Calculatrice t d'échantillons appariés - avant/après

Le test t d'échantillons appariés (aussi appelé test t dépendant ou test t de paires appariées) est une procédure statistique paramétrique qui détermine si la différence moyenne entre deux ensembles de mesures liées est significativement différente de zéro (ou de toute autre valeur hypothétique). On parle de test « apparié » parce que chaque observation du groupe 1 correspond exactement à une observation du groupe 2 : les deux mesures proviennent du même sujet, de participants appariés ou du même lieu mesuré à deux moments différents. L'application la plus courante est une étude avant/après : un chercheur mesure une caractéristique (pression artérielle, score d'examen, poids, ventes) avant une intervention, puis à nouveau après. Comme les mêmes individus sont mesurés deux fois, les deux groupes ne sont pas indépendants — ils sont corrélés. Ignorer cette corrélation et utiliser un test t pour échantillons indépendants serait incorrect ; cela sous-estimerait la précision de la comparaison en ne tenant pas compte de la variabilité naturelle entre sujets qui s'annule lorsque l'on travaille sur les différences. L'astuce de calcul qui rend le test t apparié élégant consiste à le réduire à un problème à un seul échantillon. Pour chaque paire i, calculez la différence d_i = Groupe1_i − Groupe2_i. Le test demande alors : la moyenne de ces différences (d̄) est-elle significativement différente de zéro ? Cela transforme le problème à deux échantillons en un test t à un échantillon sur les différences. La statistique de test est t = (d̄ − μ₀) / (s_d / √n), où μ₀ est la différence moyenne hypothétique (généralement 0), s_d l'écart-type empirique des différences et n le nombre de paires. Sous l'hypothèse nulle, la statistique suit une loi t de Student avec df = n − 1 degrés de liberté. La valeur p issue de cette statistique t indique la probabilité d'observer une différence moyenne aussi grande que d̄ (ou plus grande) si la vraie différence moyenne de la population était μ₀. Si la valeur p est inférieure au seuil de signification α choisi, vous rejetez l'hypothèse nulle et concluez qu'il existe une différence moyenne statistiquement significative entre les mesures appariées. L'intervalle de confiance de d̄ fournit une estimation de la plage plausible pour la vraie différence moyenne et est souvent plus informatif que la seule valeur p. Pour que le test t apparié soit valide, les différences d_i doivent être approximativement distribuées normalement. Cette hypothèse se vérifie en examinant un histogramme ou un graphique Q-Q normal des différences. Avec n ≥ 30, le théorème central limite rend cette hypothèse moins critique même si les différences individuelles ne sont pas normales. Pour les petits échantillons présentant des différences clairement non normales, le test des rangs signés de Wilcoxon est l'alternative non paramétrique adaptée. Les applications courantes incluent les essais d'efficacité médicale (avant vs après traitement médicamenteux), la recherche en éducation (pré-test vs post-test), les études de nutrition et de fitness (mesures de base vs suivi) et l'analyse commerciale (ventes avant vs après une campagne publicitaire). Dans chaque cas, l'exigence clé est que chaque paire de valeurs provienne du même individu, de la même entité ou d'une unité appariée — et non de deux groupes indépendants.