Un test t répond à une question : la différence observée — entre un échantillon et une valeur cible, entre deux groupes ou entre des mesures appariées avant/après — est-elle supérieure à la variation due à l’échantillonnage aléatoire ? Cette calculatrice exécute les trois variantes courantes à partir de statistiques récapitulatives (moyennes, écarts-types et tailles d’échantillon), sans données brutes ni logiciel statistique.
Quel test t choisir ?
Utilisez le test à un échantillon pour comparer la moyenne d’un groupe à une valeur connue ou hypothétique (une spécification, une moyenne historique ou une moyenne de population annoncée). Utilisez le test à deux échantillons si vous avez deux groupes distincts et indépendants et souhaitez comparer leurs moyennes. Cette calculatrice applique la méthode de Welch, qui ne suppose pas des variances égales et constitue le choix par défaut le plus prudent en pratique. Utilisez le test apparié lorsque les mêmes sujets sont mesurés deux fois (avant/après, gauche/droite, pré/post) : l’appariement élimine la variabilité entre sujets et rend le test plus sensible à un effet réel.
Lire la statistique t, les degrés de liberté et la valeur p
La statistique t indique combien d’erreurs-types séparent la différence observée de zéro (ou de µ₀ pour le test à un échantillon). Plus sa valeur absolue est grande, moins les données sont compatibles avec l’hypothèse nulle d’absence de différence. Les degrés de liberté (df) reflètent la quantité d’informations indépendantes utilisée pour estimer la variabilité : pour les tests à un échantillon et appariés, df = n − 1 ; le test de Welch à deux échantillons utilise la formule de Welch–Satterthwaite, qui fournit généralement un df non entier compris entre les tailles des groupes. La valeur p convertit (t, df) en probabilité : c’est la chance d’observer une statistique t aussi extrême ou davantage si l’hypothèse nulle était vraie. Comparez-la au seuil de significativité α (généralement 0.05) : p < α signifie que l’hypothèse nulle est rejetée ; si p ≥ α, les éléments disponibles ne suffisent pas à la rejeter.
Test unilatéral ou bilatéral : comprendre les hypothèses
Le test bilatéral est le choix standard et prudent : il vérifie si la différence est significativement différente de zéro dans l’un ou l’autre sens. Un test unilatéral n’est pertinent que si vous avez fixé un sens précis avant de collecter les données ; pour une même statistique t, il divise la valeur p par deux, ce qui facilite la détection d’un résultat significatif et peut inciter à en faire un mauvais usage après coup. Toutes les variantes supposent que les données sous-jacentes suivent une distribution approximativement normale (ou que l’échantillon soit assez grand pour que le théorème central limite s’applique) et que les observations de chaque groupe soient indépendantes. Avec de petits échantillons fortement asymétriques, interprétez avec prudence une valeur p proche du seuil et envisagez une méthode non paramétrique.