et 2007). Nous
recommandons l’option 4 s’il est nécessaire d’obtenir
des estimations ponctuelles par le programme ICPIN et
l’option 5 pour estimer la CSEO et la CEMO, si le test
d’hypothèse(s) est utilisé pour quelque raison que ce
soit.
(Option 1) Dans les estimations ponctuelles, inclure
l’hormèse dans un modèle plus complexe. — Si on
estime la CI 25, adopter le modèle d’hormèse et
effectuer une régression non linéaire (§ 6.5.8). La CI 25
est encore estimée relativement aux performances du
vrai témoin.
(Option 2) Lissage des effets pour le témoin et les
faibles concentrations. — Le lissage est effectué dans
le programme informatique communément utilisé
ICPIN, pour estimer la CI p. Cela permet d’ajuster le
témoin à de « meilleurs niveaux », avec abaissement
consécutif de la CI p estimée. On pourrait obtenir un
résultat analogue dans le test d’hypothèse(s). Cette
option n’est pas recommandée, parce qu’elle fait des
comparaisons avec un témoin qui, de fait, n’existe pas.
(Option 3) Omettre de l’analyse statistique les
concentrations présentant une hormèse
notable. — Cette option ne possède aucune base
mathématique ni statistique ; on pourrait la considérer
uniquement comme une manifestation du jugement du
167
biologiste. Cette option permettrait l’ajustement de
l’estimation de la CI p par la méthode ICPIN. Elle ne
conviendrait pas aux estimations ponctuelles par
régression. Cette technique exigerait une analyse
préliminaire pour décider quelles concentrations ont
effectivement été hormétiques. Une fois les points de
données supprimés, l’analyse pourrait porter sur les
concentrations restantes. On ferait accompagner
l’analyse d’une déclaration claire et motivée des valeurs
omises.
Cette option est prise dans une seule des méthodes
d’essai de toxicité d’Environnement Canada, celle de
l’inhibition de la croissance des algues (EC, 1992d). Si
la croissance des algues à une concentration est
supérieure à celle du témoin, on signale ces
observations, mais celles-ci n’entrent pas dans le calcul
de la CI p.
Cette option serait insatisfaisante dans de certaines
circonstances. Elle pourrait estimer un paramètre de
toxicité qui serait exagérément faible, si la suppression
des données hormétiques laissait une large « trouée »
entre deux faibles concentrations qui encadraient le
paramètre de toxicité. Un exemple hypothétique est
décrit dans la ligne 2 de la note ci-dessous 66 . À cause
66. Cet exemple hypothétique représente le nombre de cellules
algales dénombrées à diverses concentrations expérimentales.
Dans un souci de simplicité, nous ne reproduisons pas les
répétitions.
T émoin
6
12
25
50
100
(mg/L)
1. N bre observé de cellules
200 200 275
2. C oncentrations
horm étiques supprimées
200 200
3. Valeur du tém oin à la
place de l’hormèse
200 200 200
300 100
50
100
50
200 100
50
L’effet observé dans la première ligne dénote des effets
hormétiques évidents à 12 et à 25 mg/L. Ces deux effets sont
supprimés dans la deuxième ligne, comme dans l’option 3 du
texte. Si on voulait estimer la CI 25 (concentration correspondant
à 150 cellules) à l’aide de la méthode ICPIN et des données en
ligne 2, il y aurait interpolation entre 6 et 50 mg/L, valeurs qui
sont séparées par un intervalle plutôt large. On estimerait la CI p
à 17 mg/L, ce qui est exagérément faible, puisqu’il n’y avait pas
de preuve d’atteinte à la production d’algues dans les données
originelles correspondant à 25 mg/L.
La troisième ligne du tableau montre une méthode ayant
de cette utilité incertaine, la méthode n’est pas
recommandée comme solution complète pour les autres
essais que ceux de croissance d’algues.
(Option 4) Attribution de la valeur témoin aux
concentrations présentant une stimulation à faible
dose. — C’est une option arbitraire, sans justification
statistique, mais elle est susceptible d’aboutir à
l’estimation de paramètres de toxicité réalistes,
employant des calculs simples au moyen de méthodes
communément utilisées. Nous ne la recommandons pas
pour les estimations ponctuelles, parce qu’une méthode
appropriée de régression existe (§ 6.5.8). L’option 4
fonctionnerait pour les estimations ponctuelles avec le
programme ICPIN. Un échantillon d’expérimentateurs
canadiens (Schroeder et Scroggins, 2001) a déjà
préconisé cette option pour un usage transitoire, mais
seulement jusqu’à ce que des méthodes appropriées de
régression aient été mises au point, comme c’est le cas
désormais.
(Option 5) Dans un test d’hypothèse(s), considérer
la stimulation à faible dose comme non nocive.
— L’analyse statistique se déroule comme à
l’accoutumée, c’est-à-dire qu’elle engloberait les
performances meilleures que celles du témoin. Si elle
montrait qu’une ou plusieurs faibles concentrations
correspondent significativement à de meilleures
performances que celles du témoin, on le signalerait,
mais on ne considérerait pas cela comme un effet
nuisible. La CEMO serait désignée comme la
concentration minimale ayant entraîné une diminution
significative des performances par rapport à celles du
témoin. Le paramètre de toxicité serait le même que
celui que l’on aurait estimé dans l’option 4, mais on le
préfère pour le test d’hypothèse(s) parce qu’il ne
comporte aucune manipulation des données originelles.
