Contexte du test

Absence d’ex æquo dans les observations

Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Tests non-paramétriques

Frédéric Bertrand1 & Myriam Maumy1

1 IRMA, Université de Strasbourg

Strasbourg, France

Master 1re Année

2011-2012

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

2ème partie

Tests non paramétriques : Le test de

Kruskal-Wallis

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations Conditions d’application
Comparaisons multiples
Application

Sommaire

1 Contexte du test
Conditions d’application

2 Absence d’ex æquo dans les observations

Statistique de test
Règle de décision et conclusion du test

3 Présence d’ex æquo dans les observations

4 Comparaisons multiples

5 Application

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations Conditions d’application
Comparaisons multiples
Application

Introduction
Nous observons, de manière indépendante, une variable
aléatoire X de loi continue, sur k > 3 populations, ou sur une
population divisée en k > 3 sous-populations.
Nous supposons ainsi que nous disposons de k échantillons
aléatoires indépendants (X1,1 , . . . , X1,n1 ), . . . , (Xk ,1 , . . . , Xk ,nk )
et de k > 3 séries d’observations (x1,1 , . . . , x1,n1 ) pour la
première, . . . , (xk ,1 , . . . , xk ,nk ) pour la dernière. Nous notons
Li (X ) la loi de la variable aléatoire X sur la (sous-)population
d’ordre i avec 1 6 i 6 k .
Sans faire d’hypothèses spécifiques, le test de
Kruskal-Wallis ne permet pas de tester l’égalité des
moyennes ni celle des médianes.

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations Conditions d’application
Comparaisons multiples
Application

Hypothèses du test
Le test de Kruskal-Wallis est utilisé pour tester les hypothèses
suivantes :

H0 : L1 (X ) = · · · = Li (X ) = · · · = Lk (X )
contre
H1 : Les lois L1 (X ), . . . , Lk (X ) ne sont pas toutes identiques.

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Statistique de test
Présence d’ex æquo dans les observations
Règle de décision et conclusion du test
Comparaisons multiples
Application

Sommaire

1 Contexte du test
Conditions d’application

2 Absence d’ex æquo dans les observations

Statistique de test
Règle de décision et conclusion du test

3 Présence d’ex æquo dans les observations

4 Comparaisons multiples

5 Application

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Statistique de test
Présence d’ex æquo dans les observations
Règle de décision et conclusion du test
Comparaisons multiples
Application

Statistique de test
Calculons :
1 le rang Ri,j de Xi,j parmi les n• valeurs ;
2 puis la somme des rangs associée à chaque échantillon :
ni
X
Ri,• = Ri,j ;
j=1

3 la moyenne des rangs de chaque échantillon :

Ri,• = Ri,• /ni .

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Statistique de test
Présence d’ex æquo dans les observations
Règle de décision et conclusion du test
Comparaisons multiples
Application

Statistique de test (suite)

La statistique de Kruskal-Wallis KWn• prend en compte l’écart
entre la moyenne des rangs de chaque échantillon et la
moyenne de tous les rangs, qui vaut (n• + 1)/2 :
k
n• + 1 2
 
12 X
KWn• = ni Ri,• −
n• (n• + 1) 2
i=1
k
12 X Ri,• 2
= − 3(n• + 1).
n• (n• + 1) ni
i=1

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Statistique de test
Présence d’ex æquo dans les observations
Règle de décision et conclusion du test
Comparaisons multiples
Application

Propriétés
Lorsque l’hypothèse nulle H0 est vraie, la variable aléatoire
KWn• a les trois propriétés suivantes.
1 Pour i = 1, . . . , k , Wi = ni Ri,• est la statistique de Wilcoxon
qui compare le i−ème traitement aux k − 1 autres
traitements.
Sous l’hypothèse nulle H0 , nous en déduisons que
E (Wi ) = ni (n• + 1)/2 et Var (Wi ) = ni (n• − ni )(n• + 1)/12.
Ainsi par conséquent, nous avons :
k
1 X (Wi − E (Wi ))2
KWn• = (n• − ni ) ·
n• Var (Wi )
i=1

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Statistique de test
Présence d’ex æquo dans les observations
Règle de décision et conclusion du test
Comparaisons multiples
Application

Propriétés (suite)
2 (Suite) Nous calculons alors l’espérance et la variance de
KWn• sous l’hypothèse nulle H0 :

E (KWn• ) = k − 1,
2 3k 2 − 6k + n• (2k 2 − 6k + 1)
 
Var (KWn• ) = 2(k − 1) −
5n• (n• + 1)
k
6X 1
− ·
5 ni
i=1

3 Il est possible de déterminer la distribution de KWn• bien

que le calcul soit complexe. Elle est donc tabulée pour les
faibles valeurs des ni .

