Les tests statistiques sont utilisés dans les tests d’hypothèses. Ils peuvent être utilisés pour:
- déterminer si une variable prédictive a une relation statistiquement significative avec une variable de résultat.
- estimez la différence entre deux groupes ou plus.
les tests Statistiques supposent une hypothèse nulle d’absence de relation ou pas de différence entre les groupes. Ensuite, ils déterminent si les données observées se situent en dehors de la plage de valeurs prédites par l’hypothèse nulle.,
Si vous savez déjà quels types de variables vous traitez, vous pouvez utiliser l’organigramme pour choisir le bon test statistique pour vos données.
organigramme des tests statistiques
que fait un test statistique?
Les tests statistiques fonctionnent en calculant une statistique de test – un nombre qui décrit dans quelle mesure la relation entre les variables de votre test diffère de l’hypothèse nulle de l’absence de relation.
Il calcule ensuite une valeur p (valeur de probabilité)., La valeur p estime à quel point il est probable que vous verriez la différence décrite par la statistique de test si l’hypothèse nulle de l’absence de relation était vraie.
Si la valeur de la statistique de test est plus extrême que la statistique calculée à partir de l’hypothèse nulle, alors vous pouvez déduire une relation statistiquement significative entre le prédicteur et les variables de résultat.
Si la valeur de la statistique de test est moins extrême que celle calculée à partir de l’hypothèse nulle, alors vous pouvez déduire aucune relation statistiquement significative entre le prédicteur et les variables de résultat.,
Quand effectuer un test statistique
Vous pouvez effectuer des tests statistiques sur des données qui ont été collectées de manière statistiquement valide – soit par une expérience, soit par des observations faites à l’aide de méthodes d’échantillonnage probabiliste.
pour qu’un test statistique soit valide, la taille de votre échantillon doit être suffisamment grande pour approximer la distribution réelle de la population étudiée.
pour déterminer quel test statistique utiliser, vous devez savoir:
- si vos données répondent à certaines hypothèses.
- Les types de variables que vous traitez.,
hypothèses statistiques
Les tests statistiques font des hypothèses communes sur les données qu’ils testent:
- indépendance des observations (alias pas d’autocorrélation): les observations / variables que vous incluez dans votre test ne sont pas liées (par exemple, plusieurs mesures d’un seul sujet de test ne sont pas indépendantes, tandis que les mesures de plusieurs sujets de test différents sont indépendantes).
- homogénéité de la variance: la variance au sein de chaque groupe comparé est similaire entre tous les groupes., Si un groupe a beaucoup plus de variation que d’autres, cela limitera l’efficacité du test.
- normalité des données: les données suivent une distribution normale (ou courbe en cloche). Cette hypothèse ne s’applique qu’aux données quantitatives.
Si vos données ne répondent pas aux hypothèses de normalité ou d’homogénéité de variance, vous pourrez peut-être effectuer un test statistique non paramétrique, ce qui vous permettra de faire des comparaisons sans aucune hypothèse sur la distribution des données.,
Si vos données ne répondent pas à l’hypothèse d’indépendance des observations, vous pourrez peut-être utiliser un test qui tient compte de la structure de vos données (tests à mesures répétées ou tests qui incluent des variables de blocage).
types de variables
les types de variables dont vous disposez déterminent généralement le type de test statistique que vous pouvez utiliser.
les variables Quantitatives représentent des quantités de choses (par exemple, le nombre d’arbres dans une forêt). Les types de variables quantitatives comprennent:
Les variables catégorielles représentent des regroupements de choses (par exemple, les différentes espèces d’arbres dans une forêt)., Les types de variables catégorielles comprennent:
choisissez le test qui correspond aux types de variables prédictives et de résultats que vous avez collectées (si vous faites une expérience, ce sont les variables indépendantes et dépendantes). Consultez les tableaux ci-dessous pour voir quel test correspond le mieux à vos variables.
choix d’un test paramétrique: régression, comparaison ou corrélation
les tests paramétriques ont généralement des exigences plus strictes que les tests non paramétriques et sont capables de faire des inférences plus fortes à partir des données. Ils ne peuvent être effectués qu’avec des données qui adhèrent aux hypothèses communes des tests statistiques.,
les types de tests paramétriques les plus courants comprennent les tests de régression, les tests de comparaison et les tests de corrélation.
tests de régression
Les tests de régression sont utilisés pour tester les relations de cause à effet. Ils recherchent l’effet d’une ou de plusieurs variables continues sur une autre variable.,
| variable prédictive | variable de Résultat | question de Recherche exemple | |
|---|---|---|---|
| régression linéaire Simple |
|
|
qu’est-Ce que l’effet du revenu sur la longévité?, |
| régression linéaire Multiple |
|
|
Qu’est-ce que l’effet de revenu et de minutes d’exercice par jour sur la longévité? |
| régression Logistique |
|
|
Quel est l’effet de la dose du médicament sur la survie d’un sujet de test?, |
les tests de Comparaison
les tests de Comparaison de regarder les différences entre les groupes. Ils peuvent être utilisés pour tester l’effet d’une variable catégorique sur la valeur moyenne de toute autre caractéristique.
