Les tests statistiques sont l'épine dorsale de la prise de décision fondée sur des données probantes dans les domaines de la recherche, des affaires et de la science des données. La question de savoir s'il faut utiliser un test paramétrique ou non paramétrique se pose dans presque toutes les études quantitatives. Le choix erroné peut conduire à de fausses conclusions, soit en manquant un effet réel, soit en prétendant qu'il n'existe pas.

Quels sont les essais paramétriques?

Les tests paramétriques sont des procédures statistiques qui supposent que vos données suivent une distribution de probabilité connue, le plus souvent la distribution normale (Gaussian).Ces tests utilisent des paramètres tels que la moyenne de population et l'écart type pour faire des inférences.Comme ils sont basés sur ces paramètres, les tests paramétriques sont généralement plus puissants (c.-à-d. mieux pour détecter les effets réels) lorsque leurs hypothèses sont satisfaites. Ils fournissent également des estimations plus détaillées, comme des intervalles de confiance pour la différence moyenne et la taille des effets dans les unités de mesure originales.

Hypothèses fondamentales des essais parametricaux

Pour utiliser un test paramétrique en toute sécurité, vous devez satisfaire à quatre hypothèses clés :

  • Normalité: Les données (ou les résidus dans le cas de régression/ANOVA) devraient être distribuées approximativement normalement. < 30 per group), use formal tests like Shapiro-Wilk ou Anderson-Darling. Pour les échantillons plus grands, l'inspection visuelle avec des placettes Q-Q ou des histogrammes est souvent suffisante. Le théorème de limite centrale fournit une certaine robustesse pour les grands échantillons, mais une fausseté sévère ou des queues lourdes peuvent encore déformer les valeurs p.
  • Homogénéité de la variance: La diffusion des données entre les groupes devrait être à peu près égale. Le test de Levene est une vérification standard; s'il est significatif (p < 0.05), consider using a Welch correction or switching to a non-parametric alternative.
  • Indépendance : Les observations ne doivent pas avoir d'influence l'une sur l'autre, ce qui est généralement assuré par la conception de l'étude (p. ex. échantillonnage aléatoire, sujets distincts).
  • Échelle de mesure: La variable dépendante doit être continue (intervalle ou rapport). Les données ordinales (p. ex. échelles de Likert) ou les données nominales violent cette hypothèse.

Essais paramétriques courants

  • Essai t indépendant: Comparer les moyennes entre deux groupes non liés (p. ex., médicament contre placebo).
  • Test t couplé: Comparer les moyennes des mêmes sujets mesurées deux fois (p. ex., prétest vs posttest).
  • Une seule voie, ANOVA : Comparer signifie parmi trois groupes indépendants ou plus.
  • Coefficient de corrélation Pearson (r): Mesure l'association linéaire entre deux variables continues.
  • Régression linéaire: Modéliser la relation entre un résultat continu et un ou plusieurs prédicteurs.

Avantages des essais parametricaux

  • Puissance statistique plus élevée : les échantillons de plus petite taille peuvent détecter le même effet que les essais non paramétriques.
  • Plus informatif: fournit des estimations des moyens, des différences moyennes, des pentes et des intervalles de confiance dans les unités originales.
  • Largement disponible et bien documenté dans tous les logiciels statistiques.

Inconvénients et risques

  • Des hypothèses strictes qui sont fréquemment violées dans les données réelles (p. ex. revenu, temps de réaction, mesures biologiques).
  • Très sensible aux valeurs aberrantes – une valeur unique extrême peut déplacer la variance moyenne et gonfler.
  • Non valable pour les données ordinales ou classées.
  • Les petits échantillons non normaux donnent des valeurs p peu fiables.

Quels sont les essais non paramétriques?

Les tests non paramétriques, aussi appelés tests sans distribution, n'assument aucune forme particulière pour la répartition de la population. Ils fonctionnent plutôt sur les rangs ou les signes des données. Par exemple, le test Mann-Whitney U remplace les valeurs brutes par les rangs de l'échantillon combiné et vérifie si un groupe a tendance à avoir des rangs plus grands que l'autre. Cette approche rend les tests non paramétriques robustes pour aberrer, biaiser les distributions et les petites tailles d'échantillons. Ils peuvent analyser directement les données ordinales et sont souvent la seule option lorsqu'ils travaillent avec des résultats catégoriques (p. ex., test chi carré).

