Skip to content
Retour aux résultats

Recherche par test d'hypothèse — Conception quantitative confirmatoire

Introduite par
Karl Pearson, Ronald A. Fisher, Jerzy Neyman, Egon Pearson
Année
Early 20th century (Fisher 1925; Neyman–Pearson 1933)
Type
Quantitative confirmatory research design
Famille
Survey / observational design

Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais

Taille de police

À quoi sert-elle ?

La recherche par test d'hypothèse est une conception quantitative dans laquelle l'investigateur dérive une ou plusieurs propositions explicites et réfutables de la théorie, les traduit en une hypothèse nulle (H0) et une hypothèse alternative (H1), collecte des données empiriques, puis applique un test statistique inférentiel pour décider si les preuves sont suffisantes pour rejeter H0.

Cette approche est le paradigme dominant pour la science confirmatoire dans les sciences sociales, comportementales, de la santé et naturelles.

L’intuition derrière la méthode

Pensez à une salle d'audience : H0 est la présomption d'innocence, et le test statistique est le procès. Vous rassemblez des preuves (données), appliquez une règle de décision rigoureuse (seuil de signification alpha), et soit rejetez l'innocence, soit échouez à le faire — vous ne prouvez jamais la culpabilité au-delà de tout doute, seulement au-delà d'un seuil de doute spécifié. La beauté réside dans la discipline : en s'engageant à la fois sur l'hypothèse et sur la règle de décision avant de voir les données, vous vous protégez contre la tendance très humaine à trouver des motifs qui n'ont jamais vraiment existé.

Histoire

L'appareil formel des tests de signification d'hypothèse nulle a émergé de deux traditions parallèles au début du XXe siècle. Ronald A. Fisher a introduit les p-values et les tests de signification dans Statistical Methods for Research Workers (1925) comme un outil d'inférence inductive à partir des données. Jerzy Neyman et Egon Pearson (1933) ont proposé le cadre complémentaire des seuils alpha pré-spécifiés, de deux hypothèses concurrentes et du contrôle des erreurs de type I / type II. Bien que les deux cadres soient logiquement distincts, un hybride est devenu la pratique standard en sciences comportementales au milieu du siècle, codifié par Kerlinger (1973, 1986) et renforcé par le travail de Cohen sur la puissance statistique (1969, 1988).

Quand l’utiliser

Utilisez la recherche par test d'hypothèse lorsque vous avez une prédiction spécifique, dérivée de la théorie, concernant une relation, une différence ou un effet, et que vous avez besoin d'une procédure de décision défendable et reproductible. C'est la bonne conception lorsque les questions de recherche sont confirmatoires ('L'intervention X réduit-elle le résultat Y ?') plutôt qu'exploratoires. Elle nécessite des données numériques et un échantillon suffisamment grand pour atteindre une puissance statistique adéquate (typiquement au moins 80 %). NE PAS l'utiliser lorsque (a) vous n'avez pas de théorie préalable et que l'objectif est la découverte — utilisez plutôt des conceptions exploratoires ou descriptives ; (b) l'échantillon est trop petit pour détecter des tailles d'effet plausibles, produisant des tests sous-puissants qui sont plus du bruit que du signal ; ou (c) vous ajustez les hypothèses après avoir vu les données (HARKing), ce qui invalide complètement la logique confirmatoire.

Limites et points d’attention

  • La signification statistique (p < alpha) n'est pas égale à la signification pratique ou clinique — un effet trivial peut être hautement significatif avec un échantillon suffisamment grand.
  • La décision binaire rejeter/ne pas rejeter rejette les preuves continues ; les résultats limites (p = 0,049 contre p = 0,051) sont traités comme catégoriquement différents.
  • Les études sous-puissantes produisent des taux élevés d'erreurs de type II (faux négatifs) et, paradoxalement, des estimations de taille d'effet gonflées lorsqu'elles donnent des résultats significatifs.
  • Les tests multiples sans correction gonflent l'erreur de type I (faux positifs) ; cela est souvent négligé en pratique.
  • La logique suppose que les hypothèses étaient fixes avant la collecte de données — les violations (HARKing, p-hacking, arrêt optionnel) sont courantes et invalident les conclusions.

Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.

Points forts

  • Fournit une règle de décision transparente et pré-spécifiée qui protège contre la rationalisation post-hoc des résultats dus au hasard.
  • Teste directement les prédictions théoriques, ce qui en fait la pierre angulaire de la science cumulative et reproductible.
  • Quantifie l'incertitude par des p-values, des intervalles de confiance et des tailles d'effet, facilitant la comparaison entre les études.
  • Bien soutenue par la synthèse méta-analytique — les études de test d'hypothèse peuvent être regroupées entre laboratoires et réplications.
  • Largement comprise et acceptée par les revues, les financeurs et les décideurs politiques dans pratiquement toutes les disciplines quantitatives.

Applications

  • Tester si une nouvelle méthode d'enseignement améliore la réussite des élèves par rapport à une condition de contrôle dans la recherche en éducation.
  • Évaluer si une intervention clinique réduit significativement la sévérité des symptômes par rapport à un groupe placebo.
  • Examiner si le genre, le statut socio-économique ou d'autres variables de groupe prédisent des différences dans les résultats psychologiques.
  • Tester des modèles d'équations structurelles ou des coefficients de régression dérivés de cadres théoriques en comportement organisationnel.
  • Évaluer si un traitement marketing (prix, cadrage du message) modifie significativement le choix du consommateur en économie expérimentale.
  • Comparer les scores avant et après intervention dans des évaluations de programmes longitudinales à l'aide de tests appariés ou à mesures répétées.

Comment ça marche

Comment ça marche

1

Le chercheur dérive une ou plusieurs hypothèses testables de la théorie existante ou de résultats antérieurs. Chaque hypothèse est énoncée comme une hypothèse nulle (H0, la revendication par défaut de 'aucun effet') et une hypothèse alternative (H1, l'effet ou la relation prédit(e)). Les deux doivent être énoncées précisément et avant la collecte de données pour préserver la logique confirmatoire.

2

Une conception d'étude est sélectionnée qui peut fournir des preuves valides pour ou contre H0 — enquête, expérience, quasi-expérience ou observationnelle. De manière cruciale, le chercheur effectue une analyse de puissance a priori (en utilisant la taille de l'effet, alpha et la puissance désirée) pour déterminer la taille minimale de l'échantillon nécessaire pour détecter l'effet hypothétisé avec une probabilité adéquate.

3

Les données sont recueillies selon la conception prédéterminée. Les instruments de mesure doivent démontrer leur fiabilité et leur validité. L'échantillonnage doit être aléatoire ou suffisamment représentatif pour soutenir le saut inférentiel des statistiques de l'échantillon aux paramètres de la population.

4

Un test inférentiel approprié (test t, ANOVA, chi-carré, régression, etc.) est appliqué aux données. Le test produit une p-value — la probabilité d'observer des résultats au moins aussi extrêmes que ceux obtenus, étant donné que H0 est vraie. Le niveau alpha pré-spécifié (communément 0,05) sert de seuil de décision.

Formule
H_0: \mu_1 = \mu_2 \quad \text{vs} \quad H_1: \mu_1 \neq \mu_2
5

Si p < alpha, H0 est rejetée en faveur de H1 et le résultat est déclaré statistiquement significatif ; la taille de l'effet et les intervalles de confiance sont également rapportés pour transmettre l'ampleur pratique. Si p >= alpha, le chercheur ne parvient pas à rejeter H0 — cela ne confirme pas H0 mais la laisse comme défaut en vigueur. Les résultats sont interprétés à la lumière du cadre théorique original.

