1 / 33

Tests NON paramétriques

Tests NON paramétriques. UE 45.2 CHV. Pierre MORETTO, Université Paul Sabatier, Toulouse III. Tests non paramétriques. Les étapes. Conditions d’utilisation Test sur les fréquences (Khi²) Comparaisons d’échantillon: Données Non appariées (Mann & Withney) Données appariées

loe
Download Presentation

Tests NON paramétriques

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Tests NON paramétriques UE 45.2 CHV Pierre MORETTO, Université Paul Sabatier, Toulouse III.

  2. Tests non paramétriques Les étapes • Conditions d’utilisation • Test sur les fréquences (Khi²) • Comparaisons d’échantillon: • Données Non appariées • (Mann & Withney) • Données appariées • (Wilcoxon)

  3. Condition d’utilisation • Les données sont dîtes non paramétriques lorsque: • Les valeurs sont nominales, ordinales, d’intervalle ou de rapport (Cf CH I) • Le nombre de sujets est insuffisant pour vérifier la normalité de la distribution • La distribution n’est pas normale (Gaussienne) • Dans ces cas, les tests non paramétriques sont de rigueur

  4. Condition d’utilisation et utilités • Khi² non paramétrique: compare 2 ou plus séries de données nominales arrangées en catégories pondérées par leurs fréquences d’apparition. • Le U de Mann et Withney détermine la signification de la différence entre 2 variables ordinales non appariées • Le test « W » de Wilcoxon : idem à U mais pour variables appariées

  5. Le Khi² (²) non paramétrique Compare 2 ou plus séries de données nominales arrangées en catégories pondérées par leurs fréquences d’apparition. Cas 1: Comparer distribution de contingences d’1 variable nominale (types de chaussure)

  6. Le Khi² (²) non paramétrique Exemple: • Les chaussures de marque « X » sont classées de A à E suivant leur niveau de technicité et leur coût de production. • Pour optimiser le gain, X sait qu’il doit vendre 10% de A, 30% de B, 35 de C, 20% de D et 5% de F • Sur 141 chaussures, un magasin M vend finalement A(30), B(57), C(32), D(15) et E(7). • Le magasin optimise-t-il son engagement vis-à-vis de la marque X ?

  7. Le Khi² (²) non paramétrique • Ce premier exemple illustre l’application du test à une série de fréquences observées dans des groupes (variable nominale). • Il s’agit ici de comparer les volumes de vente attendus à ceux observés d’où ce premier tableau:

  8. ² non paramétrique • L’indice ² est calculé sur la base de la différence entre Obs et Théo: • Appliqué à nos valeurs:

  9. ² non paramétrique • Détermination du Khi² théorique • Lecture au risque  et ddl=catégories-1 • Nb: ici 5 catégories de A à E

  10. ² non paramétrique • Décision finale: • ² calculé est de 35 • ² théorique est de 13.28 • ² calculé >² théorique au risque considéré donc la différence est significative au risque . • La magasin sera enjoint de revoir la promotion des chaussures pour corriger ses ventes.

  11. ² non paramétrique Compare 2 ou plus séries de données nominales arrangées en catégories pondérées par leurs fréquences d’apparition. Cas 2: Comparer distribution de contingences sur 2 variables nominales (type d’entraînement et niveaux d’habilété)

  12. Le Khi² (²) non paramétrique • Exemple: • 2 groupes de nageurs apprennent le Crawl grâce à des méthodes différentes (A et B). • A la fin d’entraînements menés sur 5 semaines, l’observateur classe les sujets en « Bons », « Moyens » et « Mauvais »

  13. ² non paramétrique • Comment comparer ces 2 méthodes d’apprentissage du crawl ? • 1) Considérer le classement niveau d’habileté toutes méthodes confondues • 2) En déduire une fréquence d’apparition théorique 36/107 « bons » Soit 34%

  14. ² non paramétrique • Répété pour chaque niveaux d’habileté • Déduire un nombre de sujets théorique indépendant de l’entraînement pour chaque groupe: • Ex: Théoriquement « Bons » en méthode A: 0.34*55=18.5

  15. ² non paramétrique • Déterminer un effectif théorique pour chaque groupe

  16. ² non paramétrique • Nous avons donc un effectif observé et un théorique • Le test du ² va permettre de comparer ces 2 effectifs

  17. ² non paramétrique • L’indice est calculé sur la base de la différence entre Obs et Théo: • Appliqué à nos valeurs:

  18. ² non paramétrique • Détermination du Khi² théorique • Lecture au risque  et ddl=(ligne-1)*(colonne-1) • Nb: ligne et colonne du tableau

  19. ² non paramétrique • Décision finale: • ² calculé est de 2.35 • ² théorique est de 4.61 • ² calculé <² théorique au risque considéré donc la différence n’est pas significative au risque . • La méthode d’apprentissage n’a pas d’effet sur la maîtrise finale de l’habileté et les méthodes A et B se valent.

  20. Tests non paramétriques Les étapes • Conditions d’utilisation • Test sur les fréquences (Khi²) • Comparaisons d’échantillon: • Données Non appariées (Mann & Withney) • Données appariées (Wilcoxon)

  21. Test « U » de Mann et Withney Compare 2 séries de variables ordinales ou réelles non appariées et non gaussiennes.

  22. Mann et Withney • Soit 2 échantillons x et y de nx et ny variables ordinales, • Le test de Mann & Withney va comparer les rangs des 2 séries de variables

  23. Mann et Withney • Détermination des rangs

  24. Mann et Withney • Classement et calcul de l’indice « U »

  25. Mann & Withney • Hypothèse Ho correspondant à une alternance des valeurs x et y implique que Uo=Nx.Ny/2

  26. Détermination du « u » Théorique • À la colonne n1 et ligne n2-n1

  27. Mann & Withney • Hypothèse Ho correspondant à une alternance des valeurs x et y implique que Uo=Nx.Ny/2 • Le plus petit des 2 « U » est comparé à la valeur théorique au risque 

  28. Mann & Withney • Règle de décision: Si, au risque alpha, U (plus petit des Ux/y et Uy/x) < Uthéorique alors les populations diffèrent significativement. • Donc ici: 8>3 (ou 1) et la différence n’est pas significative au risque de 5% (1%)

  29. Test « W » de Wilcoxon Compare 2 séries appariées de variables ordinales ou réelles non gaussiennes.

  30. Wilcoxon • Le début du test est identique à Mann & Withney • Classement et calcul de l’indice « W »

  31. Wilcoxon vers Mann & Withney • Hypothèse Wo correspondant à une alternance des valeurs x et y implique que Wo=nx.(N+1)/2 • A ce niveau, il existe une équivalence entre « W » de Wilcoxon et « U » de Mann et Withney. • Retour sur la règle de décision du « U »

  32. Wilcoxon vers Mann & Withney • Règle de décision: Si, au risque alpha, U (plus petit des Ux/y et Uy/x) < Uthéorique alors les populations diffèrent significativement. • Donc ici: 8>3 (ou 1) et la différence n’est pas significative au risque de 5% (1%)

  33. Merci de votre attention Les cours sont en ligne sur le site du STAPS L3_UE45.2.

More Related