Overdispersed and Markovian Children

Cet article démontre que, contrairement à l'hypothèse d'un simple lancer de pièce équilibré, la répartition des sexes dans les fratries présente en réalité une légère surdispersion, des variations familiales et une dépendance séquentielle, tout en illustrant l'influence de la taille de l'échantillon sur les valeurs p et la puissance statistique.

L'essentiel

Le Jeu de Pièces de Monnaie de la Nature : Pourquoi les familles ne sont pas toutes pareilles

Imaginez que la naissance d'un enfant soit comme un lancer de pièce de monnaie.

• Pile = Garçon.
• Face = Fille.

La théorie classique (celle qu'on apprend à l'école) dit que cette pièce est parfaitement équilibrée. Elle a 50 % de chances de tomber sur Face et 50 % sur Pile. De plus, elle dit que chaque lancer est indépendant du précédent : peu importe si vous avez eu 5 garçons d'affilée, la prochaine pièce a toujours 50 % de chances d'être une fille. C'est ce qu'on appelle la loi binomiale.

Mais Nils Lid Hjort, un statisticien de l'Université d'Oslo, a regardé de très près des données historiques massives (plus de 38 000 familles en Saxe, en Allemagne, à la fin du 19ème siècle) et il a découvert que la réalité est un peu plus complexe, un peu plus "sale" et beaucoup plus intéressante.

Voici les trois grandes révélations de son enquête, expliquées simplement.

1. La pièce est légèrement tordue (Ce n'est pas 50/50)

Si vous lancez une pièce 10 fois, vous obtiendrez peut-être 6 piles et 4 faces. Ce n'est pas grave. Mais si vous lancez cette même pièce des millions de fois, vous devriez obtenir exactement 50/50.

Hjort a compté des centaines de milliers de naissances. Résultat ? La pièce n'est pas parfaitement équilibrée. Il y a un tout petit peu plus de garçons que de filles.

• La réalité : Environ 48,5 % de filles et 51,5 % de garçons.
• L'analogie : Imaginez que la pièce de la nature ait un tout petit peu de plomb d'un côté. C'est si léger que vous ne le remarquez pas avec 10 enfants, mais avec des millions de naissances, la balance penche légèrement. Pour le prouver statistiquement, il faut un échantillon énorme (plus de 14 000 enfants) pour être sûr à 95 % que ce n'est pas juste une chance.

2. La pièce change de famille en famille (La "Surdispersion")

C'est ici que ça devient fascinant. La théorie classique suppose que toutes les familles ont la même pièce (la même probabilité de 48,5 %).
Hjort a découvert que ce n'est pas vrai.

• L'analogie du sac de pièces : Imaginez que chaque famille possède son propre sac de pièces.
  • Dans le sac de la famille A, la pièce est très équilibrée (50/50).
  • Dans le sac de la famille B, la pièce est un peu lourde du côté "Garçon" (60/40).
  • Dans le sac de la famille C, elle est lourde du côté "Fille".

La plupart des pièces sont proches de la moyenne, mais certaines sont plus extrêmes. C'est ce qu'on appelle la surdispersion.
Pourquoi est-ce important ? Parce que cela explique pourquoi il y a plus de familles "pures" (tous garçons ou toutes filles) que la théorie ne le prévoyait.

• Si tout le monde avait la même pièce, il serait très rare d'avoir 8 garçons d'affilée.
• Mais si certaines familles ont une "pièce garçon" dans leur sac, elles auront beaucoup plus souvent des familles de 8 garçons.
• Le résultat : Le monde a plus de familles "royales" (tous garçons ou toutes filles) que prévu, tout comme il y a plus de "royales straight flush" au poker que la théorie pure ne le dit.

3. Les enfants s'influencent un peu (Les enfants "Markoviens")

Hjort a aussi testé une autre idée : et si le sexe du prochain enfant dépendait un tout petit peu du précédent ?

• L'analogie du vent : Imaginez que si vous avez eu un garçon, le "vent" souffle légèrement pour vous en envoyer un autre. Ce n'est pas une règle stricte, juste une petite tendance.

En utilisant des simulations informatiques complexes (comme un simulateur de vol pour tester des hypothèses), il a trouvé que oui, il y a une très faible influence. Si vous avez eu un garçon, la probabilité d'avoir un autre garçon est légèrement plus élevée (environ 5 % de plus). C'est comme si la nature aimait un peu les séries, mais très discrètement.

