Malgré ces précautions, on demeure « hanté » par deux types spécifiques d'erreurs: celle de rejeter l'hypothèse nulle alors qu'elle est vraie (appelée l'erreur de type I), et celle d'accepter l'hypothèse nulle alors qu'elle est fausse (appelée erreur de type II).
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.
Cela représente la probabilité de rejeter l'hypothèse nulle lorsqu'elle est vraie. Par exemple, un niveau de signification de 0,05 indique un risque de 5 % de conclure qu'une différence entre les résultats d'étude et l'hypothèse nulle existe alors qu'il n'y a pas de réelle différence.
Pour prendre une décision, choisissez le niveau de significativité α (alpha), avant le test : Si p est inférieur ou égal à α, rejetez H0. Si p est supérieur à α, ne rejetez pas H0 (en principe, vous n'acceptez jamais l'hypothèse H0, mais vous vous contentez de ne pas la rejeter)
Hypothèse nulle - hypothèse alternative. L'hypothèse nulle notée H0 est l'hypothèse que l'on désire contrôler : elle consiste à dire qu'il n'existe pas de différence entre les paramètres comparés ou que la différence observée n'est pas significative et est due aux fluctuations d'échantillonnage.
L'hypothèse nulle notée H0 est l'hypothèse que l'on désire contrôler : elle consiste à dire qu'il n'existe pas de différence entre les paramètres comparés ou que la différence observée n'est pas significative et est due aux fluctuations d'échantillonnage.
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.
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.
Pour être crédible, l'hypothèse doit se baser sur des faits réels. Elle doit également être vérifiable à partir de données qualitatives ou quantitatives. La collecte d'information aide à développer le problème principal. Dans cette phase, l'étudiant devra relever les points importants de ses observations.
Définitions. Un test paramétrique est un test pour lequel on fait une hypothèse paramétrique sur la loi des données sous H0 (loi normale, loi de Poisson...); Les hypothèses du test concernent alors les paramètres de cette loi. Un test non paramétrique est un test ne nécessitant pas d'hypothèse sur la loi des données.
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.
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.
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.
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 .
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.
Pour vérifier la pertinence de son sujet, on peut se poser un certain nombre de questions. Correspond-il à l'orientation, aux exigences et aux questions soulevées par le cours ? Correspond-il aux critères et aux consignes donnés par le professeur ? Traite-t-il d'un aspect secondaire ?
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 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.
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 %.
Une valeur-p de 0,05 signifie qu'il y a une chance sur 20 qu'une hypothèse correcte soit rejetée plusieurs fois lors d'une multitude de tests (et n'indique pas, comme on le croit souvent, que la probabilité d'erreur sur un test unique est de 5 %).
Cette valeur est égale à 2 fois la probabilité de la valeur que la statistique de test suppose comme supérieure ou égale à la valeur absolue de la valeur effectivement observée d'après votre échantillon (sous H 0). 2* P(ST > |1,785|) = 2 * 0,0371 = 0,0742. La valeur de p est donc ici de 0,0742.
H0 est fausse
On distingue la réalité et la décision (ou évaluation) que l'on prend sur cette réalité. Dans la réalité, quand H0 (hypothèse nulle) est vraie c'est qu'il n'y a pas -objectivement ou réellement- d'effet. Quand H0 est fausse, c'est qu'il y a bien -objectivement ou réellement- un effet.
L'erreur type d'une statistique (souvent une estimation d'un paramètre) est l'écart type de sa distribution d'échantillonnage ou l'estimation de son écart type. Si le paramètre ou la statistique est la moyenne, on parle d'erreur type de la moyenne.
Une erreur de type II survient dans un test d'hypothèse statistique lorsque l'hypothèse nulle est acceptée par erreur. Les erreurs de type II sont également connues sous le nom de « faux négatifs », elles représentent l'échec de détection d'un effet positif alors qu'il existe.