Un test de Student peut être utilisé pour évaluer si un seul groupe diffère d'une valeur connue (test t à un échantillon), si deux groupes diffèrent l'un de l'autre (test t à deux échantillons indépendants), ou s'il existe une différence significative dans des mesures appariées (test de Student apparié ou à ...
Le test-t de Student est un test statistique permettant de comparer les moyennes de deux groupes d'échantillons. Il s'agit donc de savoir si les moyennes des deux groupes sont significativement différentes au point de vue statistique.
Le test t est un test d'hypothèse statistique utilisé pour comparer les moyennes de deux groupes de population. L'ANOVA est une technique d'observation utilisée pour comparer les moyennes de plus de deux groupes de population. Les tests t sont utilisés à des fins de test d'hypothèses pures.
Or selon la théorie il faut faire un test de Fisher lorsque la présence de racine unitaire n'est pas rejetée (p. value > 5%). Dans le cas contraire, le test convenable est en principe celui de student pour tester uniquement la significativité de la tendance ou de la constante.
Il s'agit du test de Kruskal-Wallis, mesure de l'association entre deux variables qualitatives.
Il s'agit d'une variable numérique. Les tests que vous pouvez utiliser sont alors le test de Student ou le test de Wilcoxon-Mann-Whitney, selon si les groupes suivent une distribution normale (en forme de cloche).
La corrélation de Spearman est l'équivalent non-paramétrique de la corrélation de Pearson. Elle mesure le lien entre deux variables. Si les variables sont ordinales, discrètes ou qu'elles ne suivent pas une loi normale, on utilise la corrélation de Spearman.
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.
Les méthodes non paramétriques sont utiles lorsque l'hypothèse de normalité ne tient pas et que l'effectif d'échantillon est faible. Cela dit, dans les tests non paramétriques, vos données reposent également sur des hypothèses.
Le test exact de Fisher calcule la probabilité d'obtenir les données observées (en utilisant une distribution hypergéométrique) ainsi que les probabilités d'obtenir tous les jeux de données encore plus extrêmes sous l'hypothèse nulle. Ces probabilités sont utilisées pour calculer la p-value.
L'analyse de la variance (ANOVA) peut déterminer si les moyennes de trois groupes ou plus sont différentes. ANOVA utilise des tests F pour tester statistiquement l'égalité des moyennes.
Notez que MANOVA est approprié dans des situations expérimentales, où nous avons plusieurs variables-réponses (variables-dépendantes) qui mesurent tous différents aspects d'un thème cohésif. Par exemple, plusieurs notes d'examen pour avoir une mesure du niveau global de rendement scolaire.
Le principe de l'ANOVA repose sur la dispersion des données (c'est à dire l'écartement des données autour de la moyenne). L'idée derrière l'Analyse de la variance à un facteur est de dire que la dispersion des données a deux origines : d'une part, l'effet du facteur étudié.
S'il génère une valeur p inférieure ou égale au niveau de signification, un résultat est alors défini comme statistiquement significatif et ne sera donc pas considéré comme un événement fortuit. Cela est généralement écrit sous la forme suivante : p≤0,05.
2. Le test de Mann-Whitney. le test de Mann-Whitney est l'alternative non paramétrique de t de Student pour deux échantillons indépendants. Lorsque la distribution des valeurs ne suit pas une loi normale, donc dissymétrique, le test t de student ne s'applique pas; il faut utiliser plutôt le test de Mann-Whitney.
Le test t nous donne un résultat important : il nous informe si la différence observée entre les deux mesures est statistiquement significative, donc si elle n'est pas simplement due au hasard. Toutefois, cette différence significative en termes statistiques peut être insignifiante en termes cliniques.
Les tests non-paramétriques ne se basent pas sur des distributions statistiques. Ils peuvent donc être utilisés même si les conditions de validité des tests paramétriques ne sont pas vérifiées. Les tests paramétriques ont souvent des tests non-paramétriques équivalents.
La procédure Test U de Mann-Whitney utilise le rang de chaque observation pour tester si les groupes sont issus de la même population. Les tests de Mann-Whitney servent à vérifier que deux échantillons d'une population ont une position équivalente.
En statistiques, le test de Kolmogorov-Smirnov est un test d'hypothèse utilisé pour déterminer si un échantillon suit bien une loi donnée connue par sa fonction de répartition continue, ou bien si deux échantillons suivent la même loi.
Disponible sous différentes formes en fonction de la formule de calcul utilisée, ce test, également connu sous le nom de test-t, vous permet de déterminer si une différence entre deux nombres est vraiment significative d'un point de vue statistique.
La statistique qui convient pour le test est donc une variable aléatoire dont la valeur observée sera utilisée pour décider du « rejet » ou du « non-rejet » de H0. La distribution d'échantillonnage de cette statistique sera déterminée en supposant que l'hypothèse H0 est vraie.
La corrélation mesure l'intensité de la liaison entre des variables, tandis que la régression analyse la relation d'une variable par rapport à une ou plusieurs autres.
TEST DE CHI AU CARRÉ
Il détermine s'il existe une association entre des variables qualitatives. Si la valeur P associée à la statistique de contraste est plus petite on rejettera l'hypothèse nulle. Elle permet d'évaluer l'effet du hasard.
Le coefficient de corrélation linéaire, ou de Bravais-Pearson, permet de mesurer à la fois la force et le sens d'une association. Variant de -1 à +1, il vaut 0 lorsqu'il n'existe pas d'association. Plus ce coefficient est proche de -1 ou +1, plus l'association entre les deux variables est forte, jusqu'à être parfaite.