Test d'équivalence à deux échantillons
Un test d'équivalence à deux échantillons évalue si deux groupes ou procédé indépendants donnent des résultats suffisamment proches pour être considérés comme pratiquement identiques. Plutôt que de rechercher une différence statistiquement significative, il vise à démontrer que toute différence entre les deux moyennes de groupes est inférieure à une limite d'équivalence fixée à l'avance, prouvant ainsi que les deux groupes sont interchangeables à toutes fins pratiques.
Dernière révision
Point clé
Un test d'équivalence à deux échantillons évalue si deux groupes ou procédé indépendants donnent des résultats suffisamment proches pour être considérés comme pratiquement identiques.
Sur cette page
- Qu'est-ce que le test d'équivalence à deux échantillons ?
- Quand utiliser le test d'équivalence à deux échantillons ?
- Recommandations pour bien utiliser le test d'équivalence à deux échantillons
- Alternatives : quand ne pas utiliser le test d'équivalence à deux échantillons
- Exemple de test d'équivalence à deux échantillons
- Comment réaliser un test d'équivalence apparié
Qu'est-ce que le test d'équivalence à deux échantillons ?
Un test d'équivalence à deux échantillons évalue si deux groupes ou procédé indépendants donnent des résultats suffisamment proches pour être considérés comme pratiquement identiques. Plutôt que de rechercher une différence statistiquement significative, il vise à démontrer que toute différence entre les deux moyennes de groupes est inférieure à une limite d'équivalence fixée à l'avance, prouvant ainsi que les deux groupes sont interchangeables à toutes fins pratiques.
Ce test est largement utilisé dans les études pharmaceutiques (bioéquivalence), la validation de procédé de fabrication et les transitions de systèmes qualité où l'objectif principal est de prouver qu'une nouvelle méthode correspond à la référence établie
Définition simple : un test qui prouve que deux groupes indépendants sont assez semblables pour être traités comme équivalents, en confirmant que toute différence entre eux est trop petite pour compter en pratique.
Quand utiliser le test d'équivalence à deux échantillons ?
- À utiliser pour comparer deux groupes indépendants lorsque l'objectif est de démontrer l'équivalence plutôt que de détecter une différence.
- À utiliser pour valider un nouveau procédé, fournisseur, matériau ou méthode par rapport à une référence établie.
- À utiliser lorsque des dossiers réglementaires ou des audits qualité exigent une preuve statistique formelle que deux procédés indépendants donnent des résultats équivalents.
- À utiliser lorsque les deux groupes n'ont ni appariement ni correspondance entre les observations individuelles : chaque groupe est mesuré indépendamment.
Recommandations pour bien utiliser le test d'équivalence à deux échantillons
- Définissez l' intervalle d'équivalence à l'avance à partir de la connaissance du domaine ou des exigences réglementaires : il doit représenter la plus grande différence encore acceptable en pratique.
- Assurez-vous que les deux groupes sont réellement indépendants : aucune observation d'un groupe ne doit être liée à une observation de l'autre.
- Les deux groupes doivent avoir des données approximativement normales, ou les effectifs d'échantillon doivent être assez grands pour que le théorème central limite s'applique.
- Utilisez des effectifs d'échantillon adéquats dans les deux groupes : les tests d'équivalence exigent des échantillons plus grands que les tests standard pour atteindre une puissance statistique fiable.
- L'équivalence n'est confirmée que lorsque l'intervalle de confiance de la différence tout entier se situe dans les limites d'équivalence : un chevauchement partiel ne suffit pas.
Alternatives : quand ne pas utiliser le test d'équivalence à deux échantillons
- Si les deux groupes sont appariés ou jumelés, utilisez le test d'équivalence apparié
- Si l'objectif est de détecter une différence plutôt que de confirmer une similitude, utilisez le test t à deux échantillons
- Si aucun intervalle d'équivalence significatif ne peut être précisé, ce test ne peut pas être exécuté correctement : une limite définie est obligatoire.
