{"id":15195,"date":"2020-03-11T07:50:42","date_gmt":"2020-03-11T06:50:42","guid":{"rendered":"https:\/\/www.datanovia.com\/en\/?post_type=dt_lessons&#038;p=15195"},"modified":"2020-05-22T11:12:55","modified_gmt":"2020-05-22T10:12:55","slug":"test-t-non-apparie","status":"publish","type":"dt_lessons","link":"https:\/\/www.datanovia.com\/en\/fr\/lessons\/types-de-test-t\/test-t-non-apparie\/","title":{"rendered":"Test T non Appari\u00e9"},"content":{"rendered":"<div id=\"rdoc\">\n<p>Le <strong>test-t non appari\u00e9<\/strong> est utilis\u00e9 pour comparer la moyenne de deux groupes ind\u00e9pendants. C\u2019est aussi connu sous le nom de:<\/p>\n<ul>\n<li><em>test-t pour \u00e9chantillons ind\u00e9pendants<\/em>,<\/li>\n<li><em>test t ind\u00e9pendant<\/em>,<\/li>\n<li><em>test t pour 2 \u00e9chantillons<\/em>,<\/li>\n<li><em>test t \u00e0 deux \u00e9chantillons<\/em>,<\/li>\n<li><em>test-t pour mesures ind\u00e9pendantes<\/em>,<\/li>\n<li><em>test-t pour groupes ind\u00e9pendants<\/em>,<\/li>\n<li><em>test-t de Student non appari\u00e9<\/em>,<\/li>\n<li><em>t-test inter-sujets<\/em> et<\/li>\n<li><em>Test t de Student<\/em>.<\/li>\n<\/ul>\n<p>Par exemple, vous pourriez vouloir comparer les poids moyens des individus regroup\u00e9s par sexe : les groupes d\u2019hommes et de femmes, qui sont deux groupes non apparent\u00e9s ou ind\u00e9pendants.<\/p>\n<div class=\"block\">\n<p>En r\u00e8gle g\u00e9n\u00e9rale, votre \u00e9tude devrait compter six participants ou plus dans chaque groupe afin de proc\u00e9der \u00e0 un test t non appari\u00e9, mais id\u00e9alement, vous devriez avoir plus. Un test t sur \u00e9chantillons ind\u00e9pendants peut \u00eatre effectu\u00e9 avec moins de six participants, mais il sera plus difficile de g\u00e9n\u00e9raliser les conclusions \u00e0 une population plus large.<\/p>\n<\/div>\n<p>Le t-test pour \u00e9chantillons ind\u00e9pendants se pr\u00e9sente sous deux formes diff\u00e9rentes:<\/p>\n<ul>\n<li>le <em>test t standard de Student<\/em>, qui suppose que la variance des deux groupes est \u00e9gale.<\/li>\n<li>le <em>test t de Welch<\/em>, qui est moins restrictif que le test original de Student. Il s\u2019agit du test o\u00f9 vous ne pr\u00e9sumez pas que la variance est la m\u00eame dans les deux groupes, ce qui donne les degr\u00e9s de libert\u00e9 fractionnaires suivants.<\/li>\n<\/ul>\n<div class=\"warning\">\n<p>Par d\u00e9faut, R calcule le test t de Welch, qui est le plus prudent. Les deux m\u00e9thodes donnent des r\u00e9sultats tr\u00e8s semblables, \u00e0 moins que la taille des groupes et les \u00e9carts-types ne soient tr\u00e8s diff\u00e9rents.<\/p>\n<\/div>\n<p>Dans cet article, vous apprendrez \u00e0:<\/p>\n<ul>\n<li><em>Calculer le test t pour \u00e9chantillons ind\u00e9pendants dans R<\/em>. La fonction <code>t_test()<\/code> [paquet rstatix], qui est compatible avec les pipes, sera utilis\u00e9e.<\/li>\n<li><em>V\u00e9rifier les hypoth\u00e8ses du test t des \u00e9chantillons ind\u00e9pendants<\/em><\/li>\n<li><em>Calculez et rapportez la taille de l\u2019effet du test t pour \u00e9chantillons ind\u00e9pendants<\/em> en utilisant le <em>d de Cohen<\/em>. La statistique \u201cd\u201d red\u00e9finit la diff\u00e9rence de moyennes comme le nombre d\u2019\u00e9carts-types qui s\u00e9pare ces moyennes. Les tailles d\u2019effet conventionnelles des tests T, propos\u00e9es par Cohen, sont : 0,2 (petit effet), 0,5 (effet mod\u00e9r\u00e9) et 0,8 (effet important) <span class=\"citation\">(Cohen 1998)<\/span>.<\/li>\n<\/ul>\n<p>Sommaire:<\/p>\n<div id=\"TOC\">\n<ul>\n<li><a href=\"#pr\u00e9requis\">Pr\u00e9requis<\/a><\/li>\n<li><a href=\"#questions-de-recherche\">Questions de recherche<\/a><\/li>\n<li><a href=\"#hypoth\u00e8ses-statistiques\">Hypoth\u00e8ses statistiques<\/a><\/li>\n<li><a href=\"#formule\">Formule<\/a><\/li>\n<li><a href=\"#donn\u00e9es-de-d\u00e9monstration\">Donn\u00e9es de d\u00e9monstration<\/a><\/li>\n<li><a href=\"#statistiques-descriptives\">Statistiques descriptives<\/a><\/li>\n<li><a href=\"#visualisation\">Visualisation<\/a><\/li>\n<li><a href=\"#hypoth\u00e8ses-et-tests-pr\u00e9liminaires\">Hypoth\u00e8ses et tests pr\u00e9liminaires<\/a>\n<ul>\n<li><a href=\"#identifier-les-valeurs-aberrantes\">Identifier les valeurs aberrantes<\/a><\/li>\n<li><a href=\"#v\u00e9rifier-la-normalit\u00e9-par-groupes\">V\u00e9rifier la normalit\u00e9 par groupes<\/a><\/li>\n<li><a href=\"#v\u00e9rifier-l\u00e9galit\u00e9-des-variances\">V\u00e9rifier l\u2019\u00e9galit\u00e9 des variances<\/a><\/li>\n<\/ul>\n<\/li>\n<li><a href=\"#calculs\">Calculs<\/a><\/li>\n<li><a href=\"#taille-de-leffet\">Taille de l\u2019effet<\/a>\n<ul>\n<li><a href=\"#d-de-cohen-pour-le-test-t-de-student\">d de Cohen pour le test t de Student<\/a><\/li>\n<li><a href=\"#le-d-de-cohen-pour-le-test-t-de-welch\">Le d de Cohen pour le test t de Welch<\/a><\/li>\n<\/ul>\n<\/li>\n<li><a href=\"#rapporter\">Rapporter<\/a><\/li>\n<li><a href=\"#r\u00e9sum\u00e9\">R\u00e9sum\u00e9<\/a><\/li>\n<li><a href=\"#references\">References<\/a><\/li>\n<\/ul>\n<\/div>\n<div class='dt-sc-hr-invisible-medium  '><\/div>\n<div class='dt-sc-ico-content type1'><div