An Overview of Non-Parametric Tests and When to Use Them
Table of Contents
Quels sont les essais non paramétriques?
Les tests non paramétriques, souvent appelés tests sans distribution, sont des méthodes statistiques qui ne reposent pas sur des distributions de probabilité spécifiques (comme la distribution normale) pour la population à partir de laquelle un échantillon est prélevé. Au lieu de prendre une forme particulière pour les données, ces tests fonctionnent selon des rangs, des signes ou des comptages, ce qui les rend très flexibles lorsque les hypothèses paramétriques traditionnelles sont violées.
Comme ils sont basés sur des valeurs de grade plutôt que sur des valeurs brutes, les tests non paramétriques sont moins sensibles aux scores extrêmes. Un écart qui déplacerait radicalement une variance moyenne et enflante dans un test paramétrique n'a qu'un effet limité sur les positions de grade.Cette résilience les rend idéales pour les données du monde réel qui comprennent souvent des balances biaisées, des échelles limitées (p. ex., cotes 0 à 10) ou de petites tailles d'échantillon. Cependant, cette flexibilité a un coût : lorsque les données satisfont aux hypothèses paramétriques, les tests non paramétriques ont une puissance statistique inférieure.
Essais paramétriques et non paramétriques : différences clés
Le choix entre les essais paramétriques et non paramétriques repose sur trois hypothèses principales : la normalité, l'homogénéité de la variance et le niveau de mesure.Les essais paramétriques supposent que les données sont tirées d'une population normalement répartie, que les variances entre les groupes sont égales (homoscédachisme), et que les variables sont mesurées sur une échelle d'intervalle ou de rapport (où les intervalles entre les valeurs sont significatifs et égaux).
Si ces conditions sont douteuses, le test Mann-Whitney U (non paramétrique) compare les médianes en classant toutes les observations. De même, l'ANOVA unidirectionnelle exige une normalité et une homogénéité, alors que le test Kruskal-Wallis H offre une alternative non paramétrique qui fonctionne parfaitement avec les données classées. Le tableau ci-dessous met en évidence les paires les plus courantes de paramètres/non paramétriques :
- Groupes indépendants (deux) : t‐test → Mann‐Whitney U test
- Groupes mixtes (deux): t‐test pairé → Wilcoxon signe-test
- Groupes indépendants (≥3): ANOVA unidirectionnelle → Essai Kruskal-Wallis H
- Mesures répétées (≥3): ANOVA → Essai Friedman
- Corrélation: Pearson r → Corrélation des grades de Spearman (ρ)
Dans la pratique, de nombreux chercheurs utilisent des tests non paramétriques comme défaut lorsque la taille de l'échantillon est faible (p. ex. moins de 30 par groupe) ou lorsque les données contiennent des valeurs aberrantes qui ne peuvent être transformées ou supprimées.
Types courants d'essais non paramétriques
Il existe une grande variété de tests non paramétriques, qui conviennent à des projets de recherche précis. Les sections ci-dessous couvrent les tests les plus fréquemment utilisés, expliquant leur but, leurs hypothèses et leurs applications typiques.
Test Mann-Whitney U (deux groupes indépendants)
Le test Mann‐Whitney U est l'équivalent non paramétrique du test t indépendant d'échantillons. Il détermine si un groupe a tendance à avoir des valeurs plus grandes que l'autre en classant toutes les observations des deux groupes ensemble, puis en comparant la somme des rangs entre les groupes. Un résultat significatif indique que les distributions diffèrent en fonction de l'emplacement (c'est-à-dire qu'un groupe a tendance à produire des résultats plus élevés ou moins élevés). Ce test est largement utilisé dans les essais cliniques comparant un groupe de traitement à un témoin lorsque le résultat est ordinal ou non normalement distribué.
Essai de bande signé Wilcoxon (deux échantillons connexes)
Le test de Wilcoxon est le pendant du test de t apparié. Il est conçu pour des paires appariées ou des mesures répétées sur les mêmes sujets, comme les mesures avant et après. Le test calcule les différences entre les paires, classe les différences absolues, puis les compare séparément pour les différences positives et négatives. S'il n'y a pas de changement systématique, les sommes devraient être similaires. Un exemple typique est la mesure de la pression artérielle avant et après un traitement dans le même groupe de patients. Le test peut évaluer si le changement médian est significativement différent de zéro.
Kruskal–Wallis H Test (trois groupes ou plus indépendants)
Le test Kruskal‐Wallis étend l'approche Mann‐Whitney pour comparer trois groupes indépendants ou plus. Il s'agit de l'analogue non paramétrique à l'ANOVA unidirectionnelle. Toutes les données de tous les groupes sont classées ensemble et les rangs moyens entre les groupes sont comparés. Un résultat significatif indique qu'au moins un groupe de distribution diffère du reste. Par exemple, un chercheur comparant l'efficacité des pertes de poids dans trois régimes différents pourrait utiliser Kruskal‐Wallis si les données sont biaisées ou contiennent des valeurs aberrantes.
