Test de Kruskal-Wallis — Wikipédia

Cet article est une ébauche concernant les probabilités et la statistique.

Vous pouvez partager vos connaissances en l’améliorant (comment ?) selon les recommandations des projets correspondants.

Test de Kruskal-Wallis

Type	Test statistique
Nommé en référence à	William Kruskal, Wilson Allen Wallis

modifier - modifier le code - modifier Wikidata

Le test de Kruskal-Wallis (d'après William Kruskal et Wilson Allen Wallis), aussi appelé ANOVA unidirectionnelle sur rangs (ou ANOVA à un facteur contrôlé sur rangs)^[1] est une méthode non paramétrique utilisée pour tester si des échantillons trouvent leur origine dans la même distribution^[2],[3],[4]. Ce test s'intéresse aux médianes de ${\displaystyle k}$ populations (${\displaystyle k\geqslant 3}$) (ou treatment dans la littérature en anglais) et propose comme hypothèse nulle que les ${\displaystyle k}$ échantillons sont confondus et proviennent d'un même échantillon (combiné) d'une population. Le test permet de comparer deux ou plusieurs échantillons indépendants de taille similaire ou non. Il généralise le test de Wilcoxon-Mann-Whitney, qui est utilisé pour comparer seulement deux groupes. L'équivalent paramétrique du test de Kruskal-Wallis est l'analyse de la variance (ANOVA) à un facteur.

Un test de Kruskal-Wallis significatif indique qu'au moins un échantillon domine stochastiquement un autre échantillon. Le test n'identifie pas où cette dominance stochastique se produit ni pour combien de paires de groupes la dominance stochastique s'obtient. Pour analyser les paires d'échantillons spécifiques en vue de déterminer la dominance stochastique, on utilise parfois le test de Dunn^[5], les tests de Mann-Whitney par paires sans correction de Bonferroni^[6] ou encore le test de Conover-Iman^[6], plus puissant mais moins connu.

Comme il s'agit d'une méthode non paramétrique, le test de Kruskal-Wallis ne suppose pas une distribution normale des résidus, contrairement à l'analyse de variance à un facteur analogue. Si le chercheur peut faire l'hypothèse d'une distribution de forme et d'échelle identiques pour tous les groupes, à l'exception de toute différence dans les médianes, alors l'hypothèse nulle est que les médianes de tous les groupes sont égales, et l'hypothèse alternative est qu'au moins une médiane de la population d'un groupe est différente de la médiane de la population d'au moins un autre groupe.

Test[modifier | modifier le code]

Le modèle s'écrit ${\displaystyle X_{i,j}=\theta +\tau _{j}+\epsilon _{i,j}}$ où ${\displaystyle i=1,\dots ,n_{j},j=i,\dots ,k}$.

${\displaystyle \theta }$ est la médiane globale et ${\displaystyle \tau _{j}}$ le "treatment j effect" .

Et on écrit le test ${\displaystyle H_{0}:[\tau _{1}=\dots =\tau _{j}]}$contre ${\displaystyle H_{1}:}$ au moins deux ${\displaystyle \tau _{j}}$ne sont pas égales.

Méthode[modifier | modifier le code]

1. Classer toutes les données de tous les groupes ensemble, c'est-à-dire classer les données de 1 à N sans faire de groupes. Attribuer à toute valeur liée la moyenne des classements qu'ils auraient obtenus s'ils n'avaient pas été liés.
2. La statistique de test est donnée par :

   ${\displaystyle H=(N-1){\frac {\sum _{i=1}^{g}n_{i}({\bar {r}}_{i\cdot }-{\bar {r}})^{2}}{\sum _{i=1}^{g}\sum _{j=1}^{n_{i}}(r_{ij}-{\bar {r}})^{2}}},}$, où:

   • ${\displaystyle n_{i}}$ est le nombre d'observations dans le groupe ${\displaystyle i}$
   • ${\displaystyle r_{ij}}$ est le rang (parmi toutes les observations) de l'observation ${\displaystyle j}$ du groupe ${\displaystyle i}$
   • ${\displaystyle N}$ est le nombre total d'observations sur l'ensemble des groupes
   • ${\displaystyle {\bar {r}}_{i\cdot }={\frac {\sum _{j=1}^{n_{i}}{r_{ij}}}{n_{i}}}}$ est le rang moyen de toutes les observations du groupe ${\displaystyle i}$
   • ${\displaystyle {\bar {r}}={\tfrac {1}{2}}(N+1)}$ est la moyenne de tous les ${\displaystyle r_{ij}}$.
3. Si les données ne contiennent pas de lien, le dénominateur de l'expression pour ${\displaystyle H}$ est exactement ${\displaystyle (N-1)N(N+1)/12}$ et ${\displaystyle {\bar {r}}={\tfrac {N+1}{2}}}$. Ainsi :

   ${\displaystyle {\begin{aligned}H&={\frac {12}{N(N+1)}}\sum _{i=1}^{g}n_{i}\left({\bar {r}}_{i\cdot }-{\frac {N+1}{2}}\right)^{2}\\&={\frac {12}{N(N+1)}}\sum _{i=1}^{g}n_{i}{\bar {r}}_{i\cdot }^{2}-\ 3(N+1)\end{aligned}}}$
   La dernière formule contient seulement les carrés des rangs moyens.

