De nombreux lecteurs de cette monographie peuvent se demander pourquoi un chapitre sur la puissance statistique a été inclus. Après tout, à l’heure actuelle, la question de la puissance statistique est à bien des égards banale. Tout le monde sait que la puissance statistique est une considération centrale de la recherche, et certainement la plupart des bénéficiaires ou futurs bénéficiaires du National Institute on Drug Abuse comprennent l’importance d’inclure une analyse de puissance dans les propositions de recherche. Cependant, de nombreux éléments indiquent que, dans la pratique, les chercheurs en prévention ne prêtent pas suffisamment attention à la puissance statistique. S’ils le faisaient, les résultats observés par Hansen (1992) dans une récente revue de la littérature sur la prévention ne seraient pas apparus. Hansen (1992) a examiné la puissance statistique sur la base de 46 cohortes suivies longitudinalement, en utilisant des hypothèses non paramétriques compte tenu de l’âge des sujets au post-test et du nombre de sujets. Les résultats de cette analyse ont indiqué que, pour qu’une étude ait une puissance de 80 % pour détecter les différences entre les groupes de traitement et de contrôle, la différence entre les groupes au moment du post-test devrait être d’au moins 8 % (dans les meilleures études) et jusqu’à 16 % (dans les études les plus faibles). Pour qu’une étude ait une puissance de 80 % pour détecter les différences de groupe dans les changements avant et après, 22 des 46 cohortes auraient dû avoir des réductions relatives avant et après supérieures à 100 %. Trente-trois des 46 cohortes avaient une puissance inférieure à 50 % pour détecter une réduction relative de 50 % de la consommation de substances. Ces résultats sont conformes aux conclusions d’autres études (p. ex. Lipsey, 1990) qui ont révélé un manque de puissance similaire dans un large éventail de sujets de recherche. Il semble donc que, bien que les chercheurs soient conscients de l’importance de la puissance statistique (et notamment de la nécessité de la calculer lorsqu’ils proposent une recherche), ils ne parviennent pas, pour une raison ou pour une autre, à obtenir une puissance adéquate dans leurs études. Ce chapitre soutient que l’incapacité de nombreuses études de prévention à maintenir une puissance statistique adéquate est due à l’importance excessive accordée à la taille de l’échantillon (N) comme étant le seul, voire le meilleur, moyen d’augmenter la puissance statistique. Il est facile de comprendre comment on en est arrivé à accorder une importance excessive à cette question. La taille de l’échantillon est facile à manipuler, a l’avantage d’être liée à la puissance de manière directe et est généralement sous le contrôle direct du chercheur, à l’exception des limitations imposées par les finances ou la disponibilité des sujets. Une autre option pour augmenter la puissance consiste à augmenter le coefficient alpha utilisé pour les tests d’hypothèse, mais comme très peu de chercheurs envisagent sérieusement des niveaux de signification beaucoup plus élevés que le traditionnel 0,05, cette stratégie est rarement utilisée. Bien entendu, la taille de l’échantillon est importante, et les auteurs de ce chapitre ne recommandent pas aux chercheurs de cesser de choisir soigneusement la taille des échantillons. Ils soutiennent plutôt que les chercheurs ne doivent pas se contenter d’augmenter N pour améliorer la puissance. Il est important de prendre des mesures supplémentaires pour maintenir et améliorer la puissance, en plus de s’assurer que la taille initiale de l’échantillon est suffisante. Les auteurs recommandent deux stratégies générales. La première stratégie consiste à essayer de maintenir la taille effective de l’échantillon initial afin de ne pas perdre inutilement de la puissance. L’autre stratégie consiste à prendre des mesures pour maximiser le troisième facteur qui détermine la puissance statistique : la taille de l’effet.