Test t apparié

Le test t apparié, aussi appelé test t pour échantillons dépendants, sert à évaluer s'il existe une différence significative entre les moyennes de deux groupes liés. Ce test s'applique lorsque chaque sujet ou unité est mesuré deux fois, dans des conditions différentes ou à des moments différents, ce qui crée des paires d'observations.

Dernière révision

Point clé

Le test t apparié, aussi appelé test t pour échantillons dépendants, sert à évaluer s'il existe une différence significative entre les moyennes de deux groupes liés.

Sur cette page
  1. Qu'est-ce que le test t apparié ?
  2. Quand utiliser le test t apparié ?
  3. Recommandations pour bien utiliser le test t apparié
  4. Alternatives : quand ne pas utiliser le test t apparié
  5. Exemple de test t apparié
    1. Exemple 1
  6. Comment réaliser un test t apparié

Qu'est-ce que le test t apparié ?

Le test t apparié, aussi appelé test t pour échantillons dépendants, sert à évaluer s'il existe une différence significative entre les moyennes de deux groupes liés. Ce test s'applique lorsque chaque sujet ou unité est mesuré deux fois, dans des conditions différentes ou à des moments différents, ce qui crée des paires d'observations. Le test t apparié évalue si la différence moyenne entre ces observations appariées est significativement différente de zéro. L'hypothèse nulle suppose que la différence moyenne est nulle, tandis que l'hypothèse alternative pose qu'elle ne l'est pas.

Le test t apparié est particulièrement utile pour les études avant/après ou toute situation où deux mesures sont prises sur les mêmes sujets, ce qui permet aux chercheurs de déterminer si les changements observés sont statistiquement significatifs.

Quand utiliser le test t apparié ?

Un test t apparié s'utilise lorsque les deux échantillons comparés sont liés ou appariés, comme dans une étude avant/après, où les mêmes individus sont mesurés deux fois, ou dans une étude par paires appariées, où les individus sont appariés selon des caractéristiques importantes puis affectés à des traitements différents.

  • Distribution normale: les différences entre observations appariées doivent suivre approximativement une distribution normale.
  • Échantillonnage aléatoire: les paires doivent être choisies au hasard.
  • Indépendance: chaque paire doit être indépendante des autres paires, et les différences au sein des paires doivent être indépendantes les unes des autres.

Voici quelques situations précises où un test t apparié peut convenir :

  • Études avant/après : lorsque vous voulez tester si une intervention ou un traitement a eu un effet significatif sur un individu ou un groupe, un test t apparié peut servir à comparer les scores moyens du même groupe avant et après l'intervention.
  • Études par paires appariées : dans les études où les individus sont appariés selon des caractéristiques similaires, comme l'âge, le sexe ou l'état de santé, puis affectés à des traitements différents, un test t apparié peut servir à comparer les moyennes des deux groupes.
  • Études à mesures répétées : lorsqu'une étude consiste à mesurer plusieurs fois la même variable sur le même individu ou groupe, un test t apparié peut servir à comparer les moyennes des mesures à différents moments.

Recommandations pour bien utiliser le test t apparié

  • Les données continues peuvent prendre un nombre infini de valeurs entre deux points quelconques.
  • Les effectifs d'échantillon doivent être supérieurs à 20.
    Si l'effectif de l'échantillon est supérieur à 20 et que la distribution est unimodale et continue, le test reste valide même avec une asymétrie modérée.
    Pour des effectifs d'échantillon inférieurs à 20, représentez les données graphiquement pour vérifier l'asymétrie et les observations inhabituelles. Soyez prudent si les données sont fortement asymétriques ou contiennent de nombreuses valeurs aberrantes.
  • Assurez-vous d'avoir des observations appariées (dépendantes), comme des mesures répétées sur un même article dans des conditions différentes.
  • Pour des observations indépendantes entre deux échantillons, utilisez plutôt le test t à deux échantillons.
  • Collectez les données au hasard afin de pouvoir généraliser à la population.
  • Déterminez un effectif d'échantillon approprié qui offre assez de précision et de protection contre les erreurs.

