Dans les calculs de puissance, nous calibrons les tests en utilisant la connaissance de ce que serait la distribution d'échantillonnage de la statistique de test sous l'hypothèse nulle. Habituellement, il suit une ou normale. Cela vous permet de calculer des "valeurs critiques" pour lesquelles des valeurs dépassant ces valeurs sont jugées trop incohérentes avec ce qui serait attendu si la valeur nulle était vraie.χ2
La puissance d'un test statistique est calculée en spécifiant le modèle de probabilité pour le processus de génération de données sous une autre hypothèse et en calculant la distribution d'échantillonnage pour la même statistique de test. Cela prend maintenant une distribution différente.
Pour les statistiques de test ayant une sous la valeur nulle, elles prennent une distribution non centrale sous l'alternative que vous créez. Ce sont des distributions très compliquées, mais un logiciel standard peut facilement calculer la densité, la distribution et les quantiles. L'astuce est qu'elles sont une convolution de densités standard et de densités de Poisson. En R, la , et les fonctions ont tous option argument qui est, par défaut, 0.χ 2 χ 2χ2χ2χ2dchisq
pchisq
rchisq
ncp
Si la statistique de test a une distribution normale standard sous l'hypothèse nulle, elle aura une distribution normale moyenne non nulle sous l'alternative. Ici, cette moyenne est le paramètre de non-centralité. Pour un test t avec une hypothèse de variance égale, la moyenne est donnée par:
δ= μ1- μ2σp o o l e d/ n--√
Dans les deux cas, les données générées selon une autre hypothèse auront des statistiques de test suivant une distribution non centrale avec un paramètre de non-centralité ( ). Le est une fonction parfois inconnue, souvent compliquée des autres paramètres de génération de données.δδδ