Comment faire A / B Analyse de test: Un guide honnête

Soyons honnêtes sur la partie difficile: faire un test A / B est facile, mais savoir Comment faire une analyse de test ab C’est là que presque tout le monde glisse. Une analyse A/B correcte signifie vérifier si votre résultat a effacé le seuil de signification que vous avez défini avant vous avez commencé, à une taille d’échantillon suffisamment grande pour faire confiance, puis en rapportant l’intervalle de confiance complet — La gamme des résultats plausibles — au lieu d’un seul chiffre flatteur, et enfin demander si l’ascenseur est assez grand pour réellement compter pour votre entreprise. Faites cela, et vous arrêterez de courir après des victoires qui n’ont jamais été réelles. Je vous promets que cela devient plus clair une fois que vous voyez tout le système mis en place.

Voici la partie que personne ne vous dit: le calcul des tests A / B est le plus facile. La compétence difficile et véritablement précieuse consiste à lire le résultat honnêtement – résister à l’envie d’appeler un gagnant trop tôt, de trancher jusqu’à ce que quelque chose semble bon, ou de confondre une différence d’erreur d’arrondi pour une percée. Alors, passons en revue comment faire l’analyse des tests abs de la manière dont je l’expliquerais à un ami autour d’un café: les concepts de base en langage clair, les erreurs qui ruinent tranquillement la plupart des tests et une liste de contrôle que vous pouvez exécuter à chaque fois.

Qu’est-ce que cela signifie réellement « analyser » un test A/B ?

Un test A/B divise votre audience en deux (ou plus) groupes, montre à chacun une version différente et mesure les performances sur une métrique qui vous tient à cœur. — clics, inscriptions, réponses, achats. La collecte de ces données est triviale. L’analyse est l’appel à jugement qui vient après : décider si la différence que vous voyez est un effet réel que vous pouvez vous attendre à répéter, ou simplement le vacillement aléatoire que vous obtiendriez en retournant deux pièces légèrement différentes.

Cette distinction est tout. Si vous montrez deux versions à quelques centaines de personnes, une sera presque toujours “gagnante” par une certaine marge – purement par hasard, même si les versions sont identiques. Tout le travail de l’analyse de test A / B consiste à séparer un signal réel de ce bruit de fond et à le faire sans se mentir à soi-même en cours de route. Tout ce qui est en dessous est au service de cet objectif unique: dire un effet réel en dehors de la chance aléatoire, honnêtement.

Qu’est-ce que la signification statistique et que signifie réellement une valeur p?

C’est le concept que les gens citent le plus et comprennent le moins, alors ralentissons et faisons les choses correctement. Lorsque vous exécutez un test, vous commencez par une hypothèse silencieuse appelée l’hypothèse nulle – l’idée ennuyeuse qu’il n’y a pas de réelle différence entre A et B. La signification statistique est votre façon de demander: «S’il n’y avait vraiment pas de différence, à quel point serait-il improbable de voir un écart aussi grand juste par hasard?

Les valeur p répond exactement à cette question et rien de plus. Une valeur p de 0.03 signifie: si les deux versions étaient vraiment identiques, vous verriez un résultat au moins aussi extrême 3% de l’époque. C’est tout. Lorsque la valeur de p tombe en dessous d’un seuil que vous avez choisi à l’avance (généralement 0.05), vous appelez le résultat « statistiquement significatif » et rejetez l’hypothèse de non-différence ennuyeuse.

Voici ce qu’une valeur p fait absolument non parce que ces erreurs de lecture causent de réels dégâts :

• Ce n’est pas la probabilité que votre variante soit meilleure. Une valeur p de 0,03 ne signifie pas “il y a 97 % de chances que B batte A.” C’est une déclaration sur vos données sous une hypothèse, pas sur la vérité de votre hypothèse.
• Ce n’est pas la probabilité que le résultat soit dû au hasard. C’est un retournement subtilement différent et incorrect de la logique.
• Un résultat non significatif ne prouve pas que les versions sont égales. Cela signifie généralement que vous n’avez pas encore suffisamment de preuves – souvent parce que l’échantillon était trop petit.
• La signification ne dit rien sur la taille. Un résultat peut être significatif et décrire une différence trop petite pour être prise en compte.