Ces options pourraient ne pas convenir à tous les
résultats. L’expérimentateur devrait examiner les
données portées sur un graphique pour déterminer
apparemment été utilisée par certains laboratoires pour
contraindre les données à un paramètre de toxicité plus réaliste
(option 4 du texte). La valeur du témoin est affectée de façon
arbitraire aux concentrations qui se sont révélées hormétiques.
L’interpolation de la concentration se situerait désormais entre 25
et 50 mg/L. La CI 25 serait de 35 mg/L, ce qui semble plus
acceptable.
168
Figure 24. — Exemple de bonne relation linéaire entre la concentration et l’effet. Ce sont les résultats d’un essai
sur une eau de surface toxique, effectué au Canada avec l’algue Pseudokirchneriella subcapitata
[auparavant Selenastrum capricornutum]. Pour faciliter la représentation de la concentration sur
l’échelle logarithmique, on attribue au témoin une concentration très faible. Le double zigzag figure une
interruption dans l’échelle des concentrations.
quelles approches et quels paramètres de toxicité sont
acceptables.
Dans tous les cas de stimulation à faible dose, il
importe de :
• communiquer les données originelles ;
• préciser les mesures adoptées pour l’analyse.
10.4
Relations concentration-effet déviantes
La plupart des laboratoires tombent parfois sur des
relations concentration-effet inhabituelles. Les
organismes en expérience mentent rarement, de sorte
que les résultats aberrants trouvent d’habitude une
explication, laquelle, cependant, pourrait ne pas être
évidente. Le présent paragraphe montre des graphiques
correspondant à certaines constatations inhabituelles,
accompagnées d’explications possibles et de
recommandations pour le traitement des résultats.
L’interprétation initiale devrait se fonder sur des
graphiques, comme il est recommandé dans les § 4.2.2
et 6.3.1 ainsi que dans le guise de l’USEPA (2000a).
Repères
• On donne des exemples de plusieurs types
inhabituels ou difficiles d’ensembles de données.
On offre des conseils sur leur interprétation.
• On peut éviter une partie des difficultés grâce à
un plan d’expérience approprié, particulièrement
en utilisant un éventail suffisamment étendu de
concentrations.
La série commence par de « bonnes » données, pour les
besoins de la comparaison. Certains exemples
anormaux ont été obtenus dans des laboratoires
canadiens, pendant des programmes ordinaires d’essai,
d’autres s’inspirent d’exemples utilisés par l’USEPA
(2000a). Les problèmes posés par les observations
aberrantes et l’hormèse ont été abordés dans les
paragraphes précédents.
169
Figure 25. — Autre exemple d’une bonne relation entre la concentration et l’effet. Résultats d’un laboratoire
canadien dans un essai de croissance de la lentille d’eau (Lemna minor) exposée à diverses
concentrations d’arsenic. (Le reste de la description trouvée à la fig. 24 s’applique ici également.)
(1) Bonnes donnée s s ur la r e lation
concentration-effet. — La fig. 24 montre une relation
linéaire ordinaire pour un essai ayant porté sur des
algues. Il N’est aucunement difficile d’estimer un
paramètre de toxicité tel que la CI 25 par diverses
méthodes linéaires. Le test d’hypothèse(s) fonctionne
également d’une manière satisfaisante.
Les résultats de la fig. 24 sont généralement
monotones, et l’effet légèrement irrégulier de la
troisième concentration maximale n’aurait pas de quoi
inquiéter. Vraisemblablement, ils représentent la
variabilité naturelle et ils contribueraient à augmenter
la variance de toute description statistique d’une droite
ajustée.
Il serait agréable d’obtenir les bons résultats montrés
dans la fig. 24, mais on aurait pu les améliorer dès
l’étape du plan d’expérience. La gamme des huit
concentrations expérimentales couvre un ordre de
grandeur, c’est-à-dire que les concentrations sont
rapprochées les unes des autres. Comme nous l’avons
mentionné dans le § 2.2, un tel plan d’expérience risque
de passer à côté des concentrations intéressantes et, de
fait, c’est ce qui s’est produit dans cet exemple. La
concentration minimale correspond à un résultat qui est
inférieur d’environ 13 % à celui qui correspond au
témoin. Une qualité d’un bon plan d’expérience est
d’utiliser au moins une faible concentration qui
correspondra à des résultats essentiellement analogues
à ceux du témoin. Les concentrations auraient dû avoir
été étalées sur une étendue plus grande.
La fig. 25 montre une relation concentration-effet
similaire et remarquablement rectiligne. L’analyse de
tels résultats ne présenterait aucune difficulté, soit pour
une estimation ponctuelle, soit pour un test
d’hypothèse(s). Cet étalement des effets sur plus de
deux ordres d’ampleur est quelque peu inhabituel.
