Résultat attendu : 2 colonnes : Valeurs du groupe 1 | Valeurs du groupe 2
Déposez un fichier CSV ici ou cliquez pour en choisir un. Analyse effectuée dans votre navigateur : aucun fichier n’est téléchargé.
Résultat attendu : 2 colonnes : Valeurs du groupe 1 | Valeurs du groupe 2
g1 <- c({g1}) g2 <- c({g2}) t.test(g1, g2, var.equal = {eqvar})Mode d'emploi
Quand l'utiliser ? Comparer les moyennes de deux groupes indépendants sur une variable continue.
Hypothèses. Indépendance des observations ; distributions approximativement normales dans chaque groupe ; variances égales (ou utilisation de la correction de Welch).
Erreurs fréquentes. Ne pas utiliser pour des données appariées : utiliser plutôt le test t apparié. Vérifier d’abord la normalité pour les petits échantillons.
Exemple concret
Cliquez sur « Charger les données d'exemple » ci-dessus, puis sur « Lancer l'analyse » pour afficher un résultat complet avec figure, formule et interprétation pour ce test.
Références
- Étudiant. L'erreur probable d'une moyenne. Biometrika. 1908;6(1):1-25.
- Welch BL. La généralisation du problème de Student. Biometrika. 1947;34:28-35.
Calculatrice gratuite Editverse
Calculateur de test t indépendant
Comparez les moyennes de deux groupes indépendants pour une variable continue : calculez la statistique t exacte, les degrés de liberté, la p-valeur et la taille de l’effet. Choisissez le test de Student ou de Welch, consultez la formule et la commande R reproductible, et lisez le guide d’interprétation complet ci-dessous. Validé avec R 4.3.3.
En mots simples
Un test t pose une question simple : les moyennes de deux groupes sont-elles suffisamment éloignées pour que la différence observée soit peu susceptible d’être due au hasard ? Vous entrez les valeurs de chaque groupe, et le calculateur renvoie une valeur p (qui indique à quel point la différence est surprenante si les groupes étaient réellement identiques) et une taille d’effet (qui indique l’ampleur réelle de la différence).
Utilisez ce test lorsque votre variable dépendante est numérique (pression artérielle, score, concentration) et que vous comparez deux groupes de sujets distincts. Si les mêmes personnes sont mesurées deux fois (avant/après), il s'agit alors d'un test t apparié . Si vos données sont asymétriques ou si votre échantillon est très petit, le test U de Mann-Whitney est plus sûr.
Quand utiliser un test t indépendant
Le test t de Student pour échantillons indépendants (à deux échantillons) compare les moyennes d'une variable continue entre deux groupes indépendants — par exemple, un groupe de traitement et un groupe témoin, ou les hommes et les femmes. C'est l'un des tests les plus utilisés en recherche clinique et biomédicale, mais aussi l'un des plus fréquemment mal appliqués.
Utilisez le test t lorsque toutes les conditions suivantes sont réunies : votre variable dépendante est continue ; vous avez deux groupes indépendants (des sujets différents dans chaque groupe) ; la variable dépendante suit approximativement une loi normale au sein de chaque groupe, ou votre échantillon est suffisamment grand pour que le théorème central limite s’applique ; et les observations sont indépendantes les unes des autres. Si les variances diffèrent sensiblement entre les groupes, remplacez la correction de Student par la correction de Welch , qui ne suppose pas l’égalité des variances et constitue une valeur par défaut sûre. Pour trois groupes ou plus, utilisez une ANOVA à un facteur plutôt que plusieurs tests t, qui augmentent le taux de faux positifs. Vous n’êtes pas certain que le test t soit adapté à votre plan expérimental ? Notre outil interactif de sélection de tests vous guide.
Exemples travaillés
Exemple 1 — Médicament vs placebo (significatif)
Six patients sous traitement A présentent les valeurs suivantes : 5.2, 6.1, 5.8, 6.5, 5.9 et 6.2 ; six patients sous placebo présentent les valeurs suivantes : 7.1, 7.8, 8.2, 7.5, 8.0 et 7.9. La moyenne du groupe placebo est nettement supérieure. L’application d’un test t de Welch bilatéral à ces données donne une valeur t négative importante associée à une faible valeur p (p < 0.001), ce qui indique que la différence entre les groupes est très peu susceptible d’être due au hasard. Il convient d’indiquer la différence moyenne et son intervalle de confiance à 95 %, et non la seule valeur p.