class='custom-icon' ><a href='https:\/\/www.datanovia.com\/en\/fr\/produit\/pratiques-des-statistiques-dans-r-pour-comparaison-de-groupes-variables-numeriques\/' target='_blank'><span class='fa fa-book'><\/span><\/a><\/div><h4><a href='https:\/\/www.datanovia.com\/en\/fr\/produit\/pratiques-des-statistiques-dans-r-pour-comparaison-de-groupes-variables-numeriques\/' target='_blank'> Livre Apparent\u00e9 <\/a><\/h4>Pratique des Statistiques dans R II - Comparaison de Groupes: Variables Num\u00e9riques<\/div>\n<div class='dt-sc-hr-invisible-medium  '><\/div>\n<div id=\"pr\u00e9requis\" class=\"section level2\">\n<h2>Pr\u00e9requis<\/h2>\n<p>Assurez-vous d\u2019avoir install\u00e9 les paquets R suivants:<\/p>\n<ul>\n<li><code>tidyverse<\/code> pour la manipulation et la visualisation des donn\u00e9es<\/li>\n<li><code>ggpubr<\/code> pour cr\u00e9er facilement des graphiques pr\u00eats \u00e0 la publication<\/li>\n<li><code>rstatix<\/code> contient des fonctions R facilitant les analyses statistiques.<\/li>\n<li><code>datarium<\/code>: contient les jeux de donn\u00e9es requis pour ce chapitre.<\/li>\n<\/ul>\n<p>Commencez par charger les packages requis suivants:<\/p>\n<pre class=\"r\"><code>library(tidyverse)\r\nlibrary(ggpubr)\r\nlibrary(rstatix)<\/code><\/pre>\n<\/div>\n<div id=\"questions-de-recherche\" class=\"section level2\">\n<h2>Questions de recherche<\/h2>\n<p>Les questions de recherche typiques sont:<\/p>\n<ol style=\"list-style-type: decimal;\">\n<li>si la moyenne du groupe A (<span class=\"math inline\">\\(m_A\\)<\/span>) est \u00e9gale \u00e0 la moyenne du groupe B (<span class=\"math inline\">\\(m_B\\)<\/span>) ?<\/li>\n<li>si la moyenne du groupe A (<span class=\"math inline\">\\(m_A\\)<\/span>) est inf\u00e9rieure \u00e0 la moyenne du groupe B (<span class=\"math inline\">\\(m_B\\)<\/span>) ?<\/li>\n<li>si la moyenne du groupe A (<span class=\"math inline\">\\(m_A\\)<\/span>) est sup\u00e9rieure \u00e0 la moyenne du groupe B (<span class=\"math inline\">\\(m_B\\)<\/span>) ?<\/li>\n<\/ol>\n<\/div>\n<div id=\"hypoth\u00e8ses-statistiques\" class=\"section level2\">\n<h2>Hypoth\u00e8ses statistiques<\/h2>\n<p>En statistique, on peut d\u00e9finir l\u2019hypoth\u00e8se nulle correspondante (<span class=\"math inline\">\\(H_0\\)<\/span>) comme suit:<\/p>\n<ol style=\"list-style-type: decimal;\">\n<li><span class=\"math inline\">\\(H_0 : m_A = m_B\\)<\/span><\/li>\n<li><span class=\"math inline\">\\(H_0 : m_A \\leq m_B\\)<\/span><\/li>\n<li><span class=\"math inline\">\\(H_0 : m_A \\geq m_B\\)<\/span><\/li>\n<\/ol>\n<p>Les hypoth\u00e8ses alternatives correspondantes (<span class=\"math inline\">\\(H_a\\)<\/span>) sont les suivantes:<\/p>\n<ol style=\"list-style-type: decimal;\">\n<li><span class=\"math inline\">\\(H_a : m_A \\ne m_B\\)<\/span> (diff\u00e9rent)<\/li>\n<li><span class=\"math inline\">\\(H_a : m_A &gt; m_B\\)<\/span> (greater)<\/li>\n<li><span class=\"math inline\">\\(H_a : m_A &lt; m_B\\)<\/span> (less)<\/li>\n<\/ol>\n<div class=\"notice\">\n<p>Notez que:<\/p>\n<ul>\n<li>Les hypoth\u00e8ses 1) sont appel\u00e9es tests bilat\u00e9raux<\/li>\n<li>Les hypoth\u00e8ses 2) et 3) sont appel\u00e9es tests unilat\u00e9raux<\/li>\n<\/ul>\n<\/div>\n<\/div>\n<div id=\"formule\" class=\"section level2\">\n<h2>Formule<\/h2>\n<p>Le test-t pour \u00e9chantillons ind\u00e9pendants se pr\u00e9sente sous deux formes diff\u00e9rentes, le test-t de Student et le test-t de Welch.<\/p>\n<p>Le t-test classique de Student est plus restrictif. Il suppose que les deux groupes ont la m\u00eame variance de population.<\/p>\n<ol style=\"list-style-type: decimal;\">\n<li><strong>Test t classique \u00e0 deux \u00e9chantillons ind\u00e9pendants<\/strong> (test t de Student). Si les variances des deux groupes sont \u00e9quivalentes (<strong>homosc\u00e9dasticit\u00e9<\/strong>), la valeur du test t, comparant les deux \u00e9chantillons (A et B), peut \u00eatre calcul\u00e9e comme suit.<\/li>\n<\/ol>\n<p><span class=\"math display\">\\[<br \/>\nt = \\frac{m_A - m_B}{\\sqrt{ \\frac{S^2}{n_A} + \\frac{S^2}{n_B} }}<br \/>\n\\]<\/span><\/p>\n<p>o\u00f9,<\/p>\n<ul>\n<li><span class=\"math inline\">\\(m_A\\)<\/span> et <span class=\"math inline\">\\(m_B\\)<\/span> repr\u00e9sentent la valeur moyenne des groupes A et B, respectivement.<\/li>\n<li><span class=\"math inline\">\\(n_A\\)<\/span> et <span class=\"math inline\">\\(n_B\\)<\/span> repr\u00e9sentent les tailles des groupes A et B, respectivement.<\/li>\n<li><span class=\"math inline\">\\(S^2\\)<\/span> est un estimateur de la variance mise en commun des deux groupes. Il peut \u00eatre calcul\u00e9 comme suit :<\/li>\n<\/ul>\n<p><span class=\"math display\">\\[<br \/>\nS^2 = \\frac{\\sum{(x-m_A)^2}+\\sum{(x-m_B)^2}}{n_A+n_B-2}<br \/>\n\\]<\/span><\/p>\n<p>avec des degr\u00e9s de libert\u00e9 (df) : <span class=\"math inline\">\\(df = n_A + n_B - 2\\)<\/span>.