Ronald Fisher a changé notre façon de prouver les choses. Non pas en inventant de nouvelles théories, mais en changeant la façon dont nous les testons. Né à East Finchley, Londres, en 1890, il est devenu l’une des personnalités scientifiques les plus influentes. Il était à la fois mathématicien et biologiste. Son travail comble le fossé entre les nombres abstraits et la réalité désordonnée du monde naturel.
Avant Fisher, les expériences étaient souvent bâclées. Les chercheurs ont choisi les matériaux qui leur plaisaient. Ils ont choisi les échantillons qui semblaient prometteurs. Cela a introduit un biais. Des variables invisibles ont faussé les résultats. Fisher y voyait un défaut fatal. Il lui fallait un moyen d’éliminer les préférences humaines. Sa solution était radicale pour l’époque.
Pourquoi la randomisation est importante dans les expériences
Fisher a introduit le principe de la randomisation alors qu’il travaillait comme statisticien dans un institut de recherche agricole. Il ne faisait pas seulement des calculs pour s’amuser. Il essayait de comprendre pourquoi certaines plantes poussaient mieux que d’autres.
La règle est simple désormais. Cela semble évident. Mais cela n’existait pas avant.
Tout matériel utilisé dans les expériences doit être sélectionné au hasard parmi l’ensemble de la population qu’il entend représenter.
Il ne s’agissait pas seulement de choisir des noms au hasard. Il s’agissait d’éliminer les préjugés involontaires. Si vous voulez savoir si un engrais fonctionne, vous ne pouvez pas simplement l’appliquer sur vos plus belles cultures. Vous devez l’appliquer à une sélection aléatoire de l’ensemble du champ. Vous devez répéter le processus sur les unités de contrôle. Ce n’est qu’alors que vous pourrez attribuer l’effet au traitement.
Sans randomisation, on ne sait jamais vraiment si une cause entraîne un effet. Vous savez juste qu’ils se sont produits l’un près de l’autre. La corrélation n’est pas la causalité. Fisher a rendu la causalité mesurable.
Le moteur statistique : analyse de la variance
Il a également développé l’analyse de variance (ANOVA). Il s’agit d’une procédure statistique. Il permet aux chercheurs de concevoir des expériences répondant à plusieurs questions à la fois.
Avant l’ANOVA, tester plusieurs variables était un cauchemar. Vous deviez exécuter des tests distincts pour chaque facteur. C’était inefficace. Il ignorait la manière dont les facteurs pouvaient interagir. La méthode de Fisher a démêlé ce gâchis. Il a décomposé la variation totale des données en composants. Les chercheurs ont pu déterminer quels facteurs étaient importants et lesquels n’étaient que du bruit.
C’est devenu l’épine dorsale de la conception expérimentale. Il est utilisé dans tout, des essais pharmaceutiques aux tests A/B sur les sites Web. Lorsque vous voyez un titre sur un résultat « statistiquement significatif », vous voyez l’héritage de Fisher.
Le coût de l’innovation
Fisher est décédé à Adélaïde, en Australie, en 1962. Il a laissé derrière lui une boîte à outils qui définit encore aujourd’hui la rigueur scientifique. Ses idées sur la randomisation et l’analyse de la variance font partie du programme standard des universités du monde entier.
Mais ses méthodes étaient controversées. Ils ont remis en question les modes de pensée établis. Ils exigeaient de la précision là où il y avait autrefois de l’approximation. Certains ont trouvé son approche froide. Cela a supprimé l’élément humain de la science. Cela a transformé la nature en points de données.
Pourtant, sans ses travaux, la science moderne serait en train de deviner. Nous nous fierions à l’intuition plutôt qu’aux preuves. Fisher nous a donné le moyen de douter. Se remettre en question. A vérifier.
Le monde fonctionne selon ces principes. Chaque fois qu’un médicament est testé. Chaque fois qu’une récolte est améliorée. Chaque fois, nous essayons de trouver la vérité dans le chaos. Nous utilisons les outils de Fisher.
C’est un étrange héritage. Un homme
