Le journal du vivant & de la santéComprendre · Vérifier · Explorer
DécouvertesScientifiques
Cerveau & rythmes

Donnée manquante ou zéro : pourquoi la différence compte

Une donnée manquante indique qu’une valeur recherchée n’est pas disponible ; un zéro peut être une valeur réellement observée. Les confondre modifie les données et leur résumé. Cherchez l’effectif analysé, le moment de mesure et la raison de l’absence avant de lire la méthode choisie pour traiter cette incertitude.

Galets colorés et deux bols sur papier ivoire, illustration conceptuelle des résumés statistiques.
Illustration conceptuelle du site, réutilisée pour accompagner la lecture.

L’essentiel

Une case vide reste inconnue. Ce dossier distingue le sens des données de leur calcul et ne recommande aucune méthode d’imputation pour une étude réelle.

Une donnée manquante est-elle la même chose qu’un zéro ?

Un zéro peut être une mesure réellement obtenue : aucun événement observé, une quantité nulle dans l’unité annoncée. Une donnée manquante signifie que la valeur recherchée n’est pas disponible. La remplacer par zéro ajoute donc une hypothèse au tableau ; ce n’est pas seulement une manière de remplir une case.

Avant tout calcul, gardez le sens des lignes. Une personne peut avoir répondu à un questionnaire initial et manquer au suivi ; une mesure peut être disponible pour un critère mais absente pour un autre. Le chapitre sur le recueil des données de Cochrane demande de conserver ces effectifs par groupe, critère et moment.[1]

Situation fictiveCe que l’on saitCe qu’il ne faut pas inventer
Un compteur affiche zéroLa valeur observée vaut zéroUne absence de mesure
La case de suivi est videLe résultat manque à ce momentUn résultat nul
La mesure ne concerne pas la personneLa question peut être non applicableUne valeur comparable aux autres
0Peut être une valeur observée[1]
VideNe signifie pas zéro[1]
EffectifÀ lire pour chaque résultat[1]
MéthodeÀ retrouver dans le compte rendu[3]

Pourquoi remplacer une case vide par zéro change-t-il une moyenne ?

Exemple fictif sans personne ni étude derrière les nombres : quatre valeurs connues, 8, 9, 10 et 11, totalisent 38. Leur moyenne vaut 9,5. Ajouter un zéro donne cinq valeurs et une moyenne de 7,6. Nous n’avons pourtant appris aucune information sur la cinquième mesure. Le calcul est exact pour la liste modifiée ; c’est la liste qui ne correspond plus aux observations disponibles.

Le premier laboratoire accepte cinq valeurs renseignées et refuse une case vide. Videz un champ pour constater cette différence, puis saisissez zéro pour voir que le zéro est traité comme une valeur. L’atelier ne choisit aucune méthode d’imputation. Pour les définitions des résumés, retrouvez moyenne et médiane.

Calcul borné

Calculer et trier cinq valeurs

Vos saisies restent dans cette page. Cet atelier traite cinq valeurs de poids égaux, sans données manquantes.

Le récapitulatif

Calculez la somme puis divisez par l’effectif. Pour cinq valeurs triées, la médiane est la troisième.

Exemples fictifs calculés par script
ValeursMoyenneMédiane
8 ; 9 ; 10 ; 11 ; 121010
8 ; 9 ; 10 ; 11 ; 10027,610
0 ; 0 ; 10 ; 20 ; 201010

Une valeur manquante n’est pas un zéro. Aucun résultat d’étude n’est calculé.

Composition photographique conceptuelle : objets de lecture et de comparaison, sans données réelles.
Image générée pour ce dossier. Mise en scène conceptuelle, sans données de recherche réelles.
Le traitement des données manquantes en Python : une présentation des méthodes, à distinguer du remplacement automatique par zéro. Guide Complet de Traitement des Données Manquantes en Python - Machine Learning — LeCoinStat · Confidentialité des vidéos

Une donnée absente concerne-t-elle toujours toute la personne ?

Non. Une personne peut avoir une mesure au départ, une seconde visite manquante et une troisième renseignée. Elle peut aussi avoir un résultat disponible pour un critère, mais pas pour un autre. Il faut donc chercher l’effectif analysé avec le résultat précis, au lieu de reprendre automatiquement le nombre de personnes recrutées.

Une étude transversale ou une cohorte ne décrit pas le même calendrier. Le suivi et les raisons d’absence font partie du contexte. Une simple liste de nombres ne permet pas de retrouver ce calendrier ; notre tableau pédagogique n’est pas une base de données clinique.

Composition photographique conceptuelle : objets de lecture et de comparaison, sans données réelles.
Image générée pour ce dossier. Mise en scène conceptuelle, sans données de recherche réelles.

Pourquoi la raison de l’absence compte-t-elle ?

Une panne de mesure, un questionnaire non retourné et un arrêt lié à une gêne ne racontent pas la même histoire. Le lecteur peut noter la raison donnée sans la deviner lorsqu’elle manque. Le chapitre Cochrane sur le risque de biais examine notamment le lien possible entre l’absence du résultat et sa vraie valeur.[2]

Un effectif réduit ne suffit pas à déterminer le sens du biais. Des résultats non observés ne sont pas automatiquement meilleurs ou moins bons. Ils restent inconnus. La randomisation et la corrélation sans causalité répondent encore à d’autres questions de méthode.

Une médiane répare-t-elle les observations absentes ?

Changer le résumé ne reconstitue aucune ligne. La médiane décrit les positions dans la série disponible, la moyenne son total réparti. Deux listes différentes peuvent partager les mêmes centres : comparez les exemples fictifs sur une échelle commune dans le laboratoire suivant.