<\/p>\n<ol style=\"list-style-type: decimal;\" start=\"2\">\n<li><strong>Statistique t de Welch<\/strong>. Si les variances des deux groupes compar\u00e9s sont diff\u00e9rentes (<strong>h\u00e9t\u00e9rosc\u00e9dasticit\u00e9<\/strong>), il est possible d\u2019utiliser le test t de Welch, qui est une adaptation du test t de Student. La statistique t de Welch est calcul\u00e9e comme suit :<\/li>\n<\/ol>\n<p><span class=\"math display\">\\[<br \/>\nt = \\frac{m_A - m_B}{\\sqrt{ \\frac{S_A^2}{n_A} + \\frac{S_B^2}{n_B} }}<br \/>\n\\]<\/span><\/p>\n<p>o\u00f9, <span class=\"math inline\">\\(S_A\\)<\/span> et <span class=\"math inline\">\\(S_B\\)<\/span> sont les \u00e9cart-types des deux groupes A et B, respectivement.<\/p>\n<p>Contrairement au t-test classique de Student, la formule du t-test de Welch implique que la variance de chacun des deux groupes (<span class=\"math inline\">\\(S_A^2\\)<\/span> et <span class=\"math inline\">\\(S_B^2\\)<\/span>) compar\u00e9s. En d\u2019autres termes, il n\u2019utilise pas la variance group\u00e9e <span class=\"math inline\">\\(S\\)<\/span>.<\/p>\n<p>Le <strong>degr\u00e9 de libert\u00e9<\/strong> du <strong>test t de Welch<\/strong> est estim\u00e9 comme suit :<\/p>\n<p><span class=\"math display\">\\[<br \/>\ndf = (\\frac{S_A^2}{n_A}+ \\frac{S_B^2}{n_B})^2 \/ (\\frac{S_A^4}{n_A^2(n_A-1)} + \\frac{S_B^4}{n_B^2(n_B-1)} )<br \/>\n\\]<\/span><\/p>\n<div class=\"success\">\n<p>Une p-value peut \u00eatre calcul\u00e9e pour la valeur absolue correspondante de la statistique t (|t|).<\/p>\n<p>Si la p-value est inf\u00e9rieure ou \u00e9gale au seuil de significativit\u00e9 0,05, nous pouvons rejeter l\u2019hypoth\u00e8se nulle et accepter l\u2019hypoth\u00e8se alternative. En d\u2019autres termes, nous pouvons conclure que les valeurs moyennes des groupes A et B sont significativement diff\u00e9rentes.<\/p>\n<\/div>\n<div class=\"warning\">\n<p>Notez que le test t de Welch est consid\u00e9r\u00e9 comme le plus prudent. Habituellement, les r\u00e9sultats du <strong>test t classique de Student<\/strong> et du <strong>test t de Welch<\/strong> sont tr\u00e8s similaires, \u00e0 moins que la taille des groupes et les \u00e9carts types soient tr\u00e8s diff\u00e9rents.<\/p>\n<\/div>\n<\/div>\n<div id=\"donn\u00e9es-de-d\u00e9monstration\" class=\"section level2\">\n<h2>Donn\u00e9es de d\u00e9monstration<\/h2>\n<p>Jeu de donn\u00e9es de d\u00e9monstration : <code>genderweight<\/code> [package datarium] contenant le poids de 40 individus (20 femmes et 20 hommes).<\/p>\n<p>Charger les donn\u00e9es et afficher quelques lignes al\u00e9atoires par groupes:<\/p>\n<pre class=\"r\"><code># Charger les donn\u00e9es\r\ndata(\"genderweight\", package = \"datarium\")\r\n# Afficher un \u00e9chantillon des donn\u00e9es par groupe\r\nset.seed(123)\r\ngenderweight %&gt;% sample_n_by(group, size = 2)<\/code><\/pre>\n<pre><code>## # A tibble: 4 x 3\r\n##   id    group weight\r\n##   &lt;fct&gt; &lt;fct&gt;  &lt;dbl&gt;\r\n## 1 6     F       65.0\r\n## 2 15    F       65.9\r\n## 3 29    M       88.9\r\n## 4 37    M       77.0<\/code><\/pre>\n<\/div>\n<div id=\"statistiques-descriptives\" class=\"section level2\">\n<h2>Statistiques descriptives<\/h2>\n<p>Calculer quelques statistiques descriptives par groupe : moyenne et sd (\u00e9cart-type)<\/p>\n<pre class=\"r\"><code>genderweight %&gt;%\r\n  group_by(group) %&gt;%\r\n  get_summary_stats(weight, type = \"mean_sd\")<\/code><\/pre>\n<pre><code>## # A tibble: 2 x 5\r\n##   group variable     n  mean    sd\r\n##   &lt;fct&gt; &lt;chr&gt;    &lt;dbl&gt; &lt;dbl&gt; &lt;dbl&gt;\r\n## 1 F     weight      20  63.5  2.03\r\n## 2 M     weight      20  85.8  4.35<\/code><\/pre>\n<\/div>\n<div id=\"visualisation\" class=\"section level2\">\n<h2>Visualisation<\/h2>\n<p>Visualiser les donn\u00e9es \u00e0 l\u2019aide de box plots. Graphique du poids par groupes.<\/p>\n<pre class=\"r\"><code>bxp &lt;- ggboxplot(\r\n  genderweight, x = \"group\", y = \"weight\", \r\n  ylab = \"Weight\", xlab = \"Groups\", add = \"jitter\"\r\n  )\r\nbxp<\/code><\/pre>\n<p><img decoding=\"async\" src=\"https:\/\/i.imgur.com\/gHy4b4F.png\" width=\"364.8\" \/><\/p>\n<\/div>\n<div id=\"hypoth\u00e8ses-et-tests-pr\u00e9liminaires\" class=\"section level2\">\n<h2>Hypoth\u00e8ses et tests pr\u00e9liminaires<\/h2>\n<p>Le test t pour \u00e9chantillons ind\u00e9pendant assume les caract\u00e9ristiques suivantes au sujet des donn\u00e9es:<\/p>\n<ul>\n<li><strong>Ind\u00e9pendance des observations<\/strong>. Chaque sujet ne doit appartenir qu\u2019\u00e0 un seul groupe. Il n\u2019y a aucun lien entre les observations de chaque groupe.<\/li>\n<li><strong>Aucune valeur aberrante significative<\/strong> dans les deux groupes<\/li>\n<li><strong>Normalit\u00e9<\/strong>. les donn\u00e9es pour chaque groupe devraient \u00eatre distribu\u00e9es approximativement normalement.<\/li>\n<li><strong>Homog\u00e9n\u00e9it\u00e9 des variances<\/strong>. la variance de la variable-r\u00e9ponse devrait \u00eatre \u00e9gale dans chaque groupe.<\/li>\n<\/ul>\n<p>Dans cette section, nous effectuerons quelques tests pr\u00e9liminaires pour v\u00e9rifier si ces hypoth\u00e8ses sont respect\u00e9es.<\/p>\n<div id=\"identifier-les-valeurs-aberrantes\" class=\"section level3\">\n<h3>Identifier les valeurs aberrantes<\/h3>\n<p>Les valeurs aberrantes peuvent \u00eatre facilement identifi\u00e9es \u00e0 l\u2019aide des m\u00e9thodes boxplot, impl\u00e9ment\u00e9es dans la fonction R <code>identify_outliers()<\/code> [paquet rstatix].