Vous trouvez la signification des résultats. Vous analysez les données et menez des expériences. Cependant, la pertinence commerciale est différente de la signification statistique. De nombreuses organisations commerciales ne peuvent pas faire la distinction entre les deux et font un mauvais usage et comprennent mal le concept. D’autre part, une analyse correcte des données aide à prendre des décisions commerciales appropriées. C’est la raison pour laquelle les dirigeants doivent comprendre le concept de signification statistique.
Qu’est-ce que la signification statistique ?
La signification statistique indique que la relation d’une variable avec une autre variable n’est pas une coïncidence, mais qu’elle est due à un autre facteur de cette variable. En termes simples, la signification statistique est une représentation mathématique de la fiabilité des statistiques. Dans cet article, vous apprendrez comment calculer la signification statistique entre deux facteurs.
Calcul de la signification statistique
Vous pouvez comprendre le concept et trouver une réponse détaillée en calculant la signification statistique à la main. Vous pouvez utiliser une calculatrice. Voici les étapes que vous pouvez suivre pour calculer la signification statistique :
1.créer une hypothèse nulle
Tout d’abord, vous devez déterminer l’hypothèse nulle. Vous pouvez découvrir s’il y a une différence dans l’ensemble de données que vous utilisez. Vous ne devez jamais croire votre hypothèse nulle, car il ne s’agit que d’une supposition.
2.créer une hypothèse alternative
Maintenant, découvrez l’hypothèse alternative. Lorsque vous aurez trouvé l’hypothèse alternative, vous saurez s’il existe une relation entre vos données. L’hypothèse alternative est opposée à l’hypothèse nulle que vous avez trouvée précédemment.
3.Déterminer le niveau d’importance
Après avoir trouvé l’hypothèse nulle et alternative, vous déterminerez le niveau de signification ou alpha. Il est possible que vous deviez rejeter votre hypothèse nulle même si elle est vraie. Le alpha standard est de 0,05 à 5 %.
4.Choix du type de test
Décidez maintenant du test que vous allez choisir, unilatéral ou bilatéral. Toutefois, la zone de distribution du test unilatéral est unilatérale, et pour le test bilatéral, elle est bilatérale. En d’autres termes, dans les tests unilatéraux, vous analyserez la relation entre les deux variables dans une seule direction et dans deux directions dans les tests bilatéraux. Si vos échantillons sont unilatéraux, alors votre hypothèse alternative est vraie.
5.Analyse de la puissance pour la taille de l’échantillon
L’analyse de puissance vous aidera à déterminer la taille de l’échantillon. Pour trouver l’analyse de puissance, vous devez connaître la puissance statistique, le niveau de signification, la taille de l’échantillon et la taille de l’effet. Vous devez utiliser une calculatrice pour effectuer ces calculs. En restant dans un certain degré de confiance, cette méthode vous aidera à déterminer la taille de l’échantillon. Cette méthode vous aidera à trouver une taille d’échantillon appropriée afin que vous puissiez calculer la signification statistique. Par exemple, si la taille de l’échantillon est très petite, vous ne trouverez pas de résultat précis.
6.Calcul de l’écart type
Maintenant, calculez l’écart type. Pour ce faire, vous devez utiliser la formule suivante :
Écart type = √ ((∑|x-μ|^ 2) / (N-1))
Dans cette équation :
- ∑ =est la somme des données
- x = est la donnée individuelle
- μ = est la moyenne des données pour chaque groupe
- N = est l’échantillon total
Grâce à ce calcul, vous pouvez savoir comment répartir la valeur moyenne et la valeur attendue. Trouvez la variance entre les groupes si vous avez plus de groupes échantillons.
7.utilisation de la formule d’erreur standard
Ensuite, utilisez la formule d’erreur standard. Voici la formule pour trouver l’erreur standard des deux groupes par l’écart type.