Cependant, cela n’empêcherait pas l’analyse ; le plan
d’expérience était adéquat, et on a obtenu de petits et de
grands effets. L’addition d’une faible concentration à la
série pourrait avoir, cependant, un effet près de celui
qu’a éprouvé le témoin. De nouveau, ce bon résultat
montre l’importance d’un plan d’expérience englobant
une grande étendue de concentrations plutôt que
d’essayer de deviner dans quel intervalle étroit se
trouvera la concentration importante (§ 2.2). Dans cet
essai, l’étalement étonnamment large des effets a
englobé toutes les concentrations d’un plan
170
Figure 26. — Relation à pente raide entre le poids des larves de têtes-de-boule et les concentrations d’un effluent
auxquelles elles sont exposées. Résultats d’un laboratoire canadien. (Le reste de la description trouvée
à la fig. 24 s’applique ici également.)
d’expérience qui, normalement, serait considéré comme
d’une grandeur adéquate.
(2) Relations à pente forte. — Dans les essais
d’écotoxicité, il est fréquent que, d’une concentration à
la suivante, les effets varient brusquement. L’exemple
de la fig. 26 n’est pas tout à fait « en tout ou rien »
parce qu’il existe un effet intermédiaire quand la
relation passe d’une valeur témoin à un effet nuisible
majeur. Ce type de données est modérément
satisfaisant, et le paramètre estimé de toxicité sera
convenablement précis, avec un intervalle étroit de
confiance (selon le facteur de dilution utilisé pour
choisir les concentrations).
Une qualité évidente de la fig. 26 est la présence d’une
faible concentration à laquelle correspond un effet
semblable à celui qu’éprouve le témoin. C’est un signe
que le plan d’expérience et le mode opératoire de l’essai
sont appropriés. On dénombre effectivement quatre
faibles concentrations semblables à celles auxquelles le
témoin est exposé, et les statisticiens souligneraient
l’amélioration de la précision qu’aurait apportée un
plus grand nombre de points de données dans la région
où l’effet change rapidement. En conséquence, un plan
amélioré d’expérience aurait, dans ce cas, omis
certaines des faibles concentrations, afin d’obtenir plus
de données aux fortes concentrations. Idéalement, un
essai mené pour trouver la gamme de concentrations à
utiliser aurait montré la suite appropriée de
concentrations à utiliser dans l’essai de toxicité
définitif. Cependant, faute d’un tel essai préliminaire,
toute modification des concentrations prévues dans le
plan d’expérience représenterait un jugement après
coup. Comme nous l’avons fait remarquer, un plan
d’expérience qui rétrécit la gamme de concentrations à
utiliser peut être dangereux dans l’essai d’une matière
dont on ignore la toxicité. On pourrait passer à côté de
concentrations importantes, de sorte qu’il est mieux
d’étaler les concentrations, comme cela a été fait.
(3) Absence d’effet et irrégularité. — Parfois, à la
concentration maximale, aucun effet de la matière à
l’étude n’est évident. Si la matière est un effluent ou un
échantillon de sédiment ou de sol, on ne peut pas tester
de concentrations supérieures à 100 %. L’interprétation
est simple : l’essai n’a révélé aucun effet nocif. On ne
peut calculer aucune estimation ponctuelle de la CI p,
et le test d’hypothèse(s) montrerait aussi l’absence
d’effet.
171
Figure 27. — Absence d’effet aux fortes concentrations avec anomalie à une concentration intermédiaire.
Données hypothétiques sur la survie de larves de têtes-de-boule.
C’est ce que montre la fig. 27, mais un résultat révèle
une contradiction. La concentration médiane est
sensiblement inférieure à celle du témoin. Il est rare
qu’un laboratoire puisse observer une telle distribution
des résultats dans un essai de toxicité sublétale. À la
concentration anormale, les performances des
organismes pourraient être diminuées de 25 % par
rapport à celles du témoin et pourraient également être
statistiquement différentes de celles du témoin.
pourrait avoir influé sur la moyenne (v. le § 10.2 sur
les observations aberrantes). Il se peut que l’absence de
randomisation ait influé sur les résultats par le
truchement de l’état des organismes ou de quelque autre
facteur relié à la position dans le tableau de données. Si
on ne peut pas trouver d’explications, il reste peu de
choses à faire si ce n’est de décrire l’étendue des
résultats obtenus et de conclure à l’existence d’un point
de donnée anormal.
Si l’analyse des essais se fait normalement par des
estimations ponctuelles, cette irrégularité ne pose pas
problème. La faible valeur ne se traduirait pas par un
paramètre de toxicité, et on devrait la signaler comme
une anomalie. Si l’expérimentateur avait l’intention
d’utiliser le test d’hypothèse(s), l’effet irrégulier qui
correspond à la concentration médiane pourrait se
révéler être la CEMO. L’absence d’effet aux
concentrations supérieures invalide toute estimation du
genre. La seule conclusion raisonnable serait de
reconnaître l’anomalie apparente et de déclarer que le
test d’hypothèse(s) n’était pas approprié.