<\/p>\n<pre class=\"r\"><code>genderweight %&gt;%\r\n  group_by(group) %&gt;%\r\n  identify_outliers(weight)<\/code><\/pre>\n<pre><code>## # A tibble: 2 x 5\r\n##   group id    weight is.outlier is.extreme\r\n##   &lt;fct&gt; &lt;fct&gt;  &lt;dbl&gt; &lt;lgl&gt;      &lt;lgl&gt;     \r\n## 1 F     20      68.8 TRUE       FALSE     \r\n## 2 M     31      95.1 TRUE       FALSE<\/code><\/pre>\n<div class=\"success\">\n<p>Il n\u2019y avait pas de valeurs extr\u00eames aberrantes.<\/p>\n<\/div>\n<div class=\"warning\">\n<p>Notez que, dans le cas o\u00f9 vous avez des valeurs extr\u00eames aberrantes, cela peut \u00eatre d\u00fb \u00e0 : 1) erreurs de saisie de donn\u00e9es, erreurs de mesure ou valeurs inhabituelles.<\/p>\n<p>Vous pouvez de toute fa\u00e7on inclure la valeur aberrante dans l\u2019analyse si vous ne croyez pas que le r\u00e9sultat sera affect\u00e9 de fa\u00e7on substantielle. Cela peut \u00eatre \u00e9valu\u00e9 en comparant le r\u00e9sultat du test t avec et sans la valeur aberrante.<\/p>\n<p>Il est \u00e9galement possible de conserver les valeurs aberrantes dans les donn\u00e9es et d\u2019effectuer un test Wilcoxon ou un test t robuste en utilisant le progiciel WRS2.<\/p>\n<\/div>\n<\/div>\n<div id=\"v\u00e9rifier-la-normalit\u00e9-par-groupes\" class=\"section level3\">\n<h3>V\u00e9rifier la normalit\u00e9 par groupes<\/h3>\n<p>L\u2019hypoth\u00e8se de normalit\u00e9 peut \u00eatre v\u00e9rifi\u00e9e en calculant le test de Shapiro-Wilk pour chaque groupe. Si les donn\u00e9es sont normalement distribu\u00e9es, la p-value doit \u00eatre sup\u00e9rieure \u00e0 0,05.<\/p>\n<pre class=\"r\"><code>genderweight %&gt;%\r\n  group_by(group) %&gt;%\r\n  shapiro_test(weight)<\/code><\/pre>\n<pre><code>## # A tibble: 2 x 4\r\n##   group variable statistic     p\r\n##   &lt;fct&gt; &lt;chr&gt;        &lt;dbl&gt; &lt;dbl&gt;\r\n## 1 F     weight       0.938 0.224\r\n## 2 M     weight       0.986 0.989<\/code><\/pre>\n<div class=\"success\">\n<p>D\u2019apr\u00e8s le r\u00e9sultat, les deux p-values sont sup\u00e9rieures au seuil de significativit\u00e9 0,05, ce qui indique que la distribution des donn\u00e9es n\u2019est pas significativement diff\u00e9rente de la distribution normale. En d\u2019autres termes, nous pouvons supposer que la normalit\u00e9.<\/p>\n<\/div>\n<p>Vous pouvez \u00e9galement cr\u00e9er des QQ plots pour chaque groupe. Le graphique QQ plot dessine la corr\u00e9lation entre une donn\u00e9e d\u00e9finie et la distribution normale.<\/p>\n<pre class=\"r\"><code>ggqqplot(genderweight, x = \"weight\", facet.by = \"group\")<\/code><\/pre>\n<p><img decoding=\"async\" src=\"https:\/\/i.imgur.com\/NTlDzZ4.png\" width=\"480\" \/><\/p>\n<div class=\"success\">\n<p>Tous les points se situent approximativement le long de la ligne de r\u00e9f\u00e9rence (45 degr\u00e9s), pour chaque groupe. Nous pouvons donc supposer la normalit\u00e9 des donn\u00e9es.<\/p>\n<\/div>\n<div class=\"warning\">\n<p>Notez que, si la taille de votre \u00e9chantillon est sup\u00e9rieure \u00e0 50, le graphique de normalit\u00e9 QQ plot est pr\u00e9f\u00e9r\u00e9 parce qu\u2019avec des \u00e9chantillons de plus grande taille, le test de Shapiro-Wilk devient tr\u00e8s sensible m\u00eame \u00e0 un \u00e9cart mineur par rapport \u00e0 la distribution normale.<\/p>\n<p>Il est \u00e0 noter que, dans le cas o\u00f9 les donn\u00e9es ne sont pas normalement distribu\u00e9es, il est recommand\u00e9 d\u2019utiliser le test de Wilcoxon non param\u00e9trique \u00e0 deux \u00e9chantillons.<\/p>\n<\/div>\n<\/div>\n<div id=\"v\u00e9rifier-l\u00e9galit\u00e9-des-variances\" class=\"section level3\">\n<h3>V\u00e9rifier l\u2019\u00e9galit\u00e9 des variances<\/h3>\n<p>Ceci peut \u00eatre fait \u00e0 l\u2019aide du test de Levene. Si les variances des groupes sont \u00e9gales, la p-value doit \u00eatre sup\u00e9rieure \u00e0 0,05.<\/p>\n<pre class=\"r\"><code>genderweight %&gt;% levene_test(weight ~ group)<\/code><\/pre>\n<pre><code>## # A tibble: 1 x 4\r\n##     df1   df2 statistic      p\r\n##   &lt;int&gt; &lt;int&gt;     &lt;dbl&gt;  &lt;dbl&gt;\r\n## 1     1    38      6.12 0.0180<\/code><\/pre>\n<div class=\"success\">\n<p>La p-value du test de Levene est significative, ce qui sugg\u00e8re qu\u2019il existe une diff\u00e9rence significative entre les variances des deux groupes. Par cons\u00e9quent, nous utiliserons le test t de Welch, qui ne suppose pas l\u2019\u00e9galit\u00e9 des deux variances.<\/p>\n<\/div>\n<\/div>\n<\/div>\n<div id=\"calculs\" class=\"section level2\">\n<h2>Calculs<\/h2>\n<p>Nous voulons savoir si les poids moyens sont diff\u00e9rents d\u2019un groupe \u00e0 l\u2019autre.<\/p>\n<p>Nous allons utiliser la fonction <code>t_test()<\/code> [package rstatix], facile d\u2019utilisation, un emballage autour de la fonction de base R <code>t.test()<\/code>.<\/p>\n<p>Rappelons que, par d\u00e9faut, R calcule le test t de Welch, qui est le plus prudent. Il s\u2019agit du test o\u00f9 vous ne pr\u00e9sumez pas que la variance est la m\u00eame dans les deux groupes, ce qui donne les degr\u00e9s de libert\u00e9 fractionnaires suivants.