Diagramme d'équivalence
Un diagramme d'équivalence affiche les limites d'équivalence, l'intervalle de confiance pour l'équivalence, ainsi que la décision indiquant si vous pouvez affirmer l'existence d'une équivalence.
Interprétation
Utilisez le diagramme d'équivalence pour visualiser un récapitulatif graphique des résultats de test d'équivalence, ainsi que pour déterminer si vous pouvez affirmer l'existence d'une équivalence.
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.
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.
Histogramme
Un histogramme divise les valeurs des échantillons en plusieurs intervalles et représente l'effectif des valeurs contenues dans chaque intervalle par une barre.
Interprétation
Utilisez des histogrammes pour évaluer la forme et la dispersion des données. Les histogrammes sont plus adaptés lorsque l'effectif d'échantillon est supérieur à 20.
- Données asymétriques
-
Déterminez si vos 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 vers la 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.
- 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 un histogramme, des barres isolées à une extrémité suggèrent de possibles valeurs aberrantes.
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.
Diagramme de profil du sujet
Ce diagramme indique la réponse au traitement de référence et au traitement de test de chaque participant de l'étude.
Interprétation
Utilisez le diagramme de profil du sujet pour examiner les réponses de chaque participant au traitement de test et au traitement de référence.
Vérifiez que le schéma global est cohérent avec les résultats de test d'équivalence. Identifiez tout sujet dont la réponse est sensiblement incohérente avec les autres réponses, car cela pourrait avoir un impact sur les résultats globaux.
Ce diagramme de profil du sujet indique que la plupart des participants ont répondu de manière similaire au traitement de test et au traitement de référence. Aucun des deux traitements ne semble associé de façon cohérente à une réponse supérieure ou inférieure. Les résultats présentés sur le diagramme correspondent aux résultats de test (non affichés), qui indiquent que les deux traitements sont équivalents. En outre, aucune réponse n'est très différente des autres.
Boîte à moustaches
La boîte à moustaches fournit un récapitulatif, sous forme de graphique, de la distribution des différences pour données appariées, montrant leur variabilité et leur tendance centrale.
Interprétation
Utilisez une boîte à moustaches pour examiner la dispersion des données et détecter d'éventuelles valeurs aberrantes. Les boîtes à moustaches sont plus adaptées lorsque l'effectif d'échantillon est supérieur à 20.
- Données asymétriques
-
Déterminez si vos 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 vers la gauche
Par exemple, la boîte à moustaches 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. La boîte à moustaches 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.
- 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.
