Calculateur d'analyse de puissance

L'analyse de puissance relie quatre grandeurs qui structurent une étude statistique : taille d'effet, seuil de signification, puissance statistique et taille d'échantillon. Ce calculateur réalise une analyse a priori, c'est-à-dire qu'il estime le nombre minimal d'observations indépendantes avant la collecte des données. L'effet est saisi sous forme de d de Cohen, une différence standardisée en unités d'écart-type. Une valeur proche de 0.2 est souvent dite faible, 0.5 moyenne et 0.8 forte, mais une valeur pertinente doit venir de connaissances du domaine, de données antérieures ou du plus petit effet digne d'être détecté. Le seuil de signification, généralement nommé alpha, fixe la probabilité tolérée d'un faux positif lorsque l'hypothèse nulle est vraie. Une valeur conventionnelle est 0.05. La puissance statistique est la probabilité de détecter l'effet spécifié lorsqu'il existe réellement. Les chercheurs visent souvent 0.80 ou 0.90. Augmenter la puissance, réduire alpha ou cibler un effet plus faible accroît l'échantillon requis, car il faut distinguer un signal plus faible avec des exigences de preuve plus strictes. Le calcul utilise une approximation normale bilatérale. Il additionne la valeur critique normale standard correspondant à la moitié d'alpha et celle de la puissance souhaitée, divise la somme par l'effet standardisé, élève au carré et arrondit vers le haut. Ce modèle convient à la planification initiale d'un test de moyenne standardisée à un échantillon et sert d'approximation transparente pour des plans proches. Une étude à deux groupes indépendants exige généralement, dans chaque groupe, un multiple du nombre affiché selon ses hypothèses d'allocation et de variance : consultez une méthode propre au plan avant le recrutement définitif. Le résultat est un minimum statistique, pas un objectif complet de recrutement. Majorez-le pour les abandons, données manquantes, grappes, mesures répétées, allocations inégales, critères principaux multiples ou estimations d'effet incertaines. Les calculs de puissance ne corrigent ni un échantillonnage biaisé, ni de mauvaises mesures, ni un modèle d'analyse inadapté. Documentez chaque hypothèse dans le protocole et envisagez des calculs de sensibilité avec plusieurs effets plausibles pour montrer comment l'incertitude modifie le besoin réel en participants.