4
84
Biostatistiques pour le clinicien
Les tests non paramétriques
Lorsque l’on compare des variables qualitatives discontinues ou
discrètes (nombre de grossesses ou d’événements indésirables d’une
chimiothérapie), plus les effectifs sont faibles, moins l’hypothèse que la
distribution de leurs moyennes soit normale est probable. Dans ce cas,
les résultats des tests χ², t, z, etc. ne seront pas valides et auront trop
souvent tendance à rejeter l’hypothèse nulle.
Les tests non paramétriques sont une réponse à ce problème. Ces tests ne
nécessitent pas de faire d’hypothèses sur les distributions des variables,
hypothèses qui sont de toute façon difficiles à vérifier. S’affranchissant
des contraintes des tests paramétriques, les tests non paramétriques sont
de plus en plus utilisés. Mais les tests non paramétriques sont, en général, un peu moins puissants que les tests paramétriques. Pour l’auteur
d’un travail, dans des situations limites, il pourra être un peu plus facile
de mettre en évidence une différence statistiquement significative avec
un test paramétrique qu’avec un test non paramétrique. Il en résulte
que, pour un lecteur, une valeur de p à la limite de la signification est
plus convaincante si elle a été estimée avec un test non paramétrique
qu’avec un test paramétrique car aucune hypothèse de distribution des
variables n’est nécessaire pour sous-tendre ce résultat.
Les tests non paramétriques en fonction des variables qui sont étudiées
et des effectifs
Variables
qualitatives
quantitatives
censurées
Échantillons n (ou groupes de patients)
Indépendants
n = 2
Test exact
de Fischer
Wilcoxon
ou Mann-Whitney
logrank
n > 2
Test exact
de Fischer
Kruskall-Wallis
logrank
Appariés
n = 2
χ² de McNemar
Wilcoxon signé
Friedman
n > 2
Cochran Q
ou χ² de
Mantel-Haenzel
Test de Friedman
à deux facteurs
De deux variables
quantitatives
Coefficient de corrélation
des rangs de Spearman et Kendall
84
Biostatistiques pour le clinicien
Les tests non paramétriques
Lorsque l’on compare des variables qualitatives discontinues ou
discrètes (nombre de grossesses ou d’événements indésirables d’une
chimiothérapie), plus les effectifs sont faibles, moins l’hypothèse que la
distribution de leurs moyennes soit normale est probable. Dans ce cas,
les résultats des tests χ², t, z, etc. ne seront pas valides et auront trop
souvent tendance à rejeter l’hypothèse nulle.
Les tests non paramétriques sont une réponse à ce problème. Ces tests ne
nécessitent pas de faire d’hypothèses sur les distributions des variables,
hypothèses qui sont de toute façon difficiles à vérifier. S’affranchissant
des contraintes des tests paramétriques, les tests non paramétriques sont
de plus en plus utilisés. Mais les tests non paramétriques sont, en général, un peu moins puissants que les tests paramétriques. Pour l’auteur
d’un travail, dans des situations limites, il pourra être un peu plus facile
de mettre en évidence une différence statistiquement significative avec
un test paramétrique qu’avec un test non paramétrique. Il en résulte
que, pour un lecteur, une valeur de p à la limite de la signification est
plus convaincante si elle a été estimée avec un test non paramétrique
qu’avec un test paramétrique car aucune hypothèse de distribution des
variables n’est nécessaire pour sous-tendre ce résultat.
Les tests non paramétriques en fonction des variables qui sont étudiées
et des effectifs
Variables
qualitatives
quantitatives
censurées
Échantillons n (ou groupes de patients)
Indépendants
n = 2
Test exact
de Fischer
Wilcoxon
ou Mann-Whitney
logrank
n > 2
Test exact
de Fischer
Kruskall-Wallis
logrank
Appariés
n = 2
χ² de McNemar
Wilcoxon signé
Friedman
n > 2
Cochran Q
ou χ² de
Mantel-Haenzel
Test de Friedman
à deux facteurs
De deux variables
quantitatives
Coefficient de corrélation
des rangs de Spearman et Kendall