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.
Méthode
μ₁ : moyenne de population de Evaluation lorsque Hôpital = A
µ₂ : moyenne de population 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.