<\/p>\n<pre class=\"r\"><code>stat.test &lt;- genderweight %&gt;% \r\n  t_test(weight ~ group) %&gt;%\r\n  add_significance()\r\nstat.test<\/code><\/pre>\n<pre><code>## # A tibble: 1 x 9\r\n##   .y.    group1 group2    n1    n2 statistic    df        p p.signif\r\n##   &lt;chr&gt;  &lt;chr&gt;  &lt;chr&gt;  &lt;int&gt; &lt;int&gt;     &lt;dbl&gt; &lt;dbl&gt;    &lt;dbl&gt; &lt;chr&gt;   \r\n## 1 weight F      M         20    20     -20.8  26.9 4.30e-18 ****<\/code><\/pre>\n<p>Si vous voulez supposer l\u2019\u00e9galit\u00e9 des variances (test t de Student), sp\u00e9cifiez l\u2019option <code>var.equal = TRUE<\/code>:<\/p>\n<pre class=\"r\"><code>stat.test2 &lt;- genderweight %&gt;%\r\n  t_test(weight ~ group, var.equal = TRUE) %&gt;%\r\n  add_significance()\r\nstat.test2<\/code><\/pre>\n<p>Les r\u00e9sultats ci-dessus montrent les composantes suivantes:<\/p>\n<ul>\n<li><code>.y.<\/code>: la variable y utilis\u00e9e dans le test.<\/li>\n<li><code>group1,group2<\/code>: les groupes compar\u00e9s dans les tests par paires.<\/li>\n<li><code>statistic<\/code>: Statistique de test utilis\u00e9e pour calculer la p-value.<\/li>\n<li><code>df<\/code>: degr\u00e9s de libert\u00e9.<\/li>\n<li><code>p<\/code>: p-value.<\/li>\n<\/ul>\n<div class=\"warning\">\n<p>Notez que, vous pouvez obtenir un r\u00e9sultat d\u00e9taill\u00e9 en sp\u00e9cifiant l\u2019option <code>detailed = TRUE<\/code>.<\/p>\n<\/div>\n<p>Notez que, pour calculer un test-t unilat\u00e9ral \u00e0 deux \u00e9chantillons, vous pouvez sp\u00e9cifier l\u2019option <code>alternative<\/code> comme suit.<\/p>\n<ul>\n<li>si vous voulez tester si le poids moyen des femmes (groupe 1) est inf\u00e9rieur \u00e0 celui des hommes, tapez ceci:<\/li>\n<\/ul>\n<pre class=\"r\"><code>genderweight %&gt;% \r\n  t_test(weight ~ group, alternative = \"less\")<\/code><\/pre>\n<ul>\n<li>Ou, si vous voulez v\u00e9rifier si le poids moyen des femmes (groupe 1) est sup\u00e9rieur \u00e0 celui des hommes (groupe 2), tapez ceci<\/li>\n<\/ul>\n<pre class=\"r\"><code>genderweight %&gt;% \r\n  t_test(weight ~ group, alternative = \"greater\")<\/code><\/pre>\n<\/div>\n<div id=\"taille-de-leffet\" class=\"section level2\">\n<h2>Taille de l\u2019effet<\/h2>\n<div id=\"d-de-cohen-pour-le-test-t-de-student\" class=\"section level3\">\n<h3>d de Cohen pour le test t de Student<\/h3>\n<p>Il existe plusieurs versions du d de Cohen pour le test t de Student. La version la plus couramment utilis\u00e9e de la taille de l\u2019effet du test t de Student, comparant deux groupes (A et B), est calcul\u00e9e en divisant la diff\u00e9rence moyenne entre les groupes par l\u2019\u00e9cart-type commun.<\/p>\n<p><strong>La formule du d de Cohen<\/strong>:<\/p>\n<p><span class=\"math display\">\\[<br \/>\nd = \\frac{m_A - m_B}{SD_{pooled}}<br \/>\n\\]<\/span><\/p>\n<p>o\u00f9,<\/p>\n<ul>\n<li><span class=\"math inline\">\\(m_A\\)<\/span> et <span class=\"math inline\">\\(m_B\\)<\/span> repr\u00e9sentent la valeur moyenne des groupes A et B, respectivement.<\/li>\n<li><span class=\"math inline\">\\(n_A\\)<\/span> et <span class=\"math inline\">\\(n_B\\)<\/span> repr\u00e9sentent les tailles des groupes A et B, respectivement.<\/li>\n<li><span class=\"math inline\">\\(SD_{pooled}\\)<\/span> est un estimateur de l\u2019\u00e9cart-type mis en commun des deux groupes. Il peut \u00eatre calcul\u00e9 comme suit :<br \/>\n<span class=\"math display\">\\[<br \/>\nSD_{pooled} = \\sqrt{\\frac{\\sum{(x-m_A)^2}+\\sum{(x-m_B)^2}}{n_A+n_B-2}}<br \/>\n\\]<\/span><\/li>\n<\/ul>\n<p><strong>Calculs<\/strong>. Si l\u2019option <code>var.equal = TRUE<\/code>, alors la SD group\u00e9e est utilis\u00e9e lors du calcul du d de Cohen.<\/p>\n<pre class=\"r\"><code>genderweight %&gt;%  cohens_d(weight ~ group, var.equal = TRUE)<\/code><\/pre>\n<pre><code>## # A tibble: 1 x 7\r\n##   .y.    group1 group2 effsize    n1    n2 magnitude\r\n## * &lt;chr&gt;  &lt;chr&gt;  &lt;chr&gt;    &lt;dbl&gt; &lt;int&gt; &lt;int&gt; &lt;ord&gt;    \r\n## 1 weight F      M        -6.57    20    20 large<\/code><\/pre>\n<div class=\"success\">\n<p>L\u2019ampleur de l\u2019effet est importante, d = 6,57.<\/p>\n<\/div>\n<p>Notez que, pour un \u00e9chantillon de petite taille (&lt; 50), le d de Cohen a tendance \u00e0 gonfler les r\u00e9sultats. Il existe une <strong>version corrig\u00e9e de Hedge du d de Cohen<\/strong> <span class=\"citation\">(<span class=\"citeproc-not-found\" data-reference-id=\"hedges1985\"><strong>???<\/strong><\/span>)<\/span>, qui r\u00e9duit la taille de l\u2019effet pour les petits \u00e9chantillons de quelques points de pourcentage. La correction est introduite en multipliant la valeur habituelle de d par <code>(N-3)\/(N-2.25)<\/code> (pour le test t non appari\u00e9) et par <code>(n1-2)\/(n1-1.25)<\/code> pour le test t appari\u00e9 ; o\u00f9 N est la taille totale des deux groupes compar\u00e9s <code>(N = n1 + n2)<\/code>.