Si vous voulez gagner votre expo-sciences, l'analyse statistique de vos données est un excellent moyen de vous démarquer de la concurrence, mais lorsque vous obtenez le résultat, dites P = 0,04 – qu'est-ce que ça fait en fait moyenne? Vous pouvez faire tous les calculs à partir du première partie de cet article, mais si vous ne comprenez pas vraiment les chiffres renvoyés par les tests statistiques, vous ne savez toujours pas vraiment ce que votre expérience a trouvé.
Par exemple: pouvez-vous rejeter le "hypothèse nulle« sur la base de votre résultat? Qu'est ce que ça veut dire? Est-il possible que votre découverte soit due au hasard? Que vous dit une corrélation sur la relation entre deux variables? Ce sont les types de questions auxquelles vous devrez répondre pour bien interpréter les résultats de votre expo-sciences.
L'hypothèse nulle
Chaque fois que vous faites des statistiques, vous opposez « l'hypothèse nulle » à votre « hypothèse expérimentale ». L'hypothèse nulle est toujours fondamentalement la même: il n'y a aucune relation entre les choses que vous essai. Dans les expériences scientifiques, vous supposez que l'hypothèse nulle est vraie jusqu'à ce que vous ayez suffisamment de preuves pour la réfuter. En d'autres termes, vous ne supposez pas que vous obtiendrez un certain résultat de vos expériences - vous supposez que votre hypothèse n'est pas vraie jusqu'à ce que les résultats scientifiques vous disent le contraire.
Embrouillé? Voici un exemple. Supposons que vous meniez un projet scientifique pour savoir si les chiens sont droitiers ou gauchers. Votre hypothèse nulle pourrait être que les chiens n'ont pas de patte dominante. À partir de là, vos résultats vous diront si votre hypothèse nulle est vraie ou si les chiens semblent être droitiers ou gauchers.
Mais comment faire la différence entre des résultats réels et ce qui pourrait arriver par pur hasard? Des statistiques, bien sûr !
Déterminer quelles preuves sont « suffisantes » est le travail des tests statistiques, et parce que vous testez l'hypothèse nulle, il est préférable de définir exactement ce que c'est pour votre expérience. Vous devriez vraiment le faire avant de commencer votre travail, mais même si vous vous êtes concentré sur votre expérience hypothèse (la relation que vous soupçonnez peut exister réellement) il est facile de mettre en place une hypothèse nulle après le fait.
Valeurs P et signification statistique
Si votre expérience vous donne une raison suffisante pour rejeter l'hypothèse nulle, cela s'appelle un résultat « statistiquement significatif ». Mais, comme pour la plupart des choses en science, il existe une définition très spécifique de ce que cela signifie réellement, et vous devez être clair à ce sujet lorsque vous examinez les résultats de votre expo-sciences. La définition revient au sens de la P valeur que vous obtenez de votre test statistique.
le P valeur est souvent interprétée à tort comme signifiant "la probabilité que le résultat soit dû au hasard", et bien que cela soit proche du sens qu'il est pas vraiment vrai. le P value vous indique à la place la chance que, si l'hypothèse nulle était vraie, vous obteniez votre résultat en raison d'un bruit statistique aléatoire. Par exemple, si vous testiez si une pièce était pondérée de manière inégale (avec une hypothèse nulle selon laquelle il s'agit d'une pièce équitable), un résultat de 45 face à 55 face serait assez probable de lancer une pièce équitable en raison de la variation statistique générale, et c'est ce que les P valeur quantifie.
Le « niveau de signification » est une valeur seuil pour P – tout ce qui est en dessous est considéré comme suffisamment improbable pour que vous rejetiez l'hypothèse nulle. Ceci est généralement choisi comme P = 0,05 (il n'y aurait donc que 5% de chances que vos résultats soient obtenus dans un monde où l'hypothèse nulle serait vraie), mais en fin de compte, ce n'est qu'une convention. Dans certaines circonstances, un niveau de signification de P = 0,10 est parfaitement correct, et dans d'autres, les scientifiques « relèvent un peu la barre » et fixent un seuil plus strict de P = 0.01. Il est généralement préférable de s'en tenir à P = 0,05, mais comprenez qu'il y a parfois des variations.
Interprétation des corrélations
Si vous testez une différence entre deux groupes, comprendre la signification de la signification statistique est suffisant, mais si votre test implique des corrélations entre deux variables (par exemple, la quantité de lumière qu'une plante reçoit et sa taille, ou le nombre de tentatives précédentes et votre score à un jeu), les choses sont un peu différent. Les tests de corrélation renvoient des valeurs comprises entre -1 et +1, et il est essentiel de comprendre celles-ci et ce que l'un ou l'autre type de corrélation implique pour la causalité pour interpréter vos résultats.
Premièrement, le score de corrélation est facile à comprendre si l'on considère les cas extrêmes. Toute valeur de corrélation positive signifie que les deux variables augmentent ensemble, et une valeur de +1 est un parfait corrélation, où le graphique d'une variable par rapport à une autre est une ligne droite. De la même manière, toute valeur de corrélation négative signifie que lorsqu'une variable augmente, l'autre diminue, et une valeur de -1 est une corrélation négative parfaite. Enfin, une valeur de 0 signifie qu'il n'y a aucune corrélation. Bien sûr, la plupart des résultats seront un nombre décimal (comme 0,65), avec des valeurs plus grandes (nombres plus élevés, positifs ou négatifs) signifiant une corrélation plus forte.
Cependant, une mise en garde clé est que Corrélation ne signifie pas causalité. En d'autres termes, ce n'est pas parce que deux choses sont corrélées que l'une cause l'autre, et vous ne devriez pas être tenté de tirer une telle conclusion dans votre article sur la base d'une corrélation seule. Un bon exemple est une corrélation entre les dents jaunes et le cancer du poumon: ce ne sont pas ces dents jaunes cause cancer du poumon; c'est que fumer cause à la fois des dents jaunes et le cancer du poumon. De la même manière, vos résultats pourraient être dus à un autre facteur que vous n'avez pas pris en compte, il est donc toujours risqué de faire des allégations causales sans preuves très solides au-delà d'une simple corrélation.
Avec ces points à l'esprit, quel que soit votre projet d'expo-sciences, vous devriez être en mesure de faire les statistiques dont vous avez besoin pour et expliquer exactement ce qu'ils montrent. Vous ne gagnerez peut-être pas, mais ce que vous avez appris vous donne les outils dont vous avez besoin pour vraiment attirer l'attention des juges.