Procédure statistique formelle pour évaluer si des données observées sont compatibles avec une hypothèse nulle donnée, en utilisant une statistique de test et une règle de décision qui contrôle la probabilité d'erreur de Type I à un niveau de signification pré-spécifié.

Principe

Le Test d'Hypothèse matérialise la falsification en comparant la preuve observée à la distribution attendue sous la nulle ; les règles de décision (valeurs critiques ou p-valeurs) équilibrent le risque de faux positifs et l'objectif de détecter des écarts significatifs.

Démonstration

Dans des expériences de tarification, l'hypothèse nulle peut affirmer que deux prix donnent des taux de conversion égaux ; les analystes calculent une statistique de test (p. ex. z ou chi-deux), la comparent à la région critique pour α=0,05 et rejettent ou ne rejettent pas la nulle.

Mauvaise application

Considérer l'absence de rejet comme la preuve de l'absence d'effet, exécuter sélectivement de nombreux tests et ne publier que les résultats significatifs (tests multiples/p-hacking), ou interpréter les p-valeurs comme la probabilité que la nulle soit vraie.

Conséquence

Une application correcte fournit des décisions structurées et reproductibles concernant la preuve contre la nulle avec des taux de faux positifs contrôlés ; elle facilite l'accumulation de connaissances si elle est accompagnée d'hypothèses claires et de plans d'analyse pré-spécifiés.

Inversion

L'inversion privilégie l'estimation plutôt que la dichotomie de test, en rapportant tailles d'effet et incertitudes sans décision stricte rejeter/ne pas rejeter ; cette approche met l'accent sur la magnitude et la précision plutôt que sur les résultats binaires.

Limite

S'applique lorsque les hypothèses et les statistiques de test sont bien définies et que les hypothèses d'échantillonnage et de distribution du modèle sont respectées ; exclut les hypothèses ad hoc formulées après observation des données sans correction appropriée.

Tension sémantique

Tension entre le style Neyman-Pearson de test d'hypothèse centré sur les taux d'erreur à long terme et l'approche fisherienne qui met l'accent sur la p-valeur comme mesure de preuve, ainsi qu'entre le test et les méthodes comparatives de modèles bayésiens.

Synthèse

Un Test d'Hypothèse est la comparaison structurée des données observées au modèle nul via une statistique et une règle de décision pour déterminer si la preuve justifie de rejeter la nulle tout en contrôlant l'erreur de Type I.