Test Friedman (trois groupes ou plus apparentés)
Le test Friedman est l'alternative non paramétrique aux mesures répétées ANOVA (uniquement dans les sujets ANOVA). Il est utilisé lorsque les mêmes sujets sont mesurés dans trois conditions ou plus, ou lorsque les sujets sont appariés entre les conditions. Le test classe chaque sujet séparément entre les conditions, puis compare les montants des rangs pour chaque condition. Un résultat significatif suggère que les conditions diffèrent dans la tendance centrale. Un exemple classique est un test de goût où chaque participant évalue trois marques différentes de soda sur une échelle de 10 points.
Le test Friedman peut détecter s'il existe un schéma de préférence cohérent entre les marques.
Test d'indépendance Chi-Square (données catégoriques)
Bien que souvent groupé avec des méthodes non paramétriques, le test chi carré fonctionne avec des fréquences ou des nombres de variables catégorisées. Il évalue s'il existe une association significative entre deux variables catégorisées en comparant les fréquences observées à celles attendues sous l'hypothèse nulle d'indépendance. Le test ne suppose pas la normalité, mais il exige que la fréquence attendue pour chaque cellule soit au moins 5 pour que l'approximation soit valide. Par exemple, un sondage demandant aux répondants de déclarer le sexe (mâle/femme) et la préférence pour la boisson (thé/café) peut utiliser le test chi carré pour déterminer si les deux variables sont liées.
Coefficient de corrélation des rangs de Spearman (relations ordinales ou monotoniques)
Spearman ρ est une mesure non paramétrique de la force et de la direction d'une relation monotonique entre deux variables. Elle fonctionne en classant chaque variable séparément et en calculant la corrélation Pearson ρ sur ces rangs. Contrairement à Pearson , Spearman ρ n'assume pas la linéarité ou la normalité, ce qui la rend appropriée pour les données ou les données ordinales avec des valeurs aberrantes. Par exemple, un chercheur qui examine la corrélation entre le rang de l'entreprise (1 = PDG, 2 = VP, etc.) et les années d'expérience utiliserait Spearman ρ parce que la variable de rang est ordinale.
Essais supplémentaires
D'autres essais non paramétriques utiles incluent les Essai de signalisation (version simplifiée du test de la bande signée Wilcoxon qui utilise uniquement la direction des différences), Essai de Kolmogorov-Smirnov (comparant deux distributions indépendantes sans exiger des tailles d'échantillon égales) et la Essai médian d'humeur Bien que moins couramment utilisées, chacune remplit un créneau particulier lorsque les données constituent des violations graves des hypothèses.
Quand utiliser les essais non paramétriques : lignes directrices pratiques
Le choix d'un essai non paramétrique sur sa contrepartie paramétrique dépend de la structure des données et de la conception de l'étude.
- Données ordinales: Les échelles de likert, les préférences classées ou toute mesure où les intervalles ne sont pas égaux.
- Petits échantillons: Avec moins de 20 observations par groupe, les essais de normalité (p. ex. Shapiro‐Wilk) ont une faible puissance, donc l'utilisation d'un essai non paramétrique est plus sécuritaire.
- Violations graves de la normalité: Même avec des échantillons plus grands (p. ex. n = 50 ou plus), si les données sont fortement biaisées, bimodales ou présentent des queues lourdes, les essais non paramétriques fournissent des inférences plus valides.
- Présence de valeurs aberrantes: Les valeurs aberrantes peuvent avoir une incidence considérable sur la moyenne et la variance utilisées dans les tests paramétriques.
- Variances hématogènes: Lorsque les variances de groupe sont radicalement différentes et que les transformations ne contribuent pas, les tests non paramétriques (comme le Mann‐Whitney avec une correction) sont plus robustes.
Il est intéressant de noter que des essais non paramétriques peuvent être utilisés avec des échantillons plus grands même lorsque les hypothèses sont satisfaites, bien qu'elles soient moins puissantes. De nombreux statisticiens recommandent de vérifier d'abord les hypothèses paramétriques. S'ils sont satisfaits, utilisez le test paramétrique pour gagner de la puissance; sinon, passez à une alternative non paramétrique. Aperçu des essais non paramétriques de la statologie- Oui.
Avantages et inconvénients des essais non paramétriques
Avantages
- Aucune hypothèse de répartition: Ils ne nécessitent pas de normalité, de variance constante ou de linéarité, ce qui les rend largement applicables à de nombreux types de données.
- Travaillez avec les données ordinales: De nombreuses mesures du monde réel (p. ex. réponses aux enquêtes, scores de gravité, classements) sont ordinales.
- Robuste pour les plus aberrants : Comme ils utilisent des valeurs de classement plutôt que des valeurs brutes, les observations extrêmes ont une influence limitée sur les statistiques de test.
