- Imparare a fare ricerca
Le choix de l’analyse correcte
À l’aide de tests statistiques, vous pouvez vérifier vos hypothèses et montrer si les modèles observés sont le fruit du hasard ou non. Le choix du test optimal dépend de différents facteurs.
14.10.2025
Différentes questions de recherche – de la simple comparaison des moyennes jusqu’aux modèles de régression complexes – demandent différents tests pour vérifier des hypothèses, analyser les différences entre les groupes ou étudier les corrélations entre les variables. Sans connaissances approfondies de la statistique, le choix du test approprié peut représenter un défi. Je vous recommande donc une fois de plus de faire appel à un spécialiste compétent en la matière.
Pour vous préparer de façon optimale à la discussion avec la statisticienne ou le statisticien de confiance, je discute ici quelques principes sur le thème des tests statistiques.
Deux classes de tests statistiques
Nous distinguons deux classes de tests statistiques dans la statistique d’inférence:
- Les tests paramétriques fonctionnent en supposant que les données suivent un type de loi de distribution connu, en général la loi normale. Des exemples typiques sont le test t, l’analyse de la variance (ANOVA) et les procédés de régression linéaire.
- Les tests non paramétriques ne reposent sur aucune hypothèse sur le type de distribution des données. Ils sont adaptés pour les données ordinales, les petits échantillons ou lorsque la normalité et l’homogénéité de la variance ne sont pas respectées. On citera à titre d’exemples le test U de Mann-Whitney, le test de Kruskal-Wallis et le test des rangs signés de Wilcoxon.
Il faut toujours tenir compte de la distinction entre les tests paramétriques et non paramétriques lors du choix de l’analyse.
Aide à la décision
En répondant aux questions fondamentales ci-après, vous serez en mesure de prendre des décisions fondées et compréhensibles et de concevoir l’analyse statistique de vos données de manière robuste et efficace. Le tableau fournit quelques exemples de tests fréquemment employés.
- Type de données: S’agit-il de données quantitatives ou catégorielles?
- Pour les données quantitatives (continues), nous analysons leur répartition (p. ex. moyenne, distribution).
- Pour les données catégorielles (p. ex. sexe, stade de Dukes A-D), ce sont les fréquences des catégories qui nous intéressent.
- Nombre de groupes: La comparaison porte-t-elle sur deux, trois ou plus de groupes?
- Indépendance des observations: Les échantillons sont-ils indépendants les uns des autres (données non appariées) ou dépendants (données appariées, p. ex. avec deux mesures par individu)?
- Hypothèses de distribution:
- S’agit-il d’une distribution normale? Cela peut être déterminé à l’aide d’outils graphiques (p. ex. diagramme Q-Q) et tests de normalité (p. ex. test de Shapiro-Francia).
- La variance entre les groupes est-elle homogène (homoscédastique)? Cela peut par exemple être vérifié au moyen de deux diagrammes en boîte.
- Taille de l’échantillon: Quelle est la taille de votre échantillon? Les tests non paramétriques sont particulièrement adaptés pour les petits échantillons, étant donné qu’ils sont plus résistants à la violation de l’hypothèse de normalité.
