Les tests non paramétriques sont généralement moins puissants que leurs équivalents paramétriques quand l'hypothèse de normalité est vérifiée. Ainsi, vous avez moins de chances de rejeter l'hypothèse nulle lorsqu'elle est fausse si les données obéissent à une loi normale.
Quel est l'avantage d'utiliser un test non-paramétrique ? Les tests non-paramétriques sont plus robustes que les tests paramétriques. En d'autres termes, ils peuvent être utilisés dans un plus grand nombre de situations.
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).
Il s'agit d'une forme d'analyse de la régression dans lequel le prédicteur, ou fonction d'estimation, ne prend pas de forme prédéterminée.
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 fonction Test de Kruskal-Wallis permet de déterminer si les médianes de deux groupes ou plus diffèrent. Vos données doivent contenir un facteur de catégorie et une réponse continue, et les courbes de distribution des données de tous les groupes doivent être de forme similaire.
Lorsque les échantillons peuvent être considérés indépendants, on applique le test de Mann et Whitney pour 2 échantillons, celui de Kruskal et Wallis pour un nombre quelconque d'échantillons. Lorsque on a affaire à deux échantillons appariés (c'est-à-dire non indépendants), on applique le test de Wilcoxon.
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.
Les tests paramétriques sont des tests dont l'échantillon que nous étudions suit une certaine loi (loi normale par exemple) ou vérifie un certain nombre d'hypothèses (même variance entre les deux échantillons donnés). Ils sont plus puissants mais nécessitent un certain nombre d'hypothèses à vérifier.
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.
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.
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 ...
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.
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.
1.1 Objectif
Réaliser un test statistique consiste à mettre en œuvre une procédure permettant : de confronter une hypothèse avec la réalité, ou plus exactement, avec ce que l'on perçoit de la réalité à travers les observations à disposition ; de prendre une décision à la suite de cette confrontation.
En statistiques, les tests de normalité permettent de vérifier si des données réelles suivent une loi normale ou non. Les tests de normalité sont des cas particuliers des tests d'adéquation (ou tests d'ajustement, tests permettant de comparer des distributions), appliqués à une loi normale.
Les formulations pour l'hypoth`ese alternative H1 sont : 1. H0 : µ = µ0 (ou µ ≥ µ0) et 2. H0 : µ = µ0 (ou µ ≤ µ0) H1 : µ<µ0 H1 : µ>µ0 (unilatéral `a gauche).
Les tests paramétriques sont des tests statistiques qui permettent de mesurer de degré d'association entre une variable quantitative et une variable catégorielle. Rappelons qu'une variable catégorielle est une variable qui différencie les individus en groupes.
L'hypothèse H0, qui fait l'objet du test, est rejetée dans tous les cas où apparaît un résultat significatif. Une valeur significative est une valeur dont la probabilité d'apparition dans H0 est égale ou inférieure à a .
Interprétation du test de Kruskal-Wallis
La question est de savoir si la valeur p calculée est inférieure ou supérieure au seuil de signification généralement fixé à 0,05. Si la valeur p est supérieure, l'hypothèse nulle est retenue, sinon elle est rejetée.
L'étude paramétrique montre l'effet des paramètres de calcul et des paramètres géotechniques sur les résultats. Pour atteindre l'objectif visé, le travail sera divisé en quatre chapitres.
Dans le cas d'échantillons indépendants, le test de Mann-Whitney permet de comparer deux populations. Les deux séries de valeurs sont mélangées puis ordonnées par valeurs croissantes. On identifie alors les rangs des individus du premier groupe et on calcule la somme des rangs de ces individus.
Interpréter les résultats: après avoir effectué le test de Wilcoxon, il est important d'interpréter les résultats.La valeur p indique la probabilité d'observer une différence aussi extrême que celle observée, en supposant que l'hypothèse nulle est vraie.Si la valeur p est inférieure au niveau de signification ( ...