<\/p>\n<\/div>\n<div id=\"le-d-de-cohen-pour-le-test-t-de-welch\" class=\"section level3\">\n<h3>Le d de Cohen pour le test t de Welch<\/h3>\n<p>Le test de Welch est une variante du test t utilis\u00e9 lorsque l\u2019\u00e9galit\u00e9 de variance ne peut \u00eatre pr\u00e9sum\u00e9e. La valeur de l\u2019effet peut \u00eatre calcul\u00e9e en divisant la diff\u00e9rence moyenne entre les groupes par l\u2019\u00e9cart type \u201cmoyen\u201d.<\/p>\n<p><strong>La formule du d de Cohen<\/strong>:<\/p>\n<p><span class=\"math display\">\\[<br \/>\nd = \\frac{m_A - m_B}{\\sqrt{(Var_1 + Var_2)\/2}}<br \/>\n\\]<\/span><\/p>\n<p>o\u00f9,<\/p>\n<ul>\n<li><span class=\"math inline\">\\(m_A\\)<\/span> et <span class=\"math inline\">\\(m_B\\)<\/span> repr\u00e9sentent la valeur moyenne des groupes A et B, respectivement.<\/li>\n<li><span class=\"math inline\">\\(Var_1\\)<\/span> et <span class=\"math inline\">\\(Var_2\\)<\/span> sont la variance des deux groupes.<\/li>\n<\/ul>\n<p><strong>Calculs<\/strong>:<\/p>\n<pre class=\"r\"><code>genderweight %&gt;% cohens_d(weight ~ group, var.equal = FALSE)<\/code><\/pre>\n<pre><code>## # A tibble: 1 x 7\r\n##   .y.    group1 group2 effsize    n1    n2 magnitude\r\n## * &lt;chr&gt;  &lt;chr&gt;  &lt;chr&gt;    &lt;dbl&gt; &lt;int&gt; &lt;int&gt; &lt;ord&gt;    \r\n## 1 weight F      M        -6.57    20    20 large<\/code><\/pre>\n<div class=\"warning\">\n<p>Notez que, lorsque la taille des groupes est \u00e9gale et que les variances des groupes sont homog\u00e8nes, le d de Cohen pour les tests t standard de Student et de Welch sont identiques.<\/p>\n<\/div>\n<\/div>\n<\/div>\n<div id=\"rapporter\" class=\"section level2\">\n<h2>Rapporter<\/h2>\n<p>Nous pourrions rapporter le r\u00e9sultat comme suit:<\/p>\n<p>Le poids moyen dans le groupe des femmes \u00e9tait de 63,5 (SD = 2,03), alors que la moyenne dans le groupe des hommes \u00e9tait de 85,8 (SD = 4,3). Le test t de Welch a montr\u00e9 que la diff\u00e9rence \u00e9tait statistiquement significative, t(26.9) = -20.8, p &lt; 0.0001, d = 6.57 ; o\u00f9, t(26.9) est une notation abr\u00e9g\u00e9e pour une statistique t de Welch qui a 26.9 degr\u00e9s de libert\u00e9.<\/p>\n<pre class=\"r\"><code>stat.test &lt;- stat.test %&gt;% add_xy_position(x = \"group\")\r\nbxp + \r\n  stat_pvalue_manual(stat.test, tip.length = 0) +\r\n  labs(subtitle = get_test_label(stat.test, detailed = TRUE))<\/code><\/pre>\n<p><img decoding=\"async\" src=\"https:\/\/i.imgur.com\/tRcIjAT.png\" width=\"412.8\" \/><\/p>\n<\/div>\n<div id=\"r\u00e9sum\u00e9\" class=\"section level2\">\n<h2>R\u00e9sum\u00e9<\/h2>\n<p>Cet article d\u00e9crit la formule et les principes de base du test t non appari\u00e9 ou du test t ind\u00e9pendant. Des exemples de codes R sont fournis pour v\u00e9rifier les hypoth\u00e8ses, calculer le test et la taille de l\u2019effet, interpr\u00e9ter et communiquer les r\u00e9sultats.<\/p>\n<\/div>\n<div id=\"references\" class=\"section level2 unnumbered\">\n<h2>References<\/h2>\n<div id=\"refs\" class=\"references\">\n<div id=\"ref-cohen1998\">\n<p>Cohen, J. 1998. <em>Statistical Power Analysis for the Behavioral Sciences<\/em>. 2nd ed. Hillsdale, NJ: Lawrence Erlbaum Associates.<\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n<p><!--end rdoc--><\/p>\n","protected":false},"excerpt":{"rendered":"<p>D\u00e9crit le test t non appari\u00e9, qui est utilis\u00e9 pour comparer la moyenne de deux groupes ind\u00e9pendants. Vous apprendrez la formule, les hypoth\u00e8ses, le calcul, la visualisation, la mesure de la taille de l&rsquo;effet \u00e0 l&rsquo;aide du d de Cohen, l&rsquo;interpr\u00e9tation et le compte rendu dans R. Le t-test de Student et le t-test de Welch sont d\u00e9crits.<\/p>\n","protected":false},"author":1,"featured_media":15197,"parent":15176,"menu_order":71,"comment_status":"open","ping_status":"closed","template":"","class_list":["post-15195","dt_lessons","type-dt_lessons","status-publish","has-post-thumbnail","hentry"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v25.2 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Test T non Appari\u00e9 : Exc\u00e9llente R\u00e9f\u00e9rence - Datanovia<\/title>\n<meta name=\"description\" content=\"D\u00e9crit le test t non appari\u00e9, qui est utilis\u00e9 pour comparer la moyenne de deux groupes ind\u00e9pendants. Vous apprendrez la formule, les hypoth\u00e8ses, le calcul, la visualisation, la mesure de la taille de l&#039;effet \u00e0 l&#039;aide du d de Cohen, l&#039;interpr\u00e9tation et le compte rendu dans R. Le t-test de Student et le t-test de Welch sont d\u00e9crits.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/www.datanovia.com\/en\/fr\/lessons\/types-de-test-t\/test-t-non-apparie\/\" \/>\n<meta property=\"og:locale\" content=\"fr_FR\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Test T non Appari\u00e9 : Exc\u00e9llente R\u00e9f\u00e9rence - Datanovia\" \/>\n<meta property=\"og:description\" content=\"D\u00e9crit le test t non appari\u00e9, qui est utilis\u00e9 pour comparer la moyenne de deux groupes ind\u00e9pendants. Vous apprendrez la formule, les hypoth\u00e8ses, le calcul, la visualisation, la mesure de la taille de l&#039;effet \u00e0 l&#039;aide du d de Cohen, l&#039;interpr\u00e9tation et le compte rendu dans R. Le t-test de Student et le t-test de Welch sont d\u00e9crits.