Interprétation des résultats principaux pour Test d'équivalence à 2 échantillon

Effectuez les étapes suivantes pour interpréter un test d'équivalence à 2 échantillons. Les résultats principaux incluent l'estimation de la différence (ou du rapport), l'intervalle de confiance, le diagramme d'équivalence et d'autres graphiques.

Etape 1 : Déterminer si la moyenne de test et la moyenne de référence sont équivalentes

Comparez l'intervalle de confiance aux limites d'équivalence. Si l'intervalle de confiance se trouve entièrement entre les limites d'équivalence, vous pouvez affirmer que la moyenne de la population de test est équivalente à la moyenne de la population de référence. Si une partie de l'intervalle de confiance se trouve en dehors des limites d'équivalence, vous ne pouvez pas affirmer qu'il existe une équivalence.

Différence : moyenne(Prix réduit) - moyenne(Original) IC 95% pour Intervalle Différence ErT équivalence d'équivalence -0,12122 0,20324 (-0,483449; 0,241005) (-0,5; 0,5) L'IC se situe dans l'intervalle d'équivalence. Déclaration d'équivalence possible.
Résultats principaux : IC à 95 %, intervalle d'équivalence

Dans ces résultats, l'intervalle de confiance à 95 % se trouve complètement dans l'intervalle d'équivalence défini par les limites d'équivalence inférieure (LEI) et supérieure (LES). Vous pouvez donc en conclure que la moyenne de test équivaut à la moyenne de référence.

Remarque

Vous pouvez également utiliser les valeurs de p pour évaluer les résultats du test d'équivalence. Pour démontrer l'équivalence, les valeurs de p des deux hypothèses nulles doivent être inférieures à alpha.

Etape 2 : Rechercher les problèmes dans les données

Certains problèmes avec les données, comme la présence d'une asymétrie ou de valeurs aberrantes, risquent de nuire à vos résultats. Utilisez les graphiques pour rechercher toute asymétrie (en examinant la dispersion des données) et pour détecter d'éventuelles valeurs aberrantes.

Déterminer si les données sont asymétriques

Lorsque les données sont asymétriques, la majorité d'entre elles sont situées en haut ou en bas du graphique. En général, l'asymétrie est plus facile à identifier avec un histogramme ou une boîte à moustaches.

Asymétrie à droite
Asymétrie à gauche

Par exemple, l'histogramme avec des données asymétriques à droite illustre des données salariales. De nombreux employés reçoivent un salaire relativement faible et de moins en moins d'employés reçoivent un salaire élevé. L'histogramme avec des données asymétriques à gauche représente des données de taux de défaillance. Quelques éléments rencontrent une défaillance tôt, tandis que pour un nombre croissant d'entre eux, la défaillance survient plus tard.

Les données très asymétriques peuvent avoir une incidence sur la validité des résultats de test si votre échantillon est petit (moins de 20 valeurs). Si vos données sont très asymétriques et que vous avez un petit échantillon, pensez éventuellement à augmenter l'effectif d'échantillon.

Identifiez les valeurs aberrantes

Les valeurs aberrantes, qui sont des points de données très éloignés de la majorité des autres données, peuvent avoir une incidence importante sur les résultats. Elles sont plus faciles à repérer sur une boîte à moustaches.

Sur une boîte à moustaches, les valeurs aberrantes sont indiquées par des astérisques (*).

Vous devez essayer de déterminer la cause de toutes les valeurs aberrantes. Corrigez les erreurs de mesure ou d’entrée des données. Supprimez les données associées à des causes spéciales et procédez à une nouvelle analyse. Pour plus d'informations sur les causes spéciales, reportez-vous à la rubrique Utilisation des cartes de contrôle pour détecter une variation due à des causes communes et une variation due à des causes spéciales.

Comparez la dispersion des données. (facultatif)

Par défaut, le test d'équivalence estime que les variances pour chaque groupe ne sont pas égales. Toutefois, si vous avez sélectionné l'option Supposer les variances égales pour le test, comparez les graphiques de chaque groupe pour vous assurer que la dispersion des données est similaire. Si la dispersion diffère considérablement, considérez que les variances ne sont pas égales lorsque vous réalisez le test.
Remarque

Pour rechercher officiellement des variances égales, utilisez le test de 2 variances.

Dans ces graphiques, les données ne sont pas asymétriques et il n'existe aucune valeur aberrante.

La dispersion des données ne semble pas être la même pour le groupe de test et le groupe de référence. Vous ne pouvez donc pas considérer que les variances sont égales pour le test.

En utilisant ce site, vous acceptez l'utilisation de cookies à des fins d'analyse et de personnalisation du contenu.  Lisez notre politique