Combien de participants faut-il pour détecter cette taille d’effet ?

Cela dépend de la taille d’effet, de la puissance souhaitée et du seuil de signification. Pour deux groupes indépendants avec α = .05 (bilatéral), détecter d = 0,5 avec une puissance de 80 % nécessite 64 personnes par groupe ; d = 0,8 en nécessite 26 et d = 0,2 en nécessite 394. Après chaque calcul, la page indique l’effectif requis pour atteindre 80 %, 90 % et 95 % de puissance pour l’effet saisi, avec les tests t, l’ANOVA à un facteur et les corrélations.

Qu'est-ce que l'eta-carré et en quoi diffère-t-il de l'omega-carré ?

L'eta-carré mesure la proportion de la variance totale expliquée par un facteur dans l'ANOVA. L'omega-carré est un estimateur moins biaisé de la même quantité. L'eta-carré a tendance à surestimer l'effet sur la population, surtout avec de petits échantillons. Cohen a suggéré des repères de 0,01 (petit), 0,06 (moyen) et 0,14 (grand) pour les deux mesures.

Calculateur de Taille d'Effet

Quantifiez l’ampleur d’une différence entre groupes avec le calculateur de taille d’effet de MiniWebtool. Les moyennes, écarts-types et tailles d’échantillon permettent d’estimer un effet standardisé, qui complète les tests de significativité en mesurant l’importance de l’écart.

Besoin d’aide pour utiliser cet outil ? Demandez à une IA

Gemini (copier et ouvrir)

Dans Gemini, collez la question copiée dans le chat. Vous pouvez aussi la copier ci-dessous.

Voir la question

Je souhaite comprendre comment utiliser l’outil Calculateur de Taille d'Effet de MiniWebtool : https://miniwebtool.com/fr/calculateur-de-taille-d-effet/. À quoi sert-il, quelles données ou quels paramètres faut-il saisir, et comment l’utiliser et interpréter le résultat ? Montrez-moi un exemple simple, étape par étape. Appuyez-vous sur cette page et répondez en français.

3 utilisations gratuites par jourSans inscriptionRésultats instantanés

Calculateur de Taille d'EffetEssayez maintenant — gratuit ▼

Un effet, trois échelles : d = 0,5 correspond à r = 0,24 et r² = 5,9 %

Saisissez ci-dessous la moyenne, l'écart-type et la taille de chaque groupe (ou une valeur de t, F ou r) pour obtenir le d de Cohen, le g de Hedges, r, le recouvrement et plus.

Embed Calculateur de Taille d'Effet Widget

Calculateur de Taille d'Effet

Comprendre les tailles d'effet dans la recherche

Les tailles d'effet sont des statistiques essentielles qui quantifient l'ampleur d'un phénomène, complétant les informations fournies par les valeurs p. Alors qu'une valeur p vous indique si un effet est statistiquement significatif, la taille de l'effet vous indique l'importance de cet effet. Cette distinction est cruciale pour juger de la signification pratique : un résultat statistiquement significatif avec une taille d'effet minuscule peut n'avoir aucune importance dans le monde réel.

📏

d de Cohen

Différence moyenne standardisée entre deux groupes utilisant l'écart-type combiné

🎯

g de Hedges

d de Cohen corrigé du biais, préféré pour les petits échantillons (n < 20)

Delta de Glass

Différence moyenne standardisée par l'écart-type du groupe de contrôle uniquement

η²

Eta-Carré

Proportion de la variance totale expliquée dans l'ANOVA

ω²

Omega-Carré

Estimation de la variance expliquée moins biaisée que η²

f de Cohen

Taille d'effet pour l'ANOVA, dérivée de η²

En bref

Le Calculateur de Taille d'Effet mesure l’ampleur d’une différence entre groupes ou d’une relation, à partir des moyennes des groupes, des valeurs t, des valeurs F de l’ANOVA ou des corrélations. Les mesures comprennent le d de Cohen, le g de Hedges, le delta de Glass, l’êta carré et l’oméga carré.