Exemple de test d'équivalence à deux échantillons
Un ingénieur en science alimentaire veut déterminer si une nouvelle formulation moins chère de nourriture pour chats a la même teneur en protéines que le produit d'origine. Pour cela, il prélève des échantillons de 100 grammes des deux formulations et mesure leur teneur en protéines. Comme l'objectif est de s'assurer que les deux formulations sont équivalentes en teneur en protéines dans une marge de ±0.5 gramme, il réalise un test d'équivalence à 2 échantillons. Les variances de la teneur en protéines des deux formulations sont inconnues et peuvent être différentes. Le test se déroule selon les étapes suivantes :
- Rassemblez les données nécessaires.

- Analysez ensuite les données dans Zometric Statistical Software à l'adresse https://statsai.zometric.com/.
- Pour accéder au test d'équivalence à deux échantillons, choisissez Statistical module> Hypothesis Test> Two Sample Equivalence test.
- Dans l'outil, saisissez les données ainsi que les autres paramètres comme suit :

5. Une fois l'outil utilisé, vous obtenez les résultats suivants :


Comment réaliser un test d'équivalence apparié
La marche à suivre est la suivante :
- Connectez-vous à Zometric Statistical Software à l'adresse https://statsai.zometric.com/
- Sur la page d'accueil, choisissez Statistical Tool> Hypothesis Test >Two Sample Equivalence test .
- Ensuite, saisissez les données manuellement ou copiez-les (Ctrl+C) depuis une feuille Excel et collez-les (Ctrl+V) ici.
- Renseignez les options requises.
- Enfin, cliquez sur calculate en bas de la page pour obtenir les résultats.
Le tableau de bord du test d'équivalence à deux échantillons est divisé en deux parties.

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 des données Excel.
Dans la partie droite, vous trouvez de nombreuses options, présentées ci-dessous :
- Test Samples : sélectionnez la colonne contenant les mesures du groupe nouveau ou alternatif évalué, par exemple les relevés d'un fournisseur low-cost, d'une nouvelle formulation ou d'un procédé modifié. C'est le groupe dont vous voulez prouver l'équivalence avec la référence établie. Ce champ est obligatoire.
- Reference Samples : sélectionnez la colonne contenant les mesures du groupe établi ou standard auquel l'échantillon test est comparé, par exemple les données du fournisseur d'origine, de la formulation actuelle ou du procédé existant. Contrairement au test d'équivalence apparié, les observations de cette colonne n'ont pas besoin de correspondre individuellement aux observations de la colonne Test Samples : les deux groupes sont totalement indépendants l'un de l'autre. Ce champ est obligatoire.
- Alpha : définit le seuil de signification du test d'équivalence. La valeur standard par défaut est 0.05, ce qui signifie qu'il y a 5% de risque de conclure à tort à l'équivalence alors que les deux groupes ne sont pas réellement équivalents. Un alpha plus petit (par exemple 0.01) exige des preuves plus solides avant de conclure à l'équivalence et s'utilise dans les applications à enjeux plus élevés ou réglementaires. Alpha doit être défini avant le début de la collecte des données.
- Hypothesized (Test Mean − Reference Mean) : la différence supposée entre la moyenne du groupe test et celle du groupe de référence, qui est testée. Dans la plupart des études d'équivalence, elle est fixée à 0, ce qui signifie que vous supposez que les deux groupes doivent produire le même résultat moyen. S'il existe un décalage systématique connu ou acceptable entre les deux groupes, cette valeur peut être saisie à la place.
- Alternative Hypothesis : définit ce que le test cherche à prouver :
- Lower Limit < Test Mean − Reference Mean < Upper Limit — confirme que la vraie différence moyenne entre les deux groupes se situe entièrement dans les limites d'équivalence prédéfinies. L'équivalence n'est conclue que lorsque l'intervalle de confiance de la différence est entièrement contenu dans les deux limites à la fois : un chevauchement partiel ne suffit pas.
- Lower Limit : la différence minimale acceptable entre le groupe test et le groupe de référence. Elle définit la borne inférieure de l'intervalle d'équivalence : si la différence moyenne passe sous cette valeur, le groupe test est jugé inacceptablement plus bas que la référence. Cette limite doit être déterminée à partir d'exigences scientifiques, réglementaires ou pratiques avant l'analyse, et non déduite des données testées.