(4) Absence anormale d’effet à une concentration
intermédiaire. — Parfois, une augmentation
progressive apparente de l’effet est interrompue par une
concentration ne manifestant aucun effet, comme chez
le témoin (fig. 28). On pourrait effectuer une analyse
par des méthodes qui estiment une CI p. Les techniques
d’ajustement des courbes tiendraient compte des
irrégularités et produiraient un intervalle de confiance
convenablement large. Le programme ICPIN
imposerait la monotonie à la relation (Norberg-King,
1993), probablement avec une analyse satisfaisante
dans ce cas. Le test d’hypothèse(s) serait gâché par un
point anormal significativement différent du témoin ;
deux ensembles seraient produits pour la CSEO et la
CEMO. L’USEPA (2000a) recommande alors de
choisir la valeur inférieure comme CSEO (6,25 % dans
la fig. 28) si le test présente une différence significative
On devrait chercher une explication. On examinera les
enregistrements pour y déceler des conditions
expérimentales divergentes telles que le pH ou
l’oxygène dissous. Une seule répétition divergente
172
Figure 28. — Absence d’effet, apparemment anormale, à une concentration intermédiaire. Exemple hypothétique,
modifié d’après les données de la fig. 26, sur le poids des larves de têtes-de-boule.
minimale (DSM) satisfaisante (v. le § 7.2.4). Cette
approche prudente serait satisfaisante.
On devrait signaler l’anomalie, que l’on ait réussi ou
non à trouver une estimation ponctuelle. On devrait
examiner les modes opératoires de l’essai pour trouver
une cause, comme dans l’exemple 3.
Il est rare que l’on puisse imputer à un facteur
biologique des anomalies reliées à la relation dose-effet
et les actes d’agression en sont un exemple. Dans une
série de 90 essais de criblage de toxicité létale effectués
sur un effluent industriel, on a, dans certains d’entre
eux, assisté à un comportement extrême d’agression
chez les truites, après leur admission dans les enceintes
expérimentales. Deux essais ont donné des résultats
particulièrement étranges. Sur les 20 poissons par
traitement, 9 sont morts chez le témoin et 5 dans la
concentration minimale, apparemment par suite de
combats. Aux deux concentrations intermédiaires, dans
lesquelles les poissons ont semblé être tranquillisés par
l’effluent, on n’a relevé aucune mortalité. Dans
l’effluent non dilué, la toxicité a joué, et 16 poissons
sont morts (Sprague, 1995). L’effet principal observé
chez le témoin a été que, à l’évidence, un facteur
étranger agissait. La relation déviante de la mortalité en
fonction de la concentration, matérialisée par une
courbe en U, pouvait s’expliquer mais ne pouvait pas
être analysée par des moyens classiques.
(5) Courbe représentant un effet invariable. — La
fig. 29 révèle un léger effet apparent à de nombreuses
concentrations, mais ne montre aucune augmentation de
l’effet en raison de la concentration. Manifestement, il
y a une anomalie. Les résultats du côté droit pourraient
être on ne pas être significativement inférieurs à ceux
du témoin, mais l’expérimentateur devrait se méfier de
l’invariabilité. Il ne devrait pas tenter d’estimer un
paramètre de toxicité pour des données aussi extrêmes
que celles de la figure.
On devrait rechercher la cause du phénomène dans le
mode opératoire ou dans les facteurs biologiques. Voici
certaines possibilités :
a) Les performances du témoin pourraient être
exceptionnellement bonnes. On devrait les
comparer à celles qui auront été constatées chez les
témoins au laboratoire. Si les performances restent
bonnes, les résultats de l’essai montrent simplement
que l’effluent étudié n’est toxique à aucune
concentration. (Il est peu probable que cela
représente chez le témoin des performances qui ont
été exceptionnellement mauvaises. Si tel était le
cas, cela signifierait que la plupart ou toutes les
173
Figure 29. — Effet apparemment petit, mais variant à peine en fonction de la concentration. Cet exemple provient
d’un laboratoire canadien ayant appliqué l’essai de mesure du poids de l’athérine, un poisson de mer.
concentrations expérimentales ont causé un effet, mais
sans obéir à une relation concentration-effet.)
b) L’eau employée pour les dilutions pourrait ne pas
avoir la qualité appropriée. Si, pour le témoin, on
a utilisé un type d’eau (disons l’eau d’élevage) et
si, pour les concentrations expérimentales, on a
utilisé une autre eau, cela pourrait expliquer
logiquement l’aplatissement de la distribution.
Cette situation ne devrait pas se produire, puisque
les modes opératoires préconisés par
Environnement Canada exigent que l’eau de
dilution et l’eau témoin soient la même eau. Dans
l’exemple de fig. 29, l’explication pourrait se
trouver dans quelque effet de la saumure ou des
sels marins utilisés pour ajuster la salinité des
concentrations expérimentales.
c) Il pourrait y avoir des effets pathogènes. Cela est
peu probable, mais c’est possible dans des essais
de toxicité chronique, particulièrement chez le
poisson. Dans la matière à l’étude, il pourrait se
trouver des pathogènes ayant agi sur les
organismes en expérience, bien que la matière
même n’ait pas été toxique. Si cela arrivait, les
résultats seraient probablement plus erratiques que
ceux que montre la fig. 27. Si la présence de
pathogènes semble probable et si on voulait
enquêter sur le phénomène, on pourrait effectuer
des essais en parallèle, avec un essai englobant un
traitement de la matière aux U. V. ou aux
antibiotiques.
