Contrairement au test t indépendant des échantillons, il n'est pas nécessaire d'en faire une alternative solide lorsque les données sont ordinales, biaisées ou contenant des valeurs aberrantes. Ce test est souvent appelé test de la somme de grade Wilcoxon (les deux noms sont mathématiquement équivalents).Dans cet article, nous fournissons un guide complet pour comprendre, mener et interpréter le test U Mann-Whitney, y compris un exemple étape par étape, des mesures de taille des effets, des implémentations logicielles et des pièges communs.

C'est quoi le test U de Mann-Whitney ?

Le test Mann-Whitney U évalue si un groupe a tendance à avoir des valeurs plus grandes que l'autre groupe en comparant les rangs de toutes les observations. Il teste l'hypothèse nulle selon laquelle les deux échantillons indépendants proviennent de la même distribution de population par rapport à l'alternative selon laquelle un groupe est stochastiquement plus grand (ou moins) que l'autre.

Développé par Henry Mann et Donald Whitney en 1947, et indépendamment par Frank Wilcoxon, le test est l'une des procédures non paramétriques les plus populaires. Il est souvent enseigné en même temps que le test de la bande signée Wilcoxon (pour les données appariées) et le test Kruskal-Wallis (pour plus de deux groupes). 1947, par Mann et Whitney- Oui.

Quand utiliser le test U Mann-Whitney

Le test est idéal lorsque vous avez deux groupes indépendants et que vos données répondent aux critères suivants:

  • Échantillons indépendants: Les observations dans un groupe ne sont pas appariées ou reliées à celles de l'autre groupe.
  • Données ordinales ou continues: La variable doit être au moins ordinale (p. ex. réponses à l'échelle du Likert, scores de douleur) ou continue (p. ex. temps de réaction, scores de test).
  • Distribution non normale: Si les données sont fortement biaisées ou ont des valeurs aberrantes, le test Mann-Whitney U est préférable au test T.
  • Forme de distribution similaire (facultative mais utile pour l'interprétation des médianes): Pour interpréter le test comme une comparaison des médianes, vous devez supposer que les distributions des deux groupes ont la même forme (à part un éventuel déplacement).

Les applications courantes comprennent la comparaison des résultats du traitement dans les essais cliniques, l'analyse des réponses des enquêtes entre les groupes démographiques et l'évaluation des mesures du rendement dans les études d'expérience des utilisateurs.

Hypothèses du test U Mann-Whitney

Pour assurer des résultats valides, les hypothèses suivantes devraient être satisfaites :

  1. Indépendance : Les échantillons sont indépendants; aucun sujet n'apparaît dans les deux groupes.
  2. Mesure ordinale: Les données sont au moins ordinales de sorte que le classement est significatif.
  3. Échantillonnage aléatoire: Idéalement, les observations sont tirées au hasard de leurs populations respectives.
  4. Forme identique sous la null: Le test est le plus puissant lorsque les distributions sont similaires, mais il reste valable pour détecter tout type de différence de distribution (p. ex., écart, forme). Cependant, si vous voulez interpréter le test strictement comme un test de médianes, vous devez assumer des variances et des formes égales.

Si les données sont continues et normalement distribuées, le test t sera plus puissant, mais le test Mann-Whitney U conserve toujours une bonne efficacité (environ 95 % de la puissance du test t pour les données normales).

Réalisation du test U Mann-Whitney : étape par étape

En pratique, vous utiliserez un logiciel statistique, mais comprendre les étapes renforce la logique.

Étape 1: Présenter les hypothèses

Hypothèse de la nuque (H0): Les deux populations sont identiques, c'est-à-dire qu'il n'y a pas de tendance systématique à ce qu'un groupe ait des valeurs plus grandes que l'autre. Plus formellement, la probabilité qu'une observation sélectionnée au hasard du groupe A soit plus grande que celle du groupe B est égale à 0,5.

Alternative hypothèse (H1): Les populations ne sont pas identiques; en particulier, un groupe a tendance à avoir des valeurs plus grandes (deux ou un côté).

Étape 2 : Collecte et organisation des données

Obtenez deux échantillons indépendants avec des tailles n1 et n2. Le nombre total d'observations est N = n1 + n2. Assurez-vous que vos données sont au moins ordinales.

