Plus la valeur de p est petite, plus la probabilité de faire une erreur en rejetant l'hypothèse nulle est faible. Une valeur limite de 0,05 est souvent utilisée. Autrement dit, vous pouvez rejeter l'hypothèse nulle si la valeur de p est inférieure à 0,05.
Selon l'hypothèse nulle, il n'y a souvent pas de différence ou de lien perceptible entre les variables étudiées. Elle indique l'absence de relation entre les éléments pertinents ou d'effet entre eux. Les chercheurs créent l'hypothèse nulle qui servira de point de référence pour la comparaison de leurs résultats.
L'hypothèse H0, qui fait l'objet du test, est rejetée dans tous les cas où apparaît un résultat significatif. Une valeur significative est une valeur dont la probabilité d'apparition dans H0 est égale ou inférieure à a .
H0 est opposée à une hypothèse appelée hypothèse alternative, notée H1 ou Ha. Souvent, l'hypothèse alternative est celle à laquelle l'utilisateur souhaite aboutir. Elle implique une notion de différence (différence entre moyennes par exemple). Si les données ne vont pas assez à l'encontre de H0, H0 n'est pas rejetée.
L'hypothèse selon laquelle on fixe à priori un paramètre de la population à une valeur particulière s'appelle l'hypothèse nulle et est notée H0. N'importe quelle autre hypothèse qui diffère de l'hypothèse H0 s'appelle l'hypothèse alternative (ou contre-hypothèse) et est notée H1.
Cela s'articule habituellement autour de l'hypothèse nulle (H0): si on accepte l'hypothèse nulle, l'hypothèse alternative (H1) est infirmée; inversement, si on rejette l'hypothèse nulle, l'hypothèse alternative est confirmée.
Un test est dit statistiquement significatif lorsque le risque quantifié de se tromper, nommé p-valeur, est inférieur à un niveau de signification alpha. Pour être plus précis, la valeur-p est la probabilité d'obtenir une donnée aussi extrême sous l'hypothèse nulle.
Il existe différents types d'hypothèses. Nous distinguons quatre types : l'hypothèse descriptive, l'hypothèse explicative en termes de facteurs, l'hypothèse explicative en termes de typologie, l'hypothèse explicative en termes de processus.
une hypothèse ne doit pas servir à démontrer une vérité évidente ; elle doit plutôt laisser place à un certain degré d'incertitude ; une hypothèse doit être vérifiable. L'information disponible devient donc un critère déterminant dans la vérification de l'hypothèse ; une hypothèse doit être précise.
Si H0 est vraie, alors la kinésithérapie est inefficace, le taux de guérison sera identique dans les 2 groupes. Si H1 est vraie, alors la kinésithérapie est efficace ou délétère, le taux de guérison sera différent entre les 2 groupes.
L'hypothèse est en effet une réponse provisoire à la question préalablement posée. Elle tend à émettre une relation entre des faits significatifs et permet de les interpréter. Pour que la recherche soit valable, les hypothèses doivent cependant être vérifiables, plausibles et précises.
Soit p>0,05: la différence n'est pas significative, on ne peut pas conclure à une différence. Soit p≤0,05: la différence est significative, le risque pris est précisé, sa valeur est appelée degré de signification.
Il y a toujours deux hypothèses qui sont exactement opposées l'une à l'autre ou qui affirment le contraire. Ces hypothèses opposées sont appelées hypothèse nulle et hypothèse alternative et sont abrégées par H0 et H1.
Une erreur de type I survient dans un test d'hypothèse statistique lorsqu'une hypothèse nulle, qui est en réalité vraie, est rejetée par erreur. Les erreurs de type I sont également connues sous le nom de « faux positifs », elles représentent la détection d'un effet positif alors qu'il n'existe aucun effet en réalité.
C'est une idée que l'on va chercher à prouver par la suite. → L'hypothèse doit répondre au problème et être affirmative. Exemple : HYPOTHESE : Les feuilles mortes tombés en automne ont disparu l'été suivant PEUT-ETRE car les êtres vivants de la forêt les ont mangées.
Si l'hypothèse générale détermine les effets d'un facteur ou d'une variable sur un sujet ou un phénomène, l'hypothèse opérationnelle va plus loin. Elle précise quels facteurs seront étudiés à partir de quels phénomènes.
Exemple d'écriture d'une hypothèse
Il propose une hypothèse générale. "Les niveaux d'eau influent sur la quantité de poux de la truite arc en ciel." C'est une bonne hypothèse générale, mais elle ne donne aucune indication sur la façon de concevoir la recherche ou l'expérience.
Une hypothèse causale prédit que les changements de la variable dépendante sont le résultat de la manipulation de la variable indépendante.
Niveau de signification
Si la valeur p calculée est inférieure à cette valeur, l'hypothèse nulle est rejetée, sinon elle est maintenue. En règle générale, on choisit un niveau de signification de 5 %. alpha < 0,01 : résultat très significatif. alpha < 0,05 : résultat significatif.
La significativité statistique, ou seuil de signification, désigne le seuil à partir duquel les résultats d'un test sont jugés fiables. Autrement dit, ce seuil détermine la confiance dans la corrélation entre un test effectué et les résultats obtenus.
La validité est utilisée pour examiner la précision avec laquelle un élément est mesuré par une méthode. Si une méthode particulière mesure effectivement tout ce qu'elle prétend et que les résultats générés correspondent étroitement aux valeurs du monde réel, la méthode est considérée comme valide.
De façon générale, un test d'hypothèse statistique vise à déterminer si une variation observée dans un échantillon de données est compatible avec un modèle “par défaut” (l'hypothèse nulle), ou si les observations sont si improbables selon cette hypothèse nulle qu'elle doit être rejetée au profit d'une hypothèse ...
Un test non paramétrique est un test d'hypothèse qui n'exige pas que la distribution de la population soit caractérisée par certains paramètres. Par exemple, de nombreux tests d'hypothèse supposent que la population obéit à une loi normale pour les paramètres µ et σ.