Calculateur de Taille d'Effet: fonctionnalités en un coup d’œil
Fonctionnalité	Ce que vous obtenez	Idéal pour
Moyennes de deux groupes	Saisissez la moyenne, l’écart type et la taille d’échantillon de chaque groupe pour obtenir des écarts standardisés comme le d de Cohen (écart type poolé), le g de Hedges et le delta de Glass.	Comparer des groupes traitement et contrôle
Saisie du test t	Saisissez une valeur t avec des tailles de groupes indépendants, ou une valeur t appariée avec le nombre de paires.	Articles qui ne rapportent qu’une valeur t
Saisie de l’ANOVA	Saisissez la valeur F avec les degrés de liberté inter et intra-groupes pour obtenir des mesures de variance expliquée, comme l’êta carré, l’oméga carré et le f de Cohen.	Résultats d’une ANOVA à un facteur
Saisie de la corrélation	Saisissez une corrélation r et la taille de l’échantillon pour obtenir une taille d’effet à partir d’une corrélation.	Études de corrélation et conversion r en d
Taille d’effet en langage courant	Le d de Cohen est aussi exprimé comme la probabilité qu’un membre tiré au hasard du groupe 1 obtienne un score supérieur à celui d’un membre tiré au hasard du groupe 2.	Expliquer un résultat à un public non technique
Exemples et export	Les boutons d’exemples remplissent des données types, et les résultats peuvent être copiés en texte ou en tableau, ou téléchargés au format CSV.	Essayer l’outil et reprendre les résultats dans un rapport

Comment calculer le d de Cohen

Le d de Cohen mesure la différence standardisée entre les moyennes de deux groupes :

$$d = \frac{M_1 - M_2}{SD_{pooled}}$$

où l'écart-type combiné est :

$$SD_{pooled} = \sqrt{\frac{(n_1 - 1) \cdot SD_1^2 + (n_2 - 1) \cdot SD_2^2}{n_1 + n_2 - 2}}$$

Un d de Cohen de 0,5 signifie que les moyennes des deux groupes diffèrent d'un demi-écart-type. Le g de Hedges applique un facteur de correction $J = 1 - \frac{3}{4 \cdot df - 1}$ pour réduire le biais vers le haut de d dans les petits échantillons.

Interpréter la taille d'effet avec CLES

La taille d'effet en langage commun (CLES) traduit le d de Cohen en une probabilité intuitive : la chance qu'un individu choisi au hasard dans le groupe 1 obtienne un score plus élevé qu'un individu choisi au hasard dans le groupe 2. Elle est calculée comme suit :

$$CLES = \Phi\left(\frac{d}{\sqrt{2}}\right)$$

où $\Phi$ est la fonction de répartition de la loi normale centrée réduite. Par exemple, d = 0,5 correspond à un CLES d'environ 64 %, ce qui signifie qu'il y a 64 % de chances qu'un membre aléatoire du groupe 1 dépasse un membre aléatoire du groupe 2.

Eta-Carré vs Omega-Carré

Dans l'ANOVA, l'eta-carré (η²) représente la proportion de la variance totale expliquée par la variable indépendante :

$$\eta^2 = \frac{SS_{between}}{SS_{total}} = \frac{F \times df_{between}}{F \times df_{between} + df_{within}}$$

Cependant, η² a tendance à surestimer l'effet sur la population. L'omega-carré (ω²) fournit une estimation moins biaisée :

$$\omega^2 = \frac{df_{between} \times (F - 1)}{df_{between} \times (F - 1) + N}$$

Conversion entre les mesures de taille d'effet

Calculateur de Taille d'Effet: Conversion entre les mesures de taille d'effet
De	Vers	Formule
d de Cohen	r point-bisériale	$r = \frac{d}{\sqrt{d^2 + \frac{(n_1+n_2)^2}{n_1 \cdot n_2}}}$
Corrélation r	d de Cohen	$d = \frac{2r}{\sqrt{1 - r^2}}$
Test t (indépendant)	d de Cohen	$d = t \times \sqrt{\frac{1}{n_1} + \frac{1}{n_2}}$
Test t (apparié)	d_z de Cohen	$d_z = \frac{t}{\sqrt{n}}$
η²	f de Cohen	$f = \sqrt{\frac{\eta^2}{1 - \eta^2}}$

