Le test de Bartlett peut être utilisé pour comparer deux variances ou plus. Ce test est sensible à la normalité des données. Autrement dit, si l'hypothèse de normalité des données semble fragile, on utilisera plutôt le test de Levene ou de Fisher.
Les valeurs élevées (proches de 1, 0) indiquent généralement qu'une analyse factorielle peut être utile avec vos données. Si la valeur est inférieure à 0,50, les résultats de l'analyse factorielle ne seront probablement pas très utiles.
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.
Pour les données qui suivent une loi normale, nous privilégions toujours les tests paramétriques. C'est à dire le test T de Student et l'ANOVA. Si cette condition n'est pas remplie, nous devons utiliser des tests non paramètriques tel que le test de Wilcoxon, test de Mann Whitney ou un Kruskal Wallis.
L'analyse de la variance (ANOVA) est très utilisée en statistique et dans le domaine des études marketing. Cette méthode analytique puissante sert à mettre en avant des différences ou des dépendances entre plusieurs groupes statistiques.
Le test de Kruskal-Wallis est un test non paramétrique à utiliser lorsque vous êtes en présence de k échantillons indépendants, afin de déterminer si les échantillons proviennent d'une même population ou si au moins un échantillon provient d'une population différente des autres.
La two-way anova nous permet ainsi d'évaluer l'effet principale de chacune des variables indépendantes mais aussi d'évaluer s'il existe une interaction entre elles. L'ANOVA (One-way ou two-way) nous permet donc de tester l'existence d'une différence significative entre deux ou plusieurs groupes.
L'ANOVA utilise le test F pour déterminer si la variabilité entre les moyens de groupe est plus grande que la variabilité des observations à l'intérieur des groupes. Si ce rapport est suffisamment élevé, vous pouvez conclure que toutes les moyennes ne sont pas égales.
Lorsque l'on cherche à déterminer si deux variables numériques sont liées, on parle de corrélation. Les trois tests de corrélation les plus utilisés sont ceux de Spearman, Kendall et Pearson. Les deux premiers sont des tests non-paramétriques que l'on peut également appliquer sur des variables qualitatives ordinales.
Test unilatéral : test statistique pour lequel on prend comme hypothèse alternative l'existence d'une différence dont le sens est connu. Test bilatérale : test statistique pour lequel on prend, comme hypothèse alternative, l'existence d'une différence, dans un sens ou l'autre.
Le test U de Mann-Whitney est donc le pendant non paramétrique du test t pour échantillons indépendants ; il est soumis à des hypothèses moins strictes que le test t. Par conséquent, le test U de Mann-Whitney est toujours utilisé lorsque la condition de distribution normale du test t n'est pas remplie.
Le test de McNemar permet de déterminer si des proportions appariées sont différentes. Vous pouvez par exemple l'utiliser pour déterminer si un programme de formation à un effet sur la proportion de participants qui répondent correctement à une question.
Or selon la théorie il faut faire un test de Fisher lorsque la présence de racine unitaire n'est pas rejetée (p. value > 5%). Dans le cas contraire, le test convenable est en principe celui de student pour tester uniquement la significativité de la tendance ou de la constante.
En statistique, le Test de Levene est une statistique déductive utilisée pour évaluer l'égalité de variance pour une variable calculée pour deux groupes ou plus. Certaines procédures statistiques courantes supposent que les variances des populations à partir desquelles différents échantillons sont prélevés sont égales.
On obtient une p-value que l'on compare avec 0,05 (ou tout autre seuil). Si elle est supérieure, on ne rejette pas H0. En cas de variances parfaitement égales, TEST. F donne 1 ; en revanche, plus les variances sont dissemblables, plus la p-value tend vers zéro.
Si la statistique-t est supérieure à la valeur critique, alors la différence est significative. Si la statistique-t est inférieure, il n'est pas possible de différencier les deux nombres d'un point de vue statistique.
La corrélation de Spearman utilise le rang des données pour mesurer la monotonie entre des variables ordinales ou continues. La corrélation de Pearson quant à elle détecte des relations linéaires entre des variables quantitatives avec des données suivant une distribution normale.
Formule du coefficient de corrélation de Spearman
Où, Une valeur ⍴ de +1 signifie une association parfaite de rang. Une valeur ⍴ de 0 signifie qu'il n'y a pas d'association de rang. Une valeur ⍴ de -1 signifie une association négative parfaite entre les rangs.
En d'autres termes, le coefficient de corrélation de Pearson calcule l'effet du changement d'une variable lorsque l'autre variable change. Par exemple : Jusqu'à un certain âge (dans la plupart des cas), la taille d'un enfant augmente au fur et à mesure que son âge augmente.
Le test du Chi2 consiste à mesurer l'écart entre une situation observée et une situation théorique et d'en déduire l'existence et l'intensité d'une liaison mathématique. Par exemple, en théorie il y a autant de chance d'obtenir « pile » que « face » au lancer d'une pièce de monnaie, en pratique il n'en est rien.
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. Valeur de p ≤ α : les différences entre certaines moyennes sont statistiquement significatives.
La variance est un concept statistique qui nous permet de mieux comprendre les données. D'un point de vue intuitif, elle aide à comprendre la notion de dispersion. D'un point de vue plus formel, elle permet de multiples applications dans le domaine des statistiques.
C'est la somme des carrés des écarts par rapport à la moyenne / nombre de degrés de liberté = SCE/ddl (ceci lorsque le nombre d'individus composant l'échantillon est réduit ; sinon, utiliser N'=N).
Un test de l'égalité des variances permet de vérifier l'égalité des variances entre des populations ou des niveaux de facteurs.
Le principe de l'ANOVA sur mesures répétées est simple, on va effectuer T ANOVA classique sur chaque répétition t1,…, tT et ensuite on va tester la sphéricité de la matrice de covariance entre les répétitions en utilisant le test de Mauchly et les epsilons de Greenhouse-Geisser et Huynt-Feldt.