L'hypothèse nulle permet de réaliser tous les tests statistiques et économétriques ; en supposant celle-ci vraie, on teste une valeur contre la valeur critique (donnée par la loi et la table de cette loi statistique). Elle peut être rejetée ou non avec un risque α (risque de première espèce).
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.
En résumé, si la puissance statistique est assez importante (supérieure à 0.95 par exemple), on peut accepter H0 avec un risque proportionnel à (1 – puissance) d'avoir tort. Ce risque est appelé le risque Bêta.
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.
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 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 .
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 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 première étape du test d'hypothèse consiste à formuler l'hypothèse nulle et l'hypothèse alternative. L'hypothèse nulle suppose généralement qu'il n'y a pas de différence significative entre deux variables, tandis que l'hypothèse alternative suggère la présence d'une relation ou d'une différence.
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.
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.
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.
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.
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.
Un résultat est souvent considéré comme statistiquement significatif s'il a une faible probabilité de se produire par hasard et si sa valeur p est inférieure à un seuil prédéterminé (généralement 0,05 ou 0,01).
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 p > 0.05 : la différence x − m0 est non significative ; si 0.05 ≥ p > 0.01 : la différence x − m0 est significative ; si 0.01 ≥ p > 0.001 : la différence x − m0 est hautement significative ; si p ≤ 0.001 : la différence x − m0 est très hautement significative.
Exemple d'écriture d'une hypothèse
"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. L'hypothèse doit être affinée pour avoir un directivité.
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 ...
n. hypothèse selon laquelle les gens constituent leurs anticipations relatives à une variable en se fondant sur les valeurs récemment observées de cette variable.
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.
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.
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 %).