Si la courbe conservait cette allure dans un programme
d’essais, il pourrait être souhaitable de mener une
enquête par analyses chimiques ou par des techniques
d’identification des agents toxiques.
(6) Relation inverse entre la concentration et l’effet.
— À première vue, la fig. 30 pourrait représenter une
relation ordinaire appropriée. À y regarder de plus près,
on constate que les performances des cultures d’algues
s’améliorent en raison de la concentration. La
conclusion est simple : l’effluent n’est pas toxique pour
les algues, mais il leur fournit des nutriments
favorables à leur croissance et à leur reproduction. Une
telle relation est le plus probable avec les végétaux,
mais on pourrait aussi la constater chez d’autres
organismes. (On devrait placer dans une perspective
plus large la preuve de la présence de nutriments dans
la matière à l’étude, pour ce qui concerne
174
Figure 30. — Exemple de performances améliorées en fonction de la concentration. Cet exemple concerne le
nombre de cellules algales. Il provient de l’USEPA (2000a).
l’enrichissement du milieu récepteur).
Une autre explication, peu probable mais possible,
serait que la matière n’était pas toxique, mais que l’eau
témoin ou l’eau de dilution l’était. Si, pour la dilution,
on avait employé de l’eau du milieu récepteur, elle
semblerait déjà toxique. Si cela était une explication
possible et que la toxicité « absolue » de l’effluent ou
d’une autre matière à l’étude doive être déterminée, on
devrait utiliser une eau de dilution étalon, que l’on sait
être inoffensive pour les organismes.
(7) Effets puissants à toutes les concentrations.
— L’exemple de la fig. 31 montre des effets majeurs
sur le nombre de cellules algales à toutes les
concentrations expérimentales. La relation
concentration-effet est presque horizontale. Ces
résultats, non hypothétiques, sont bien réels.
Manifestement, on aurait dû éprouver un intervalle plus
grand de concentrations comme il en a été question aux
alinéas 1 et 2. Les cinq concentrations utilisées ne
couvrent qu’un ordre de grandeur. Si elles avaient été
étalées davantage, les résultats pourraient avoir été
moins énigmatiques. Avec les données actuelles, on ne
peut pas estimer une CI 25 fiable, pas plus que l’on
peut déterminer une approche fiable pour la CSEO et
la CEMO.
Il est difficile de juger si les effets se seraient étendus
aux concentrations plus fortes et plus faibles, vu la
gamme étroite de concentrations montrée dans la
fig. 31. Pour expliquer la distribution invariable, on
pourrait aller jusqu’à invoquer un équilibre, à
l’intérieur de la matière à l’étude, entre les constituants
toxiques et d’autres qui stimuleraient la croissance des
algues. Peut-être se trouverait-il une explication
chimique à la quantité de forme active ou de constituant
actif qui était libre d’agir aux diverses concentrations.
10.5
Interactions du mode opératoire sur les
résultats
Repères
• Le mode opératoire choisi pourrait influer sur
l’analyse et les résultats.
• Dans un essai de croissance, par exemple,
certaines mortalités survenant dans l’enceinte
exposée à une forte concentration pourraient faire
175
Figure 31. — Résultats d’un essai ne montrant que de grands effets. L’exemple provient d’un laboratoire canadien
et concerne la biomasse de l’algue Pseudokirchneriella subcapitata [auparavant Selenastrum
capricornutum].
en sorte que les survivants, disposant de plus de
nourriture, présenteraient une croissance
compensatoire, ce qui compromettrait les conclusions
de l’analyse et occulterait les effets sublétaux.
• De même, une mortalité partielle dans l’enceinte
pourrait faire en sorte que les survivants seraient
exposés à plus de toxique, ce qui augmenterait les
effets sublétaux.
• La meilleure parade contre de telles influences
consiste à utiliser des modes opératoires
éprouvés. La modification du régime alimentaire
et des taux de renouvellement favorables de la
solution pourrait éviter les problèmes mentionnés.
Des questions peuvent être soulevées concernant
l’influence des méthodes d’essai elles-mêmes sur
l’analyse statistique et l’estimation du paramètre de
toxicité. L’interaction peut aboutir à des résultats qui
ne conviennent pas à l’analyse statistique ou qui sont
difficiles à interpréter. Le sujet est rarement pris en
considération, mais, parfois, il pourrait être important.
Nous en donnons un exemple ; il pourrait y en avoir des
analogues pour d’autres essais et d’autres effets.
Le nombre d’organismes par récipient pourrait
facilement influer sur l’analyse et les résultats dans les
essais de toxicité sublétale. Si, dans chaque récipient,
il se trouvait plusieurs organismes et que, dans certains
récipients mais non dans d’autres, ces organismes
mouraient, cela pourrait conduire à des expositions
déséquilibrées, qui influeraient sur les effets. Le
traitement inégal des groupes pourrait aller à l’encontre
des exigences en matière d’analyse statistique.
• Si, dans un récipient, la plupart des organismes
mouraient, les survivants profiteraient-ils du
surcroît de nourriture à leur disposition ?