Erreur type =√((s1/N1) + (s2/N2))
Dans cette équation :
- s1 =est l’écart-type (premier groupe)
- N1 =est la taille de l’échantillon (premier groupe)
- s2 =est l’écart-type (deuxième groupe)
- N2 =est la taille de l’échantillon (deuxième groupe)
8.détermination du T-Score
Dans cette étape, vous devez trouver le t-score. Utilisez l’équation ci-dessous pour trouver le t-score :
t =((µ1-µ2) / (sd))
Dans cette équation
- t =est le t-score
- µ1 = moyenne (premier groupe)
- µ2 = moyenne (deuxième groupe)
- sd =est l’erreur type
9.trouver des degrés de liberté
Maintenant, découvrez les degrés de liberté. Voici la formule pour trouver les degrés de liberté :
degrés de liberté =(s1 + s2) – 2
Dans cette équation
- s1 =échantillons (premier groupe)
- s2 = échantillons (deuxième groupe)
10.utilisation de la table T
Maintenant, vous pouvez calculer votre signification statistique à l’aide du tableau t. Tout d’abord, recherchez les degrés de liberté du côté gauche et déterminez la variance. Ensuite, allez vers le haut et trouvez la valeur p de chaque variable. Ensuite, comparez le niveau de signification ou alpha avec la valeur p. Vous pouvez considérer une valeur p inférieure à 0,05 comme statistiquement significative.
Qu’est-ce que la valeur p ?
La probabilité de trouver les résultats est appelée valeur P. Par exemple, vous comparez les poids des citoyens américains à New York et en Californie. Vous devez partir de l’hypothèse nulle que les New-Yorkais ont un poids moyen supérieur à celui des Californiens.
Supposons maintenant que vous réalisiez l’étude pour déterminer si l’hypothèse nulle est vraie ou non. Après l’étude, vous découvrez que le poids moyen des New-Yorkais est supérieur de 20 livres à celui des Californiens, avec une valeur P de 0,41. Cela signifie que l’hypothèse nulle est vraie, et que les New-Yorkais pèsent plus que les Californiens. Il y a maintenant 47% de chances que vous mesuriez 20 livres de plus que les New-Yorkais.
Mais si les New-Yorkais ne pèsent pas plus, vous devez quand même mesurer 20 livres de plus en raison du bruit dans vos données presque la moitié du temps. Une valeur P plus faible signifie donc des résultats plus précis, car il y a moins de bruit dans les données.
Conclusion
Vous pouvez utiliser la signification statistique pour déterminer la validité des tests et des analyses. Toutefois, cela ne signifie pas que vous disposez de données exactes. De nombreuses enquêtes peuvent fournir des informations incorrectes à partir de données inadaptées. En outre, il se peut que vous utilisiez des données démographiques dont la représentation est biaisée.
En outre, vos idées seront inexactes si vous effectuez mal votre test de signification statistique. Les gens sont généralement confrontés à ce problème lorsque leur niveau de signification (α) est erroné. Il est possible que votre valeur P soit un faux positif. Toutefois, pour contrer ce problème, vous pouvez répéter l’étude. Si vous trouvez une valeur P plus faible que la précédente, vous avez réduit la fausse positivité de votre résultat.
You may also like
Faux négatif
Lors de la compréhension de l’hypothèse, deux erreurs peuvent être assez déroutantes. Ces deux erreurs sont les faux négatifs et les faux positifs. Vous pouvez également vous référer à l’erreur faux négatif comme une erreur de type II et au faux positif comme une erreur de type I. Pendant votre apprentissage, vous pouvez penser que […]
Révision du Box Plot
Un box plot ou un box and whisker plot vous aide à afficher la répartition de la base de données sur un résumé en cinq chiffres. Le premier quartile Q1 sera le minimum, le troisième quartile Q3 sera la médiane et le cinquième quartile Q5 sera le maximum. Vous pouvez trouver les valeurs aberrantes et […]
Réseaux bayésiens
La création d’un modèle probabiliste peut être difficile mais s’avère utile pour l’apprentissage machine. Pour créer un tel modèle graphique, vous devez trouver les relations probabilistes entre les variables. Supposons que vous créiez une représentation graphique des variables. Vous devez représenter les variables comme des nœuds et l’indépendance conditionnelle comme l’absence d’arêtes. Les modèles graphiques […]