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Statistique de test
Présence d’ex æquo dans les observations
Règle de décision et conclusion du test
Comparaisons multiples
Application

Règle de décision et conclusion du test

Premier cas : L’un des effectifs ni , 1 6 i 6 k , est inférieur
ou égal à 4, . Pour un seuil donné α, des tables de la loi de
Kruskal-Wallis nous fournissent une valeur critique cα .
Alors nous décidons :

si KWn• (obs) > cα H1 est vraie,
si KWn• (obs) < cα H0 est vraie.

Le niveau de signification réel du test est généralement

strictement inférieur à α.

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Statistique de test
Présence d’ex æquo dans les observations
Règle de décision et conclusion du test
Comparaisons multiples
Application

Règle de décision et conclusion du test (suite)

Second cas : Si ni > 5, pour tout 1 6 i 6 k , nous utilisons
l’approximation KWn• ≈ χ2 (k − 1). Pour un seuil donné α,
des tables de la loi du χ2 nous fournissent une valeur
critique cα telle que PH0 (−cα < Zn1 ,n2 < cα ) = 1 − α. Alors
nous décidons :

si KWn• (obs) > cα H1 est vraie,
si KWn• (obs) < cα H0 est vraie.

Lorsque nous rejetons H0 , nous décidons que H1 est vraie

avec un risque d’erreur de première espèce α.
Lorsque nous conservons H0 , c’est avec un risque d’erreur
de deuxième espèce β.

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Sommaire

1 Contexte du test
Conditions d’application

2 Absence d’ex æquo dans les observations

Statistique de test
Règle de décision et conclusion du test

3 Présence d’ex æquo dans les observations

4 Comparaisons multiples

5 Application

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Présence d’ex æquo dans les observations : la méthode des

rangs moyens
À chaque nombre appartenant à un groupe d’ex æquo nous
attribuons le rang moyen du groupePauquel il appartient puis
h 3
nous déterminons la somme T = l=1 (tl − tl ) où tl désigne le
nombre d’éléments du l−ème groupe d’ex æquo. Il est d’usage
de substituer à KWn• la variable KWn?• définie par :

KWn•
KWn?• = .
T
1− 3
n• − n•

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Sommaire

1 Contexte du test
Conditions d’application

2 Absence d’ex æquo dans les observations

Statistique de test
Règle de décision et conclusion du test

3 Présence d’ex æquo dans les observations

4 Comparaisons multiples

5 Application

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Test de Steel-Dwass-Critchlow-Fligner
Wni ,ni 0 est la statistique de Wilcoxon qui compare le i−ème
traitement au i 0 −ème traitement.
Les observations des deux groupes i et i 0 sont ordonnées puis
regroupées en h classes d’ex æquo Cj , 1 6 j 6 h.
Notons dj le nombre d’ex æquo de la classe Cj et
mi,i 0 = ni + ni 0 .

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Test de Steel-Dwass-Critchlow-Fligner (suite)

Nous décidons qu’au seuil global α deux lois Li (X ) et Li 0 (X ),
parmi les k (k − 1) comparaisons que nous allons faire, sont
significativement différentes si :
r
ni (mi,i 0 + 1) 0 ni ni 0 (mi,i 0 + 1)
Wni ,ni 0 − > q (k ; +∞; 1 − α)
2 24
v   
u Ph 3−d
u
u j=1 dj j
×t1 − 3

mi,i 0 − mi,i 0

où q 0 (k ; +∞; 1 − α) est le quantile d’ordre 1 − α pour la loi du

maximum du module studentisé pour k moyennes et +∞
degrés de liberté.
Frédéric Bertrand & Myriam Maumy Tests non-paramétriques
 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Test de Steel-Dwass-Critchlow-Fligner (suite)

Contrairement aux trois autres approches présentées ci-après,
le test Steel-Dwass-Critchlow-Fligner n’est pas qu’une
procédure de comparaisons multiples : c’est une alternative
complète au test de Kruskal-Wallis.

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Autres tests de comparaisons multiples

Si nous rejetons l’hypothèse nulle H0 , nous nous demandons
quelles sont les lois Li (X ) qui diffèrent.
Les formules ci-après sont valables en absence ou en
présence d’ex æquo. En absence d’ex æquo, le terme
1 − T /(n•3 − n• ) est égal à 1.

