Contrairement à des tests paramétriques comme le test de deux échantillons t, le test K‐S ne fait aucune hypothèse sur la forme de distribution sous-jacente, ce qui en fait un outil indispensable pour analyser des données du monde réel qui ne suivent pas une distribution normale ou connue. Cet article fournit un guide complet et faisant autorité pour utiliser efficacement le test K‐S – couvrant la théorie, la mise en œuvre étape par étape, les applications pratiques, l'utilisation des logiciels et les limites importantes.

Qu'est-ce que le test Kolmogorov-Smirnov ?

Le test K‐S permet d'évaluer si deux échantillons indépendants proviennent de la même distribution continue en comparant leurs fonctions de distribution empirique (FED). L'hypothèse nulle indique que les deux échantillons sont prélevés sur la même distribution sous-jacente, tandis que l'hypothèse alternative indique qu'ils proviennent de différentes distributions. D mesure la plus grande distance verticale entre les deux FED. Une petite valeur D suggère que les distributions sont similaires; une grande valeur D indique qu'elles diffèrent sensiblement.

Deux variantes principales existent:

  • Essai K-S à deux échantillons – compare deux distributions empiriques (axe de cet article).
  • Essai K-S d'un seul échantillon – compare une distribution empirique à une distribution théorique entièrement spécifiée (par exemple normale, exponentielle).

La version à deux exemples est souvent préférée pour l'analyse exploratoire des données, le contrôle de la qualité, la validation des modèles et les essais A/B lorsque les hypothèses de distribution sous-jacentes des essais paramétriques sont violées.

Hypothèses de l'essai K-S

Pour obtenir des résultats valides, les conditions suivantes doivent être remplies :

  • Données continues – le test est conçu pour les distributions continues. Les liens dans les données (valeurs identiques) réduisent sa précision; si des liens sont présents, le test devient prudent et un calcul exact de la valeur p n'est pas possible.
  • Échantillons indépendants – les observations à l'intérieur et entre les échantillons doivent être indépendantes. Les données combinées ou dépendantes nécessitent une approche différente.
  • Mesuré sur au moins une échelle ordinale – le test utilise l'ordre des observations, de sorte que les données doivent être comparables en rang.
  • Taille de l'échantillon – le test fonctionne pour n'importe quelle taille d'échantillon, mais de très petits échantillons (p. ex. n & lt; 5) ont une puissance limitée. De grands échantillons peuvent détecter des différences même insignifiantes, donc considérer la taille de l'effet (la statistique D elle-même) en plus des valeurs p.

Comment fonctionne le test à deux échantillons K‐S

Que les deux échantillons soient X (taille m) et Oui (taille n) Leurs fonctions de distribution empirique sont les suivantes :

La statistique K-S D est défini comme le supreme (maximum) de la différence absolue entre ces deux fonctions sur tous x:

Dans la pratique, D est calculé à chaque valeur unique qui apparaît dans l'ensemble de données combiné. La valeur p est alors dérivée de la distribution par échantillonnage de D selon l'hypothèse nulle. scipy.stats.ks 2samp Pour les grands échantillons, on utilise une approximation asymptotique.

Le test peut être effectué en deux faces (les distributions diffèrent de quelque manière que ce soit) ou en un côté (une distribution est stochastiquement plus grande que l'autre).

Procédure étape par étape pour l'essai à deux échantillons K‐S

  1. Expliquez les hypothèses. H0: Les deux échantillons proviennent de la même distribution continue. Ha: Les deux échantillons proviennent de distributions différentes (deux faces).
  2. Choisir un niveau de signification α (habituellement 0,05).
  3. Mélanger et trier les données des deux échantillons.
  4. Calculer les FED pour chaque échantillon à chaque valeur unique.
  5. Calculer D la distance verticale absolue maximale entre les deux FED.
  6. Obtenir la valeur p à l'aide de logiciels statistiques ou de tableaux critiques exacts. Rejeter H0 si p ≤ α.
  7. Interprétation. Si le test est significatif, il est peu probable que les deux distributions soient identiques. Si ce n'est pas significatif, vous ne pouvez exclure qu'elles proviennent de la même distribution (mais note : le non-rejet ne prouve pas l'équivalence).

Interprétation des résultats

La statistique D elle-même mesure l'écart maximal entre les deux distributions cumulatives. Par exemple, D = 0,30 signifie qu'à un moment donné, la proportion cumulative diffère de 30 points de pourcentage entre les échantillons, ce qui peut être une mesure utile de la taille de l'effet.

Pour une analyse complète, il faut tracer les deux EDF (ou utiliser un graphique Q-Q) afin d'examiner visuellement où se produisent les différences. Le test K-S est sensible à toute différence – emplacement, échelle, forme ou comportement de queue – mais il est plus puissant pour détecter les changements au centre de la distribution.

Avec des milliers d'observations, le test peut détecter des différences minuscules statistiquement significatives mais pratiquement non significatives. Dans de tels cas, se concentrer sur l'ampleur de D.

Comparaison avec d'autres essais

  • Test à deux exemples – suppose la normalité et la variance égale; seulement teste la différence de moyens. Le test K‐S est libre de distribution et détecte toute différence de distribution.
  • Essai Mann‐Whitney U – non paramétrique, mais teste si un groupe a tendance à avoir des valeurs plus grandes (ordre stochastique). Le test K‐S est plus sensible aux différences de forme et de propagation.
  • Test Anderson-Darling – souvent plus puissant que K‐S, surtout pour détecter les différences dans les queues. Il donne plus de poids aux queues de la distribution.
  • Test d'indépendance au chi carré – fonctionne sur des données binaires (catégoriques); K‐S est supérieur pour les données continues.

