Quand pourriez-vous avoir besoin d’utiliser ce test ? (suite…)
Un deuxième plan d’étude consiste à recruter un groupe d’individus, puis à les répartir en groupes en fonction d’une certaine variable indépendante. Là encore, chaque individu sera affecté à un seul groupe. Cette variable indépendante est parfois appelée variable indépendante d’attribut, car vous divisez le groupe en fonction d’un attribut qu’il possède (par exemple, son niveau d’éducation ; chaque individu a un niveau d’éducation, même si c’est « aucun »). Chaque groupe est ensuite mesuré sur la même variable dépendante après avoir subi la même tâche ou condition (ou aucune). Par exemple, un chercheur souhaite déterminer s’il existe des différences dans la force des jambes entre les joueurs de rugby amateurs, semi-professionnels et professionnels. La force/force mesurée sur une machine isocinétique est la variable dépendante. Ce type de plan d’étude est illustré de manière schématique dans la figure ci-dessous :
Pourquoi ne pas comparer les groupes avec des tests t multiples ?
Chaque fois que vous effectuez un test t, il y a une chance que vous fassiez une erreur de type I. Cette erreur est généralement de 5 %. En effectuant deux tests t sur les mêmes données, vous aurez augmenté votre chance de « faire une erreur » à 10%. La formule permettant de déterminer le nouveau taux d’erreur pour des tests t multiples n’est pas aussi simple que de multiplier 5 % par le nombre de tests. Cependant, si vous ne faites que quelques comparaisons multiples, les résultats sont très similaires si vous le faites. Ainsi, trois tests t seraient de 15% (en réalité, 14,3%) et ainsi de suite. Ce sont des erreurs inacceptables. Une ANOVA contrôle ces erreurs de sorte que l’erreur de type I reste à 5 % et vous pouvez être plus sûr que tout résultat statistiquement significatif que vous trouvez n’est pas simplement dû à l’exécution de nombreux tests. Consultez notre guide sur les tests d’hypothèse pour plus d’informations sur les erreurs de type I.
.