Étape 3: Classement de tous les points de données

Combinez les deux échantillons et classez les observations de la plus petite à la plus grande. S'il y a des liens, assignez le rang moyen à chaque valeur liée. Par exemple, si les 4e et 5e observations sont toutes deux de 10, chacune obtient le rang 4.5.

Étape 4: Résumez les classements pour chaque groupe

Laissez R1 = somme des rangs d'observations dans le groupe 1 et R2 = somme des rangs dans le groupe 2. Notez que R1 + R2 = N(N+1)/2.

Étape 5: Calculer les statistiques en U

Calculer U1 et U2:

U1 = n1 n2 + (n1(n1+1))/2 - R1

U2 = n1 n2 + (n2(n2+1))/2 - R2

La statistique de test est soit min(U1, U2) ou U1 (selon le logiciel). Les deux valeurs U s'élèvent à n1 n2.

Étape 6: Déterminer la valeur p

Pour les petits échantillons (généralement n1, n2 ≤ 20), utilisez la distribution d'échantillonnage exacte de U. Pour les échantillons plus grands, la distribution de U est approximative d'une distribution normale avec moyenne = n1 n2 / 2 et écart type = sqrt(n1 n2 (N+1)/12). Vous pouvez ensuite calculer un z-score et obtenir une valeur p à partir de la distribution normale.

Étape 7: Tirer une conclusion

Si la valeur de p est inférieure au niveau de signification choisi (p. ex. α = 0,05), rejeter l'hypothèse nulle et conclure que les deux groupes diffèrent de façon significative.

Exemple de calcul

Supposons que nous ayons deux groupes de patients recevant différents traitements. Leurs scores de douleur (sur une échelle 0-10) sont:

  • Groupe A (traitement 1) : 4, 6, 8, 3, 5
  • Groupe B (traitement 2): 9, 7, 10, 5, 6

Étape 3: Classement tous les scores ensemble. Valeurs triées : 3 (A), 4 (A), 5 (A), 5 (B), 6 (A), 6 (B), 7 (B), 8 (A), 9 (B), 10 (B). Attaches : Deux 5 ont un grade moyen (3+4)/2 = 3,5; deux 6 ont un grade moyen (5+6)/2 = 5,5.

  • Groupe A: 1, 2, 3,5, 5,5, 7 → R1 = 1+2+3,5+5,5+7 = 19
  • Groupe B: 3.5, 5.5, 8, 9, 10 → R2 = 3.5+5.5+8+9+10 = 36

Vérifier : R1+R2 = 19+36 = 55 = 10*11/2 = 55.

Étape 5 : Calculer U. n1=5, n2=5. U1 = 5*5 + (5*6)/2 - 19 = 25+15-19 = 21. U2 = 25+15-36 = 4. La statistique de test est U = min(21,4) = 4. (Certains logiciels utilisent U1, mais la conclusion est identique.)

Étape 6 : valeur p. Pour n1=5, n2=5, la valeur critique à α=0,05 (deux queues) est 2 pour le plus petit U. Puisque U=4 est supérieur à 2, nous ne pouvons pas rejeter H0. Il n'y a pas de différence significative dans les scores de douleur entre les deux traitements au niveau 0,05.

Dans la pratique, toujours utiliser un logiciel avec une manipulation correcte des liens. Guide des statistiques laerdes sur le SPSS- Oui.

Interprétation des résultats et rapports

Pour le rapport du test Mann-Whitney U, inclure les éléments suivants :

  • La statistique d'essai (U) et les tailles de l'échantillon (n1, n2).
  • La valeur p, avec le niveau de signification exact utilisé.
  • Une estimation de la taille des effets (voir la section suivante).
  • Une déclaration sur l'orientation de la différence, si elle est significative.

