D'autres méthodes de comparaison multiple comprennent le test de Tukey-Kramer de toutes les différences par paire, l'analyse des moyennes (ANOM) pour comparer les moyennes du groupe à la moyenne globale, ou le test de Dunnett pour comparer chaque moyenne du groupe à la moyenne de contrôle.
Utilisez le test t ou le test z pour un échantillon pour comparer la moyenne d'un échantillon à une référence.
Le test t est utilisé lorsque vous devez trouver la moyenne de la population entre deux groupes, tandis que lorsqu'il y a trois groupes ou plus, vous optez pour le test ANOVA. Le test t et l'ANOVA sont tous deux des méthodes statistiques permettant de tester une hypothèse.
Duncan en 1955. Ce test post-hoc ou test de comparaisons multiples peut être utilisé pour déterminer les différences significatives entre les moyennes des groupes dans une analyse de variance.
Le test T est une statistique inférentielle utilisée pour évaluer les différences entre les moyennes de deux groupes. Le test T est généralement utilisé lorsque les ensembles de données suivent une distribution normale et peuvent avoir des variances inconnues.
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.
Si la borne inférieure et la borne supérieure sont positives, alors les deux moyennes sont significativement différentes et la moyenne du sondage 1 est supérieure à celle du sondage 2.
Une approche utilisée dans R avec la fonction "fisher. test" calcule la valeur p en sommant les probabilités de toutes les tables ayant une probabilité inférieure ou égale à celle de la table observée. Le test permet de rejeter l'indépendance entre le sexe et le fait de faire un régime.
Le test de Shapiro-Wilk. Un des tests permettant de vérifier la normalité de la variable x est le test de Shapiro-Wilk. Il est appliquable pour des échantillons allant jusqu'à 50 valeurs. Il utilise le rapport de deux estimations de la variance.
C'est un modèle statistique qui sert à démontrer l'existence de similitudes ou différences sur des aspects précis dans une population étudiée. Dans l'ANOVA, on étudie une variable quantitative à laquelle on attribue une ou deux variables qualitatives : les variables catégorielles.
Le test de Kruskal-Wallis est une alternative non paramétrique au test ANOVA à un facteur. Il étend le test de Wilcoxon à deux échantillons dans les cas où il y a plus de deux groupes à comparer. Il est recommandé lorsque les hypothèses du test ANOVA, à un facteur, ne sont pas respectées.
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.
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.
Le Test de Wilcoxon est un test de comparaison de deux séries d'une même variable quantitative (même unité de mesure). C'est un Test non paramétrique, utilisé quand les conditions de normalité de la variable ne sont pas valides.
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.
Si la valeur p du test de Levene est supérieure à 0,05, alors les variances ne sont pas significativement différentes les unes des autres (c'est-à-dire que l'hypothèse d'homogénéité de la variance est satisfaite).
Conditions d'application du test de Kruskal-Wallis
Pour calculer un test de Kruskal-Wallis, il suffit de disposer de plusieurs échantillons aléatoires indépendants présentant au moins des caractéristiques à échelle ordinale. Les variables ne doivent pas nécessairement satisfaire à une courbe de distribution.
Utiliser le test du khi-deux d'indépendance. Le test du khi-deux d'indépendance vérifie si deux variables sont susceptibles d'être liées ou pas. Nous avons un dénombrement pour deux variables catégorielles ou nominales. Nous avons également l'idée que les deux variables ne sont pas liées.
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.
Pour ce faire, il faut prendre 50 vis de chaque ligne de production et de chaque équipe et en mesurer le poids. L'ANOVA à deux facteurs permet de déterminer si le poids moyen des vis des trois lignes de production et des deux équipes est significativement différent l'un de l'autre.
La statistique de Durbin et Watson, notée DW, est une valeur appartenant à l'intervalle [0;+4]. Elle est dite normale si elle avoisine la valeur 2. Ci-dessus, la statistique du Durbin et Watson vaut 2,29 ; elle semble normale.
L'idée. Si on souhaite comparer deux échantillons (i.i.d) gaussiens, il nous suffit en fait de comparer leurs paramètres : leur moyenne μ1 et μ2, et leur variance σ21 et σ22. La méthodologie la plus classique est d'effectuer de manière séquentielle : Un test d'égalité des variances.
Cliquez sur la variable à tester, soit la VD (HeureNet), ensuite sur la variable dont nous voulons comparer les catégories, soit la VI (sexe). Puis cliquez sur la fonction « Définir des groupes » pour que SPSS « intègre » les deux modalités et précise la direction de la différence.