Caractéristiques essentielles

  • Pas d'hypothèse de normalité : fonctionne avec une distribution continue, même fortement biaisée.
  • Des variances égales ne sont pas requises — seulement que les distributions sont de même forme (pour certains tests).
  • Peut gérer les données ordinales, intervalles ou ratios; convient également pour les données classées.
  • Résistant aux valeurs aberrantes parce que les extrêmes deviennent des grades élevés ou bas.
  • Souvent, comparer les médianes plutôt que les moyennes, ce qui est plus approprié pour les distributions asymétriques.

Essais non paramétriques courants

  • Essai Mann-Whitney U : Deux groupes indépendants (autre que le test t indépendant).
  • Wilcoxon a signé le test de classement : Deux échantillons appariés/répétés (autre que l'essai t apparié).
  • Essai Kruskal-Wallis: Trois groupes indépendants ou plus (alternative à l'ANOVA unidirectionnelle).
  • Correspondance des grades de Spearman (ρ): Mesure l'association monotonique entre deux variables (alternative à Pearson).
  • Test d'indépendance du chi carré: Tester l'association entre deux variables catégorisées.
  • Essai de Friedman: Données de mesures répétées avec trois conditions ou plus (autres que les mesures répétées ANOVA).
  • Essai de signalisation: Données couplées en utilisant uniquement la direction du changement (très robuste mais faible puissance).

Avantages des essais non paramétriques

  • Très peu d'hypothèses: applicables à presque tous les ensembles de données avec des conditions minimales.
  • Robuste pour aberrer et fausser les distributions sans transformation.
  • Convient aux petits échantillons dont la normalité ne peut être évaluée de manière fiable.
  • Peut être utilisé avec des données ordinales (p. ex. échelles Likert, préférences).

Inconvénients

  • Moins de puissance statistique lorsque les données sont normalement distribuées – vous aurez peut-être besoin de 10 à 20 % de participants supplémentaires pour obtenir la même puissance qu'un test paramétrique.
  • Ne pas estimer des paramètres comme les moyennes ou les coefficients de régression; les dimensions des effets (p. ex., Cohen's d) ne sont pas directement disponibles.
  • Les résultats sont souvent exprimés en grades ou en différences médianes, ce qui peut être moins intuitif pour les intervenants.
  • Certains tests non paramétriques (par exemple Kruskal-Wallis) supposent que les distributions ont des formes similaires si vous voulez comparer les médianes; sinon, vous comparez les distributions plus largement.

Les principales différences en bref

Fonctionnalité ParamètresNon paramétrique
HypothèsesNormalité, variance égale, échelle d'intervalle/rapportPas d'hypothèses de répartition, de flexibilité de l'échelle
Types de données Continu (intervalle/rapport)Ordinal, intervalle, rapport; aussi catégorique pour chi-carré
Tendance centrale MoyenneMédiane
Puissance (lorsque les hypothèses sont réunies) Supérieur Moins
Pouvoir (lorsque les hypothèses sont violées) Valeur de p non valableValable, robuste
Sensibilité plus largeÉlevé Faible
Interprétation Différence moyenne, pentes, unités originales Différence médiane, mesures basées sur le grade
Exemples communsT-test, ANOVA, Pearson, régressionMann-Whitney, Kruskal-Wallis, Spearman, chi-carré

Comment choisir le bon test : un cadre de décision pratique

Le choix entre les tests paramétriques et non paramétriques n'est pas une question de préférence personnelle, il doit être guidé par vos données et votre question de recherche.

1. Identifier votre type de données

  • Nominal (catégories): Utilisez le test chi carré, le test exact Fisher, ou la régression logistique (qui peut être considéré comme paramétrique dans un sens plus large).
  • Ordinal (catégories ordonnées): Par défaut, les essais non paramétriques (Mann-Whitney, Kruskal-Wallis, Spearman).
  • En continu (intervalle/rapport): Procéder à la vérification des hypothèses.