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Application de la méthode de Sheffé

Nous décidons qu’au seuil α deux lois Li (X ) et Li 0 (X ) sont
significativement différentes si :
s  
n• (n• + 1) T
q
Ri,• − Ri 0 ,• > 2
χ (k − 1; 1 − α) 1− 3
12 n• − n•
s
1 1
× + ,
ni ni 0

où χ2 (k − 1; 1 − α) est le quantile d’ordre 1 − α pour la loi du χ2

à k − 1 degrés de liberté.

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Application de l’inégalité de Bonferroni

Nous décidons qu’au seuil global α deux lois Li (X ) et Li 0 (X ),
parmi les k (k − 1) comparaisons que nous allons faire, sont
significativement différentes si :
 s  
α n• (n• + 1) T
Ri,• − Ri 0 ,• > u 1 − 1− 3
k (k − 1) 12 n• − n•
s
1 1
× + ,
ni ni 0

où u(1 − α/(k (k − 1))) est le quantile d’ordre 1 − α/(k (k − 1))

pour la loi normale centrée-réduite.

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Remarque
Il s’agit d’une application des inégalités de Bonferroni. Cette
procédure est plus puissante que la précédente.
Il est également possible d’utiliser une approche séquentielle
comme la procédure de Holm-Bonferroni (test de Dunn) ou de
Holm-Sidak.

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Analogue de la méthode de Tukey-Kramer

Nous décidons qu’au seuil global α deux lois Li (X ) et Li 0 (X ),
parmi les k (k − 1) comparaisons que nous allons faire, sont
significativement différentes si :
s  
n• (n• + 1) T
Ri,• − Ri 0 ,• > q(k ; +∞; 1 − α) 1− 3
12 n• − n•
s  
1 1 1
× + ,
2 ni ni 0

où q(k ; +∞; 1 − α) est le quantile d’ordre 1 − α pour la loi de

l’étendue studentisée pour k moyennes et +∞ degrés de
liberté.

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Remarque
Il s’agit d’une procédure analogue à celle de Tukey-Kramer
dans le cas paramétrique et valide asymptotiquement. Elle est
généralement plus puissante que les deux approches
précédentes.

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Sommaire

1 Contexte du test
Conditions d’application

2 Absence d’ex æquo dans les observations

Statistique de test
Règle de décision et conclusion du test

3 Présence d’ex æquo dans les observations

4 Comparaisons multiples

5 Application

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Application
Des forestiers ont réalisé des plantations d’arbres en trois
endroits.
Plusieurs années plus tard, ils souhaitent savoir si la hauteur
moyenne des arbres est identique dans les trois forêts.
Chacune des forêts constitue une population et dans chacune
d’entre elles, un échantillon d’arbres est tiré au sort. Puis la
hauteur de chaque arbre est mesurée en mètres. Le tableau
ci-après donne les valeurs des mesures de hauteur ainsi que
les moyennes et les variances corrigées estimées dans chacun
des groupes.

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Données
Forêt 1 Forêt 2 Forêt 3
23,4 18,9 22,5
Données 24,4 21,1 22,9
expérimentales 24,6 21,1 23,7
(en mètres) 24,9 22,1 24,0
25,0 22,5 24,0
26,2 23,5 24,5
Moyennes 24,750 21,533 23,600
Variances corrigées 0,831 2,487 0,568

La Figure 1 correspond aux boîtes à moustaches de la hauteur

en fonction des trois forêts.

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Représentation graphique

26
@

24
@
22

@
20

1 2 3

F IGURE: Boîtes à moustaches (à gauche) – Comparaisons multiples

(à droite)

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Statistique du test
Nous sommes en présence d’ex æquo, nous devons donc
utiliser la statistique de test KWn?• à la place de la statistique de
test KWn• .
Nous calculons la valeur de KWn?• sur l’échantillon :
KWn?• (obs) = 11, 51.

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Règle de décision à l’aide d’une valeur critique

Pour un seuil α = 5% la valeur critique d’un Khi-deux à 2
degrés de liberté, est c0,05 = 5, 99. Comme KWn?• (obs) 6 c0,05 ,
nous décidons de rejeter l’hypothèse nulle H0 , et que
l’hypothèse alternative H1 est vraie. Il y a une influence
significative, au seuil α = 5%, de la forêt sur la hauteur des
arbres. Le risque associé à cette décision est un risque de
première espèce qui vaut α = 5%.

