Les scientifiques cherchent à établir des théories ou à découvrir des lois qui expliquent les observations ou les résultats d’expériences. La première étape consiste à construire une hypothèse, ou une tentative d’explication, pour un ensemble de faits, puis de la tester. Habituellement, des méthodes statistiques sont utilisées : un échantillon de données est examiné pour voir s’il appuie l’explication proposée. Typiquement, une hypothèse nulle, qui contredit l’explication sera construite – ceci est normalement noté H0 – tandis que l’explication elle-même est appelée l’hypothèse alternative, notée HA. Il est initialement supposé que H0 est vrai, et la tâche du chercheur est de montrer que les données ne supportent pas cette conclusion.
Tests d’hypothèses
Habituellement, H0 et HA sont deux déclarations qui s’excluent mutuellement – elles ne peuvent pas toutes les deux être vraies. Ils doivent également être exhaustifs ; c’est-à-dire qu’ils devraient couvrir tous les résultats possibles de l’enquête expérimentale. Un échantillon de données est obtenu, contre lequel l’hypothèse nulle sera testée. L’échantillon doit être d’une taille suffisante pour permettre de tirer des conclusions valables et doit être exempt de tout biais pouvant affecter le résultat.
Les chercheurs doivent alors établir une valeur, ou un ou plusieurs ensembles de valeurs, qui ne supporteraient pas H0. Si les données sont en accord avec ces valeurs, l’hypothèse nulle sera rejetée et l’hypothèse alternative peut alors être considérée comme probablement vraie. Les données de test peuvent souvent être représentées sous forme de graphique, avec un pic au milieu et une queue de chaque côté. En règle générale, la plupart des valeurs de la chose testée se regrouperont vers le milieu de la plage, se rétrécissant vers les extrêmes bas et haut. Par exemple, un ensemble de mesures de la taille d’un grand échantillon de personnes montrera la majorité vers le milieu de la plage, et des nombres plus petits vers les extrémités très courtes et très hautes.
Il existe trois types de tests qui peuvent être appliqués à un ensemble de données. Dans un test à queue droite, il a été déterminé que les données qui sont au-dessus d’une certaine valeur, connue sous le nom de valeur critique, ne supportent pas l’hypothèse nulle ; dans un test à queue gauche, ces données sont inférieures à la valeur critique ; dans un test bilatéral, les données qui ne prennent pas en charge H0 se situent au-dessus et au-dessous d’une certaine valeur ou plage de valeurs. Il n’est pas possible de réfuter complètement l’hypothèse nulle ; au lieu de cela, les chercheurs doivent s’entendre sur une interprétation des données basée sur la probabilité que H0 soit rejeté alors qu’il est réellement vrai. Cette probabilité est connue sous le nom de niveau de signification. Par exemple, si une certaine proportion des données est supérieure à la valeur critique dans un test unilatéral à droite, cela peut indiquer qu’il n’y a que 1% de chance que H0 soit vrai.
Exemple
Une société pharmaceutique teste peut-être les résultats d’un nouveau traitement pour réduire le cholestérol. Dans ce cas, l’hypothèse nulle serait que les taux de cholestérol ne diminuent pas après la prise du médicament, alors que l’hypothèse alternative serait que les taux diminuent. H0 serait supposé être vrai, et les chercheurs rassembleraient alors des données à analyser dans le but de les rejeter.
Les données pourraient consister en des mesures de cholestérol dans un échantillon de personnes avant et après la prise du médicament, par rapport à un échantillon similaire qui ne l’a pas pris, au cours de la même période. Les chercheurs pourraient alors se mettre d’accord sur la quantité de réduction et dans quelle proportion de l’échantillon qui a pris le médicament, peut être considérée comme significative. Cette information peut être utilisée pour définir une valeur critique, telle qu’une réduction de 10 % chez 80 % de ceux qui ont pris le médicament. Si les données tombent au-dessus de ces valeurs, l’hypothèse nulle est rejetée et l’hypothèse alternative acceptée.