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/www.datanovia.com\/en\/fr\/lessons\/types-de-test-t\/test-t-non-apparie\/\" \/>\n<meta property=\"og:site_name\" content=\"Datanovia\" \/>\n<meta property=\"article:modified_time\" content=\"2020-05-22T10:12:55+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/www.datanovia.com\/en\/wp-content\/uploads\/2020\/03\/gHy4b4F.png\" \/>\n\t<meta property=\"og:image:width\" content=\"729\" \/>\n\t<meta property=\"og:image:height\" content=\"576\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Dur\u00e9e de lecture estim\u00e9e\" \/>\n\t<meta name=\"twitter:data1\" content=\"15 minutes\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/www.datanovia.com\/en\/fr\/lessons\/types-de-test-t\/test-t-non-apparie\/\",\"url\":\"https:\/\/www.datanovia.com\/en\/fr\/lessons\/types-de-test-t\/test-t-non-apparie\/\",\"name\":\"Test T non Appari\u00e9 : Exc\u00e9llente R\u00e9f\u00e9rence - Datanovia\",\"isPartOf\":{\"@id\":\"https:\/\/www.datanovia.com\/en\/fr\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\/\/www.datanovia.com\/en\/fr\/lessons\/types-de-test-t\/test-t-non-apparie\/#primaryimage\"},\"image\":{\"@id\":\"https:\/\/www.datanovia.com\/en\/fr\/lessons\/types-de-test-t\/test-t-non-apparie\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/www.datanovia.com\/en\/wp-content\/uploads\/2020\/03\/gHy4b4F.png\",\"datePublished\":\"2020-03-11T06:50:42+00:00\",\"dateModified\":\"2020-05-22T10:12:55+00:00\",\"description\":\"D\u00e9crit le test t non appari\u00e9, qui est utilis\u00e9 pour comparer la moyenne de deux groupes ind\u00e9pendants. Vous apprendrez la formule, les hypoth\u00e8ses, le calcul, la visualisation, la mesure de la taille de l'effet \u00e0 l'aide du d de Cohen, l'interpr\u00e9tation et le compte rendu dans R. Le t-test de Student et le t-test de Welch sont d\u00e9crits.\",\"breadcrumb\":{\"@id\":\"https:\/\/www.datanovia.com\/en\/fr\/lessons\/types-de-test-t\/test-t-non-apparie\/#breadcrumb\"},\"inLanguage\":\"fr-FR\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/www.datanovia.com\/en\/fr\/lessons\/types-de-test-t\/test-t-non-apparie\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\/\/www.datanovia.com\/en\/fr\/lessons\/types-de-test-t\/test-t-non-apparie\/#primaryimage\",\"url\":\"https:\/\/www.datanovia.com\/en\/wp-content\/uploads\/2020\/03\/gHy4b4F.png\",\"contentUrl\":\"https:\/\/www.datanovia.com\/en\/wp-content\/uploads\/2020\/03\/gHy4b4F.png\",\"width\":729,\"height\":576,\"caption\":\"gHy4b4F.png\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/www.datanovia.com\/en\/fr\/lessons\/types-de-test-t\/test-t-non-apparie\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/www.datanovia.com\/en\/fr\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Le\u00e7ons\",\"item\":\"https:\/\/www.datanovia.com\/en\/fr\/lessons\/\"},{\"@type\":\"ListItem\",\"position\":3,\"name\":\"Types de Test-T\",\"item\":\"https:\/\/www.datanovia.com\/en\/fr\/lessons\/types-de-test-t\/\"},{\"@type\":\"ListItem\",\"position\":4,\"name\":\"Test T non Appari\u00e9\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/www.datanovia.com\/en\/fr\/#website\",\"url\":\"https:\/\/www.datanovia.com\/en\/fr\/\",\"name\":\"Datanovia\",\"description\":\"Exploration de Donn\u00e9es et Statistiques pour l'Aide \u00e0 la D\u00e9cision\",\"publisher\":{\"@id\":\"https:\/\/www.datanovia.com\/en\/fr\/#organization\"},\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/www.datanovia.com\/en\/fr\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"fr-FR\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/www.datanovia.com\/en\/fr\/#organization\",\"name\":\"Datanovia\",\"url\":\"https:\/\/www.datanovia.com\/en\/fr\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"fr-FR\",\"@id\":\"https:\/\/www.datanovia.com\/en\/fr\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/www.datanovia.com\/en\/wp-content\/uploads\/2018\/09\/datanovia-logo.png\",\"contentUrl\":\"https:\/\/www.datanovia.com\/en\/wp-content\/uploads\/2018\/09\/datanovia-logo.png\",\"width\":98,\"height\":99,\"caption\":\"Datanovia\"},\"image\":{\"@id\":\"https:\/\/www.datanovia.com\/en\/fr\/#\/schema\/logo\/image\/\"}}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Test T non Appari\u00e9 : Exc\u00e9llente R\u00e9f\u00e9rence - Datanovia","description":"D\u00e9crit le test t non appari\u00e9, qui est utilis\u00e9 pour comparer la moyenne de deux groupes ind\u00e9pendants. Vous apprendrez la formule, les hypoth\u00e8ses, le calcul, la visualisation, la mesure de la taille de l'effet \u00e0 l'aide du d de Cohen, l'interpr\u00e9tation et le compte rendu dans R. Le t-test de Student et le t-test de Welch sont d\u00e9crits.