Introduction aux tests d’hypothèses

Un test d’hypothèse est une méthode statistique qui permet de déterminer s’il existe suffisamment d’éléments pour rejeter une hypothèse nulle.

Hypothèse nulle et hypothèse alternative

Dans le cadre des tests d’hypothèses :

• L’hypothèse nulle (H₀) suppose qu’il n’y a ni effet ni différence.
• L’hypothèse alternative (H₁) suggère l’existence d’un effet ou d’une différence.

Réaliser un test t

Un test t vérifie si les moyennes de deux groupes sont significativement différentes.

data1 <- c(5.1, 6.2, 5.8, 6.5, 5.9)
data2 <- c(7.0, 6.8, 7.5, 7.1, 6.9)
t.test(data1, data2)

Interpréter les valeurs p

La valeur p aide à décider s’il faut rejeter H₀ :

• Si la valeur p < 0.05, rejetez H₀ (résultat significatif).
• Si la valeur p > 0.05, ne rejetez pas H₀ (résultat non significatif).

Test du khi carré

Le test du khi carré vérifie si des variables catégorielles sont indépendantes.

observed <- matrix(c(20, 30, 50, 40), nrow=2)
chisq.test(observed)

Test ANOVA

ANOVA compare les moyennes de plusieurs groupes.

group1 <- c(5.1, 6.2, 5.8)
group2 <- c(7.0, 6.8, 7.5)
group3 <- c(4.9, 5.5, 5.2)
data <- data.frame(value = c(group1, group2, group3), 
                   group = rep(c('A', 'B', 'C'), each=3))
aov_test <- aov(value ~ group, data = data)
summary(aov_test)

Taille de l’effet

La taille de l’effet mesure l’ampleur d’un résultat et aide à déterminer sa signification pratique.

Limites des tests d’hypothèses

Les tests d’hypothèses reposent sur des suppositions et peuvent être influencés par la taille de l’échantillon et la qualité des données.

Résumé

Dans cette leçon, vous avez appris :

• Comment réaliser des tests d’hypothèses.
• Comment utiliser les tests t, le test du khi carré et ANOVA.
• L’importance des valeurs p et des tailles d’effet.