2. Évaluer la taille de l'échantillon

Dans ce cas, les essais non paramétriques sont plus sûrs, sauf si vous avez de solides preuves de normalité. Les grands échantillons (n > 100) fournissent une robustesse via le théorème de la limite centrale, mais une fausseté ou des valeurs aberrantes peuvent encore causer des problèmes.

3. Évaluer la normalité

  • Visual: Histogramme, boxplot, graphique Q-Q.
  • Formel : test Shapiro-Wilk (pour n jusqu'à 2000) ou Anderson-Darling. < 0.05) suggests deviation from normality.

Si les données sont à peu près symétriques et en forme de cloche, des essais paramétriques sont appropriés. S'ils sont fortement biaisés ou ont des valeurs aberrantes claires, envisager la transformation (log, racine carrée, Box-Cox) ou passer à non paramétrique.

4. Vérifier l'homogénéité de la variation

Utilisez le test de Levene ou celui de Bartlett. Si les variances sont inégales, utilisez un test paramétrique avec une correction (p. ex., test de Welch ou ANOVA de Welch) ou ne sont pas paramétriques. Notez que de nombreux tests non paramétriques (p. ex., Mann-Whitney) supposent que les distributions sont semblables dans la forme — si les formes diffèrent, le test ne comparera peut-être pas les médianes de façon équitable.

5. Considérez votre question de recherche

  • Besoin d'estimer une différence moyenne avec un intervalle de confiance? Le paramètre est le meilleur.
  • Vous voulez juste savoir si un groupe a tendance à être plus élevé qu'un autre ?
  • Comparer les groupes avec les résultats ordinaux? Non-paramétrique est votre seule option valide.

6. Quand dans le doute, effectuer les deux analyses

Pour vérifier la sensibilité, exécuter des essais paramétriques et non paramétriques. Si les deux résultats sont identiques (par exemple, p < 0.05 vs. p > Si elles diffèrent, il est probable que les causes sont les suivantes : variances aberrantes, non-normales ou inégales.

Exemples élargis de monde réel

Exemple 1 : essai clinique avec résultat normalement réparti

Scénario : Une société pharmaceutique teste un nouveau médicament pour diminuer la pression artérielle systolique. 60 patients sont affectés au hasard au médicament ou au placebo. La variation de la pression artérielle (continue, intervalle) est enregistrée. Les tests de normalité sont non significatifs, les variances sont égales. Choix : Des échantillons indépendants t-test. Cela donne une différence moyenne, IC à 95 % et une valeur p. Si l'échantillon avait été seulement 12 patients, un test Mann-Whitney U serait plus approprié parce que la normalité ne peut être vérifiée.

Exemple 2 : scores de satisfaction du client

Scénario : Une chaîne de vente au détail compare la satisfaction entre deux formats de magasins en utilisant une échelle de Likert à 7 points (ordinaire). 200 clients par groupe. Choix : Mann-Whitney U test. L'utilisation d'un test t sur des données ordinales suppose des intervalles égaux entre les points d'échelle, ce qui est rarement justifié. Le test non paramétrique compare correctement les distributions des rangs.

Exemple 3: Surveillance environnementale avec des valeurs aberrantes

Scénario : Les niveaux d'arsenic (parties par milliard) sont mesurés à trois endroits de la rivière. À un endroit, un site industriel proche cause des valeurs extrêmes. ANOVA serait fortement influencé par ces valeurs aberrantes. Choix : Test Kruskal-Wallis. Ce test utilise des grades et est robuste à aberrant, ce qui permet de comparer de façon valable si la tendance centrale diffère d'un fleuve à l'autre.

Exemple 4 : Évaluation de la formation pré-post

Scénario : Une entreprise mesure la productivité des employés avant et après un programme de formation (n = 25). Les différences sont clairement biaisées parce que certains employés se sont considérablement améliorés alors que quelques-uns n'ont pas changé. Choix : Cette alternative non paramétrique à l'essai t apparié utilise l'ampleur et la direction des différences, mais n'est pas influencée par des valeurs extrêmes.