Alternatives : quand ne pas utiliser le test t apparié

Exemple de test t apparié

Exemple 1

Un physiologiste veut déterminer si un programme de course à pied a un effet sur la fréquence cardiaque au repos. La fréquence cardiaque de 20 personnes sélectionnées au hasard a été mesurée. Après un an de programme de course, la fréquence cardiaque des mêmes individus a de nouveau été mesurée. Cela a donné une paire d'observations (avant et après) pour chaque personne. Un test t apparié a ensuite été réalisé pour évaluer s'il existe une différence statistiquement significative des fréquences cardiaques avant et après le programme de course. Le test a été réalisé selon les étapes suivantes :

  1. Rassemblement des données nécessaires.
Paired t test — figure 1
  1. Analysez ensuite les données dans Zometric Statistical Software à l'adresse https://statsai.zometric.com/.
  2.  Pour trouver Paired t-test, choisissez Statistical module> Graphical analysis> Paired t-test.
  3.  Dans l'outil, il saisit les données ainsi que les autres entrées comme suit :
Paired t test — figure 2

5. Après avoir utilisé l'outil mentionné ci-dessus, il obtient les résultats suivants :

Paired t test — figure 3Paired t test — figure 4

Comment réaliser un test t apparié

La marche à suivre est la suivante :

  1. Connectez-vous à Zometric Statistical Software à l'adresse https://statsai.zometric.com/
  2. Sur la page d'accueil, choisissez Statistical Tool> Graphical analysis > Paired t test
  3. Cliquez sur Paired t test pour accéder au tableau de bord.
  4. Ensuite, mettez à jour les données manuellement, ou copiez-les (Ctrl+C) depuis une feuille Excel et collez-les (Ctrl+V) ici.
  5. Ensuite, vous devez saisir les valeurs du niveau de confiance et de la différence hypothétique.
  6. Enfin, cliquez sur calculate en bas de la page pour obtenir les résultats.

Sur le tableau de bord de Paired t test, la fenêtre est divisée en deux parties.

Paired t test — figure 5

Dans la partie gauche se trouve le Data Pane (volet de données). Dans le Data Pane, chaque ligne constitue un sous-groupe. Les données peuvent être saisies manuellement ou copiées (Ctrl+C) depuis une feuille Excel puis collées (Ctrl+V) ici.

Load example : des données d'exemple sont chargées.

Load File : permet de charger directement les données Excel.

Dans la partie droite, de nombreuses options sont proposées :