Formule
p < \alpha \Rightarrow \text{reject } H_0

Pièges courants

  • HARKing (Hypothétiser Après que les Résultats sont Connus) — présenter une hypothèse post-hoc comme si elle avait été énoncée a priori transforme les découvertes exploratoires en fausses confirmations. La pré-inscription est le remède standard.
  • Ignorer la puissance : mener une étude sans analyse de puissance puis interpréter un résultat non significatif comme 'aucun effet' est une erreur courante et grave. Une p-value non significative d'une étude sous-puissante n'est pas informative.
  • Confondre p-value et taille de l'effet : rapportez toujours d de Cohen, êta-carré, r, ou un équivalent à côté des p-values afin que les lecteurs puissent juger de l'importance pratique.
  • Pêche à alpha (p-hacking) : tester plusieurs résultats, sous-groupes ou spécifications de modèle et ne rapporter que ceux qui sont significatifs. Appliquez Bonferroni, Benjamini–Hochberg, ou pré-enregistrez toutes les analyses.
  • Traiter l'échec du rejet de H0 comme une preuve que H0 est vraie : utilisez des tests d'équivalence (TOST) ou des méthodes bayésiennes si votre objectif est de démontrer l'absence d'effet.

Questions fréquentes

Quelle est la différence entre la recherche par test d'hypothèse et la recherche confirmatoire ?

La recherche par test d'hypothèse est le mécanisme spécifique — la procédure statistique formelle (H0 vs H1, p-value, alpha). La recherche confirmatoire est la philosophie de conception plus large selon laquelle les prédictions dérivées de la théorie doivent être testées contre de nouvelles données avant d'être acceptées. Toute recherche par test d'hypothèse est confirmatoire dans son esprit, mais la recherche confirmatoire peut également impliquer la comparaison de modèles ou la mise à jour bayésienne sans le cadre classique NHST.

Comment choisir le bon niveau de signification (alpha) ?

Alpha = 0,05 est le défaut conventionnel dans la plupart des sciences sociales et comportementales, mais c'est une convention sociale, pas une vérité universelle. Utilisez alpha = 0,01 lorsque les faux positifs sont particulièrement coûteux (par exemple, recommander une intervention coûteuse). Utilisez alpha = 0,10 dans les conceptions exploratoires-confirmatoires où les faux négatifs sont la plus grande préoccupation. Justifiez toujours votre choix dans la section méthodologie, et rapportez toujours les p-values exactes à côté de la décision de seuil.

Mon résultat n'est pas significatif. Puis-je conclure qu'il n'y a pas d'effet ?

Non. Un résultat non significatif signifie seulement que les données ne fournissent pas suffisamment de preuves pour rejeter H0 au niveau alpha choisi — cela ne confirme pas H0. Pour faire une affirmation affirmative de 'aucun effet significatif', vous avez besoin d'un test d'équivalence formel (par exemple, deux tests unilatéraux, TOST) ou d'une analyse bayésienne qui quantifie les preuves en faveur de H0 par rapport à H1.

Qu'est-ce que la pré-inscription et pourquoi est-elle importante ?

La pré-inscription signifie l'enregistrement public de vos hypothèses, de votre conception, de la taille de votre échantillon et de votre plan d'analyse avant la collecte de données (via OSF, AsPredicted, ou un registre similaire). Elle trace une ligne claire entre les analyses confirmatoires et exploratoires, rendant impossible la présentation rétroactive d'une découverte exploratoire comme étant basée sur une hypothèse. Les revues exigent ou récompensent de plus en plus la pré-inscription comme indicateur de qualité.

Dois-je rapporter les tailles d'effet en plus des p-values ?

Oui — c'est maintenant considéré comme obligatoire par le Manuel de Publication de l'APA (7e édition) et la plupart des revues majeures. La signification statistique vous indique si un effet est distinguable de zéro compte tenu de la taille de votre échantillon ; la taille de l'effet (d de Cohen, r, êta-carré, rapport de cotes) vous indique quelle est la taille ou la signification réelle de l'effet. Une p-value significative avec une taille d'effet minuscule indique souvent un impact réel trivialement faible.

Méthodes associées

Sources

  1. Kerlinger, F. N., & Lee, H. B. (1986). Foundations of Behavioral Research (3rd ed.). Holt, Rinehart and Winston.

    ISBN : 978-0030417603
    Copié.
  2. Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates.

    ISBN : 978-0805802832
    Copié.