L’évaluation de la croissance pourrait-elle être
biaisée ? Cela est certes possible si la technique
d’alimentation fournit plus de nourriture à chaque
survivant. On connaît des exemples évidents
d’absorption alimentaire compensatoire (accrue)
chez le poisson, qui peut neutraliser les effets
nuisibles d’un toxique sur la croissance (Warren,
1971). Un rationnement calculé d’après le nombre
d’organismes ou leur biomasse pourrait corriger ce
problème.
• Le choix de la ration pourrait facilement influer sur
le résultat obtenu, vu le phénomène précédemment
mentionné de croissance compensatoire.
176
L’expérimentateur pourrait choisir une ration
relativement importante, dans l’espoir de montrer les
différences maximales existant entre les
concentrations expérimentales, mais une ration trop
généreuse pourrait gommer les différences, en raison
de l’alimentation compensatoire.
• Si la plupart des organismes dans un récipient
mouraient, les survivants seraient-ils exposés à une
dose plus forte ? Vraisemblablement, les morts
cesseraient d’assimiler du toxique, de sorte qu’ils
n’abaisseraient pas les concentrations ambiantes.
L’exposition des survivants serait plus grande que
s’il n’y avait pas eu de mortalité. L’effet pourrait
être ou ne pas être négligeable.
La principale parade contre ces anomalies consiste à
employer un mode opératoire éprouvé. Les méthodes
normalisées telles que celles d’Environnement Canada
sont désormais largement accessibles ; les méthodes
sont efficaces, ayant généralement été raffinées par des
groupes chevronnés. Les rations auront été choisies
pour réduire au minimum les anomalies. Pour maintenir
les concentrations voulues dans les enceintes
expérimentales, toute influence due à des mortalités
partielles dans des groupes d’organismes serait
neutralisée par les volumes importants de solution
d’essai utilisée pour la biomasse présente.
177
Références
Abbott, W.S., 1925. A method of computing the effectiveness
of an insecticide. J. Econ. Ent., 18:265–267.
Alderdice, D.F. et J.R. Brett, 1957. Some effects of kraft mill
effluent on young Pacific salmon. J. Fish. Res. Board Can.,
14:783–795.
Andersen, H. 1994. Statistical methods for evaluation of the
toxicity of waste water. Thèse de maîtrise en sciences,
Section de modélisation mathématique, Université technique
du Danemark à Lyngby [en danois].
Andersen, J.S., H. Holst, H. Spliid, H. Andersen, A. Baun et N.
Nyholm, 1998. Continuous ecotoxicological data evaluated
relative to a control response. J. Agric. Biol. and Environ.
Statistics, 3:405–420.
Andersen, J.S., J.J.M. Bedaux, S.A.L.M. Kooijman et H. Holst,
2000. The influence of design characteristics on statistical
inference in non-linear estimation; a simulation study.
J. Agric. Biol. and Environ. Statistics, 5:28–48.
Anonyme, 1994. How to measure no-effect? SETAC News, nov.
1994 : p. 19. [Society Environ. Toxicol. and Chemistry]
APHA, AWWA et WEF, 1992 [American Public Health
Association, American Water Works Association et Water
Environment Federation]. Standard methods for the
examination of water and wastewater. 18 e éd. APHA,
Washington.
Ashton, W.D., 1972. The logit transformation with special
reference to its uses in bioassay. Griffin's Statistical
Monographs & Courses, no 332. Hafner Pub. Co., New York,
88 p.
Atkinson, G.F., 1999. Assessment of available computer
programs. Attachment T, 2 p., dans : Minutes/Proceedings
of the Statistics Workshop for Toxicological Testing, Pacific
Environmental Science Centre (PESC), North Vancouver
B.C., September 15–17 th , 1999. Environnement Canada,
Centre des sciences environnementales du Pacifique, North
Vancouver, C.-B.
Bailer, A.J et J.T. Oris, 1993. Modeling reproductive toxicity in
Ceriodaphnia tests. Environ. Toxicol. Chem. 12:787–791.
————. 1994. Assessing toxicity of pollutants in aquatic
systems. p. 28–40, dans : Case studies in biometry. N.
Lange, L. Ryan, L. Billard, D. Brillinger, L. Conquest et
J. Greenhouse (dir.). John Wiley & Sons, Inc., New York.
———. 1997. Estimating inhibition concentrations for
different response scales using generalized linear models.
Environ. Toxicol. Chem., 16:1554–1559.
———. 1999. What is an NOEC? Non-monotonic
concentration-response patterns want to know. SETAC News,
March 1999:22–24.
Bailer, A.J., M.R. Hughes, D.L. Denton et J.T. Oris, 2000a. An
empirical comparison of effective concentration estimators
for evaluating aquatic toxicity test responses. Environ.
Toxicol. Chem., 19:141–150.
Bailer, A.J., R.T. Elmore, B.J. Shumate et J.T. Oris, 2000b.
Simulation study of characteristics of statistical estimators of
inhibition concentration. Environ. Toxicol. Chem.,
19:3068–3073.