  • Confidence level: dans un test d'hypothèse, le niveau de confiance représente le degré de certitude ou de confiance que nous accordons à notre analyse statistique. C'est une valeur de probabilité qui indique la vraisemblance que le véritable paramètre de la population se trouve dans la plage de valeurs spécifiée. Le niveau de confiance est généralement exprimé en pourcentage et noté (1 - α), où α est le seuil de signification, ou probabilité de rejeter une hypothèse nulle vraie. Par exemple, avec un niveau de confiance de 95%, nous disons que nous sommes sûrs à 95% que le véritable paramètre de la population se situe dans notre intervalle d'estimation, et qu'il y a 5% de risque de commettre une erreur de type I (rejeter une hypothèse nulle vraie). En pratique, un niveau de confiance plus élevé signifie que nous avons davantage confiance dans notre analyse statistique et nos résultats. Cependant, augmenter le niveau de confiance élargit aussi l'intervalle de confiance, ce qui rend plus difficile la détection de petits effets. Le choix du niveau de confiance dépend donc du contexte de l'étude et des objectifs du chercheur.
  • Hypothesized difference : la différence hypothétique désigne la différence entre les paramètres de la population sous l'hypothèse nulle et sous l'hypothèse alternative. Par exemple, si nous voulons tester si le score moyen à un test diffère significativement entre deux groupes (p. ex. hommes et femmes), la différence hypothétique serait la différence entre le score moyen des hommes et le score moyen des femmes.
  • Alternative hypothesis : dans un test d'hypothèse, l'hypothèse alternative (aussi appelée hypothèse de recherche) est un énoncé qui représente une conclusion différente de celle de l'hypothèse nulle. L'hypothèse nulle représente typiquement le statu quo ou l'hypothèse selon laquelle il n'existe pas de différence ou de relation significative entre deux groupes ou variables, ou davantage. L'hypothèse alternative est l'énoncé testé, et elle propose qu'il existe une différence ou une relation significative entre les groupes ou variables étudiés.
  • Histogram of difference: l'histogramme des différences est une représentation graphique de la distribution des différences entre deux séries de données. Dans le contexte d'un test d'hypothèse, il peut servir à évaluer visuellement la différence entre les moyennes de deux groupes. Le procédé consiste généralement à recueillir des données auprès de deux groupes, à calculer la moyenne et la variance de chaque groupe, puis à calculer la différence entre les moyennes. Cette différence est souvent appelée « taille d'effet ».
  • Individual value plot of difference: un graphique des valeurs individuelles des différences est une représentation graphique des différences entre deux groupes dans un test d'hypothèse. Dans un test d'hypothèse, les chercheurs veulent déterminer s'il existe une différence statistiquement significative entre deux groupes, comme un groupe traité et un groupe témoin. Un graphique des valeurs individuelles peut servir à afficher les différences entre les deux groupes sur un seul graphique. Le graphique montre généralement les points de données individuels de chaque groupe, ainsi que la moyenne et l'écart-type de chaque groupe.
  • Box Plot of difference : dans le contexte d'un test d'hypothèse, une boîte à moustaches (box plot) des différences peut servir à afficher la distribution des différences entre les deux groupes comparés. Par exemple, si nous comparons les valeurs moyennes de deux groupes, nous pouvons calculer la différence entre les moyennes puis créer une boîte à moustaches des différences.
  • Histogram of difference : cochez cette option pour obtenir le graphique en histogramme, sinon il n'est pas affiché.
  • Label  : cette option gère les étiquettes de données et comporte trois choix :
    • Outlier: valeurs de données éloignées des autres valeurs, qui peuvent fortement affecter vos résultats.
    • All quartiles: les quartiles sont des valeurs qui divisent un échantillon de données en quatre parties égales. Permet d'évaluer rapidement la dispersion et la tendance centrale d'un jeu de données.
    • Mean: la moyenne dans une boîte à moustaches fournit une information supplémentaire sur la tendance centrale des données.
    • Individual Data : un point de données individuel est une observation ou valeur unique dans un jeu de données.
  • Download as Excel: affiche le résultat au format Excel ; il peut être facilement modifié puis rechargé pour de nouveaux calculs avec l'option Load File.

Questions fréquentes

Qu'est-ce qu'un test t apparié ?

Un test t apparié, aussi appelé test t pour échantillons dépendants, évalue s'il existe une différence significative entre les moyennes de deux groupes liés. Il s'utilise lorsque chaque sujet ou unité est mesuré deux fois, dans des conditions différentes ou à des moments différents, et teste si la différence moyenne entre les observations appariées est significativement différente de zéro.

Quand utiliser un test t apparié plutôt qu'un test t à deux échantillons ?

Utilisez un test t apparié lorsque les deux échantillons sont liés, comme dans les études avant/après sur les mêmes individus, les études par paires appariées ou les mesures répétées d'un même article dans des conditions différentes. Si les deux séries d'observations sont indépendantes, utilisez plutôt le test t à deux échantillons.

Quelles sont les hypothèses d'un test t apparié ?

Les différences entre observations appariées doivent suivre approximativement une distribution normale, les paires doivent être choisies au hasard et chaque paire doit être indépendante des autres. Les données doivent être continues. Avec plus de 20 paires et une distribution unimodale et continue, le test reste valide avec une asymétrie modérée.

De quel effectif d'échantillon un test t apparié a-t-il besoin ?

Les effectifs d'échantillon doivent être supérieurs à 20. Pour moins de 20 paires, représentez les données graphiquement pour vérifier l'asymétrie et les observations inhabituelles, et soyez prudent si les données sont fortement asymétriques ou contiennent de nombreuses valeurs aberrantes. Choisissez un effectif d'échantillon qui offre assez de précision et de protection contre les erreurs.