Gardez ce dernier épinglé sur votre mur. La signification statistique vous indique qu’un effet n’est probablement pas nul; elle ne vous dit pas que l’effet est assez grand pour avoir de l’importance. Nous y reviendrons, car c’est là que les bons analystes et les téméraires se séparent.

Quelle est la différence entre le niveau de confiance et un intervalle de confiance ?

Votre niveau de confiance est le revers de votre seuil de signification. Si vous testez à un niveau de signification de 0,05, vous travaillez à 95% de confiance. Il décrit lâchement combien de fois cette procédure entière éviterait de pleurer «gagnant» quand rien ne se passait vraiment. Choisissez-le avant de commencer – 95% est un défaut raisonnable pour la plupart des tests de marketing.

Les intervalle de confiance est l’outil le plus sous-utilisé dans l’analyse A / B, et apprendre à diriger avec elle vous rendra instantanément plus honnête. Au lieu de déclarer un nombre — “B Levée de conversions par 8%” — un intervalle de confiance rapporte le plausible gamme: “B a augmenté les conversions quelque part entre 2% et 14%, avec 95% Cette gamme est la vérité; le seul 8% C’est juste son milieu portant un sourire confiant.

Pourquoi la gamme compte-t-elle autant ? Parce que sa largeur vous indique combien vous savez réellement:

• Un intervalle étroit (par exemple, 7 % à 9 %) signifie que vous avez une estimation précise et fiable. Agissez.
• Un intervalle large (disons, -3% à 19%) signifie que vous ne savez presque rien – l’effet réel pourrait être négatif, minuscule ou énorme. « Nous ne savons pas encore » est la lecture honnête, même si le point médian semble excitant.
• Si l’intervalle croix zéro (comprend les valeurs négatives et positives), vous ne pouvez même pas être sûr de la version qui est la meilleure.

Donc, ma règle, et je vous prie de l’adopter: toujours indiquer la fourchette, jamais seulement l’estimation ponctuelle. Un point médian sans intervalle est un nombre qui prétend être un fait. C’est là que réside l’honnêteté.

Quelle taille doit avoir mon échantillon et quelle est la puissance statistique?

Voici un piège qui attire chaque jour les marketeurs avides : appeler un gagnant après une journée parce que « B est en hausse de 40% ! » Lorsque les chiffres sont minuscules – une douzaine de conversions chacun – que 40% est presque certainement du bruit dans un trench-coat. Les petits échantillons se balancent sauvagement par pur hasard. Ce qui nous amène aux deux idées que vous devez mettre avant le test, pas après.

La puissance statistique est la capacité de votre test à détecter un effet réel lorsqu’il existe. Un test à faible puissance est comme un détecteur de fumée avec une batterie mourante – le feu peut être réel et l’alarme ne se déclenche toujours pas. Les tests sous-alimentés produisent une quantité exaspérante de résultats «sans différence significative» qui trompent les gens en leur faisant croire que rien ne fonctionne, alors qu’en réalité le test ne pouvait tout simplement pas voir. La plupart des gens visent 80% de puissance, ce qui signifie que si un effet réel de la taille qui vous intéresse existe, vous l’attraperez 80% du temps.

Les effet minimum détectable (MDE) est la plus petite amélioration que vous considéreriez comme utile de détecter — dire, a 5% ascenseur relatif. C’est une décision d’affaires, pas une décision statistique: quelle doit être la taille de la victoire avant que vous ne vous embêtiez à l’expédier? Une MDE plus petite exige un échantillon beaucoup plus grand, parce que repérer de minuscules différences nécessite d’énormes quantités de données.

Mettez-les ensemble et un calculateur de taille d’échantillon (beaucoup sont gratuits en ligne) vous indique combien de visiteurs ou de conversions chaque groupe a besoin avant Vous lancez. Cela a une importance énorme, alors laissez-moi le dire clairement: déterminer à l’avance la taille de votre échantillon et s’engager à l’atteindre. Courir jusqu’à ce que vous atteigniez ce nombre — Pas tant que le résultat n’est pas bon — C’est l’habitude la plus protectrice de tous les tests A/B.

Si vous souhaitez détecter…	Vous aurez besoin…	Parce que
Un effet important (p. ex. 20%+ ascenseur)	Un échantillon plus petit	Les grandes différences sont faciles à voir au-dessus du bruit
Un petit effet (p. ex. 2 % d’ascenseur)	Un échantillon beaucoup plus grand	Des différences subtiles se cachent dans la variation aléatoire
Confiance ou pouvoir accrus	Un échantillon plus grand	Plus de certitude coûte toujours plus de données

Quelles sont les erreurs les plus importantes dans l’analyse A/B ?

