Interprétation des résultats principaux pour la fonction Test de randomisation pour un test de moyenne à 2 échantillons

Suivez les étapes ci-dessous pour interpréter un test de randomisation pour des moyennes à 2 échantillons. Le résultat principal comprend l'histogramme et la valeur de p.

Etape 1 : examinez la forme de votre distribution bootstrap

Utilisez l'histogramme pour examiner la forme de votre distribution bootstrap. La distribution bootstrap correspond à la distribution de la statistique choisie à partir de chaque rééchantillonnage. La distribution bootstrap doit sembler normale. Si la distribution bootstrap n'est pas normale, vous ne pouvez pas vous fier aux résultats bootstrap.
50 rééchantillonnages
1 000 rééchantillonnages

La loi de distribution est généralement plus facile à déterminer avec davantage de rééchantillonnages. Par exemple, dans ces données, la loi de distribution est ambiguë pour 50 rééchantillonnages. Avec 1 000 rééchantillonnages, la forme est approximativement normale.

Sur cet histogramme, la distribution bootstrap semble normale.

Etape 2 : Déterminer si les résultats du test sont statistiquement significatifs

Pour déterminer si la différence entre les moyennes de population est statistiquement significative, comparez la valeur de p au seuil de signification. En général, un seuil de signification (noté alpha ou α) de 0,05 fonctionne bien. Un seuil de signification de 0,05 indique un risque de 5 % de conclure à tort qu'une différence existe.
Valeur de p ≤ α : la différence entre les moyennes est statistiquement significative (Rejeter H0)
Si la valeur de p est inférieure ou égale au seuil de signification, vous rejetez l'hypothèse nulle. Vous pouvez conclure que la différence entre les moyennes de population est statistiquement significative. Pour calculer un intervalle de confiance et déterminer si cette différence est significative d'un point de vue pratique, utilisez la fonction Bootstrap pour un test de moyenne à 2 échantillons. Pour plus d'informations, reportez-vous à la rubrique Signification statistique et pratique.
Valeur de p > α : la différence entre les moyennes n'est pas statistiquement significative (Impossible de rejeter H0)
Si la valeur de p est supérieure au seuil de signification, vous ne pouvez pas rejeter l'hypothèse nulle. Vous n'êtes pas en mesure de conclure que la différence entre les moyennes de population est statistiquement significative.

Test de randomisation pour la différence entre les moyennes : Evaluation en fonction de Hôpital

Histogramme du test de randomisation pour Evaluation en fonction de Hôpital

Méthode μ₁ : moyenne de Evaluation lorsque Hôpital = A µ₂ : moyenne de Evaluation lorsque Hôpital = B Différence : μ₁ - µ₂
Echantillons observés Hôpital N Moyenne EcTyp Variance Minimum Médiane Maximum A 20 80,30 8,18 66,96 62,00 79,00 98,00 B 20 59,30 12,43 154,54 35,00 58,50 89,00
Différence entre les moyennes observées Moyenne de A - Moyenne de B = 21,000
Test de randomisation Hypothèse nulle H₀ : μ₁ - µ₂ = 0 Hypothèse alternative H₁ : μ₁ - µ₂ ≠ 0 Nombre de rééchantillonnages Moyenne EcTyp Valeur de P 1000 -0,185 4,728 < 0,002
Résultats principaux : valeur de p

Dans ces résultats, l'hypothèse nulle veut que la différence de taux moyen entre deux hôpitaux soit de 0. Etant donné que la valeur de p est inférieure à 0,002, ce qui est inférieur au seuil de signification de 0,05, vous pouvez rejeter l'hypothèse nulle et conclure que les taux des hôpitaux sont différents.

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