Test d'hypothèse en statistiques : bases et erreurs

Test d'hypothèses : de la philosophie à la pratique

Le test d'hypothèses en statistique repose sur une distinction claire entre la réalité objective et l'aléatoire des données. Une hypothèse est une affirmation sur un fait — vraie ou fausse. La probabilité n'intervient qu'au moment de la collecte des données, que l'on suppose aléatoire.

Exemple : Imaginez demander « Est-ce l'été en ce moment ? » depuis une pièce fermée. Les règles du test sont fixées à l'avance. Critère : la chute de neige rejette l'hypothèse nulle H0 « C'est l'été ». Cela crée un risque d'erreur de type I (α) — rejeter une H0 vraie. La probabilité α est fixée au départ comme niveau de signification.

Un événement critique est improbable sous une H0 vraie. Mais le critère doit distinguer H0 de l'hypothèse alternative H1, en minimisant l'erreur de type II (β) et en maximisant la puissance (1-β).

Erreurs et choix du test

La règle complète : rejeter H0 si l'événement est improbable sous H0 mais probable sous H1. H0 bénéficie d'une présomption d'innocence — elle n'est rejetée qu'avec des preuves solides (α faible).

Mauvais critères :

• Un oiseau rare qui n'apparaît qu'en été : il ne rejetterait jamais une H0 fausse (β=1).
• Une comète : équiprobable à tout moment, elle ne distingue pas les hypothèses.
• Une plage de température étroite de 26,0–26,1 °C : improbable en été mais typique pour lui.

Un bon critère (comme la neige) est improbable sous H0 et probable sous H1.

H1 peut être une simple négation (pas l'été) ou spécifique (automne/printemps). Ce choix influence la puissance. En recherche, H0 est souvent « pas d'effet » en raison du conservatisme scientifique.

Planification de l'expérience

Le test d'hypothèses est un outil pour la prise de décision sous incertitude. Planifiez la taille de l'échantillon à l'avance pour contrôler α et β.

Étapes clés de l'algorithme :

• Formuler H0 et H1.
• Choisir α (niveau de signification).
• Définir l'événement critique pour minimiser β.
• Calculer la puissance.
• Déterminer la taille de l'échantillon.
• Collecter les données et appliquer le test.

Cela pèse les risques d'erreur contre les coûts de la décision.

Points clés

• H0 est protégée : rejetée seulement par un événement improbable (α fixé au départ).
• Puissance du test : probabilité de détecter une H0 fausse (1-β).
• Aléatoire dans les données : l'hypothèse est déterministe ; l'aléatoire est dans l'échantillon.
• Planifiez à l'avance : taille d'échantillon et test fixés avant l'expérience.
• Le contexte compte : adaptez α et H1 au problème.

Angles philosophiques et critiques

L'approche Neyman-Pearson suppose un aléatoire dans la collecte des données (comme lancer une pièce pour tester son équité). Les critiques soulignent : les propriétés de la pièce sont fixes ; la probabilité réside dans la procédure.

Des alternatives comme les méthodes bayésiennes évaluent directement les probabilités des hypothèses, mais l'approche classique se concentre sur les erreurs. En informatique et data science, les deux sont utilisées : classique pour les tests A/B, bayésienne pour les modèles pilotés par des priors.

Pour les développeurs : en ML, le test d'hypothèses valide les modèles (H0 : modèle pas meilleur que la base). Faites une analyse de puissance avant les expériences pour éviter des échantillons sous-puissants.

— Editorial Team