Si vous ne vous souvenez que d’une partie de ce guide, faites-en une. Les erreurs ci-dessous sont là où l’argent réel et la crédibilité réelle se perdent, et presque toutes partagent une cause fondamentale: vouloir une victoire si mal que vous arrêtez d’analyser et commencez à rationaliser.

Piqûre et arrêt tôt. C’est le grand. Vous mettez en place un test, puis vérifiez-le toutes les quelques heures, et au moment où il franchit la ligne de signification, vous déclarez la victoire et vous vous arrêtez. C’est responsable – vous faites attention! – mais c’est statistiquement désastreux. Chaque fois que vous jetez un coup d’œil et décidez d’arrêter ou non, vous obtenez un autre jet de dés sur un faux positif. Jetez un coup d’œil assez souvent et vous êtes presque assuré de voir éventuellement “l’importance” qui est pure chance. La solution est stricte: définissez votre taille d’échantillon à l’avance et n’appelez pas le résultat avant de l’avoir atteint. Si vous avez vraiment besoin de surveiller le long du chemin, il existe des méthodes de test séquentiel formelles conçues pour cela – mais un coup d’œil occasionnel avec un test d’horizon fixe est la façon dont les bonnes personnes se trompent quotidiennement.

Déclarer un gagnant sur trop peu de données. Un cousin proche de Peeking. Au début d’un test, les résultats tournent de façon spectaculaire; une variante peut être “en hausse de 30%” le lundi et morte même le vendredi. Terminer un test juste parce qu’il semble momentanément bon – avant qu’il n’atteigne la taille de l’échantillon et la durée que vous avez planifiées – cuit ce caractère aléatoire précoce directement dans votre décision.

Ignorer le cycle économique complet. Votre public se comporte différemment le week-end, les jours de paie, les jours fériés et tout au long du mois. Un test qui se déroule de mardi à jeudi capture une part de la réalité. Courez pendant des cycles hebdomadaires complets (et souvent plus) afin que votre résultat reflète la façon dont les gens se comportent réellement, et pas seulement la façon dont votre foule en milieu de semaine se comporte.

Le problème des comparaisons multiples (pêche sectorielle). En voici une séduisante. Votre test global est une cravate plate et ennuyeuse – vous commencez donc à trancher: “Eh bien, il a gagné pour les utilisateurs mobiles… au Canada… âgés de 25 à 34 ans!” Le problème est que plus vous testez de segments, plus il est probable que l’un d’entre eux semble “important” par pure chance. Testez vingt segments à 95% de confiance et environ un s’allumera par hasard seul. La chasse à travers les tranches pour une victoire après coup est une forme de piratage informatique, et il fabrique de faux gagnants à chaque fois. Décidez des quelques segments qui vous intéressent avant le test, ou traitez toute tranche post-hoc comme une hypothèse pour tester frais, jamais en conséquence.

Confondre la signification avec l’importance pratique. Avec un échantillon énorme, même une différence ridiculement petite – une portance de 0,1% – peut être statistiquement significative. Significatif et significatif ne sont pas le même mot. Demandez-vous toujours : cet ascenseur est-il assez grand pour justifier l’ingénierie, le risque, la perturbation des choses qui changent ? Parfois, la réponse honnête est « techniquement réelle, pratiquement inutile ».

Paradoxe de Simpson et effets de segment cachés. Celui-ci est vraiment sournois: une variante peut gagner dans chaque segment individuel mais perdre globalement (ou vice versa), lorsque les groupes sont de tailles différentes ou que le trafic est inégal. Si votre résultat global et vos résultats de segment semblent se contredire, ne choisissez pas celui que vous préférez – creusez dans pourquoi, parce que l’agrégat peut induire en erreur lorsque les segments ne sont pas équilibrés.

Effets de nouveauté et de primauté. Lorsque vous changez quelque chose, les utilisateurs existants peuvent réagir simplement parce que c’est nouveau – en cliquant sur le nouveau bouton brillant par curiosité (nouveauté), ou en résistant parce qu’ils ont aimé l’ancienne méthode (primauté). Ces effets s’estompent. Un ascenseur qui est vraiment juste “ooh, différent” peut s’évaporer une fois que la nouveauté s’estompe, donc des tests plus longs et un regard sur les utilisateurs qui reviennent vous aident à dire une victoire durable d’un passage.

