Qu'est-ce qu'un test P?
Un test P est une méthode statistique qui teste la validité de l'hypothèse nulle qui énonce une affirmation communément acceptée au sujet d'une population. Bien que le terme null soit un peu trompeur, l'objectif est de tester un fait accepté en tentant de le réfuter ou de l'annuler. Le test P peut fournir des preuves qui peuvent rejeter ou ne pas rejeter (les statistiques parlent de «non concluantes») une allégation largement acceptée.
Points clés à retenir
- Un test P est une méthode statistique qui teste la validité de l'hypothèse nulle qui énonce une affirmation communément acceptée au sujet d'une population. Plus la valeur p est faible, plus la preuve que l'hypothèse nulle doit être rejetée et que l'hypothèse alternative pourrait La statistique du test P suit généralement une distribution normale standard lorsque de grands échantillons sont utilisés.
Comprendre le test P
Un test P calcule une valeur qui permet au chercheur de déterminer la crédibilité de la demande acceptée. La valeur p correspondante est comparée à un niveau statistiquement significatif (niveau de confiance), alpha (α), que le chercheur a choisi pour mesurer le caractère aléatoire des résultats. La statistique du test P suit généralement une distribution normale standard lorsque de grands échantillons sont utilisés.
Les chercheurs choisissent généralement des niveaux alpha de 5% ou moins, ce qui se traduit par des niveaux de confiance de 95% ou plus. En d'autres termes, une valeur de p inférieure à un niveau alpha de 5% signifie qu'il y a plus de 95% de chances que vos résultats ne soient pas aléatoires, améliorant ainsi la signification de vos résultats. Ce sont les preuves qui permettraient au chercheur de rejeter l'hypothèse nulle.
- Plus la valeur de p est faible (valeur de p <alpha), plus la preuve que l'hypothèse nulle doit être rejetée et que l'hypothèse alternative pourrait être plus crédible est forte. Plus la valeur de p (valeur de p> alpha) est élevée, plus plus faible la preuve par rapport à l'hypothèse nulle, ce qui signifie qu'elle ne peut pas être rejetée, ce qui rend le test non concluant.
Lorsqu'il effectue un test d'hypothèse pour valider une revendication, le chercheur postule deux hypothèses - nulle (H 0) et alternative (H 1). La formulation des hypothèses nulles et alternatives est la clé de l'utilité qu'un test P peut offrir au chercheur.
L'hypothèse nulle énonce une croyance ou une prémisse commune que le chercheur teste pour voir s'il peut la rejeter. Le point clé à saisir est que le chercheur veut toujours rejeter l'hypothèse nulle et le test P les aide à atteindre cet objectif. Un autre point à noter est que si le test P ne rejette pas l'hypothèse nulle, alors le test est considéré comme non concluant et n'est en aucun cas censé être une affirmation de l'hypothèse nulle.
L'hypothèse alternative est l'explication différente posée par le chercheur pour mieux expliquer le phénomène étudié. En tant que tel, il doit être la seule ou la meilleure explication alternative possible. De cette façon, si la valeur p valide un rejet de l'hypothèse nulle, l'hypothèse alternative peut être considérée comme crédible.
Test Z et test T
Un type de test statistique commun et simpliste est le test z, qui teste la signification statistique d'une moyenne d'échantillon par rapport à la moyenne hypothétique de la population, mais nécessite que l'écart-type de la population soit connu, ce qui n'est souvent pas possible. Le test t est un type de test plus réaliste dans la mesure où il ne nécessite que l'écart type de l'échantillon par opposition à l'écart type de la population.
Comprendre comment les statistiques peuvent influencer le développement de produits, en particulier en biotechnologie, peut être très utile pour guider les investisseurs à prendre des décisions d'investissement plus éclairées. Par exemple, une compréhension de base des résultats statistiques d'un essai clinique d'un médicament prometteur peut être inestimable pour évaluer les rendements potentiels d'un stock biotechnologique.