Baird, R.B., R. Berger et J. Gully, 1995. Improvements in point
estimation methods and application to controlling aquatic
toxicity test reliability. p. 103–130, dans : Whole effluent
toxicity testing as evaluation of methods and prediction of
receiving system impacts. D.R. Grothe, K.L. Dickson et K.K.
Reed-Judkins (dir.), SETAC Press, Pensacola, Floride.
Barnett, V. et F. Lewis, 1994. Outliers in statistical data. 3 e éd.
Wiley, New York.
Bartlett, M.S., 1937. Some examples of statistical methods of
research in agriculture and applied biology. J. Roy. Stat. Soc.
Suppl., 4:137–170.
Bates, D.M. et D.G. Watts, 1988. Nonlinear regression
analysis and its applications. John Wiley & Sons, New
York, 365 p.
Beyers, D.W., T.J. Keefe et C.A. Carlson, 1994. Toxicity of
Carbaryl and Malathion to two federally endangered fishes,
as estimated by regression and ANOVA. Environ. Toxicol.
Chem., 13:101–107.
Billington, J.W., G.-L Huang, F. Szeto, W.Y. Shiu et D.
MacKay, 1988. Preparation of aqueous solutions of sparingly
soluble organic substances: I. Single component systems.
Environ. Toxicol. Chem., 7:117–124.
Bliss, C.I., 1937. The calculation of the time-mortality curve.
Ann. Appl. Biol., 24:815–852.
Bliss, C.I. et McK. Cattell, 1943. Biological assay. Ann. Rev.
Physiol., 5:479–539.
178
Borgmann, U., 1994. Chronic toxicity of ammonia to the
amphipod Hyalella azteca; importance of ammonium ion
and water hardness. Environ. Pollut., 86:329–335.
Brain, P. et R. Cousens, 1989. An equation to describe dose
responses where there is stimulation of growth at low doses.
Weed Res., 29:93–96.
Broderius, S.J., 1991. Modeling the joint toxicity of xenobiotics
to aquatic organisms: basic concepts and approaches.
p. 107–127, dans : Aquatic toxicology and risk assessment:
fourteenth volume. ASTM STP 1124, M.A. Mayes et M.G.
Barron (dir.), Amer. Soc. Testing and Materials,
Philadelphie.
Bruce, R.D. et D.J. Versteeg, 1992. A statistical procedure for
modeling continuous toxicity data. Environ. Toxicol. Chem.,
11:1485–1494.
Buikema, A.L., Jr., B.R. Niederlehner et J. Cairns, Jr., 1982.
Biological monitoring. Part IV -- Toxicity testing. Water
Res., 16:239–262.
Burchfield, R.W., 1996. The new Fowler's modern English
usage. 3e éd. Clarendon Press, Oxford.
Calabrese, E.J. et L.A. Baldwin, 1997. The dose determines the
stimulation (and poison). Development of a chemical
hormesis database. Int. J. Toxicol., 16:545–559.
Calamari, D., R. Marchetti et G. Vailati, 1980. Influence of
water hardness on cadmium toxicity to Salmo gairdneri
Rich. Water Research, 14:1421–1426.
Organisation de coopération et de développement
économiques, Paris. [Annexe A dans Moore, 1996.]
Chapman, P.F., M. Crane, J. Wiles, F. Noppert et E. McIndoe,
1996a. Asking the right questions: ecotoxicology and
statistics. SETAC -Europe, Bruxelles [Society of
Environmental Toxicology and Chemistry]. Compte rendu
d’un atelier tenu au Royal Holloway University of London,
Egham, Surrey, R.-U., 26-27 avril 1995.
Chapman, P.M., R.S. Caldwell et P.F. Chapman, 1996b. A
warning: NOECs are inappropriate for regulatory use.
Environ. Toxicol. Chem., 15:77–79.
Christensen, E.R., 1984. Dose-response functions in aquatic
toxicity testing and the Weibull model. Wat. Res., 18:
213–221.
Christensen, E.R. et N. Nyholm, 1984. Ecological assays with
algae: Weibull dose-response curves. Env. Sci. Technol.,
19:713–718
Cochran, W.G. G.M. Cox, 1957. Experimental designs. 2 e éd.
Wiley, New York, 611 p.
Cohen, J., 1964. Psychological time. Scientific Amer., 211,
N o 5:117–118.
Collett, D., 1991. Modelling binary data. Chapman & Hall,
Londres. 369 p.
Crane, M. et E. Godolphin, 2000. Statistical analysis of effluent
bioassays. Environment Agency, Bristol, U.K. Research and
Development Tech. Rept E19.
Carter, E.M. et J.J. Hubert, 1984. A growth-curve model
approach to multivariate quantal bioassay. Biometrics,
40:699–700.
Crane, M. et M.C. Newman, 2000. What level of effect is a no
observed effect? Environ. Toxicol. Chem., 19:516–519.
Caux, P.Y. et D.R.J. Moore, 1997. A spreadsheet program for
estimating low toxic effects. Environ. Toxicol. Chem.,
16:802–806.
Crane, M., M.C. Newman, P.F. Chapman et J. Fenlon, 2002.
Risk assessment with time to event models. Lewis
Publishers/CRC Press, Boca Raton, Floride, 302 p.