- Facilité de calcul: Certains tests non paramétriques (p. ex., test de signe) sont assez simples pour être calculés à la main, et les logiciels modernes les rendent tous simples à exécuter.
- Applicable aux très petits échantillons: Même avec les observations 6 à 10, certains essais non paramétriques peuvent donner des résultats significatifs lorsque les essais paramétriques sont invalides (p. ex. en raison d'une violation de la normalité).
- Interprétation : De nombreux tests non paramétriques donnent des résultats basés sur des médianes et des quartiles, qui sont plus faciles à communiquer aux publics non statistiques dans des domaines comme la médecine et les sciences sociales.
Inconvénients
- Puissance statistique inférieure: Lorsque les données répondent à des hypothèses paramétriques, les essais non paramétriques sont moins efficaces — ils nécessitent une taille d'échantillon plus grande pour détecter la même taille d'effet.
- Moins d'options pour les conceptions complexes: Les analogues non paramétriques sont limités, les interactions et les mesures répétées avec de multiples facteurs. Des techniques avancées comme les tests de permutation ou le piégeage peuvent être nécessaires.
- Perte de renseignements: La conversion des données continues en grades permet de rejeter certaines informations sur l'ampleur des différences, ce qui pourrait entraîner une perte de sensibilité.
- Sortie moins intuitive : Les tests paramétriques fournissent des estimations comme des différences moyennes, qui sont faciles à interpréter. Les tests non paramétriques font souvent état de différences médianes ou de sommes de classement, ce qui peut nécessiter une explication minutieuse.
- Les comparaisons posthoc peuvent être plus complexes: Après un test Kruskal-Wallis significatif, de multiples procédures de comparaison (p. ex. test Dunn, test Conover) sont disponibles mais nécessitent une sélection minutieuse pour éviter une erreur de type I gonflée.
Dans la pratique, les chercheurs pèsent ces compromis. Pour les études avec des résultats ordinaux ou de petits échantillons, la robustesse des tests non paramétriques l'emporte généralement sur la perte de puissance. En règle générale, si vous êtes incertains quant à la distribution, il vaut mieux appliquer un test non paramétrique que de déclarer un résultat paramétrique non valide.
Comment déclarer les résultats des essais non paramétriques
Lors de l'écriture des résultats d'un essai non paramétrique, inclure les statistiques d'essai (par exemple, U, W, H, χ2), les degrés de liberté (le cas échéant), la valeur p et une mesure de la taille des effets.
- Mann‐Whitney U: corrélation entre le grade et le nombre de bisériels (r) = 1 – (2U)/(n1n2) ou delta de Cliff.
- Wilcoxon a signé le rang : corrélation entre les paires de grade et de nombre de biséries.
- Kruskal-Wallis: epsilon-squared (ε2) ou eta-squared selon les grades.
- La Commission a adopté une décision concernant la mise en œuvre de la directive 89/769/CEE. et l'intervalle de confiance.
Par exemple : Le test Mann-Whitney U a indiqué que le score médian pour le groupe de traitement (Mdn = 7, IQR = 5–8) était significativement plus élevé que pour le groupe témoin (Mdn = 4, IQR = 3–5), U = 42, p = 0,02, rang-bisériel r = 0,48. La fourniture de médianes et de IQR donne une image claire de la tendance centrale et de la propagation des données, ce qui est conforme au cadre non paramétrique.
Mise en œuvre du logiciel
Tous les paquets statistiques principaux supportent des tests non paramétriques. Ci-dessous sont les appels de fonction communs:
- C'est un peu comme ça. pour Mann‐Whitney et Wilcoxon signent le rang; pour Kruskal‐Wallis; pour Friedman; pour le chi‐carré; pour Spearmans ρ.
- Python (SciPy) : , , , , .
- - Oui. Sous -Analyze → Tests non paramétriques, , choisissez Dialogs legacy pour les menus plus anciens ou les options plus récentes , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,
- C'est pas vrai. pour les essais non paramétriques à sens unique; pour les essais chi-carré; pour la corrélation Spearman.
Pour des instructions plus détaillées et des exemples de travail, Guide statistique des essais non paramétriques fournit un soutien étape par étape.
Conclusion
Les tests non paramétriques sont des instruments essentiels de la trousse statistique du chercheur. Ils fournissent des inférences valides lorsque les données ne répondent pas aux hypothèses strictes des méthodes paramétriques — en particulier avec des données ordinales, de petites tailles d'échantillons ou la présence de valeurs aberrantes. Comprendre les forces et les limites de chaque test, du Mann‐Whitney U pour deux groupes au test Friedman pour des mesures répétées, permet aux analystes de faire des choix méthodologiques solides. Wikipedia article sur les statistiques non paramétriques offre un contexte complet, et cet article de PMC discute des considérations pratiques en recherche biomédicale.