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/www.datanovia.com\/en\/fr\/lessons\/types-de-test-t\/test-t-non-apparie\/","og_locale":"fr_FR","og_type":"article","og_title":"Test T non Appari\u00e9 : Exc\u00e9llente R\u00e9f\u00e9rence - Datanovia","og_description":"D\u00e9crit le test t non appari\u00e9, qui est utilis\u00e9 pour comparer la moyenne de deux groupes ind\u00e9pendants. Vous apprendrez la formule, les hypoth\u00e8ses, le calcul, la visualisation, la mesure de la taille de l'effet \u00e0 l'aide du d de Cohen, l'interpr\u00e9tation et le compte rendu dans R. Le t-test de Student et le t-test de Welch sont d\u00e9crits.","og_url":"https:\/\/www.datanovia.com\/en\/fr\/lessons\/types-de-test-t\/test-t-non-apparie\/","og_site_name":"Datanovia","article_modified_time":"2020-05-22T10:12:55+00:00","og_image":[{"width":729,"height":576,"url":"https:\/\/www.datanovia.com\/en\/wp-content\/uploads\/2020\/03\/gHy4b4F.png","type":"image\/png"}],"twitter_card":"summary_large_image","twitter_misc":{"Dur\u00e9e de lecture estim\u00e9e":"15 minutes"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/www.datanovia.com\/en\/fr\/lessons\/types-de-test-t\/test-t-non-apparie\/","url":"https:\/\/www.datanovia.com\/en\/fr\/lessons\/types-de-test-t\/test-t-non-apparie\/","name":"Test T non Appari\u00e9 : Exc\u00e9llente R\u00e9f\u00e9rence - Datanovia","isPartOf":{"@id":"https:\/\/www.datanovia.com\/en\/fr\/#website"},"primaryImageOfPage":{"@id":"https:\/\/www.datanovia.com\/en\/fr\/lessons\/types-de-test-t\/test-t-non-apparie\/#primaryimage"},"image":{"@id":"https:\/\/www.datanovia.com\/en\/fr\/lessons\/types-de-test-t\/test-t-non-apparie\/#primaryimage"},"thumbnailUrl":"https:\/\/www.datanovia.com\/en\/wp-content\/uploads\/2020\/03\/gHy4b4F.png","datePublished":"2020-03-11T06:50:42+00:00","dateModified":"2020-05-22T10:12:55+00:00","description":"D\u00e9crit le test t non appari\u00e9, qui est utilis\u00e9 pour comparer la moyenne de deux groupes ind\u00e9pendants. Vous apprendrez la formule, les hypoth\u00e8ses, le calcul, la visualisation, la mesure de la taille de l'effet \u00e0 l'aide du d de Cohen, l'interpr\u00e9tation et le compte rendu dans R. Le t-test de Student et le t-test de Welch sont d\u00e9crits.","breadcrumb":{"@id":"https:\/\/www.datanovia.com\/en\/fr\/lessons\/types-de-test-t\/test-t-non-apparie\/#breadcrumb"},"inLanguage":"fr-FR","potentialAction":[{"@type":"ReadAction","target":["https:\/\/www.datanovia.com\/en\/fr\/lessons\/types-de-test-t\/test-t-non-apparie\/"]}]},{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/www.datanovia.com\/en\/fr\/lessons\/types-de-test-t\/test-t-non-apparie\/#primaryimage","url":"https:\/\/www.datanovia.com\/en\/wp-content\/uploads\/2020\/03\/gHy4b4F.png","contentUrl":"https:\/\/www.datanovia.com\/en\/wp-content\/uploads\/2020\/03\/gHy4b4F.png","width":729,"height":576,"caption":"gHy4b4F.png"},{"@type":"BreadcrumbList","@id":"https:\/\/www.datanovia.com\/en\/fr\/lessons\/types-de-test-t\/test-t-non-apparie\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/www.datanovia.com\/en\/fr\/"},{"@type":"ListItem","position":2,"name":"Le\u00e7ons","item":"https:\/\/www.datanovia.com\/en\/fr\/lessons\/"},{"@type":"ListItem","position":3,"name":"Types de Test-T","item":"https:\/\/www.datanovia.com\/en\/fr\/lessons\/types-de-test-t\/"},{"@type":"ListItem","position":4,"name":"Test T non Appari\u00e9"}]},{"@type":"WebSite","@id":"https:\/\/www.datanovia.com\/en\/fr\/#website","url":"https:\/\/www.datanovia.com\/en\/fr\/","name":"Datanovia","description":"Exploration de Donn\u00e9es et Statistiques pour l'Aide \u00e0 la D\u00e9cision","publisher":{"@id":"https:\/\/www.datanovia.com\/en\/fr\/#organization"},"potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/www.datanovia.com\/en\/fr\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"fr-FR"},{"@type":"Organization","@id":"https:\/\/www.datanovia.com\/en\/fr\/#organization","name":"Datanovia","url":"https:\/\/www.datanovia.com\/en\/fr\/","logo":{"@type":"ImageObject","inLanguage":"fr-FR","@id":"https:\/\/www.datanovia.com\/en\/fr\/#\/schema\/logo\/image\/","url":"https:\/\/www.datanovia.com\/en\/wp-content\/uploads\/2018\/09\/datanovia-logo.png","contentUrl":"https:\/\/www.datanovia.com\/en\/wp-content\/uploads\/2018\/09\/datanovia-logo.png","width":98,"height":99,"caption":"Datanovia"},"image":{"@id":"https:\/\/www.datanovia.com\/en\/fr\/#\/schema\/logo\/image\/"}}]}},"multi-rating":{"mr_rating_results":[]},"_links":{"self":[{"href":"https:\/\/www.datanovia.com\/en\/fr\/wp-json\/wp\/v2\/dt_lessons\/15195","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.datanovia.com\/en\/fr\/wp-json\/wp\/v2\/dt_lessons"}],"about":[{"href":"https:\/\/www.datanovia.com\/en\/fr\/wp-json\/wp\/v2\/types\/dt_lessons"}],"author":[{"embeddable":true,"href":"https:\/\/www.datanovia.com\/en\/fr\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.datanovia.com\/en\/fr\/wp-json\/wp\/v2\/comments?post=15195"}],"version-history":[{"count":2,"href":"https:\/\/www.datanovia.com\/en\/fr\/wp-json\/wp\/v2\/dt_lessons\/15195\/revisions"}],"predecessor-version":[{"id":16363,"href":"https:\/\/www.datanovia.com\/en\/fr\/wp-json\/wp\/v2\/dt_lessons\/15195\/revisions\/16363"}],"up":[{"embeddable":true,"href":"https:\/\/www.datanovia.com\/en\/fr\/wp-json\/wp\/v2\/dt_lessons\/15176"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.datanovia.com\/en\/fr\/wp-json\/wp\/v2\/media\/15197"}],"wp:attachment":[{"href":"https:\/\/www.datanovia.com\/en\/fr\/wp-json\/wp\/v2\/media?parent=15195"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}