Choisissez le test K‐S lorsque vous avez besoin d'une comparaison générale et sans distribution de deux distributions continues et que vous ne vous concentrez pas exclusivement sur les différences de localisation ou de queue.

Applications pratiques dans tous les domaines

  • Science des données et apprentissage automatique – comparer la distribution des probabilités prédites d'un modèle aux résultats binaires réels; valider que la formation et les ensembles de tests proviennent de la même distribution.
  • Essais A/B – vérifier que les groupes témoins et les groupes de traitement ont des distributions similaires avant l'intervention, ou comparer la distribution d'une métrique clé (p. ex., durée de la session) entre les deux groupes.
  • Contrôle de la qualité – évaluer si un lot d'articles manufacturés a la même distribution d'une dimension critique qu'un lot de référence.
  • Essais cliniques – évaluer si la distribution d'un biomarqueur est la même dans deux populations de patients, surtout lorsque les données ne sont pas normalement distribuées.
  • Finances & économétrie – comparer la répartition des rendements quotidiens sur deux périodes ou actifs différents pour détecter les variations de volatilité ou de risque.
  • Sciences de l'environnement – vérifier si la répartition des concentrations de polluants diffère entre deux sites de surveillance ou entre deux saisons.

Utilisation de logiciels statistiques

Le test K‐S est mis en œuvre dans presque toutes les grandes plateformes statistiques. Voici des exemples concis pour Python et R.

Python (avec SciPy)

La fonction retourne la statistique D à deux faces et la valeur p. Des paramètres supplémentaires permettent des tests à deux faces et un calcul exact de la valeur p pour les petits échantillons. Documents officiels de la SciPy pour plus de détails.

R (avec les statistiques de base)

La fonction supporte également des tests d'un échantillon et de deux échantillons, et peut calculer des valeurs exactes de p pour des échantillons jusqu'à une certaine taille. R documentation pour ks.test- Oui.

MATLAB

MATLAB fournit la fonction pour les essais K-S à deux échantillons :

Limites et considérations importantes

  • Sensibilité aux liens – lorsque le test K‐S suppose des données continues, les liens diminuent sa précision. Le test devient prudent (valeur p-trop grande). Envisager d'ajouter de minuscules jitters aléatoires si les liens sont clairsemés, ou utiliser un autre test (p. ex. Anderson‐Darling) qui gère mieux les liens.
  • Données discrètes – le test n'est pas recommandé à moins que la distribution discrète ne présente de nombreux niveaux; pour les données ordinales ou discrètes, il faut considérer le test chi carré ou la variante de test K-S discrète.
  • Puissance – le test K‐S a une puissance relativement faible près du milieu de la distribution par rapport à des tests comme le test Cramér‐von Mises. Pour détecter des différences spécifiques (p. ex., des variations de variance), un test plus ciblé peut être préférable.
  • Comparaisons multiples – si vous exécutez plusieurs tests K‐S sur le même ensemble de données, ajustez le niveau de signification en utilisant Bonferroni ou FDR correction pour éviter une erreur de type I gonflée.
  • Essai de normalité d'un échantillon – lors de l'utilisation du test K‐S d'un seul échantillon pour vérifier la normalité, vous devez spécifier la moyenne et la variance de la distribution normale théorique. Si vous estimez ces données, le test n'est plus valide (utiliser plutôt le test Lilliefors).

Variations avancées

Au-delà de l'essai à deux faces de base, plusieurs extensions existent:

  • Essai de K-S à sens unique – vérifie si une fonction de distribution cumulative est toujours inférieure à l'autre (c.-à-d. qu'un échantillon est stochastiquement plus grand).
  • Essai K-S pour les hypothèses composites – lorsque les paramètres doivent être estimés, la distribution asymptotique standard ne tient plus. Utilisez un bootstrap ou un test spécialisé (p. ex. Lilliefors pour la normalité, ou utilisez la version à deux exemples qui ne nécessite pas d'estimation des paramètres).
  • Essai K‐S à amorce – un échantillon des données combinées pour calculer une valeur p plus robuste, en particulier lorsque la taille des échantillons est modérée et que les liaisons de manutention sont plus faciles.
  • Statistiques pondérées K-S – des modifications comme la statistique Anderson‐Darling donnent plus de poids aux queues, augmentant la puissance pour certaines alternatives.

Exemple : Analyse des données de capteur du monde réel

Supposons qu'une usine de fabrication mesure le diamètre des roulements à billes produits par deux machines différentes. L'ingénieur soupçonne que les machines peuvent produire des roulements avec des distributions de taille légèrement différentes. Après avoir recueilli 200 roulements de chaque machine, le test K‐S donne D = 0,145 avec p = 0,009. À α = 0,05, l'ingénieur rejette l'hypothèse nulle. Le graphique EDF montre que l'écart se produit à l'extrémité inférieure de la gamme de tailles, suggérant que la machine A produit des roulements légèrement plus petits.

L'ingénieur peut alors étudier la cause.

Conclusion

Le test Kolmogorov-Smirnov est un outil polyvalent et non paramétrique pour comparer deux distributions sans imposer d'hypothèses restrictives. En comprenant ses mécanismes, ses hypothèses et ses limites, vous pouvez l'appliquer avec confiance dans des domaines allant de la science des données à la recherche clinique. Jumelez toujours la statistique du test avec les inspections visuelles des distributions empiriques, et soyez attentifs aux effets de taille de l'échantillon et aux caractéristiques des données telles que les liens.

Pour plus de détails, voir Manuel de statistiques techniques du NIST Pour une plus grande plongée dans la puissance de test et les alternatives, consultez les manuels statistiques avancés ou les ressources en ligne sur les méthodes de comparaison de distribution.