Une hypothèse est une déclaration spécifique de prédiction. Elle décrit en termes concrets (plutôt que théoriques) ce que vous attendez de votre étude. Toutes les études ne comportent pas d’hypothèses. Parfois, une étude est conçue pour être exploratoire (voir recherche inductive). Il n’y a pas d’hypothèse formelle, et l’objectif de l’étude est peut-être d’explorer un domaine plus en profondeur afin de développer une hypothèse ou une prédiction spécifique qui pourra être testée lors de recherches futures. Une seule étude peut avoir une ou plusieurs hypothèses.
En fait, chaque fois que je parle d’une hypothèse, je pense en réalité simultanément à deux hypothèses. Disons que vous prédisez qu’il y aura une relation entre deux variables dans votre étude. La façon dont nous mettrions formellement en place le test d’hypothèse est de formuler deux énoncés d’hypothèse, l’un qui décrit votre prédiction et l’autre qui décrit tous les autres résultats possibles par rapport à la relation hypothétique. Votre prédiction est que la variable A et la variable B seront liées (vous ne vous souciez pas de savoir s’il s’agit d’une relation positive ou négative). Alors le seul autre résultat possible serait que la variable A et la variable B ne sont pas liées. Habituellement, nous appelons l’hypothèse que vous soutenez (votre prédiction) l’hypothèse alternative, et nous appelons l’hypothèse qui décrit les autres résultats possibles l’hypothèse nulle. Parfois, nous utilisons une notation comme HA ou H1 pour représenter l’hypothèse alternative ou votre prédiction, et HO ou H0 pour représenter le cas nul. Vous devez cependant être prudent. Dans certaines études, votre prédiction pourrait très bien être qu’il n’y aura pas de différence ou de changement. Dans ce cas, vous essayez essentiellement de trouver un soutien pour l’hypothèse nulle et vous êtes opposé à l’alternative.
Si votre prédiction spécifie une direction, et que la nullité est donc la prédiction d’aucune différence et la prédiction de la direction opposée, nous appelons cela une hypothèse unilatérale. Par exemple, imaginons que vous étudiez les effets d’un nouveau programme de formation des employés et que vous pensez que l’un des résultats sera une diminution de l’absentéisme des employés. Vos deux hypothèses pourraient être formulées de la manière suivante :
L’hypothèse nulle de cette étude est :
HO : Suite au programme de formation des employés de l’entreprise XYZ, il n’y aura pas de différence significative dans l’absentéisme des employés ou il y aura une augmentation significative.
qui est testée par rapport à l’hypothèse alternative :
HA : à la suite du programme de formation des employés de l’entreprise XYZ, il y aura une diminution significative de l’absentéisme des employés.
Dans la figure de gauche, nous voyons cette situation illustrée graphiquement. L’hypothèse alternative – votre prédiction que le programme diminuera l’absentéisme – y est représentée. L’hypothèse nulle doit tenir compte des deux autres conditions possibles : aucune différence, ou une augmentation de l’absentéisme. La figure montre une distribution hypothétique des différences d’absentéisme. Nous pouvons voir que le terme « unilatéral » fait référence à la queue de la distribution sur la variable de résultat.
Lorsque votre prédiction ne spécifie pas de direction, nous disons que vous avez une hypothèse bilatérale. Par exemple, supposons que vous étudiez un nouveau traitement médicamenteux pour la dépression. Le médicament a fait l’objet de quelques essais initiaux sur des animaux, mais n’a pas encore été testé sur des humains. Vous pensez (sur la base de la théorie et des recherches antérieures) que le médicament aura un effet, mais vous n’êtes pas suffisamment confiant pour émettre une hypothèse et dire que le médicament réduira la dépression (après tout, vous avez vu plus d’un traitement médicamenteux prometteur qui s’est finalement avéré avoir des effets secondaires graves qui ont en fait aggravé les symptômes). Dans ce cas, vous pourriez énoncer les deux hypothèses comme ceci :
L’hypothèse nulle de cette étude est :
HO : Suite à la prise de 300mg./jour du médicament ABC, il n’y aura pas de différence significative dans la dépression.
qui est testée par rapport à l’hypothèse alternative :
HA : Suite à la prise de 300mg./jour du médicament ABC, il y aura une différence significative dans la dépression.
La figure de droite illustre cette prédiction à deux intervalles pour ce cas. Encore une fois, remarquez que le terme » à deux queues » fait référence aux queues de la distribution de votre variable de résultat.
Ce qu’il faut retenir de l’énoncé des hypothèses, c’est que vous formulez votre prédiction (directionnelle ou non), puis vous formulez une deuxième hypothèse qui s’exclut mutuellement de la première et qui intègre toutes les issues alternatives possibles pour ce cas. Lorsque l’analyse de votre étude est terminée, l’idée est que vous devrez choisir entre les deux hypothèses. Si votre prédiction était correcte, vous devez (généralement) rejeter l’hypothèse nulle et accepter l’autre. Si les données ne confirment pas votre prédiction initiale, vous accepterez l’hypothèse nulle et rejetterez l’hypothèse alternative. La logique du test d’hypothèse repose sur ces deux principes de base :
- la formulation de deux énoncés d’hypothèse mutuellement exclusifs qui, ensemble, épuisent tous les résultats possibles
- le test de ceux-ci de sorte que l’un soit nécessairement accepté et l’autre rejeté
OK, je sais que c’est une façon alambiquée, maladroite et formaliste de poser des questions de recherche. Mais elle englobe une longue tradition en statistique appelée le modèle hypothético-déductif, et parfois nous devons juste faire les choses parce que ce sont des traditions. Et de toute façon, si tous ces tests d’hypothèses étaient assez faciles pour que n’importe qui puisse les comprendre, comment pensez-vous que les statisticiens resteraient employés ?