Interprétation des résultats principaux pour la fonction Test à 2 proportions

Suivez les étapes ci-dessous pour interpréter un test à 2 proportions. Les principaux résultats affichés sont l'estimation de la différence, l'intervalle de confiance et la valeur de p.

Sur ce thème

Etape 1 : déterminer un intervalle de confiance pour la différence des proportions de population
Etape 2 : Déterminer si la différence est significative d'un point de vue statistique

Etape 1 : déterminer un intervalle de confiance pour la différence des proportions de population

Considérez d'abord la différence entre les proportions d'échantillon, puis examinez l'intervalle de confiance.

La différence est une estimation de la différence entre les proportions de population. La différence étant calculée à partir des données d'échantillon et non de l'ensemble de la population, il est peu probable que la différence de l'échantillon soit égale à celle de la population. Pour mieux estimer la différence de la population, utilisez l'intervalle de confiance.

L'intervalle de confiance fournit une étendue de valeurs probables pour la différence entre deux proportions de population. Par exemple, un niveau de confiance de 95 % indique que, sur 100 échantillons pris de façon aléatoire parmi la population, environ 95 de ces échantillons devraient produire des intervalles contenant la différence de population. L'intervalle de confiance vous aide à évaluer la signification pratique de vos résultats. Utilisez vos connaissances spécialisées pour déterminer si l'intervalle de confiance comporte des valeurs ayant une signification pratique pour votre situation. Si l'intervalle est trop grand pour être utile, vous devez sans doute augmenter votre effectif d'échantillon. Pour plus d'informations, reportez-vous à la rubrique Obtenir un intervalle de confiance plus précis.

Estimation de la différence

Différence	IC à 95% pour la différence
0,0992147	(0,063671; 0,134759)

Résultats principaux : estimation de la différence, intervalle de confiance à 95 % pour la différence

Dans ces résultats, l'estimation de la différence de proportions de la population en matière d'emploi estival pour les étudiants de sexe masculin et féminin est environ de 0,099. Vous pouvez être sûr à 95 % que le rapport des écarts types de la population est compris entre 0,06 et 0,13 environ.

Etape 2 : Déterminer si la différence est significative d'un point de vue statistique

Pour déterminer si la différence entre les proportions des populations 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 proportions est statistiquement significative (hypothèse H₀ rejetée): 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 proportions de population n'est pas égale à la différence hypothétisée. Si vous n'avez pas spécifié de différence hypothétisée, Minitab vérifie l'absence de différence entre les proportions (Différence hypothétisée = 0). Utilisez vos connaissances afin de déterminer si la différence est significative dans la pratique. Pour plus d'informations, reportez-vous à la rubrique Signification statistique et pratique.
Valeur de p > α : la différence entre les proportions n'est pas statistiquement significative (hypothèse H₀ non rejetée): 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 proportions de population est statistiquement significative. Vous devez vous assurer que votre test est assez puissant pour détecter une différence qui est significative dans la pratique. Pour plus d'informations, accédez à Puissance et effectif de l'échantillon pour 2 proportions.

Minitab utilise la méthode d'approximation selon la loi normale et la méthode du test exact de Fisher pour calculer les valeurs de p pour le test à 2 proportions. Si le nombre d'événements et le nombre de non-événements sont d'au moins 5 dans les deux échantillons, utilisez la plus petite des valeurs de p. Si soit le nombre d'événements, soit le nombre de non-événements est inférieur à 5 dans l'un des échantillons, la méthode d'approximation selon la loi normale peut être inexacte. La méthode du test exact de Fisher est valide pour tous les échantillons, mais il s'agit d'une méthode conservatrice. Une valeur de p conservatrice minimise les preuves invalidant l'hypothèse nulle.

Statistiques descriptives

Echantillon	N	Evénement	P échantillon
Echantillon 1	802	725	0,903990
Echantillon 2	712	573	0,804775

Test

Hypothèse nulle	H₀ : p₁ - p₂ = 0
Hypothèse alternative	H₁ : p₁ - p₂ ≠ 0

Méthode	Valeur de Z	Valeur de P
Approximation selon la loi normale	5,47	0,000
Test exact de Fisher		0,000

Principal résultat : valeur de P

Dans ces résultats, l'hypothèse nulle indique qu'il n'y a aucune différence de proportion concernant les étudiants et étudiantes qui obtiennent un job d'été. Le nombre d'événements et de non-événements des deux échantillons est d'au moins 5 ; les deux valeurs de p sont donc valides. Les deux valeurs de p obtenues avec les deux méthodes étant inférieures à 0,0001, ce qui est inférieur au seuil de signification de 0,05, il faut rejeter l'hypothèse nulle et conclure que la proportion d'étudiants qui ont un job d'été diffère pour les étudiants et les étudiantes.