Introduction aux essais du chi carré

Lorsqu'on travaille avec des données catégoriques — variables qui se classent dans des groupes distincts plutôt que des échelles continues — les chercheurs doivent souvent déterminer si la distribution observée des dénombrements diffère de ce qui serait attendu selon une hypothèse donnée. Le test du Chi‐carré est la méthode la plus utilisée à cette fin. Il permet d'évaluer la signification statistique des associations entre deux variables catégoriques ou plus, ou de comparer une distribution observée à une distribution théorique.

Le test fonctionne selon le principe de la comparaison des fréquences observées (les nombres réels recueillis) avec les fréquences attendues (les nombres que nous nous attendons à ce qu'il n'y ait pas de relation entre les variables). Un écart important entre les valeurs observées et attendues laisse croire que les variables ne sont pas indépendantes, qu'une association sous-jacente est présente.

Comprendre les données catégoriques

Les données catégoriques, également appelées données qualitatives, peuvent être divisées en deux types principaux: nominal et ordinauxLes catégories nominatives n'ont pas d'ordre intrinsèque (p. ex., type de sang : A, B, AB, O; couleur préférée). Les catégories ordinales ont un ordre naturel mais pas un intervalle fixe entre elles (p. ex., niveau d'éducation : lycée, baccalauréat, maîtrise, doctorat). Les deux types sont souvent résumés comme des nombres ou des proportions plutôt que comme des moyennes ou des médianes.

Voici des exemples de données catégoriques dans la recherche sur le monde réel :

  • Résultats des patients (récupérés, améliorés, sans changement, aggravés)
  • Préférences électorales (candidat A, B, C)
  • Evaluations de satisfaction du client (très satisfait, satisfait, neutre, insatisfait)
  • Types de véhicules dans une ville (voiture, bus, vélo, camion)

Comme les variables catégorisées ne peuvent être calculées de façon significative de la même manière que les variables continues, les tests statistiques d'association doivent reposer sur des comparaisons de fréquence.

Pourquoi ne pas utiliser simplement la corrélation?

Pour les variables catégorisées, le test Chi‐square est approprié car il fonctionne avec les données de comptage et ne nécessite pas de normalité ni de variance égale. Il traite également plus de deux catégories facilement.

Deux types d'essais de chicarré

1. Test de la bonté carrée du pichet

Ce test compare la distribution observée d'une variable catégorisée unique à une distribution attendue. Par exemple, un généticien peut s'attendre à un rapport 3:1 des traits dominants à récessif. Le test de la bonté d'ajustement détermine si la descendance observée compte ce rapport. Un autre exemple : un chercheur du marché qui s'attend à une préférence égale parmi trois marques recueille des données d'enquête; le test de la bonté d'ajustement vérifie si les préférences s'écartent de l'uniformité.

La formule de la statistique de la bonté d'ajustement est la même que la formule générale du Chi carré:

χ2 = - - - - -Les - ELes)2 / ELes- Oui.

où OLes est la fréquence observée dans les catégories i et E;Les est la fréquence attendue selon l'hypothèse nulle. Les degrés de liberté sont (k – 1), où k est le nombre de catégories.

2. Test d'indépendance du Chi-square

Ce test permet d'évaluer si deux variables catégorisées sont associées, c'est-à-dire si la distribution d'une variable dépend des catégories de l'autre. Il s'agit de la plus commune des deux. Les données sont classées dans un tableau de contingence (lignes = catégories d'une variable, colonnes = catégories de l'autre).

Les fréquences prévues pour chaque cellule sont calculées comme suit:

Eij = (TauxLes × Colonne Totalj) / Total général

La statistique d'essai est ensuite calculée à l'aide de la même formule de sommation, mais avec des degrés de liberté (r – 1) × (c – 1), où r = nombre de lignes et c = nombre de colonnes.

Hypothèses du test du chi carré

L'application valide du test du Chi carré exige que plusieurs hypothèses soient respectées :

  • Indépendance des observations: Chaque sujet ou élément ne contribue qu'à une seule cellule du tableau d'urgence. Les données combinées ou appariées (p. ex., les mesures antérieures à la fin sur le même sujet) nécessitent des tests différents (test McNemar).
  • Taille de l'échantillon et fréquences prévues: Pas plus de 20 % des fréquences attendues devraient être inférieures à 5, et aucune fréquence attendue ne devrait être inférieure à 1. Lorsque cette hypothèse est violée, Fisher , le test exact est une solution de rechange plus appropriée.
  • Échantillonnage aléatoire: Les données devraient provenir d'un échantillon aléatoire pour s'assurer que les dénombrements observés représentent la population.
  • Les catégories sont mutuellement exclusives: Chaque observation doit appartenir à une catégorie précise pour chaque variable.