Exemple 2 — Groupes qui se chevauchent (non significatif)
Groupe 1 : 10, 11, 12, 13, 14 ; Groupe 2 : 10.5, 11.2, 12.1, 12.8, 14.2. Les moyennes sont presque identiques et les écarts se chevauchent fortement ; le test donne donc une valeur t faible et une valeur p élevée (p > 0.05). La conclusion correcte est qu’il n’existe aucune preuve de différence, ce qui est différent de prouver que les groupes sont égaux, surtout avec seulement cinq observations par groupe.
Hypothèses à vérifier
Indépendance. Chaque observation doit être indépendante des autres. Les mesures répétées sur un même sujet contreviennent à cette règle ; il convient alors d’utiliser un test apparié.
Normalité. Les résultats de chaque groupe doivent suivre approximativement une loi normale. Examinez un histogramme ou un diagramme quantile-quantile (QQ plot) ; pour les petits échantillons, un test de Shapiro-Wilk est utile. Pour les grands échantillons, une légère non-normalité a peu d'incidence.
Variances égales. Le test t de Student suppose que les deux groupes ont des variances similaires. En cas de doute, utilisez la correction de Welch : elle est robuste aux variances inégales et n’entraîne quasiment aucune perte de puissance, ce qui explique pourquoi de nombreux statisticiens l’utilisent par défaut.
Erreurs courantes
Utilisation d'un test t sur des données appariées
Les mesures avant/après effectuées sur les mêmes sujets sont appariées. Utilisez le test t apparié (ou le test de Wilcoxon pour échantillons appariés en cas de différences asymétriques), et non le test t indépendant.
Effectuer de nombreux tests t sur plusieurs groupes
La comparaison de trois groupes ou plus par des tests t appariés répétés augmente le taux de faux positifs. Il est préférable d'utiliser une ANOVA avec correction post-hoc.
Ne rapportant que la valeur p
La valeur p indique si une différence est détectable, et non son ampleur. Il convient de toujours indiquer la différence moyenne, son intervalle de confiance à 95 % et la taille de l'effet (d de Cohen).
Imposer un test paramétrique à des données asymétriques
Si la distribution des résultats est clairement asymétrique ou ordinale et que l'échantillon est petit, le test U de Mann-Whitney est plus approprié.
Questions fréquemment posées
Étudiant ou gallois — lequel choisir ?
En cas de doute sur l'égalité des variances entre les deux groupes, choisissez la méthode de Welch. Celle-ci ne présuppose pas l'égalité des variances et donne des résultats presque aussi bons lorsqu'elles sont égales ; c'est donc un choix sûr par défaut.
À une queue ou à deux queues ?
Utilisez un test bilatéral, sauf si vous avez une hypothèse directionnelle forte et pré-enregistrée. Le test bilatéral est le choix conventionnel et le plus prudent, et c'est ce qu'attendent les évaluateurs.
De combien de participants ai-je besoin ?
Avant de collecter des données, déterminez la taille de l'échantillon et la puissance statistique en fonction de l'effet attendu et d'une puissance cible de 80 %.
Le résultat correspond-il à celui obtenu avec SPSS, R et Stata ?
Oui. La calculatrice utilise les mêmes formules et fonctions de distribution t que les logiciels standards et affiche la commande R exacte afin que vous puissiez la reproduire.
Calculatrices associées
Références
- Étudiant. L'erreur probable d'une moyenne. Biometrika. 1908;6(1):1–25.
- Welch BL. La généralisation du problème de Student lorsque plusieurs variances de population différentes sont impliquées. Biometrika. 1947;34(1–2):28–35.
- Yan F, Robert M, Li Y. Méthodes statistiques et problèmes courants en recherche médicale ou biomédicale. Int J Physiol Pathophysiol Pharmacol. 2017;9(5):157–163. PMID 29209453.
- Greenland S, Senn SJ, Rothman KJ et al. Tests statistiques, valeurs P, intervalles de confiance et puissance : un guide pour éviter les erreurs d’interprétation. Eur J Epidemiol. 2016;31(4):337–350. PMID 27209009.
Besoin de cette analyse pour votre manuscrit ?
Nos biostatisticiens titulaires d'un doctorat exécutent votre test t (et tout ce qui l'entoure), vérifient les hypothèses et fournissent des tableaux prêts à être publiés avec des résultats R reproductibles.
Obtenez l'aide d'experts en statistiques