4. Une correction pour les liens si on utilise la formule raccourcie décrite au point précédent peut être faite en divisant ${\displaystyle H}$ par ${\displaystyle 1-{\frac {\sum _{i=1}^{G}(t_{i}^{3}-t_{i})}{N^{3}-N}}}$, où ${\displaystyle G}$ est le nombre de groupements de différents rangs liés, et ${\displaystyle t_{i}}$ est le nombre de valeurs liées au sein du groupe i qui sont liées à une valeur particulière. Cette correction fait en général peu de différence dans la valeur obtenue de H à moins qu'il y ait un grand nombre de liens.
5. Finalement, la décision de rejeter ou non l'hypothèse nulle est faite en comparant ${\displaystyle H}$ à une valeur critique ${\displaystyle H_{c}}$ obtenue à partir d'un tableau ou d'un logiciel pour un niveau de significativité ou alpha donnés. Si ${\displaystyle H}$ est supérieur à ${\displaystyle H_{c}}$, l'hypothèse nulle est rejetée. Si cela est possible (pas de liens, échantillon pas trop large), on doit pouvoir comparer ${\displaystyle H}$ à la valeur critique obtenue à partir de la distribution exacte de ${\displaystyle H}$. Autrement, la distribution de ${\displaystyle H}$ peut être approximée par une distribution chi-carré (χ²) avec ${\displaystyle g-1}$ degrés de liberté. Si certaines valeurs ni sont faibles (par exemple inférieures à 5), la distribution de probabilité exacte de ${\displaystyle H}$ peut être assez différente de cette distribution chi-carré. Si un tableau de la distribution de probabilité du χ² est disponible, la valeur critique du chi-carré peut être trouvée en entrant dans le tableau à ${\displaystyle g-1}$ degrés de liberté et en regardant sous le niveau de significativité ou alpha désiré.
6. Si la statistique n'est pas significative, alors il n'y a pas de preuve de dominance stochastique entre les échantillons. Cependant, si le test est significatif, alors au moins un échantillon domine stochastiquement un autre échantillon. Par conséquent, un chercheur peut utiliser des contrastes d'échantillons entre des paires d'échantillons individuels, ou des tests post hoc utilisant le test de Dunn, qui (1) utilise correctement les mêmes classements que le test de Kruskal-Wallis, et (2) utilise correctement la variance mise en commun impliquée par l'hypothèse nulle du test de Kruskal-Wallis afin de déterminer lesquelles des paires d'échantillons sont significativement différentes^[5]. Lorsque l'on effectue des contrastes d'échantillons ou des tests multiples, le taux d'erreur de type I a tendance à gonfler, ce qui soulève des inquiétudes quant aux comparaisons multiples.

Tableaux de probabilités exactes[modifier | modifier le code]

Une grande quantité de ressources informatiques est nécessaire pour calculer des probabilités exactes pour le test de Kruskal-Wallis. Les logiciels existants ne fournissent des probabilités exactes que pour des échantillons de moins de 30 participants environ. Ces logiciels reposent sur une approximation asymptotique pour les échantillons de plus grande taille.

Les valeurs exactes des probabilités pour les échantillons de plus grande taille sont disponibles. En 2003, Spurrier a publié des tableaux de probabilités exactes pour des échantillons allant jusqu'à 45 participants^[7]. Meyer et Seaman ont produit en 2006 des distributions de probabilités exactes pour des échantillons allant jusqu'à 105 participants^[8].

Distribution exacte de H[modifier | modifier le code]

Choi et al.^[9] ont passé en revue deux méthodes qui avaient été développées pour calculer la distribution exacte de ${\displaystyle H}$, en ont proposé une nouvelle et ont comparé la distribution exacte à son approximation par le χ².

Implémentation[modifier | modifier le code]

• kruskal.test sous R avec la librairie "stats"^[10]
• scipy.stats.kruskal sous python avec la librairie "scipy.stats"^[11]

Voir aussi[modifier | modifier le code]

Notes[modifier | modifier le code]

• (en) Cet article est partiellement ou en totalité issu de l’article de Wikipédia en anglais intitulé « Kruskal–Wallis one-way analysis of variance » (voir la liste des auteurs).

