Calculateur de taille d'échantillon pour deux moyennes

Qu'est-ce que le calcul de la taille d'échantillon pour comparer les moyennes ?

Avant de mener une expérience comparant deux groupes, vous devez savoir combien de sujets par groupe sont nécessaires pour détecter une différence significative. Trop peu de sujets et vous manquerez de vrais effets ; trop nombreux gaspille des ressources.

Ce calculateur détermine la taille d'échantillon basée sur :

• Taille d'effet attendue (quelle différence vous anticipez)
• Niveau de significativité (α, généralement 0,05)
• Puissance désirée (1 - β, généralement 0,80 ou 0,90)

Les entrées clés

Taille d'effet (d de Cohen)

La différence standardisée que vous voulez détecter :

$d = \frac{\mu_1 - \mu_2}{\sigma}$

Les effets plus petits nécessitent des échantillons plus grands.

Niveau de significativité (α)

La probabilité d'un faux positif (erreur de Type I) :

• α = 0,05 : 5 % de chance de détecter une différence quand aucune n'existe
• α = 0,01 : Plus conservateur, échantillon plus grand nécessaire

Puissance (1 - β)

La probabilité de détecter un vrai effet :

• Puissance = 0,80 : 80 % de chance de détecter une vraie différence
• Puissance = 0,90 : Plus strict, échantillon plus grand nécessaire

La formule

Pour un test t à deux échantillons avec tailles de groupe égales :

$n \approx 2 \times \frac{(z_{1-\alpha/2} + z_{1-\beta})^2}{d^2}$

Où :

• $z_{1-\alpha/2}$ = valeur z critique pour le niveau de significativité
• $z_{1-\beta}$ = valeur z critique pour la puissance
• $d$ = taille d'effet

Exemple : d = 0,5, α = 0,05 (bilatéral), puissance = 0,80

z₀.₉₇₅ = 1,96, z₀.₈₀ = 0,84

n = 2 × [(1,96 + 0,84)² / 0,5²] = 2 × [7,84 / 0,25] = 63 par groupe

Exemples pratiques

Essai médical

« Un nouveau médicament va-t-il réduire le cholestérol d'au moins 10 mg/dL ? »

Différence attendue : 10 mg/dL Écart type combiné : 25 mg/dL d = 10/25 = 0,40

Pour α = 0,05, puissance = 0,80 : n ≈ 100 par groupe

Intervention éducative

« Le programme de tutorat améliore-t-il les scores de test ? »

Amélioration attendue : 5 points Écart type : 15 points d = 5/15 = 0,33

Pour α = 0,05, puissance = 0,80 : n ≈ 144 par groupe

Comparaison de fabrication

« Le processus B est-il plus rapide que le processus A ? »

Différence attendue : 2 minutes Écart type : 5 minutes d = 2/5 = 0,40

Pour α = 0,05, puissance = 0,80 : n ≈ 100 par groupe

Analyse de sensibilité

Effectuer des calculs pour plusieurs scénarios :

Ce tableau aide la planification lorsque la taille d'effet est incertaine.

Tests unilatéraux vs. bilatéraux

Bilatéral (plus courant) : Teste une différence dans les deux directions. Utilise z₁₋α/₂ dans la formule.

Unilatéral : Teste une différence dans une seule direction. Utilise z₁₋α, nécessitant moins de sujets.

Utiliser unilatéral uniquement avec une justification préalable forte.

Tailles de groupe inégales

Si les groupes doivent être inégaux (par ex., rapport 2:1) :

La formule s'ajuste pour le ratio d'allocation k = n₂/n₁.

Pour k = 2 (deux fois plus dans le groupe 2) :

• L'échantillon total augmente légèrement
• Utile lorsqu'une condition est moins chère ou plus facile

Erreurs courantes

Sous-estimer la variabilité

Si l'écart type réel est plus élevé que supposé, vous serez sous-puissant. Utiliser des estimations conservatrices ou des données pilotes.

Tailles d'effet optimistes

Les chercheurs surestiment souvent les effets attendus. Utiliser des estimations réalistes basées sur des recherches antérieures.

Ignorer l'attrition

Planifier les abandons en gonflant la taille d'échantillon :

$n_{\text{inscrit}} = \frac{n_{\text{nécessaire}}}{1 - \text{taux d'abandon}}$

Si 20 % d'abandon attendu : $n_{\text{inscrit}} = n_{\text{nécessaire}} / 0,80$

Oublier de multiplier

La formule donne la taille d'échantillon par groupe. Total échantillon = 2n pour deux groupes égaux.

Contexte historique

Jerzy Neyman et Egon Pearson ont développé les fondements de l'analyse de puissance dans les années 1930.

Jacob Cohen (1969, 1988) a rendu l'analyse de puissance accessible aux chercheurs avec ses livres et conventions de taille d'effet.

Malgré des décennies de plaidoyer, de nombreuses études restent sous-puissantes. Les méta-analyses trouvent régulièrement que les études typiques ont une puissance de seulement 20-50 % pour détecter des effets réalistes.

Puissance post-hoc : ne le faites pas

Calculer la puissance après avoir vu les résultats n'a pas de sens :

• Valeur p élevée → puissance post-hoc faible (circulaire)
• Cela ne répond pas à « Mon étude était-elle adéquatement puissante ? »

L'analyse de puissance devrait être faite avant la collecte de données.

Calculs connexes

• Taille d'échantillon pour deux proportions — Pour les résultats binaires
• Calculateur de puissance statistique — Étant donné n, trouver la puissance
• Calculateur du d de Cohen — Estimer la taille d'effet à partir des données
• Calculateur d'effet détectable minimum — Quel effet pouvez-vous détecter ?
• IC pour différence de moyennes — Analyser les résultats

Résumé

Le calcul de la taille d'échantillon pour comparer les moyennes équilibre les contraintes pratiques contre les besoins statistiques. Étant donné votre taille d'effet attendue, niveau de significativité et puissance désirée, la formule détermine combien de sujets par groupe sont nécessaires. Les petits effets nécessitent de grands échantillons ; les grands effets en nécessitent peu. Planifier de manière conservatrice — sous-estimer les tailles d'effet, surestimer la variabilité, et tenir compte de l'abandon. Une taille d'échantillon adéquate est essentielle pour une recherche significative qui peut détecter de vrais effets quand ils existent.