Exemple : « Un test Mann-Whitney U a indiqué que les scores de douleur ne différaient pas significativement entre le traitement A (médiane = 5) et le traitement B (médiane = 7), U = 4, p = 0,075 (exacte, à deux queues). »

Taille de l'effet et importance pratique

Au-delà de la valeur p, il est essentiel de quantifier l'ampleur de la différence. Deux tailles d'effet communes pour le test Mann-Whitney U sont :

Correspondance entre le classement et le classement général (r)

Calculé comme r = 1 - (2U)/(n1 n2) pour le cas à deux faces, ou de façon équivalente r = (2U)/(n1 n2) - 1. La valeur varie de -1 à 1, où 0 indique aucun chevauchement. Dans notre exemple, U=4, n1 n2=25, donc r = 1 - (8/25) = 0,68, ce qui suggère une taille d'effet modérée dans la direction du groupe B ayant des scores plus élevés (bien que non significatifs).

Taille de l'effet linguistique commun (SME)

Cela permet d'estimer la probabilité qu'une observation sélectionnée au hasard du groupe A soit plus grande que celle du groupe B. Elle équivaut à U/(n1 n2). Dans notre exemple, CLES = 4/25 = 0,16, ce qui signifie qu'il n'y a que 16 % de chances qu'une valeur du groupe A dépasse celle du groupe B. Il s'agit d'une mesure plus intuitive.

Utilisation de logiciels statistiques

Tous les paquets statistiques principaux implémentent le test Mann-Whitney U. Voici des exemples dans R et Python.

Autres

Pour les données ci-dessus : retourne U = 21 (le plus grand U) avec p = 0,075.

Python (SciPy)

retourne U = 21 et p = 0,075. Notez que Python par défaut est la plus grande des deux valeurs U.

SPSS

Aller à Analyser > Tests non paramétriques > Dialogues legacy > 2 échantillons indépendants. Placez la variable et la variable de regroupement, sélectionnez Mann-Whitney U et lancez.

Pour plus de détails, voir le Documents scientifiques et les R documentation pour wilcox.test- Oui.

Solutions de rechange au test Mann-Whitney U

  • Essai t indépendant: Utilisez lorsque les données sont normalement distribuées et que les variances sont égales. Plus puissantes mais moins robustes.
  • Le test de Welch : Ne suppose pas des variances égales, nécessite toujours la normalité. Souvent utilisé au lieu du test t groupé.
  • Essai Kruskal-Wallis: Essai non paramétrique pour trois groupes indépendants ou plus, l'extension de Mann-Whitney.
  • Essai Brunner-Munzel: Un essai non paramétrique plus robuste qui ne suppose pas des distributions égales, même sous l'hypothèse nulle. Recommandé lorsque les distributions diffèrent de forme.

Il faut aussi envisager des transformations avant d'appliquer des tests paramétriques ou des tests de permutation pour une inférence sans distribution complète.

Pièges et idées fausses communs

Malgré sa simplicité, plusieurs erreurs se produisent fréquemment:

  • En supposant qu'il teste les médianes sans vérifier la forme de la distribution: Si les deux groupes ont des variances ou des formes différentes, le test Mann-Whitney U peut rejeter la valeur nulle même lorsque les médianes sont égales, car il est sensible aux différences de distribution dans l'ensemble.
  • L'utiliser pour les données appariées: Pour les échantillons dépendants, utilisez plutôt le test de la bande signée Wilcoxon.
  • Ignorer les liens: Les liens réduisent la variance et peuvent gonfler la statistique de test si elle n'est pas bien gérée. Utilisez toujours un logiciel qui s'adapte aux liens.
  • Ne déclarer que la valeur p: Inclure toujours une taille d'effet et un intervalle de confiance pour l'ampleur de la différence.
  • Utiliser un test à une queue sans justification préalable solide : Les tests à deux queues sont standard; les tests à une queue nécessitent une hypothèse directionnelle claire.

Conclusion

Le test Mann-Whitney U est un outil fondamental pour l'analyse non paramétrique de deux groupes indépendants. En se concentrant sur les rangs, il évite les hypothèses restrictives de normalité et est robuste à aberrer. Cet article a couvert la justification du test, les hypothèses, le calcul manuel étape par étape, l'interprétation avec la taille des effets, et les implémentations logicielles. Que vous travailliez avec des données d'essais cliniques, des réponses aux enquêtes ou des mesures comportementales, le test Mann-Whitney U fournit une méthode fiable pour détecter les différences de groupe. Wikipédia article pour un aperçu concis.