Références[modifier | modifier le code]

(en) Myles Hollander, Douglas A. Wolfe, Eric Chicken, Nonparametric Statistical Methods

Articles connexes[modifier | modifier le code]

• Test de Friedman

Liens externes[modifier | modifier le code]

• (en) Version en ligne du test

v · m Tests statistiques
Tests de comparaison d'une seule variable	Pour un échantillon Test Z Test t pour un échantillon Test des signes Test des rangs signés de Wilcoxon Estimateur de Hodges-Lehmann Pour deux échantillons Test F Test de Student Test t de Welch Test U de Mann-Whitney Test du χ² d'homogénéité Test de McNemar Test de la médiane Pour 3 échantillons ou plus Analyse de la variance (ANOVA) Test de Kruskal-Wallis ANOVA de Friedman Test de Bartlett Test de Levene Test de Brown-Forsythe
Tests de comparaison de deux variables	Deux variables quantitatives : Tests de corrélation Corrélation de Pearson Corrélation de Spearman Corrélation de Kendall Deux variables qualitatives Test exact de Fisher Test du χ² d'indépendance Test Gamma Plus de deux variables Concordance de Kendall Analyse de variance multivariée Test Q de Cochran
Tests d'adéquation à une loi	Test de Kolmogorov-Smirnov Test du χ² d'adéquation Test de Jarque-Bera Test de Lilliefors Test d'Anderson-Darling Test de D'Agostino Test de Cramer-Von Mises
Tests d'appartenance à une famille de lois	Test de Shapiro-Wilk
Autres tests	Test du rapport de vraisemblance
Tests non-paramétriques Tests paramétriques Table d'utilisation des tests statistiques

v · m Index du projet probabilités et statistiques

Théorie des probabilités Bases théoriques Principes généraux Axiomes des probabilités Espace probabilisable Probabilité Événement Tribu Indépendance Variable aléatoire Espérance Variables iid Convergence de lois Théorème central limite Loi des grands nombres Théorème de Borel-Cantelli Calcul stochastique Marche aléatoire Chaîne de Markov Processus stochastique Processus de Markov Martingale Mouvement brownien Équation différentielle stochastique Lois de probabilité Lois continues Loi exponentielle Loi normale Loi uniforme Loi de Student Loi de Fisher Loi du χ² Lois discrètes Loi de Bernoulli Loi binomiale Loi de Poisson Loi géométrique Loi hypergéométrique Mélange entre statistiques et probabilités Intervalle de confiance Interprétations de la probabilité Bayésianisme Théorie des statistiques Statistiques descriptives Bases théoriques Une statistique Caractère Échantillon Erreur type Intervalle de confiance Fonction de répartition empirique Théorème de Glivenko-Cantelli Inférence bayésienne Régression linéaire Méthode des moindres carrés Analyse des données Corrélation Tableaux Tableau de contingence Tableau disjonctif complet Table de Burt Visualisation de données Histogramme Diagramme à barres Graphique en aires Diagramme circulaire Treemap Boîte à moustaches Nuage de points Graphique à bulles Diagramme en cascade Graphique en entonnoir Diagramme de Kiviat Corrélogramme Graphique en forêt Diagramme branche-et-feuille Heat map Sparkline Paramètres de position Moyenne arithmétique Mode Médiane Quantile Quartile Décile Centile Paramètres de dispersion Étendue Écart moyen Variance Écart type Déviation absolue moyenne Écart interquartile Coefficient de variation Paramètres de forme Coefficient d'asymétrie Coefficient d'aplatissement Statistiques inductives Bases théoriques Hypothèse nulle Estimateur Signification statistique Sensibilité et spécificité Courbe ROC Nombre de sujets nécessaires Valeur p Contraste (statistiques) Statistique de test Taille d'effet Puissance statistique Tests paramétriques Test d'hypothèse Test de Bartlett Test de normalité Test de Fisher d'égalité de deux variances Test d'Hausman Test d'Anderson-Darling Test de Banerji Test de Durbin-Watson Test de Goldfeld et Quandt Test de Jarque-Bera Test de Mood Test de Lilliefors Test de Wald Test T pour des échantillons indépendants Test T pour des échantillons appariés Test de corrélation de Pearson Tests non-paramétriques Test U de Mann-Whitney Test de Kruskal-Wallis Test exact de Fisher Test de Kolmogorov-Smirnov Test de Shapiro-Wilk Test de Chow Test de McNemar Test de Spearman Tau de Kendall Test Gamma Test des suites de Wald-Wolfowitz Test de la médiane Test des signes ANOVA de Friedman Concordance de Kendall Test Q de Cochran Test des rangs signés de Wilcoxon Test de Sargan Application Économétrie Mécanique statistique Jeu de hasard Biomathématique Biostatistique Mathématiques financières

• Portail des probabilités et de la statistique