Tout d'abord, pourquoi faire des tests statistiques ? Les tests statistiques (ou tests d'hypothèses) vont vous permettre de tirer des conclusions claires, mathématiquement rigoureuses (et élégantes !) à partir des données que vous aurez analysées.
Un test statistique permet d'évaluer à quel point les données vont à l'encontre d'une certaine hypothèse, l'hypothèse nulle aussi appelée H0. Sous H0, les données sont générées par le hasard. En d'autres termes, les processus contrôlés (manipulations expérimentales par exemple) n'ont pas d'influence sur les données.
Le principe des tests d'hypothèse est de poser une hypothèse de travail et de prédire les conséquences de cette hypothèse pour la population ou l'échantillon. On compare ces prédictions avec les observations et l'on conclut en acceptant ou en rejetant l'hypothèse de travail à partir de règles de décisions objectives.
Le test d'adéquation (ou d'ajustement) consiste à vérifier la compatibilité des données avec une loi choisie a priori. Le test le plus utilisé dans cette optique est le test d'adéquation à la loi normale. On peut également tester la compatibilité des données avec une famille (paramétrée) de lois.
La fiabilité est un autre facteur clé pour instaurer la confiance. Être fiable signifie que vous pouvez compter sur vous pour tenir vos promesses de manière cohérente. Lorsque vous êtes fiable, les gens savent qu'ils peuvent compter sur vous pour faire ce que vous dites et ils vous font davantage confiance.
Une hypothèse statistique est un énoncé (une affirmation) concernant les caractéristiques (valeurs des paramètres, forme de la distribution des observations) d'une population.
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.
et les hypothèses de recherche sont déterminées sur la base de lectures préalables et d'une réflexion. La question de recherche doit être claire, précise et il doit être possible d'y répondre. Les hypothèses doivent être spécifiques, vérifiables et réversibles.
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.
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.
La règle de décision est la suivante: si la valeur calculée du critère statistique est inférieure à la valeur critique de la distribution de F, au seuil de signification voulu, on accepte l'hypothèse nulle, à savoir que les deux échantillons sont prélevés dans des populations de même variance.
Le niveau du test est défini par α = probabilité de rejeter H0 étant donné que H0 est vraie. Cela veut dire "la probabilité de dire que le produit est efficace étant donné qu'il n'est pas efficace".
L'hypothèse nulle indique généralement qu'il n'y a pas d'effet, par exemple : le sexe n'a pas d'effet sur le salaire. Dans un test d'hypothèse, seule l'hypothèse nulle peut être testée ; l'objectif est de déterminer si l'hypothèse nulle est rejetée ou non.
Un test de Student peut être utilisé pour évaluer si un seul groupe diffère d'une valeur connue (test t à un échantillon), si deux groupes diffèrent l'un de l'autre (test t à deux échantillons indépendants), ou s'il existe une différence significative dans des mesures appariées (test de Student apparié ou à ...
Une bonne hypothèse est : Un énoncé. L'hypothèse n'est pas la même chose que la question sous forme vérifiable. L'hypothèse est une tentative d'explication de ce que l'on pense qu'il arrivera pendant l'enquête.
Elle indique comment traiter ce problème théoriquement. Elle va donc servir de fondements pour les hypothèses sur lesquelles le chercheur construira une réponse cohérente à la question de départ. Pour être explicitée, la problématique se fonde sur le cadre théorique (une théorie et des concepts) choisi.
L'hypothèse scientifique est une partie du raisonnement qui permet de présenter la recherche développée tout au long de l'article. Elle propose une ou plusieurs pistes de réponses à la question de recherche.
Une question de recherche quantitative spécifie les relations entre variables que le chercheur cherche à découvrir. Les hypothèses quantitatives sont des prédictions que le chercheur fait sur les résultats attendus de relations entre variables.
Faire preuve de fiabilité (K):
Agir de manière intègre, conformément aux attentes de l'organisation, respecter la confidentialité et les engagements et éviter toute forme de partialité. Dimensions: # Agir avec honnêteté et intégrité : respecter la confidentialité et être honnête et intègre envers les autres.
Une source fiable doit avoir une réputation établie de fournir des informations exactes, vérifiées et bien étayées. La crédibilité peut être renforcée par la reconnaissance d'experts dans le domaine, les pairs ou les institutions respectées.
Qu'est-ce que la fiabilité des données ? Par fiabilité des données, on entend leur exhaustivité et leur exactitude. Il s'agit d'établir dans quelle mesure elles resteront cohérentes et exemptes d'erreur au fil du temps, quelle que soit leur source. Plus les données sont fiables, plus elles inspirent confiance.
Qu'est-ce que la significativité statistique ? 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.
Des recherches récentes montrent qu'un test statistiquement significatif ne correspond à une évidence forte que pour une valeur p de 0,5 % ou même 0,1 %.