Quand utiliser chaque taille d'effet

Calculateur de Taille d'Effet: Quand utiliser chaque taille d'effet
Scénario	Recommandé	Pourquoi
Deux groupes à variance égale	d de Cohen ou g de Hedges	Mesure standard ; g est préféré quand n < 20 par groupe
Variances inégales	Delta de Glass	Utilise uniquement l'écart-type du groupe de contrôle, non affecté par la variance du traitement
Mesures appariées / répétées	d_z de Cohen	Basé sur les scores de différence ; prend en compte la corrélation intra-sujet
ANOVA à un facteur	η² ou ω²	η² pour un usage descriptif ; ω² pour une estimation de population moins biaisée
Analyse de corrélation	r et r²	r mesure la force ; r² donne la proportion de variance partagée
Méta-analyse	g de Hedges	La correction du biais est essentielle lors du regroupement de tailles d'échantillon diverses

Foire aux questions

Qu'est-ce qu'une taille d'effet ?

Une taille d'effet est une mesure quantitative de l'ampleur d'un phénomène ou de la force d'une relation entre des variables. Contrairement aux valeurs p qui indiquent si un effet existe, les tailles d'effet vous indiquent l'importance de cet effet. Elles sont essentielles pour la méta-analyse, l'analyse de puissance et l'évaluation de la signification pratique dans les études de recherche.

Qu'est-ce que le d de Cohen et comment l'interpréter ?

Le d de Cohen mesure la différence standardisée entre les moyennes de deux groupes, calculée comme la différence des moyennes divisée par l'écart-type combiné. Jacob Cohen a suggéré des repères de 0,2 (petit), 0,5 (moyen) et 0,8 (grand), mais ceux-ci doivent être interprétés dans le contexte de votre domaine de recherche spécifique. Dans certains domaines, un d de 0,2 peut représenter un effet d'intervention significatif.

Quelle est la différence entre le d de Cohen et le g de Hedges ?

Le g de Hedges est une version corrigée du biais du d de Cohen. Le d de Cohen surestime légèrement la taille de l'effet de la population, en particulier avec de petits échantillons (n < 20 par groupe). Le g de Hedges applique un facteur de correction J pour réduire ce biais. Pour les grands échantillons, les valeurs sont presque identiques.

Qu'est-ce que la taille d'effet en langage commun (CLES) ?

Le CLES exprime le d de Cohen sous forme de probabilité : la chance qu'une personne choisie au hasard dans un groupe obtienne un score plus élevé qu'une personne choisie au hasard dans l'autre groupe. Un CLES de 69 % signifie qu'il y a une probabilité de 69 % qu'un membre aléatoire du groupe 1 dépasse un membre aléatoire du groupe 2. C'est beaucoup plus intuitif que les valeurs d brutes pour des publics non techniques.

Quand dois-je utiliser l'eta-carré par rapport à l'omega-carré ?

L'eta-carré (η²) est couramment rapporté mais a tendance à surestimer la taille de l'effet de la population, surtout avec de petits échantillons. L'omega-carré (ω²) fournit une estimation moins biaisée et est généralement recommandé à des fins d'inférence. À des fins descriptives au sein de votre échantillon spécifique, η² est acceptable. Les deux partagent les mêmes repères d'interprétation : 0,01 (petit), 0,06 (moyen), 0,14 (grand).

Les tailles d'effet peuvent-elles être négatives ?

Oui, les tailles d'effet directionnelles comme le d de Cohen et la corrélation r peuvent être négatives. Un d de Cohen négatif signifie que le groupe 2 a une moyenne plus élevée que le groupe 1. Un r négatif indique une relation inverse. Le signe indique la direction, tandis que la valeur absolue indique la magnitude. Les mesures basées sur la variance (η², ω², r²) sont toujours non négatives.

