11- Comparaison de deux moyennes

Summary

Cette vidéo explique comment comparer deux moyennes en utilisant le test t de Student, ses conditions de validité et les alternatives lorsque celles-ci ne sont pas remplies. Elle détaille l’importance de vérifier la normalité de la variable et l’égalité des variances entre les groupes, en illustrant le processus avec l’âge des détenus selon leur niveau d’évitement du danger. Le script aborde également l’usage du test de Wilcoxon comme alternative lorsque la normalité n’est pas respectée, en soulignant ses limites et différences par rapport au test t. L’accent est mis sur l’interprétation pratique des résultats statistiques dans R et la réflexion critique sur les conditions d’application des tests.

Takeaways

• 😀 Pour comparer deux moyennes, on utilise le test t de Student, nommé d'après le pseudonyme de William Sealy Gosset.
• 😀 Les conditions classiques pour utiliser le test t sont : au moins 30 sujets par groupe ou une variable suivant approximativement une loi normale.
• 😀 La limite de 30 sujets est pragmatique et non une règle mathématique stricte ; des effectifs plus petits peuvent parfois suffire.
• 😀 La variance des groupes comparés doit idéalement être égale ; sinon, l'approximation de Welch peut être utilisée.
• 😀 Il est recommandé d'examiner la distribution de la variable à l'aide d'histogrammes et éventuellement de qqplots pour évaluer la normalité.
• 😀 Les tests statistiques ne permettent pas de confirmer qu'une variable suit une loi normale, seulement de détecter des écarts à la normalité.
• 😀 Le test t fournit à la fois la p-value et les moyennes des groupes, facilitant l'interprétation des résultats.
• 😀 Si les conditions du test t ne sont pas respectées, le test de Wilcoxon (ou Mann-Whitney) peut être utilisé pour comparer les rangs plutôt que les moyennes.
• 😀 Le test de Wilcoxon est légèrement moins intuitif car il compare des rangs d'individus et peut limiter les analyses multivariées futures.
• 😀 La décision d'utiliser t-test ou Wilcoxon dépend de la normalité et des variances, mais pour des effectifs raisonnables, la différence de puissance entre les deux tests est minime.
• 😀 Les écarts-types peuvent être considérés problématiques si un groupe a un écart-type ≥ 1,5 fois celui de l'autre, ce qui peut influencer le choix du test.

Q & A

Qu'est-ce que le test t de Student et pourquoi porte-t-il ce nom ?

Le test t de Student est utilisé pour comparer deux moyennes. Il porte ce nom car 'Student' est un pseudonyme utilisé par M. Gaultier, un statisticien qui travaillait dans les usines Guinness et rédigeait des travaux statistiques dans ses temps libres.

Quelles sont les conditions classiques de validité du test t de Student ?

Classiquement, le test t de Student peut être utilisé lorsque chaque groupe à comparer compte au moins 30 sujets ou lorsque la variable étudiée suit une loi normale. Ces conditions sont pratiques mais pas rigides, car des exceptions existent.

Pourquoi la règle des 30 sujets par groupe n'est-elle pas absolue ?

La limite de 30 sujets par groupe est pragmatique et non inscrite dans les mathématiques. Par exemple, si la distribution des données est normale avec 20 sujets, le test peut toujours fonctionner, mais une distribution non normale avec 80 sujets rend le test peu fiable.

Quel est l'impact de la variance sur la validité du test t de Student ?

Le test t de Student suppose que les variances des groupes comparés soient égales. Si elles ne le sont pas, le test peut être invalide, sauf si l'on utilise le test de t avec approximation de Welch, bien que ce dernier soit rarement employé.

Comment savoir si les écart-types des groupes sont suffisamment similaires pour utiliser le test t de Student ?

Une différence d'écart-types supérieure à 1,5 fois l'écart-type de l'autre groupe peut poser problème. Si les variances sont très différentes, cela peut indiquer un problème sous-jacent qui mérite d'être exploré.

Pourquoi le test de normalité n'est-il pas fiable pour conclure qu'une variable suit une loi normale ?

Les tests de normalité ne permettent jamais de prouver qu'une variable suit une loi normale avec certitude. Ils servent à rejeter l'hypothèse de normalité, mais la plupart des variables ne suivent jamais parfaitement une loi normale, ce qui rend l'interprétation des résultats délicate.

Quelle est la différence entre un histogramme et un diagramme de normalité ?

Un histogramme donne une idée visuelle de la distribution des données, tandis qu'un diagramme de normalité (comme un QQ plot) permet de visualiser l'alignement des données par rapport à une distribution normale. Cependant, un histogramme est plus facilement interprétable.

Pourquoi est-il important de calculer l'écart-type avant d'effectuer un test t de Student ?

Le test t de Student nécessite que les variances des groupes soient égales. Le calcul de l'écart-type permet de vérifier cette condition et d'évaluer si les différences de variances peuvent affecter les résultats du test.

Que se passe-t-il si le test t de Student n'est pas valide pour une étude ?

Si le test t de Student n'est pas valide en raison de conditions non remplies (par exemple, distribution non normale ou tailles d'échantillon insuffisantes), un test alternatif comme le test de Mann-Whitney ou de Wilcoxon peut être utilisé.

Pourquoi certains préfèrent-ils utiliser le test t de Student plutôt que le test de Wilcoxon ?

Le test t de Student est plus puissant que le test de Wilcoxon, ce qui signifie qu'il détecte mieux les différences entre les moyennes. Cependant, le test de Wilcoxon est plus robuste et peut être utilisé même lorsque les données ne suivent pas une loi normale, mais il est souvent moins intuitif à interpréter.