Lorsque ces hypothèses ne sont pas satisfaites, le test Chi‐square peut produire des erreurs de type I gonflées (faux positifs) ou perdre de la puissance statistique.

Procédure étape par étape pour un test d'indépendance

Étape 1: Formuler des hypothèses

Hypothèse de la nuque (H0): Les deux variables sont indépendantes (aucune association).
Alternative hypothèse (H1): Les deux variables sont dépendantes (une association existe).

Étape 2 : Créer une table d'urgence

Supposons que nous examinions la relation entre le sexe (hommes, femmes) et la préférence pour un produit (comme, aversion). Les données pourraient ressembler à:

Exemple Tableau des éventualités
CommeDétesterTotal ligne
Hommes302050
Femmes401050
Total de la colonne7030100

Les fréquences observées sont les comptes dans chaque cellule.

Étape 3 : Calculer les fréquences prévues

Pour la cellule -Male & Like - (Tige Total Homme × Colonne Total Like) / Grand Total = (50 × 70) / 100 = 35. Répéter pour toutes les cellules :

  • Homme & J'aime: 35
  • Hommes & A l'aise: (50×30)/100 = 15
  • Femmes & Aimantes: (50×70)/100 = 35
  • Femmes et aversions: (50×30)/100 = 15

Étape 4: Calculer le statistique du chi carré

Appliquer la formule χ2 = - -[(O – E)2 / E] pour toutes les cellules:

  • Hommes & Aimants: (30-35)2/35 = 25/35 -0.714
  • Hommes et aversions: (20-15)2/15 = 25/15 --
  • Femmes & Aimants: (40-35)2/35 = 25/35 - 0,714
  • Femmes et aversions pour les femmes (10-15)2/15 = 25/15 --

Somme = 0,714 + 1,667 + 0,714 + 1,667 = 4.762

Étape 5 : Déterminer les degrés de liberté

df = (r – 1) × (c – 1) = (2 – 1) × (2 – 1) = 1.

Étape 6 : Comparer à la valeur critique

Pour α = 0,05 et df = 1, la valeur critique d'un tableau de distribution du Chi carré est de 3,841. Puisque notre calcul χ2 (4,762) dépasse 3,841, nous rejetons l'hypothèse nulle.

Étape 7 : Interpréter le résultat

Nous concluons qu'il existe une association statistiquement significative entre le sexe et la préférence pour le produit, ce qui laisse croire que les femmes de l'échantillon sont plus susceptibles de déclarer aimer le produit que les hommes.

Utilisation des valeurs P et des niveaux d'importance

Au lieu de comparer la statistique de test à une valeur critique, la plupart des logiciels statistiques rapportent une valeur p. La valeur p est la probabilité d'obtenir une statistique de Chi carré aussi extrême que, ou plus extrême que, celle observée, en supposant que l'hypothèse nulle est vraie. Si la valeur p est inférieure au niveau de signification choisi (typiquement 0,05), les résultats sont considérés comme statistiquement significatifs.

Pour notre exemple, un Chi-square de 4,762 avec 1 df donne une valeur p d'environ 0,029. Parce que 0,029 < 0.05, we reject H₀. Always report both the test statistic and the p‑value:

, Il y a une association significative entre le sexe et la préférence pour le produit, χ2(1, N = 100) = 4,76, p = 0,029. ,

Analyse après le Hoc et taille des effets

Comparaisons de suivi

Lorsqu'un test Chi‐square comporte plus de deux catégories, un résultat significatif ne vous indique pas quelles sont les catégories différentes. Les tests post‐hoc (p. ex., comparaisons du Chi‐square par paire avec la correction de Bonferroni) peuvent identifier des cellules spécifiques contribuant à l'association globale.

Taille de l'effet: Cramér , V

La signification statistique ne mesure pas la force d'une association. Cramér , V, est une mesure de la taille de l'effet commune pour le test d'indépendance du Chi-carré. Elle varie de 0 (aucune association) à 1 (association parfaite).