Comparer les données

Deux centres suffisent-ils à voir le groupe ?

Les séries sont fictives. Le sélecteur ne choisit ni méthode d’analyse ni population représentative.

Le récapitulatif
Séries pédagogiques sans JavaScript
CasValeursMoyenne / médiane
A : valeurs proches8 ; 9 ; 10 ; 11 ; 1210 / 10
B : valeurs plus dispersées0 ; 0 ; 10 ; 20 ; 2010 / 10
C : dernière valeur portée à1008 ; 9 ; 10 ; 11 ; 10027,6 / 10

Les deux premiers cas ont les mêmes centres, mais des observations différentes. Le troisième change la somme sans déplacer la valeur centrale dans cet exemple.

Composition photographique conceptuelle : objets de lecture et de comparaison, sans données réelles.
Image générée pour ce dossier. Mise en scène conceptuelle, sans données de recherche réelles.

Cette comparaison montre une limite de lecture, sans estimer ce que valent les observations absentes. Une liste dont les valeurs sont dispersées n’est pas une preuve de données manquantes ; une liste compacte ne prouve pas qu’elle est complète. Conservez le périmètre connu avec le résumé, comme vous conserveriez un intervalle de confiance avec une estimation.

Que signifie imputer une valeur ?

L’imputation remplace une valeur manquante par une valeur obtenue selon une méthode et des hypothèses. Elle ne transforme pas cette valeur en mesure effectivement recueillie. Les recommandations CONSORT demandent d’expliquer comment les données manquantes ont été traitées dans l’analyse.[3]

Ce dossier ne recommande pas un algorithme à partir de quelques cases. Remplacer toutes les absences par zéro, par une moyenne ou par la dernière valeur connue ne devient pas approprié parce que le tableur le permet. La méthode doit correspondre au problème étudié et prendre en compte l’incertitude.[4]

Quatre questions avant de partager un résultat

Retrouvez le nombre attendu, le nombre observé pour le critère à la date annoncée, les raisons d’absence décrites et la méthode d’analyse. Une information introuvable peut rester marquée inconnue. Le préenregistrement aide à comparer le plan et le compte rendu, sans donner les résultats manquants.

Fiche de lecture

Garder les données avec leur résumé

Le fichier se crée seulement à votre demande, sans envoi ni stockage automatique. Une case cochée n’est pas un score de qualité.

Le récapitulatif
Fiche à recopier sans JavaScript
InformationÀ écrire
Nom exact du résumé et conventionPassage retrouvé ou information inconnue
Variable et unitéPassage retrouvé ou information inconnue
Nombre de valeurs et populationPassage retrouvé ou information inconnue
Distribution ou valeurs détailléesPassage retrouvé ou information inconnue
Passage source et informations absentesPassage retrouvé ou information inconnue

La fiche locale conserve vos notes ; ses cases génériques ne constituent pas un score de qualité. Écrivez par exemple : « résultat à six mois, effectif analysé indiqué, raisons d’absence non détaillées dans ce passage ». Cette note est plus fidèle qu’une moyenne complétée de mémoire.

À vous de jouer

Vrai ou faux : cinq idées reçues

Choisissez votre réponse, l’explication s’affiche aussitôt.

  1. Une case vide signifie nécessairement zéro.

    Voir la réponse

    Faux. La valeur recherchée n’est pas disponible.

  2. Le nombre recruté est toujours le nombre analysé.

    Voir la réponse

    Faux. Retrouvez l’effectif du résultat et du moment étudiés.

  3. Une médiane recrée les observations absentes.

    Voir la réponse

    Faux. Changer de résumé ne reconstitue aucune donnée.

  4. Une méthode d’imputation repose sur des hypothèses.

    Voir la réponse

    Vrai. Les valeurs estimées ne deviennent pas des observations recueillies.

  5. La fiche locale valide la qualité d’une étude.

    Voir la réponse

    Faux. Elle conserve des questions de lecture sans score.

Questions fréquentes

Une donnée manquante est-elle un zéro ?

Non. Zéro peut être une observation ; une valeur manquante reste inconnue.

Pourquoi ma moyenne change-t-elle avec un zéro ajouté ?

Vous ajoutez une valeur et changez le dénominateur. Ce calcul ne révèle rien de la mesure absente.

Peut-on supprimer toutes les lignes incomplètes ?

Le choix dépend de la question et des raisons d’absence. La suppression peut modifier le groupe analysé ; ce guide ne la recommande pas automatiquement.

La médiane résout-elle le problème ?

Elle résume les valeurs présentes, sans retrouver celles qui manquent.

Que signifie imputer ?

Remplacer une absence selon une méthode et des hypothèses, en conservant la distinction avec une mesure recueillie.

L’atelier analyse-t-il une étude réelle ?

Non. Il utilise des exemples fictifs et des notes locales sans choisir de méthode statistique.

Sources & pour aller plus loin

Publications scientifiques et ressources institutionnelles. Les limites et l’interprétation sont discutées dans le texte.

  1. Cochrane — chapitre5, recueil des effectifs et résultats ↗
  2. Cochrane — chapitre8, risque de biais lié aux résultats manquants ↗
  3. CONSORT — item21c, traitement des données manquantes ↗
  4. National Academies — Drawing Inferences from Incomplete Data ↗

Références examinées pour cette mise à jour : 11 novembre 2026.

↑ Revenir au début
Le fil continue

À lire en complément

Dans cette rubrique ↗