Le paramètre de non-centralité est utile pour décrire les statistiques de test couramment utilisées, où le paramètre de non-centralité représente le degré auquel la moyenne de la statistique de test s'écarte de sa moyenne lorsque l'hypothèse nulle est vraie.
Qu'est-ce que le paramètre central ?
Le paramètre de non-centralité (λ) est une mesure du « degré auquel une hypothèse nulle est fausse » (Kirk, 2012). En d'autres termes, cela vous dit quelque chose sur la puissance statistique d'un test. Par exemple, une distribution F avec un paramètre NCP de zéro signifie que la distribution F est une distribution F centrale.
Qu'est-ce que le paramètre de non-centralité δ ?
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 sous une hypothèse de variance égale, la moyenne est donnée par: δ=μ1−μ2σpooled/√n
Quelle est la différence entre la distribution centrale et non centrale ?
Alors que la distribution centrale décrit comment une statistique de test est distribuée lorsque la différence testée est nulle, les distributions non centrales décrivent la distribution d'une statistique de test lorsque la valeur nulle est fausse (donc la hypothèse alternative est vraie). Cela conduit à leur utilisation dans le calcul de la puissance statistique.
Qu'est-ce que la distribution des paramètres de non centralité ?
La distribution t non centrale généralise la distribution t de Student en utilisant un paramètre de non centralité. Alors que la distribution de probabilité centrale décrit comment une statistique de test t est distribuée lorsque la différence testée est nulle, la distribution non centrale décrit comment t est distribué lorsque la valeur nulle est fausse
