Définitions. Un test paramétrique est un test pour lequel on fait une hypothèse paramétrique sur la loi des données sous H0 (loi normale, loi de Poisson...); Les hypothèses du test concernent alors les paramètres de cette loi. Un test non paramétrique est un test ne nécessitant pas d'hypothèse sur la loi des données.
Quelle est la différence entre un test paramétrique et un test non-paramétrique ? Les tests paramétriques se basent sur des distributions statistiques supposées dans les données. Par conséquent, certaines conditions de validité doivent être vérifiées pour que le résultat d'un test paramétrique soit fiable.
Test statistique utilisé lorsque la ou les variables utilisées suivent une distribution prédéterminée. À l'exception du cas où la ou les variables suivent une loi normale, les tests paramétriques requièrent des échantillons de taille importante (> 30 observations).
Test de la médiane à 1 échantillon (test du signe et test de Wilcoxon) Test de la médiane à 2 échantillons (test de Mann-Whitney) Analyse de la variance (tests de Kruskal-Wallis, de la médiane de Mood et de Friedman) Test sur le caractère aléatoire (test des suites)
Les méthodes non paramétriques sont utiles lorsque l'hypothèse de normalité ne tient pas et que l'effectif d'échantillon est faible. Cela dit, dans les tests non paramétriques, vos données reposent également sur des hypothèses.
ANOVA teste l'homogénéité de la moyenne de la variable quantitative étudiée sur les différentes valeurs de la variable qualitative. L'analyse de la variance, si elle aboutit à un résultat éloigné de zéro, permet de rejeter l'hypothèse nulle : la variable qualitative influe effectivement sur la variable quantitative.
2. Le test de Mann-Whitney. le test de Mann-Whitney est l'alternative non paramétrique de t de Student pour deux échantillons indépendants. Lorsque la distribution des valeurs ne suit pas une loi normale, donc dissymétrique, le test t de student ne s'applique pas; il faut utiliser plutôt le test de Mann-Whitney.
Deux échantillons E1 et E2 sont dit appariés lorsque chaque valeur x1,i de E1 est associée à une valeur x2,i de E2 (appariés = associés par paire : variables dépendantes). Par exemple E1 peut être un groupe de malades avant traitement et E2 le groupe des mêmes malades après traitement.
A.
Le test statistique est utile lorsqu'il faut trancher entre 2 hypothèses : H0 : hypothèse nulle, elle correspond à une situation de statu quo. H1 : hypothèse alternative, elle correspond à l'hypothèse qu'on veut démontrer.
La procédure Test U de Mann-Whitney utilise le rang de chaque observation pour tester si les groupes sont issus de la même population. Les tests de Mann-Whitney servent à vérifier que deux échantillons d'une population ont une position équivalente.
L'hypothèse selon laquelle on fixe à priori un paramètre de la population à une valeur particulière s'appelle l'hypothèse nulle et est notée H0. N'importe quelle autre hypothèse qui diffère de l'hypothèse H0 s'appelle l'hypothèse alternative (ou contre-hypothèse) et est notée H1.
La prise de décision de rejet ou non de l'hypothèse nulle dans le cadre d'un test d'hypothèse. Pour prendre une décision, choisissez le niveau de significativité α (alpha), avant le test : Si p est inférieur ou égal à α, rejetez H0.
Lorsque l'un des effectifs théoriques est inférieur à 5 ou lorsque les sommes marginales du jeu de données réel sont très déséquilibrées, il est préférable de se fier au test exact de Fisher.
Un test de Student peut être utilisé pour évaluer si un seul groupe diffère d'une valeur connue (test t à un échantillon), si deux groupes diffèrent l'un de l'autre (test t à deux échantillons indépendants), ou s'il existe une différence significative dans des mesures appariées (test de Student apparié ou à ...
Seuls tests applicable pour un échantillon de taille inférieure `a 6.
Vous utilisez un test du khi-deux pour tester des hypothèses afin de déterminer si les données sont conformes aux attentes. L'idée de base qui sous-tend le test est de comparer les valeurs observées dans vos données aux valeurs attendues si l'hypothèse nulle est vraie.
Tests non paramétriques
Pour statuer sur la significativité de l'écart de la médiane à la médiane théorique, il suffit donc de vérifier si la fréquence de 11 fois sur 14 est significativement différente de 50%. On observe que cet écart est limite.
Le test bilatéral offre la possibilité de conclure à une différence quel que soit son sens (positive ou négative, effet bénéfique ou effet délétère). Un test unilatéral ne recherche la différence que dans un seul sens (supériorité le plus souvent pour un essai thérapeutique).
On appelle risque alpha le risque de conclure à l'existence d'une différence qui n'existe pas en réalité: en thérapeutique, cela revient à considérer efficace un traitement qui ne l'est pas.
Le test t nous donne un résultat important : il nous informe si la différence observée entre les deux mesures est statistiquement significative, donc si elle n'est pas simplement due au hasard. Toutefois, cette différence significative en termes statistiques peut être insignifiante en termes cliniques.
* Eta carré (ou η2) correspond à la proportion de variance totale expliquée alors que l'eta carré partiel (fourni notamment par SPSS) est le rapport entre la variabilité due à l'effet considéré et la somme des variabilités (Somme des carrés) due à cet effet d'une part et à l'erreur d'autre part.
Test de Student pour échantillon unique
Si la valeur absolue de t (|t|) est supérieure à la valeur critique, alors la différence est significative. Dans le cas contraire, elle, ne l'est pas. Le degré de siginificativité (ou p-value) correspond au risque indiqué par la table de Student pour la valeur |t|.
Tous ces tests sont dits non paramétriques car ils ne nécessitent pas d'estimation de la moyenne et de la variance. En fait, ils n'utilisent même pas les valeurs xi recueillies dans les échantillons, mais seulement leur rang dans la liste ordonnée de toutes les valeurs.
L'énorme avantage de ce test est sa simplicité, même si de ce fait son utilisation est limitée. Comme tous les tests statistiques, il consiste, à partir de ce qui est observé, à mettre en évidence un évènement dont on connait la loi de probabilité (au moins sa forme asymptotique).
En général, un seuil de signification (noté alpha ou α) de 0,05 fonctionne bien. Un seuil de signification de 0,05 indique un risque de 5 % de conclure à tort qu'une différence existe. Si la valeur de p est inférieure ou égale au seuil de signification, vous pouvez rejeter l'hypothèse nulle.