Comment planifier une étude 01 Choisissez le test qui correspond au plan. Deux moyennes indépendantes, c'est tTwo ; des mesures appariées, tPaired avec d<sub>z</sub> ; des proportions, propTwo avec h. 02 Choisissez ce que vous voulez résoudre. Puissance, N ou effet — les deux autres doivent être fournis. 03 Saisissez l'effet dans les unités du test. d = 0.5 est un demi-écart-type ; h = 0.541 est une différence de proportions transformée par arc sinus. Le panneau convertit entre conventions (d ↔ r, η² ↔ f, proportions ↔ h) pour que l'effet puisse être énoncé dans la forme qu'utilise votre source. 04 Réglez α, les queues et toute correction. α bilatéral = 0.05 par défaut ; une correction de Bonferroni ou de Šidák sur k comparaisons est appliquée à l'α effectif avant le calcul de puissance. 05 Lisez la carte de distribution. Puissance, N (scindé en n₁ et n₂), valeur critique, df et paramètre de non-centralité δ sont tous rapportés, ce qui rend le nombre auditable.
Lectures détaillées
Plan · entrée
Lecture
t à deux échantillons, d = 0.5, α = 0.05, puissance 80 %, bilatéral
N = 128 (64 + 64), puissance 80.146 % , t critique 1.978971 , df 126 , δ 2.82843
Le même plan, unilatéral
N = 101 (51 + 50), puissance 80.241 % , t critique 1.660391 , df 99
Le même plan à N = 100
puissance 69.689 % (δ 2.5 , t critique 1.984467 , df 98 )
Résoudre l'effet à N = 100
d minimal détectable = 0.56588
Objectif 90 % de puissance
N = 171 (86 + 85), δ 3.26912
d = 0.2 au lieu de 0.5
N = 787 (394 + 393)
Bonferroni sur 2 comparaisons
α effective 0.025 , N = 155 (78 + 77)
Deux proportions, h = 0.541
N = 108 (54 + 54)
A/B : 120/1000 contre 150/1000
z 1.96305 , p 0.04964 , significatif ; puissance post-hoc aux taux observés 50.203 % ; N pour 80 % de puissance à ces taux 2036 par groupe
Pourquoi la réponse vient d'une distribution non centrée Sous l'hypothèse nulle, la statistique t à deux échantillons suit une distribution t centrale à 126 degrés de liberté, et le test rejette quand |t| dépasse 1.978971 . Sous l'alternative, elle suit une t non centrée avec les mêmes df et une non-centralité δ = d·√(n₁n₂/(n₁+n₂)) = 2.82843 pour d = 0.5 et 64 par bras. La puissance est la probabilité qu'un tirage de cette distribution décalée tombe au-delà de la valeur critique — 80.146 % . Rien dans le calcul n'est une règle empirique : il intègre la densité non centrée, et le panneau rapporte δ et la valeur critique pour que le résultat puisse être reproduit.
La même machinerie s'inverse dans les deux autres directions. Pour trouver N, le solveur augmente n jusqu'à ce que la probabilité non centrée franchisse la cible ; le saut de 128 à 171 observations pour 90 % de puissance est le prix de l'assurance supplémentaire. Pour trouver l'effet minimal détectable, il cherche l'effet qui donne exactement la puissance cible à N fixé ; à N = 100, c'est d = 0.56588 , donc le plan ne peut pas voir de façon fiable l'effet d = 0.5 pour lequel il a été dimensionné. La ligne unilatérale montre le levier d'une hypothèse directionnelle : la même puissance de 80 % demande 101 observations au lieu de 128, et une correction de Bonferroni sur deux comparaisons porte N à 155 .
Limites et cas limites
La puissance est une propriété du plan, pas des données. Les nombres décrivent la probabilité d'une expérience future sous un effet supposé ; une fois les données là, la puissance n'est pas une statistique observable. Le chiffre post-hoc de la vue A/B est un diagnostic, pas une preuve.
Chaque réponse hérite de l'effet et de la distribution supposés. Un d = 0.5 issu d'un pilote est une estimation avec sa propre incertitude ; le test de deux proportions suppose l'approximation par arc sinus, et la puissance binomiale exacte existe pour les petites études à une proportion où la discrétude compte. Ce qu'il ne fait pas. Il n'exécute pas le test d'hypothèse sur vos données, n'ajuste pas de modèle et ne corrige ni le regroupement ni les données manquantes. Testez de vrais échantillons dans Hypothesis Tests , résumez-les dans Descriptive et surveillez un processus en cours avec le SPC panel .
Le piège de la puissance observée L'exemple A/B est le piège en un tableau : 120/1000 contre 150/1000 donne z = 1.96305 et p = 0.04964 , significatif à α = 0.05, pourtant la puissance post-hoc à ces taux observés n'est que de 50.203 % — un pile ou face. Le résultat n'est pas faux ; il est fragile. Citer la puissance post-hoc comme si elle validait la conclusion confond la probabilité des données sous la nulle avec la probabilité d'une étude future. Le geste honnête est de dimensionner l'étude suivante : à ces taux, 80 % de puissance exige 2036 par groupe.
Le deuxième piège est l'unité de l'effet. d = 0.5 et h = 0.541 sont tous deux « moyens » selon leurs conventions, mais ne sont pas interchangeables ; appliquer une conversion au mauvais test change la N requise. Le troisième est la discrétude : pour l'exemple binomial exact avec n = 30, p₀ = 0.25 et p₁ = 0.5, l'α nominal de 0.05 n'admet que la région de rejet entière X ≤ 2 ou X ≥ 13, dont la taille bilatérale réelle est α = P(X ≤ 2 ou X ≥ 13 | p₀) = 0.032190 , et dont la puissance est la probabilité de cette même région sous p₁ = 0.5, 81.920 % . Quand n est petit, lisez l'α réel, pas celui que vous avez saisi.
Où cela s'inscrit Dimensionner une expérience à deux bras Pour un effet d'un demi-écart-type, bilatéral à 80 % de puissance, la réponse est 128 observations ; doubler l'assurance à 90 % coûte 171 , et corriger deux comparaisons coûte 155 . Chaque nombre vient avec son δ et sa valeur critique pour qu'un relecteur puisse vérifier l'arithmétique.
Lire correctement un résultat sous-dimensionné Un pilote à 50 par bras et d = 0.5 a une puissance de 69.7 % , donc un résultat non significatif n'est pas une preuve d'absence d'effet — c'est le résultat attendu dans trois courses sur dix. « Résoudre l'effet » en fait un énoncé concret : le pilote ne peut détecter de façon fiable que d = 0.566 et au-delà.
Confidentialité Tous les calculs de puissance, courbes et résultats A/B sont faits dans votre navigateur ; rien n'est téléversé.
Références
Wikipedia, Power of a test , en.wikipedia.org (访问日期:2026-10-07)— puissance, β et l'interprétation du plan.
Wikipedia, Noncentral t-distribution , en.wikipedia.org (访问日期:2026-10-07)— la distribution décalée derrière la puissance du test t.
Wikipedia, Sample size determination , en.wikipedia.org (访问日期:2026-10-07)— inverser la puissance pour N et la taille d'effet.
Wikipedia, Bonferroni correction , en.wikipedia.org (访问日期:2026-10-07)— la correction de multiplicité appliquée à α.
G*Power (Faul et al., 2007), psychologie.hhu.de (访问日期:2026-10-07)— l'outil de référence pour l'analyse de puissance par distribution non centrée.
Calculators in this hub
Hand-picked tools, one click away. The mini versions compute live and carry your values into the full calculator.
Sources & review
Updated 2026-10-07