Comment faire une analyse ab test sur un résultat fini ?

Okay – le test a fonctionné à son échantillon prévu, et maintenant le vrai travail de la façon de faire l’analyse de test ab commence. Voici comment le lire sans le vouloir. Passez en revue ces questions dans l’ordre, à chaque fois:

• Est-ce que cela a atteint le niveau que vous avez défini à l’avance? Pas un niveau que vous avez détendu après parce que vous étiez proche. Celui que vous avez choisi avant le lancement.
• A-t-il atteint la taille d’échantillon prévue et a-t-il exécuté un cycle complet? Sinon, le résultat est provisoire, peu importe à quel point il est joli.
• Quel est l’intervalle de confiance ? Regardez toute la gamme. Est-il étroit et confortable d’un côté de zéro, ou large et ambigu ? La largeur est votre vérification d’honnêteté.
• L’ascenseur est-il vraiment significatif ? Comparez les faible fin de l’intervalle contre votre effet détectable minimum. Si même le point médian optimiste est trivial, ce n’est pas une vraie victoire pour l’entreprise.
• Est-ce que quelque chose sent la nouveauté, la saisonnalité ou un artefact de segment? Sanity-vérifiez l’histoire avant de faire confiance au nombre.

Lorsque ceux-ci s’alignent – importants à votre niveau prédéfini, correctement alimentés, un intervalle de confiance serré et clairement positif, et un ascenseur assez grand pour compter – alors vous avez un véritable gagnant. En dehors de cela, vous avez une direction à suivre pour continuer à enquêter, ce qui est un endroit parfaitement respectable.

Que faire une fois que vous avez un résultat – gagner, perdre ou non concluant?

Chaque test se termine dans l’un des trois états, et voici le changement de mentalité qui sépare les pros des dabblers: tous les trois sont précieux.

A claire victoire Qui efface tous les bars ci-dessus? Expédiez-le, puis documentez ce que vous avez appris et pourquoi vous pensez que cela a fonctionné — Cette hypothèse alimente votre prochain test. A Perte claire? C’est aussi une victoire, honnêtement; vous venez d’apprendre quelque chose qui ne fonctionne pas sur votre public sans dépenser plus pour le déployer. Les perdants vous apprennent à connaître vos utilisateurs.

Et puis il y a celui que tout le monde déteste : non concluant. Pas de différence significative, ou un intervalle de confiance si large qu’il est inutile. S’il vous plaît écoutez-moi sur ce — Un résultat non concluant est un résultat légitime, pas un échec. Cela signifie généralement l’une des deux choses honnêtes: l’effet est trop petit pour être important (donc arrêtez de l’obséder), ou votre échantillon était trop petit pour le détecter (donc courir plus longtemps ou tester un changement plus audacieux). Ce que vous devez non Il faut torturer un test non concluant jusqu’à ce qu’il avoue un gagnant. Appelez-le comme il est, écrivez ce que vous essayez différemment, et passez à autre chose. La discipline pour dire « nous ne savons pas encore » est une superpuissance, pas une faiblesse.

Alors documenter tout — y compris les perdants et les liens. Un test que vous n’enregistrez pas est un test que vous exécuterez accidentellement l’année prochaine. Votre journal de ce qui a fait et n’a pas déplacé l’aiguille est l’un des atouts les plus précieux que votre équipe puisse construire, et c’est la base pour un travail intelligent. Analyser votre performance marketing Au fil du temps, vous savez même à quoi ressemble votre public.

