Statistiques inférentielles

1. Étapes d’un test de comparaison de moyenne

1. Poser les hypothèses statistiques : définir l'hypothèse nulle ($H_0$) et l'hypothèse alternative ($H_1$).
2. Définir le seuil de rejet : généralement un niveau de signification $\alpha$ (ex. 0,05).
3. Calculer la statistique de test : valeur calculée à partir des données.
4. Prise de décision : rejeter ou non $H_0$ selon la comparaison de la statistique avec la valeur critique.

2. Le test de Student (test t)

• Utilisé pour comparer les moyennes de deux échantillons indépendants.
• Permet de déterminer s’il existe une différence significative entre les moyennes des deux groupes.
• Résultat du test : permet de généraliser ou non l’effet observé sur les échantillons à la population d’origine.

3. Rappel fondamental

• Les statistiques inférentielles visent à faire des inférences sur une population à partir d’un échantillon.
• La taille des échantillons est cruciale pour le choix du test.

Le test de Student est adapté pour des échantillons indépendants de taille modérée, tandis que pour des échantillons plus grands, on utilise le test z.

1. Le test de Student (test t)

Le test de Student est utilisé pour comparer des moyennes lorsque la taille de l’échantillon est petite (généralement $n < 30$) ou lorsque la variance de la population est inconnue.

2. Conditions d’application d’un test paramétrique (test t)

Avant d’utiliser un test de Student, il faut vérifier :

• Indépendance des données : les observations doivent être indépendantes, c’est-à-dire que le prélèvement d’un individu n’affecte pas celui d’un autre.
• Normalité : les données doivent suivre une loi normale (souvent supposée en psychologie).
• Homogénéité des variances : les variances des échantillons comparés doivent être équivalentes. On peut vérifier cela par un test d’égalité des variances.
  Ici, on suppose que les variances sont égales.

3. Degré de liberté (ddl)

Pour un échantillon de taille $n$, le degré de liberté est :

$$\text{ddl} = n - 1$$

C’est ce paramètre qui sert à déterminer la valeur critique dans la table de Student (table t).

4. Cas d’utilisation du test t

5. Valeur critique et décision

• La valeur critique est obtenue dans la table t en fonction du degré de liberté et du niveau de signification $\alpha$.
• Si la statistique calculée $t$ dépasse la valeur critique, on rejette l’hypothèse nulle.

Le test de Student est privilégié pour des petits échantillons ($n < 30$) avec variances supposées égales, et nécessite que les données soient indépendantes et normalement distribuées.

1. Conditions d'application des tests paramétriques

Les tests paramétriques sont utilisés pour comparer des moyennes dans différentes situations. Leur validité repose sur certaines conditions liées à la nature des échantillons et à la distribution des données.

2. Types de comparaisons de moyennes

3. Conditions générales d'application

• Normalité des données : Les données doivent suivre une distribution normale dans chaque groupe.
• Indépendance des observations : Les observations doivent être indépendantes, sauf dans le cas d’échantillons appariés.
• Homogénéité des variances : Les variances des groupes comparés doivent être égales (test de Levene ou équivalent).

4. Exemple d'application : comparaison à une norme

• Contexte : Étude sur 32 patients migraineux ayant passé le test du Rorschach.
• Données : Réponses cotées selon différents paramètres (localisation, forme, couleur).
• Objectif : Tester si le nombre de réponses des patients migraineux diffère significativement de la population générale.

5. Étapes du test

1. Formulation des hypothèses

   • $H_0$ : Le nombre moyen de réponses des patients migraineux est égal à celui de la population générale.
   • $H_1$ : Le nombre moyen de réponses des patients migraineux est différent de celui de la population générale.

2. Choix du test

   • Test t pour un échantillon (comparaison à une norme).

3. Vérification des conditions

   • Normalité des données (ex. test de Shapiro-Wilk).
   • Indépendance des observations.

4. Calcul et interprétation

   • Calcul de la statistique t.
   • Décision selon la valeur-p et le seuil de signification.

À retenir : Les tests paramétriques nécessitent que les données soient normalement distribuées, que les observations soient indépendantes (sauf appariement) et que les variances soient homogènes pour garantir la validité des conclusions.

1. Comparaison d'une moyenne à une norme

a) Étape 1 : Formulation des hypothèses

• Hypothèse nulle (H0) : la moyenne de l'échantillon est dans les normes (égale à la norme).
• Hypothèse alternative (H1) : la moyenne de l'échantillon est différente de la norme.

b) Étape 2 : Définir le seuil de rejet

• Le seuil de rejet est la valeur limite qui permet de décider si on rejette H0.
• Si la statistique de test (z ou t) dépasse ce seuil, l'écart est trop grand pour être dû au hasard → on rejette H0.
• Choix classique : seuil de rejet à $\alpha = 0.05$.
• Pour un effectif $n \geq 30$, on utilise la loi normale (test Z).
• Valeur critique pour $\alpha=0.05$ (bilatéral) : $Z_{théorique} = 1.96$.

c) Étape 3 : Calcul de la statistique de test

• Calculer la statistique Z ou T selon la taille de l'échantillon.
• Pour $n \geq 30$, utiliser la statistique Z.
• Pour $n < 30$, utiliser la statistique T de Student avec degrés de liberté appropriés.

d) Étape 4 : Décision

• Si $|Z| > 1.96$, on rejette H0 → la moyenne est significativement différente de la norme.
• Sinon, on ne rejette pas H0 → la moyenne est dans les normes.