Traiter les violations de l'hypothèse : options avancées

Si vos données contreviennent à des hypothèses paramétriques, vous ne vous limitez pas à utiliser des données paramétriques ou non paramétriques.

  • Transformation des données : Appliquer la transformation log, racine carrée ou Box-Cox pour obtenir la normalité et stabiliser la variance. Ensuite, utiliser des tests paramétriques sur les données transformées.
  • Méthodes paramétriques robustes: Utiliser des moyens parés, des systèmes de piégeage ou une régression robuste (p. ex., erreurs standard Huber-White).
  • Essais de permutation: Une alternative non paramétrique qui ne repose pas sur les rangs mais qui remanie les données pour construire une distribution nulle. Ce sont des solutions puissantes et sans supposition, mais qui peuvent être intensives en calcul.
  • Modèles linéaires généralisés (GLM): Pour les distributions non normales (p. ex. Poisson, binomial, gamma), les GLM prolongent le cadre paramétrique sans exiger de normalité.

Tailles des effets et interprétation

Pour les essais paramétriques, les Cohen , les Pearson , les Cohen , les Cohen , les Peyer , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les Cohen , les

  • r = Z / √N pour Mann-Whitney ou Wilcoxon (où Z est la statistique d'essai).
  • Cliffs delta pour Mann-Whitney : mesure la probabilité qu'une valeur sélectionnée au hasard d'un groupe soit plus grande que d'un autre.
  • Kendall , W pour le test Friedman.

Comme les tailles des effets non paramétriques sont moins fréquentes, il est utile de signaler la différence médiane avec l'intervalle de confiance (démarrage).

Conseils pour la mise en œuvre du logiciel

La plupart des logiciels statistiques permettent d'exécuter facilement les deux types de tests :

  • C'est un peu comme ça. pour l'essai en t, pour Mann-Whitney/Wilcoxon; pour l'analyse en aviation, pour Kruskal-Wallis; et pour les corrélations.
  • Python (SciPy) : , , , .
  • - Oui. Analyser → Comparer les moyens → Essais indépendants T ou non paramétriques → Dialogues hérités → 2 échantillons indépendants.

Vérifiez toujours la documentation pour les paramètres par défaut (p. ex. correction de continuité, valeurs p exactes vs. asymptotiques).

Pièges communs à éviter

  • Utilisation de tests paramétriques pour les balances Likert: Même si l'échelle a 7 points, traitez-la comme ordinale à moins que vous ayez prouvé que les intervalles sont égaux (rare).
  • Ignorer les données à plusieurs niveaux ou groupées: Si vous avez des mesures répétées ou des données imbriquées (par exemple, les élèves dans les classes), utilisez des modèles mixtes appropriés ou des solutions non paramétriques comme le test Friedman pour des mesures répétées.
  • Sur-relying sur les valeurs de p en présence d'énormes tailles d'échantillons: Avec de très grands échantillons (n > 1000), les tests de normalité indiqueront même des écarts insignifiants. Utilisez une inspection visuelle et considérez la signification pratique (tailles des effets) à la place.
  • Passage à des fonctions non paramétriques sans explorer les transformations : Une transformation bien choisie peut restaurer la puissance des tests paramétriques tout en préservant l'interpretation.

Conclusion : Intégrer les deux méthodes dans votre trousse d'outils

La décision paramétrique par rapport à la décision non paramétrique n'est pas un choix binaire entre bon et mauvais, c'est un compromis entre puissance et robustesse. Les tests paramétriques brillent lorsque les données répondent à leurs hypothèses, fournissant des estimations précises et une sensibilité élevée. Les tests non paramétriques sont le filet de sécurité : ils fonctionnent dans un plus large éventail de conditions et protègent contre les conclusions trompeuses des hypothèses violées.Les meilleurs chercheurs sont à l'aise avec les deux familles et les appliquent judicieusement sur la base de l'exploration des données.

Lecture et références supplémentaires