Votre liste de contrôle d’analyse de test A/B

Voici toute la discipline distillée dans une liste de contrôle que vous pouvez exécuter à chaque fois. Imprimez-le, honnêtement. Avant même d’appeler un résultat :

• Avant le lancement : Définissez le un métrique primaire. Définissez votre niveau de signification (p. ex. 95% la confiance) et la puissance (p. ex. 80%). Décidez de votre effet détectable minimum, puis calculez et commettez à une taille d’échantillon requise.
• Avant le lancement : écrivez votre hypothèse et nommez les quelques segments que vous examinerez – à l’avance, pas après.
• En cours d’exécution : Ne regarde pas. Laissez-le atteindre l’échantillon prévu et exécuter des cycles économiques complets. Résistez à l’envie de vous arrêter tôt un beau jour.
• Lors de l’analyse : Confirmez qu’il a frappé la signification à votre préréglé et atteint l’échantillon prévu.
• Lors de l’analyse : indiquez l’intervalle de confiance (la plage), pas seulement l’estimation ponctuelle. Vérifiez si elle passe à zéro.
• Lors de l’analyse : Demandez si l’ascenseur est Pratiquement significatif, pas seulement statistiquement significatif.
• Lors de l’analyse : Éliminez les effets de nouveauté, la saisonnalité, la pêche segmentée et le paradoxe de Simpson avant de conclure.
• Après: Documenter le résultat — Victoire, perte ou non concluante — avec vos suppositions et votre incertitude honnête. Agir ou itérer.

Ce résultat est-il réel ? Un guide de décision rapide

Lorsque vous regardez un résultat et ne savez pas s’il faut lui faire confiance, marchez sur ce petit arbre de décision. C’est la version de vérification de tout ce qui précède:

• Le test a-t-il atteint la taille d’échantillon prévue et a-t-il fonctionné sur un cycle complet? Non, ce n’est pas prêt. Continuez à courir, ne concluez rien encore.
• Oui ? Alors : est-ce significatif au niveau que vous définissez avant lancement ? Non → Traitez-le comme non concluant ou comme un non-résultat. Ne relâchez pas le seuil pour le faire entrer.
• Oui ? Alors : l’intervalle de confiance reste-t-il clairement d’un côté de zéro ? Non (il passe à zéro ou est très large) → Tu ne peux pas encore faire confiance à la direction. Pas concluant.
• Oui ? Alors : la fin conservatrice de l’intervalle est-elle même un ascenseur assez grand pour avoir de l’importance ? Non → C’est réel mais trivial; probablement pas la peine d’expédition.
• Oui ? Alors, pouvez-vous exclure la nouveauté, la saisonnalité et la pêche à segments? Non → Enquêtez sur l’artefact avant d’y croire.
• Tout oui ? Félicitations – vous avez un résultat que vous pouvez réellement défendre. Expédiez-le et documentez pourquoi.

Remarquez combien de branches finissent par “non concluantes” ou “continuer”. Ce n’est pas l’outil qui est dur; c’est la réalité des tests honnêtes. La plupart des résultats sont plus obscurs que nous le voulons, et le respect est exactement ce qui vous empêche de courir après de fausses victoires. Si vous voulez aller plus loin sur la transformation de ces lectures en récits clairs, notre guide sur Comment lire les rapports d’analyse s’accorde magnifiquement avec celui-ci.

Comment éviter de déclarer une fausse victoire ?

Nommons l’ennemi directement, parce qu’il a un visage. Une fausse victoire est un résultat que vous célébrez et expédiez qui n’a jamais été réel – un ascenseur fantôme né de l’observation, un segment chanceux, un échantillon trop petit ou une bosse de nouveauté qui s’est estompée. Les fausses victoires sont pires que pas de résultat du tout, parce que vous agissez sur eux: vous déployez un changement qui n’aide pas (ou fait mal tranquillement), et vous “apprendre” une leçon qui n’est pas vrai.

Les antidotes sont toutes des habitudes d’honnêteté, et ils s’accumulent. Pré-enregistrer vos décisions — métrique, seuil, taille de l’échantillon, segments — Vous ne pouvez donc pas déplacer les poteaux de but après avoir vu les données. Menez avec l’intervalle de confiance de sorte que vous êtes toujours à la recherche de la gamme de vérité, pas un point médian flatteur. Traiter les découvertes de segments post-hoc comme de nouvelles hypothèses à tester à nouveau, jamais comme des découvertes. Et quand un test n’est pas concluant, qu’il ne le soit pas. Chacune de ces habitudes est un petit acte de refuser de vous tromper, et ensemble, elles sont tout le jeu. Comprendre le contexte plus large de ce que signifient vos chiffres aide aussi énormément — Notre guide sur Comment interpréter les données marketing passe devant le chiffre principal, qui est le même muscle que vous construisez ici.

