Test unilatéral : test statistique pour lequel on prend comme hypothèse alternative l'existence d'une différence dont le sens est connu. Test bilatérale : test statistique pour lequel on prend, comme hypothèse alternative, l'existence d'une différence, dans un sens ou l'autre.
Si la statistique-t est supérieure à la valeur critique, alors la différence est significative. Si la statistique-t est inférieure, il n'est pas possible de différencier les deux nombres d'un point de vue statistique.
Si l'étude vise à comparer entre plus de deux groupes (3 ou plus), c'est une analyse de variance ou ANOVA qui est à appliquer. A condition, comme dans le cas du test T, que les données des échantillons suivent une distribution Normale et d'égalité des variances.
Il existe une multitude de tests utilisés pour comparer les échantillons entre eux, mesurer la ressemblance entre les échantillons et vérifier les hypothèses. On distingue deux grandes catégories de tests : les tests paramétriques et les tests non paramétriques (voir encadré ci-dessous).
Il s'agit du test de Kruskal-Wallis, mesure de l'association entre deux variables qualitatives. Le croisement de deux questions qualitatives produit un tableau que l'on désigne généralement par « tableau de contingence ».
L'analyse de la variance (ANOVA) est très utilisée en statistique et dans le domaine des études marketing. Cette méthode analytique puissante sert à mettre en avant des différences ou des dépendances entre plusieurs groupes statistiques.
L'idée. Si on souhaite comparer deux échantillons (i.i.d) gaussiens, il nous suffit en fait de comparer leurs paramètres : leur moyenne μ1 et μ2, et leur variance σ21 et σ22. La méthodologie la plus classique est d'effectuer de manière séquentielle : Un test d'égalité des variances.
Lorsque les échantillons peuvent être considérés indépendants, on applique le test de Mann et Whitney pour 2 échantillons, celui de Kruskal et Wallis pour un nombre quelconque d'échantillons. Lorsque on a affaire à deux échantillons appariés (c'est-à-dire non indépendants), on applique le test de Wilcoxon.
Deux tests statistiques, le test de Student et le test de Wilcoxon, sont généralement employés pour comparer deux moyennes. Il existe cependant des variantes de ces deux tests, pour répondre à différentes situations, comme la non indépendance des échantillons par exemple.
Utilisez les courbes superposées pour comparer une ou plusieurs variables de l'axe des Y et une variable de l'axe des X. Les courbes superposées sont particulièrement recommandées lorsque la variable X est une variable de temps, car elles vous permettent comparer l'évolution de plusieurs variables dans le temps.
Duncan en 1955. Ce test post-hoc ou test de comparaisons multiples peut être utilisé pour déterminer les différences significatives entre les moyennes des groupes dans une analyse de variance.
Types de tests
Un test bilatéral permet d'étudier une corrélation, qu'elle soit positive ou négative. On pourrait utiliser ce type de test dans l'exemple 2 pour déterminer si les nitrates ont une influence sur l'expression d'un gène. Un test unilatéral permet d'étudier une corrélation soit positive soit négative.
Les différences significatives, en plus ou en moins, sont indiquées par les symboles » et «. Pour déterminer si une différence est significative ou non, un spécialiste doit mener les analyses statistiques appropriées.
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.
Définition. Différence entre deux statistiques dont on peut affirmer, avec moins de x chances sur 100 de se tromper, qu'elle n'est pas due au hasard seul. Exemple : différence significative à P = 0,01. Dans ce cas, la probabilité de se tromper en affirmant que la différence est significative n'est que de 1 %.
Les tests de Mann-Whitney servent à vérifier que deux échantillons d'une population ont une position équivalente.
Un des tests permettant de vérifier la normalité de la variable x est le test de Shapiro-Wilk. Il est appliquable pour des échantillons allant jusqu'à 50 valeurs. Il utilise le rapport de deux estimations de la variance.
Le test de Kruskal-Wallis est un test non paramétrique à utiliser lorsque vous êtes en présence de k échantillons indépendants, afin de déterminer si les échantillons proviennent d'une même population ou si au moins un échantillon provient d'une population différente des autres.
On peut classer la plupart des méthodes d'échantillonnage en deux grandes catégories : l'échantillonnage aléatoire et l'échantillonnage représentatif. Un échantillon aléatoire est, comme son nom l'indique, un échantillon d'individus sélectionnés au hasard, conçu pour représenter l'ensemble de la population.
Le test de McNemar permet de déterminer si des proportions appariées sont différentes. Vous pouvez par exemple l'utiliser pour déterminer si un programme de formation à un effet sur la proportion de participants qui répondent correctement à une question.
Deux types d'échantillons peuvent être distingués : les échantillons non-probabilistes et les échantillons probabilistes. Les sujets ou les objets sont choisis selon une procédure pour laquelle la sélection n'est pas aléatoire.
Le test de Bartlett peut être utilisé pour comparer deux variances ou plus. Ce test est sensible à la normalité des données. Autrement dit, si l'hypothèse de normalité des données semble fragile, on utilisera plutôt le test de Levene ou de Fisher.
Il existe principalement deux types d'ANOVA : à un facteur et à deux facteurs. Les deux tests ANOVA diffèrent l'un de l'autre par le nombre de variables indépendantes. L'ANOVA à un facteur implique qu'il n'y a qu'une variable indépendante.
L'ANOVA à 2 facteurs est généralement employée pour analyser les résultats d'une expérimentation dans laquelle des individus, ou des unités expérimentales, ont été exposées, de façon aléatoire (randomisée), à l'une des combinaisons (ou croisement) des modalités des deux variables catégorielles.