Les tests T sont utilisés pour comparer précisément les moyennes de deux groupes (par exemple, les hauteurs moyennes des hommes et des femmes). Les tests ANOVA et MANOVA sont utilisés pour comparer les moyennes de plus de deux groupes (par exemple, les hauteurs moyennes des enfants, des adolescents et des adultes).,
| variable prédictive | variable de Résultat | question de Recherche exemple | |
|---|---|---|---|
| test t Apparié |
|
|
Quel est l’effet de deux types de test de programmes de préparation à la moyenne des résultats aux examens pour les élèves de la même classe?, |
| Indépendant de t-test |
|
|
Quelle est la différence dans la moyenne des résultats aux examens pour les étudiants de deux écoles différentes? |
| ANOVA |
|
|
Quelle est la différence dans la moyenne des niveaux de douleur chez les post-les patients chirurgicaux donné trois différents analgésiques?, |
| MANOVA |
|
|
Quel est l’effet des espèces de fleurs sur des pétales de longueur, pétale de la largeur et de la longueur de la tige? |
tests de corrélation
Les tests de corrélation vérifient si deux variables sont liées sans supposer de relations de cause à effet.
ceux-ci peuvent être utilisés pour tester si deux variables que vous souhaitez utiliser dans (par exemple) un test de régression multiple sont autocorrélées.,
| Predictor variable | Outcome variable | Research question example | |
|---|---|---|---|
| Pearson’s r | Continuous | Continuous | How are latitude and temperature related?, |
choisir un test non paramétrique
Les tests non paramétriques ne font pas autant d’hypothèses sur les données et sont utiles lorsqu’une ou plusieurs des hypothèses statistiques courantes sont violées. Cependant, les inférences qu’ils font ne sont pas aussi fortes qu’avec les tests paramétriques.,h>test de Wilcoxon
- Catégorique
- 2 groupes
- Quantitative
- des groupes de populations différentes
- Catégorique
- 2 groupes
- Quantitative
- groupes proviennent de la même population
Organigramme: le choix d’un test statistique
Ce diagramme vous permet de choisir parmi les tests paramétriques., Pour les alternatives non paramétriques, consultez le tableau ci-dessus.
questions Fréquemment posées au sujet des tests statistiques
Les tests statistiques supposent généralement que:
- Les données sont normalement distribuées
- Les groupes comparés ont une variance similaire
- Les données sont indépendantes
Si vos données ne répondent pas à ces hypothèses, vous pourriez toujours être en mesure d’utiliser un test statistique non paramétrique, qui a moins d’exigences mais,
Un test statistique est un nombre calculé par un test statistique. Il décrit la distance entre vos données observées et l’hypothèse nulle de l’absence de relation entre les variables ou de différence entre les groupes d’échantillons.
la statistique de test vous indique à quel point deux groupes ou plus sont différents de la moyenne globale de la population, ou à quel point une pente linéaire est différente de la pente prédite par une hypothèse nulle. Différentes statistiques de test sont utilisées dans différents tests statistiques.
La signification statistique est un terme utilisé par les chercheurs pour affirmer qu’il est peu probable que leurs observations aient pu se produire sous l’hypothèse nulle d’un test statistique. La signification est généralement indiquée par une valeur p ou une valeur de probabilité.
La signification statistique est arbitraire – elle dépend du seuil, ou valeur alpha, choisi par le chercheur. Le seuil le plus courant est p < 0.05, ce qui signifie que les données sont susceptibles de se produire moins de 5% du temps sous l’hypothèse nulle.,
lorsque la valeur p tombe en dessous de la valeur alpha choisie, alors nous disons que le résultat du test est statistiquement significatif.
Les variables quantitatives sont toutes les variables dont les données représentent des quantités (par exemple, la taille, le poids ou l’âge).
les variables Catégorielles sont des variables dont les données représentent des groupes. Cela inclut les classements (par exemple, les places de finition dans une course), les classifications (par exemple, les marques de céréales) et les résultats binaires (par exemple, les retournements de pièces).,
Vous devez savoir avec quel type de variables vous travaillez pour choisir le bon test statistique pour vos données et interpréter vos résultats.
Les variables discrètes et continues sont deux types de variables quantitatives:
- Les variables discrètes représentent des nombres (par exemple le nombre d’objets dans une collection).
- Les variables continues représentent des quantités mesurables (p. ex. volume d’eau ou poids).