Une note honnête sur les outils, parce que je préfère vous dire tout de suite: SocialBlaze est une plateforme de gestion des médias sociaux — Planification, auto-édition et analyse sociale sur vos réseaux — Pas un outil de test A/B dédié ou de statistiques. Pour les mathématiques de signification, les calculs de taille d’échantillon et les intervalles de confiance dans ce guide, vous aurez besoin d’un outil d’expérimentation ou de statistiques spécialement conçu. Quoi? SocialBlaze fait Vous donner des données de performance sociale propres et cohérentes sur tous les réseaux connectés, donc lorsque vous formulez des hypothèses sur ce qu’il faut tester ou que vous regardez comment un changement expédié se produit au fil du temps, vous avez des chiffres fiables en un seul endroit au lieu d’une douzaine d’onglets dispersés. Utilisez le bon outil pour chaque tâche, et tout le processus devient plus facile.

Si vous prenez une chose de tout cela, que ce soit ceci: apprendre à bien faire l’analyse des tests ab est beaucoup moins sur les mathématiques et beaucoup plus sur rester honnête – avec les données, et avec vous-même. Établissez vos règles avant de regarder. Laissez le test se terminer. Indiquez la fourchette, pas le point médian. Demandez-vous si la victoire est assez importante pour avoir de l’importance, et laissez les résultats non concluants être non concluants. Faites cela, et vous prendrez des décisions que vous pourrez réellement défendre – à votre patron, à votre client ou à votre propre cerveau sceptique à 2 heures du matin. Vous avez ceci, et c’est vraiment plus facile chaque fois que vous faites la boucle.

Questions fréquemment posées

Que me dit réellement une valeur p dans un test A/B ?

Une valeur p vous dit à quel point vos données observées seraient surprenantes s’il n’y avait vraiment aucune différence entre les versions. Une petite valeur p (en dessous de votre seuil prédéfini, souvent 0,05) signifie que le résultat serait peu probable dans cette hypothèse de non-différence, donc vous appelez cela significatif. Fondamentalement, ce n’est pas la probabilité que votre variante soit meilleure, ni la probabilité que le résultat soit dû au hasard – c’est une déclaration sur les données sous une hypothèse, pas un verdict sur la vérité.

Pourquoi est-ce que regarder les résultats et s’arrêter tôt est un tel problème ?

Parce que chaque fois que vous vérifiez les données et décidez de vous arrêter, vous avez une autre chance d’attraper une fluctuation aléatoire qui ressemble à une signification. Jetez un coup d’œil assez souvent et vous verrez presque certainement un “gagnant” qui est pure chance, ce qui gonfle considérablement votre taux de faux positifs. Le correctif consiste à décider de la taille de votre échantillon avant le lancement et à exécuter le test jusqu’à ce que vous l’atteigniez, plutôt que d’arrêter le moment où il semble bon.

Quelle est la différence entre la signification statistique et l’importance pratique?

La signification statistique vous indique qu’un effet n’est probablement pas nul. L’importance pratique demande si l’effet est assez grand pour avoir de l’importance pour votre entreprise. Avec un grand échantillon, même une petite différence triviale peut être statistiquement significative, alors vérifiez toujours la taille de l’ascenseur – idéalement la fin conservatrice de l’intervalle de confiance – par rapport à l’amélioration minimale que vous considéreriez comme utile.

Un test A/B non concluant est-il un échec ?

Pas du tout – c’est un résultat légitime et utile. Un test non concluant signifie généralement que l’effet est trop petit pour avoir de l’importance ou que votre échantillon était trop petit pour le détecter. Les deux sont des réponses honnêtes qui vous évitent d’agir sur le bruit. Documentez ce que vous avez trouvé, décidez de courir plus longtemps ou de tester un changement plus audacieux, et résistez à la tentation de trancher les données jusqu’à ce que quelque chose ressemble à une victoire.

Pourquoi devrais-je signaler un intervalle de confiance plutôt que le résultat ?

Parce qu’un seul chiffre comme “8% de levage” cache combien vous savez réellement. Un intervalle de confiance donne la plage plausible – disons, 2% à 14% – et sa largeur raconte l’histoire réelle. Une plage étroite signifie une estimation précise et fiable; une plage large, ou une plage qui passe à zéro, signifie que vous ne pouvez pas encore être sûr de la taille ou même de la direction de l’effet. Reporter la fourchette est tout simplement plus honnête que de diriger avec le point médian.