- Upper Limit : la différence maximale acceptable entre le groupe test et le groupe de référence. Elle définit la borne supérieure de l'intervalle d'équivalence : si la différence moyenne dépasse cette valeur, le groupe test produit des résultats inacceptablement plus élevés que la référence. Avec Lower Limit, elle forme la fenêtre d'équivalence complète dans laquelle la différence observée doit se situer pour déclarer les deux groupes équivalents.
- Assume Equal Variance : lorsque la case est cochée, le test suppose que les deux groupes ont la même variance de population sous-jacente et utilise un écart-type groupé dans le calcul, ce qui donne un test légèrement plus puissant lorsque cette hypothèse est vérifiée. Lorsqu'elle n'est pas cochée, des estimations de variance distinctes sont utilisées pour chaque groupe (approche de Welch), plus fiable lorsque les deux groupes ont des dispersions nettement différentes. En cas de doute, laissez-la décochée : c'est le choix le plus prudent et le plus sûr.
- Box Plot of Difference : lorsque cette option est activée, affiche une boîte à moustaches (box plot) résumant la distribution des valeurs dans les deux groupes et la différence entre eux. Elle permet une comparaison visuelle rapide du centre, de la dispersion et de la forme de chaque groupe, et aide à évaluer si une différence visible est significative en pratique ou reste dans des limites acceptables.
- Histogram of Difference : lorsque cette option est activée, affiche un histogramme de la différence entre les distributions des deux groupes. Il aide à vérifier si les données respectent l'hypothèse de normalité et révèle si les différences sont distribuées symétriquement ou présentent des schémas inhabituels susceptibles d'affecter la fiabilité des résultats du test.
- Equivalence Plot : lorsque cette option est activée, affiche le graphique principal des résultats du test d'équivalence : l'intervalle de confiance de la différence de moyennes tracé par rapport aux limites d'équivalence inférieure et supérieure. Si l'intervalle de confiance tout entier se situe dans les deux limites, l'équivalence est confirmée. C'est le résultat le plus important à examiner, et il doit toujours être évalué avec la valeur p.
- Individual Value Plot : lorsque cette option est activée, affiche chaque point de données individuel des deux groupes côte à côte. Cela donne une vue complète de la dispersion et de la distribution de chaque groupe, et permet de repérer facilement des valeurs aberrantes, de l'asymétrie ou des différences de variabilité qu'un graphique récapitulatif seul pourrait ne pas révéler.
Questions fréquentes
Qu'est-ce qu'un test d'équivalence à deux échantillons ?
Un test d'équivalence à deux échantillons évalue si deux groupes ou procédé indépendants donnent des résultats suffisamment proches pour être considérés comme pratiquement identiques. Plutôt que de rechercher une différence significative, il vise à montrer que la différence entre les deux moyennes est inférieure à une limite d'équivalence fixée à l'avance.
Quand utiliser un test d'équivalence plutôt qu'un test t à deux échantillons ?
Utilisez un test d'équivalence lorsque l'objectif est de démontrer une similitude, par exemple pour valider un nouveau procédé, fournisseur, matériau ou méthode par rapport à une référence établie, ou pour des dossiers réglementaires. Utilisez un test t à deux échantillons lorsque l'objectif est de détecter une différence. Pour des données appariées ou jumelées, utilisez le test d'équivalence apparié.
Comment conclut-on à l'équivalence ?
L'équivalence n'est confirmée que lorsque l'intervalle de confiance de la différence de moyennes tout entier se situe entre les limites d'équivalence inférieure et supérieure. Un chevauchement partiel ne suffit pas. Le graphique d'équivalence montre cet intervalle par rapport aux limites et doit être examiné avec la valeur p.
Quelles sont les hypothèses d'un test d'équivalence à deux échantillons ?
Les deux groupes doivent être réellement indépendants, sans appariement entre les observations. Les données doivent être approximativement normales, ou les échantillons assez grands pour que le théorème central limite s'applique. L'intervalle d'équivalence doit être défini à l'avance à partir de la connaissance du domaine ou des exigences réglementaires, et les tests d'équivalence exigent des échantillons plus grands que les tests standard.