À retenir : Le seuil de rejet à 5% correspond à une valeur critique de 1.96 pour un test bilatéral avec un effectif supérieur ou égal à 30.

2. Comparaison de deux moyennes pour échantillons indépendants

• La formule de la statistique diffère selon la taille des échantillons.
• Le test de Student s'applique dans les deux cas, mais avec la loi normale (Z) ou la loi de Student (T) selon $n$.
• Importance de vérifier la taille des échantillons avant de choisir la statistique.

À retenir : Pour comparer deux moyennes indépendantes, on utilise un test de Student adapté à la taille des échantillons (Z si grands, T sinon).

1. Comparaison de deux moyennes pour échantillons indépendants

a) Hypothèses statistiques

• $H_0$ (hypothèse nulle) : les moyennes des deux populations sont égales, il n’y a pas de différence significative entre les groupes.
• $H_1$ (hypothèse alternative) : les moyennes des deux populations sont différentes.

b) Données d’exemple

c) Test de comparaison de deux moyennes (échantillons indépendants)

• On suppose que les deux échantillons sont indépendants.
• Objectif : tester si la différence entre les moyennes observées est significative.

d) Statistique de test

La statistique $t$ s’écrit :

$$t = \frac{\bar{x}_1 - \bar{x}_2}{\sqrt{\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2}}}$$

• $\bar{x}_1, \bar{x}_2$ : moyennes des deux échantillons
• $s_1, s_2$ : écarts-types des deux échantillons
• $n_1, n_2$ : tailles des deux échantillons

e) Degrés de liberté

• Lorsque les variances sont supposées inégales, on utilise la formule de Welch pour les degrés de liberté :

$$df = \frac{\left(\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2}\right)^2}{\frac{(s_1^2/n_1)^2}{n_1 - 1} + \frac{(s_2^2/n_2)^2}{n_2 - 1}}$$

f) Décision

• Calculer la valeur de $t$.
• Comparer à la valeur critique de la loi de Student à $df$ degrés de liberté pour un seuil $\alpha$ donné (ex. 0,05).
• Si $|t|$ est supérieur à la valeur critique, rejeter $H_0$ : les moyennes sont significativement différentes.
• Sinon, ne pas rejeter $H_0$.

La comparaison de deux moyennes pour échantillons indépendants repose sur la statistique $t$ qui mesure la différence relative aux variabilités et tailles des échantillons.

2. Remarque

• Les échantillons doivent être indépendants.
• La normalité des distributions est supposée ou la taille des échantillons suffisamment grande pour appliquer le TCL.
• En cas d’égalité des variances, on peut utiliser une version simplifiée du test (test de Student classique).

1. Échantillons appariés : définition

Un échantillon apparié correspond à des observations regroupées en paires, où chaque paire associe un individu de l’échantillon 1 avec un individu de l’échantillon 2 selon un critère précis.

• Critères d’appariement : âge, statut socio-professionnel, QI, etc.
• Cas particulier : même individu mesuré à deux moments différents (ex. score avant et après traitement).

2. Objectif

Comparer les moyennes de deux échantillons appariés pour détecter une différence significative entre les deux conditions (ex. avant/après traitement).

3. Méthode de comparaison pour échantillons appariés

1. Calcul des différences individuelles : pour chaque paire, calculer la différence $D_i = X_{2,i} - X_{1,i}$.

2. Hypothèse nulle : $H_0 : \mu_D = 0$ (pas de différence moyenne entre les deux conditions).

3. Statistique de test : utiliser la moyenne des différences $\bar{D}$ et leur écart-type $s_D$.

4. Test t de Student apparié :

   $$t = \frac{\bar{D}}{s_D / \sqrt{n}}$$

   où $n$ est le nombre de paires.

5. Décision : comparer $t$ à la valeur critique de la loi $t$ de Student à $n-1$ degrés de liberté selon le niveau de signification choisi.

4. Exemple d’application

• 12 patients migraineux évalués avant (Temps 1) et après (Temps 2) prise en charge.
• Question : la qualité de vie a-t-elle changé ?
• On calcule les différences de score pour chaque patient, puis on applique le test t apparié.

À retenir : Le test de comparaison de moyennes pour échantillons appariés analyse les différences au sein des paires, ce qui contrôle la variabilité inter-individuelle et augmente la puissance du test.