V = χ2 / (N × min(r-1, c-1)) ]

Pour notre exemple 2×2 : V = sqrt(4,762 / (100 × 1)) = sqrt(0,04762) - 0,218. Les lignes directrices suggèrent : V - 0,1 est un petit effet, 0,3 moyen, 0,5 grand. Notre résultat indique un effet petit à moyen.

Interprétation des résultats du chi carré dans le contexte

Il est crucial de se rappeler que le test Chi-square indique une association, et non une causalité. Même si deux variables semblent fortement liées, la relation pourrait être influencée par une troisième variable non mesurée. Par exemple, un test Chi-square pourrait montrer une association significative entre les ventes de crème glacée et les attaques de requins, mais les deux sont motivées par le confondateur de la saison (chaleur estivale).

Lorsque vous produisez des résultats, vous devez toujours inclure le tableau de contingence (ou au moins les pourcentages), la statistique du Chi carré, les degrés de liberté, la taille de l'échantillon, la valeur de p et la taille de l'effet.

Limites et pièges communs

Bien que le test du Chi-carré soit simple, il comporte plusieurs limites que les analystes doivent considérer :

  • Sensibilité à la taille de l'échantillon: Avec des échantillons très importants, même des associations insignifiantes deviennent statistiquement significatives.
  • Fréquences peu élevées attendues: Comme on l'a vu, les fréquences prévues en dessous de 5 peuvent invalider l'approximation de la distribution du chi carré. Dans de tels cas, utiliser le test exact Fishers (pour les tableaux 2×2) ou combiner des catégories peu nombreuses (avec prudence).
  • Perte de renseignements: En convertissant des variables continues en catégories, vous perdez granularité et puissance statistique. Évitez de dichotomier des variables continues uniquement pour utiliser un test Chi‐carré.
  • Surinterprétation des résultats non significatifs : Le non-rejet de l'hypothèse nulle ne prouve pas l'indépendance, ce qui signifie simplement que les données ne fournissent pas suffisamment de preuves pour conclure à la dépendance.

Exemple pratique : une expérience en classe

Imaginez qu'un professeur de biologie du secondaire veuille vérifier si la main (gauche, droite) est associée à la façon préférée de plier des avions en papier (pli en deux longueurs par rapport au sens transversal). L'enseignant interroge 120 élèves et obtient le tableau d'urgence suivant :

Handedness vs style pliant
LongueurScène transversaleTotal général
Gauche151025
Droitier504595
Total général6555120

Fréquences attendues : Pour gaucher et dans le sens de la longueur : (25×65)/120 .. 13.54; gaucher et dans le sens de la croix : (25×55)/120 . 11.46; droite et dans le sens de la longueur : (95×65)/120 .51.46; droite et dans le sens de la croix : (95×55)/120 .43.54.

Calculs χ2: (15-13.54)2/13.54 + (10-11.46)2/11.46 + (50-51.46)2/51.46 + (45-43.54)2/43.54 = 0,157 + 0,187 + 0,041 + 0,049 = 0,434 (approx.) df = 1. Valeur critique à α=0,05 = 3,841. < 3.841, we fail to reject H₀. The data do not provide enough evidence to conclude an association between handedness and folding preference. The p‑value would be about 0.51.

Logiciels et mise en œuvre

Dans le cas de la méthode de calcul de la valeur de référence, il est nécessaire de déterminer si la valeur de référence est supérieure à la valeur de référence.

Pour plus de détails, voir le manuel faisant autorité de Alan Agresti, Analyse des données catégoriques (Wiley, 2013) ou le guide pratique Statistiques pour les expérimentations par Box, Hunter et Hunter (Wiley, 2005) . Ressources en ligne comme JMP-S Chi-square test panorama fournir des explications claires et des tutoriels vidéo.

Conclusion

Le test Chi‐carré est un outil polyvalent et accessible pour analyser les données catégoriques. En comprenant ses hypothèses, son calcul et son interprétation, les analystes peuvent tirer des enseignements significatifs des associations dans les résultats d'enquêtes, les résultats expérimentaux et les études d'observation. Que vous testiez une hypothèse génétique ou que vous examiniez le comportement des consommateurs, la maîtrise du test Chi‐carré renforce votre trousse d'outils statistiques et permet des conclusions plus rigoureuses et fondées sur des données probantes.