Leçon principale : La taille compte !

Le papier insiste sur un point crucial pour les statistiques : la taille de l'échantillon.

• Avec peu de données (par exemple, 500 familles), on ne voit rien. On dirait que tout est normal, que la pièce est équilibrée et que tout est indépendant.
• Avec énormément de données (38 000 familles), on commence à voir les petites anomalies. On peut dire : "Ah ! Il y a vraiment plus de familles toutes garçons que prévu !" et "Ah ! La pièce est vraiment tordue !"

C'est comme regarder une photo floue : avec peu de pixels, on ne voit que du flou. Avec des millions de pixels, on voit les détails, les textures et les imperfections.

En résumé

Nils Lid Hjort nous dit que la nature n'est pas un robot parfait qui lance des pièces équilibrées de manière indépendante.

1. La pièce est un peu tordue (plus de garçons).
2. Chaque famille a sa propre pièce (certaines familles sont plus "garçons", d'autres plus "filles").
3. Les enfants d'une même famille s'influencent un tout petit peu entre eux.

Ces différences sont minuscules, invisibles à l'œil nu dans une petite famille, mais elles deviennent énormes et claires quand on regarde l'histoire de l'humanité dans son ensemble. C'est la beauté des statistiques : elle permet de voir les petits secrets de la nature cachés dans la masse des données.

Résumé technique

1. Problématique et Contexte

L'article examine la distribution du sexe des nouveau-nés au sein des familles humaines. L'hypothèse de départ, souvent considérée comme une approximation statistique de premier ordre, est que la naissance d'un enfant est le résultat d'un lancer de pièce équilibré et indépendant ($p = P(\text{fille}) = 0,50$), suivant une loi binomiale classique.

L'auteur remet en cause cette hypothèse simple en se basant sur des données historiques massives (les registres de naissance de la Saxe à la fin du XIXe siècle, compilés par Arthur Geißler). L'objectif est de démontrer que :

1. La probabilité réelle d'avoir une fille est légèrement inférieure à 0,50.
2. Il existe une surdispersion (overdispersion) : la variabilité observée dans le nombre de filles par famille est supérieure à celle prédite par une loi binomiale unique.
3. Il pourrait exister une dépendance de Markov entre les naissances successives (le sexe d'un enfant influençant légèrement celui du suivant).
4. La taille de l'échantillon joue un rôle critique dans la détection de ces écarts subtils et la puissance des tests statistiques.

2. Méthodologie

L'analyse repose sur l'exploitation de données historiques de $n = 38\,495$ familles saxonnaises ayant au moins 8 enfants, ainsi que sur des sous-ensembles pour des tailles de familles allant de $m=1$ à $m=12$.

Approches statistiques utilisées :

• Estimation de la probabilité de base ($p$) : Calcul de la proportion globale de filles et construction d'intervalles de confiance pour tester l'hypothèse nulle $H_0: p = 0,50$.
• Tests de puissance et taille d'échantillon : Analyse de la fonction de puissance pour déterminer le nombre d'enfants nécessaire pour rejeter $p=0,50$ avec une certitude statistique élevée (ex: 95 % de puissance).
• Modélisation de la surdispersion (Beta-Binomial) :
  • Au lieu d'une probabilité fixe $p$, l'auteur suppose que $p$ varie d'une famille à l'autre selon une distribution Beta($a, b$).
  • Estimation des paramètres via la méthode des moments et le minimum du chi-deux ($\chi^2$).
  • Calcul des résidus de Pearson et des statistiques de bonne adéquation ($Z$) pour comparer le modèle binomial simple au modèle Beta-binomial.
• Modélisation de la dépendance (Markovienne) :
  • Développement d'un modèle de chaîne de Markov où le sexe de l'enfant $i+1$ dépend de celui de l'enfant $i$.
  • Puisque les données de Geißler ne donnent que le nombre total de filles et non l'ordre de naissance, l'auteur utilise une vraisemblance simulée (simulated log-likelihood). Il simule des milliers de séquences de naissances pour estimer la distribution implicite du nombre de filles et maximiser la vraisemblance.
• Analyse comparative : Utilisation de critères de sélection de modèles (AIC, BIC, FIC) pour comparer les modèles Binomial, Beta-binomial et Markovien.