Comment calculer le d de Cohen à partir des résultats des groupes de traitement et de contrôle ?

Le d de Cohen correspond à la différence entre les moyennes des groupes divisée par leur écart-type combiné. Par exemple, si la moyenne du groupe de traitement est de 82, celle du groupe témoin de 76 et l’écart-type combiné de 12, alors d = (82-76) ÷ 12 = 0,50. Dans la section à deux groupes, saisissez pour chaque groupe la moyenne, l’écart-type et la taille de l’échantillon afin de calculer les mesures d’effet standardisées.

Une taille d’effet peut-elle être pertinente si la valeur p d’une étude n’est pas significative ?

Oui. Une taille d’effet décrit l’ampleur estimée d’une différence ou d’une relation, tandis que la valeur p indique dans quelle mesure les données sont compatibles avec une hypothèse nulle, sous les hypothèses du test. Une étude avec un petit échantillon peut estimer un effet important tout en laissant subsister une grande incertitude. Examinez la taille d’effet avec la taille de l’échantillon, l’incertitude, le plan d’étude et le contexte pratique.

Quand utiliser le delta de Glass plutôt que le d de Cohen ?

Le delta de Glass est utile lorsque l’écart-type du groupe témoin constitue la référence appropriée pour la variabilité, surtout si le traitement peut modifier la dispersion des scores. Il divise la différence entre les moyennes des groupes par l’écart-type du groupe témoin. Le d de Cohen utilise généralement l’écart-type combiné des deux groupes. Précisez la mesure utilisée afin que les lecteurs sachent comment la différence standardisée a été définie.

Citez ce contenu, cette page ou cet outil comme suit :

"Calculateur de Taille d'Effet" sur https://MiniWebtool.com/fr/calculateur-de-taille-d-effet/ de MiniWebtool, https://MiniWebtool.com/

par l'équipe MiniWebtool. Mis à jour : 2026-04-16

API développeur disponible: Exécutez cet outil depuis votre app, automatisation ou agent avec une requête HTTP JSON. Voir la documentation API

Discutez avec votre IA préférée

Gemini (copier et ouvrir)

Dans Gemini, collez la question copiée dans le chat. Vous pouvez aussi la copier ci-dessous.

Voir la question

Je souhaite comprendre comment utiliser l’outil Calculateur de Taille d'Effet de MiniWebtool : https://miniwebtool.com/fr/calculateur-de-taille-d-effet/. À quoi sert-il, quelles données ou quels paramètres faut-il saisir, et comment l’utiliser et interpréter le résultat ? Montrez-moi un exemple simple, étape par étape. Appuyez-vous sur cette page et répondez en français.

Calculateur de Taille d'Effet

Calculateur de Taille d'Effet

Comprendre les tailles d'effet dans la recherche

En bref

Comment calculer le d de Cohen

Interpréter la taille d'effet avec CLES

Eta-Carré vs Omega-Carré

Conversion entre les mesures de taille d'effet

Quand utiliser chaque taille d'effet

Foire aux questions

Discutez avec votre IA préférée

Statistiques et analyse de données:

Résolution mathématique

Nombres et facteurs

Fractions et division

Puissances, racines et logarithmes

Algèbre et équations

Calcul différentiel et intégral

Géométrie et trigonométrie

Outils populaires et mis à jour:

Téléchargez tout le lot dans un fichier avec Pro

De	Vers	Formule
d de Cohen	r point-bisériale	\(r = \frac{d}{\sqrt{d^2 + \frac{(n_1+n_2)^2}{n_1 \cdot n_2}}}\)
Corrélation r	d de Cohen	\(d = \frac{2r}{\sqrt{1 - r^2}}\)
Test t (indépendant)	d de Cohen	\(d = t \times \sqrt{\frac{1}{n_1} + \frac{1}{n_2}}\)
Test t (apparié)	d_z de Cohen	\(d_z = \frac{t}{\sqrt{n}}\)
η²	f de Cohen	\(f = \sqrt{\frac{\eta^2}{1 - \eta^2}}\)