CCREM [Conseil canadien des ministres des ressources et de
l’environnement], 1987. Recommandations canadiennes
pour la qualité des eaux. CCMRE, Groupe de travail sur les
recommandations pour la qualité des eaux. Environnement
Canada, Ottawa.
Critchlow, D.E. et M.A. Fligner, 1991. On distribution-free
multiple comparisons in the one-way analysis of variance.
Comm. Stat. Theory Methods, 20:127–139.
CETIS, 2001. Comprehensive Environmental Toxicity
Information System. Tidepool Scientific Software,
McKinleyville, Calif. 95521 [Programme sur disquette et
guide imprimé de l’utilisateur.]
Chapman, P.M., 1996. Alternatives to the NOEC based on
regression analysis. Document de travail, annexe 7, OECD
Workshop on Statistical Analysis of Aquatic Ecotoxicity
Data, Brunswick, Allemagne, du 15 au 17 oct. 1996, 5 p.
D'Agostino, R.B., 1986. Tests for the normal distribution.
p. 367–420, dans : Goodness-of-fit techniques. R.B.
D'Agostino et M.A. Stephens (dir.), Marcel Dekker Inc.,
New York.
Damico, J.A. et D.A. Wolfe, 1987. Extended tables of the exact
distribution of a rank statistic for treatment versus control
multiple comparisons in one-way layout designs. Comm.
Stat. Theory Methods, 18:3327–3353.
179
Davis, J.M. et D.J. Svendsgaard, 1990. U-shaped doesresponse curves: their occurrence and implications for risk
assessment. J. Toxicol. & Environ. Health, 30:71–83.
Davis, R.B., A.J. Bailer et J.T. Oris, 1998. Effects of organism
allocation on toxicity test results. Environ. Toxicol. Chem.,
17:928–931.
deBruijn, H.H.M. et M. Hof, 1997. How to measure no effect.
Part IV: How acceptable is the ECx from an environmental
policy point of view? Environmetrics, 8: 263–267.
Dixon, W.J. et F.J. Massey Jr., 1983. Introduction to statistical
analysis. 4 e éd. McGraw-Hill, New York.
Dixon, P.M. et M.C. Newman, 1991. Analyzing toxicity data
using statistical models for time-to-death: an introduction.
p. 207–242, dans : Metal ecotoxicology, concepts and
applications. M.C. Newman et A.W. McIntosh (dir.). Lewis
Publishers, Inc., Chelsea, Mich., 399 p.
Dobson, A.J., 2002. An introduction to generalized linear
models. 2e éd. Chapman & Hall/CRC, Boca Raton, Floride,
et Londres, 240 p.
Doe, K.G., 1994. Comments on the minutes of the
Toxicological Statistics Advisory Group Meeting in Quebec
City. Note à J.A. Miller, Direction du développement
technologique, 28 juillet 1994. [K.G. Doe, chef, Section de
toxicologie, Environnement Canada, Dartmouth, N.-É.]
Douglas, M.T., D.O. Chanter, I.B. Pell et G.M. Burney, 1986.
A proposal for the reduction of animal numbers required for
the acute toxicity to fish test (LC 50 determination). Aquat.
Toxicol., 8:243–249.
Draper, N.R. et J.A. John, 1981. Influential observations and
outliers in regression. Technometrics, 23:21–26.
Draper, N.R. et H. Smith, 1981. Applied regression analysis.
2 e éd. Wiley, New York, 709 p.
Dunnett, C.W., 1955. A multiple comparison procedure for
comparing several treatments with a control. J. Amer. Stat.
Assoc., 50:1096–1121.
———. 1964. New tables for multiple comparisons with a
control. Biometrics, 20:482–491.
Dunnett, C.W. et A.C. Tamhane, 1998. New multiple test
procedures for dose finding. J. Biopharmaceut. Stat., 8:
353–366.
Du Nouy, L., 1936. Biological time. Methuen, Londres. 180 p.
EC [Environnement Canada], 1990a. Méthode d’essai
biologique : Essai de létalité aiguë sur la truite arc-en-ciel.
Série de la protection de l’environnement. Ottawa,
publication SPE 1/RM/9 (modifié en 1996).
———. 1990b. Méthode d’essai biologique : Essai de létalité
aiguë sur l’épinoche à trois épines Gasterosteus aculeatus.
Série de la protection de l’environnement, Ottawa,
publication SPE 1/RM/10 (modifié en 2002).
———. 1990c. Méthode d’essai biologique : Essai de létalité
aiguë sur Daphnia sp. Série de la protection de
l’environnement, Ottawa, publication SPE 1/RM/11 (modifié
en 1996).
———. 1990d. Document d’orientation sur le contrôle de la
précision des essais de toxicité au moyen de produits
toxiques de référence. Série de la protection de
l’environnement, Ottawa, publication SPE 1/RM/12.
———. 1992a. Méthode d’essai biologique : Essai de
reproduction et de survie sur le cladocère Ceriodaphnia
dubia. Série de la protection de l’environnement, Ottawa,
publication SPE 1/RM/21 (modifié en 1997).
———. 1992b. Méthode d’essai biologique : Essai de
croissance et de survie sur des larves