3. Résultats Clés

A. Déséquilibre du sexe à la naissance

• La probabilité estimée d'avoir une fille est $p \approx 0,484$ (soit un ratio garçons/filles d'environ 1,062).
• Pour détecter statistiquement cet écart par rapport à 0,50 avec une puissance de 95 %, il faut un échantillon d'au moins 14 433 enfants. Avec des seuils plus stricts (niveau de signification 0,01, puissance 0,99), il faut plus de 26 691 enfants.

B. Preuve de la surdispersion

• Le modèle binomial simple échoue à ajuster les données, en particulier pour les familles nombreuses ($m=8$), sous-estimant le nombre de familles "pures" (tous garçons ou toutes filles) et surestimant les familles mixtes.
• La statistique de test $W_n$ (rapport entre la variance totale observée et la variance binomiale théorique) vaut 1,081. Bien que proche de 1, cette valeur est hautement significative grâce à la taille massive de l'échantillon ($n=38\,495$).
• Le modèle Beta-binomial offre un ajustement nettement supérieur (réduction drastique de la statistique $\chi^2$ de 159,41 à 13,55).
• L'écart-type de la distribution des probabilités $p$ entre les familles est estimé à $\hat{\sigma}_0 \approx 0,054$. Cela signifie que 95 % des familles ont une probabilité d'avoir une fille comprise entre 0,396 et 0,573.

C. Dépendance Markovienne

• L'ajustement d'un modèle de Markov (avec un paramètre de corrélation $k \approx 0,956$) donne des résultats comparables au modèle Beta-binomial.
• La corrélation estimée entre deux naissances successives de même sexe est d'environ 0,044.
• Les deux modèles (Beta-binomial et Markovien) sont statistiquement très proches en termes de qualité d'ajustement, suggérant que la surdispersion peut être expliquée soit par l'hétérogénéité des familles (Beta), soit par une légère dépendance temporelle (Markov).

D. Évolution avec la taille de la famille

• La probabilité $p$ semble légèrement décroître avec la taille de la famille, mais cet effet n'est pas statistiquement significatif.
• En revanche, le niveau de surdispersion ($\sigma_0$) augmente clairement avec la taille de la famille (de $m=2$ à $m=12$). Cela suggère que les mécanismes sous-jacents (hétérogénéité ou dépendance) s'accumulent ou deviennent plus visibles dans les grandes familles.

E. Sur-représentation des familles "pures"

• Le modèle Beta-binomial prédit correctement la sur-représentation des familles avec uniquement des garçons ou uniquement des filles. Par exemple, pour $m=8$, le nombre observé de familles "tous garçons" (264) est bien supérieur à la prédiction binomiale (192), et le modèle Beta-binomial l'ajuste à 255,54.

4. Contributions et Signification

• Démonstration de l'importance de la taille de l'échantillon : L'article illustre de manière pédagogique comment des effets statistiques très faibles (un écart de $p$ de 0,015 ou une surdispersion de $\sigma_0 \approx 0,05$) ne deviennent détectables et significatifs qu'avec des échantillons de très grande taille. Avec de petits échantillons, ces écarts seraient considérés comme du bruit.
• Validation de modèles complexes : Il démontre la supériorité des modèles Beta-binomiaux et Markoviens sur le modèle binomial simple pour décrire la démographie humaine, même si les écarts semblent minimes à première vue.
• Méthodologie innovante : L'utilisation de la vraisemblance simulée pour ajuster un modèle de Markov à des données agrégées (sans information sur l'ordre des naissances) constitue une contribution technique notable.
• Réflexion historique et épistémologique : L'auteur réhabilite les travaux de Geißler et Fisher, montrant comment des données du XIXe siècle, analysées avec des outils modernes, confirment des biais subtils dans la "nature".
• Implications pour la sélection de modèles : L'article souligne que même si plusieurs modèles (Beta vs Markov) peuvent s'ajuster aussi bien aux données, la compréhension du mécanisme biologique sous-jacent reste un défi, et que la surdispersion croissante avec la taille de la famille mérite une attention particulière.

En conclusion, Nils Lid Hjort utilise ces données historiques pour illustrer que la réalité biologique est plus complexe qu'une simple série de lancers de pièces indépendants, révélant une hétérogénéité familiale et une légère dépendance temporelle, dont la détection rigoureuse exige une puissance statistique considérable.