Remarque
La valeur de KWn• (obs) est égale à 11, 48. Nous remarquons
la différence apportée par la correction pour prendre en compte
les ex æquo.

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Règle de décision à l’aide d’une p-valeur

En utilisant un logiciel de statistique nous calculons la p-valeur
du test de Kruskal-Wallis. Il faut bien vérifier qu’elle tient
compte des ex æquo. Elle vaut dans cas 0, 003.
Comme la p-valeur est 6 0, 05, nous décidons, au seuil
α = 5%, de rejeter l’hypothèse nulle H0 , et que l’hypothèse
alternative H1 est vraie. Il y a une influence significative, au
seuil α = 5%, de la forêt sur la hauteur des arbres. Le risque
associé à cette décision est un risque de première espèce qui
vaut α = 5%.

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Comparaisons multiples avec Minitab

Données désempilées, comparaisons 2 à 2

MTB> %KrusMc c1-c3;
SUBC> unstacked;
SUBC> Falpha 0,05.

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Résultats
Kruskal-Wallis: Multiple Comparisons

Test de Kruskal-Wallis sur the data

Rang
Group N Médiane moyen Z
Forêt_1 6 24,75 14,5 2,81
Forêt_2 6 21,60 4,1 -3,04
Forêt_3 6 23,85 9,9 0,23
Global 18 9,5

B H = 11,48 DL = 2 P = 0,003
H = 11,51 DL = 2 P = 0,003
(ajusté pour les nombres de même grandeur)
Frédéric Bertrand & Myriam Maumy Tests non-paramétriques
 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Résultats
Kruskal-Wallis: All Pairwise Comparisons
----------------------------------------

Comparisons: 3
Ties: 3
Family Alpha: 0,05
Bonferroni Individual Alpha: 0,017
Bonferroni Z-value (2-sided): 2,394

----------------------------------------

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Résultats
Standardized Absolute Mean Rank Differences
|Rbar(i)-Rbar(j)| / Stdev

Rows: Group i = 1,...,n

Columns: Group j = 1,...,n

1. Table of Z-values

Forêt_1 0,00000 * *
Forêt_2 3,37961 0,00000 *
Forêt_3 1,48703 1,89258 0
-------------------------------------------

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Résultats
Adjusted for Ties in the Data

1. Table of Z-values
Forêt_1 0,00000 * *
Forêt_2 3,38486 0,00000 *
Forêt_3 1,48934 1,89552 0

2. Table of P-values
Forêt_1 1,00000 * *
Forêt_2 0,00071 1,00000 *
Forêt_3 0,13640 0,05802 1
-------------------------------------------

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Résultats
Sign Confidence Intervals controlled at a
family error rate of 0,05

Desired Confidence: 90,951

Intervalle de confiance pour le test du
signe de la médiane

Intervalle de
Confiance confiance
N Médiane atteinte Inférieur Supérieur Pos.
F_1 6 24,75 0,7813 24,40 25,00 2
0,9095 24,10 25,36 NLI
0,9688 23,40 26,20 1

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Résultats
F_2 6 21,60 0,7813 21,10 22,50 2
0,9095 20,44 22,80 NLI
0,9688 18,90 23,50 1
F_3 6 23,85 0,7813 22,90 24,00 2
0,9095 22,78 24,15 NLI
0,9688 22,50 24,50 1

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Résultats
Kruskal-Wallis: Conclusions

The following groups showed significant

differences (adjusted for ties):

Groups Z vs. Critical value P-value

Forêt_1 vs. Forêt_2 3,38486 >= 2,394 0,0007

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Multiple Comparisons Chart

Boxplots with Sign Confidence Intervals Pairwise Comparisons
Desired Confidence: 90,951 Comparisons: 3
27

26

Forêt_1 Forêt_2
25

24
Forêt_3

23
Données

22

21

20
Forêt_2 Forêt_3

19

18
Forêt_1 Forêt_2 Forêt_3 -Z 0 Z
Normal (0,1) Distribution
Family Alpha: 0,05
Bonferroni Individual Alpha: 0,017 |Bonferroni Z-value|: 2,394

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Comparaisons multiples avec Minitab

Données désempilées, comparaisons avec un contrôle

MTB> %KrusMc c1 c2;
SUBC> Control c3;
SUBC> unstacked;
SUBC> Falpha 0,05.

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Résultats
Kruskal-Wallis: Multiple Comparisons

Test de Kruskal-Wallis sur the data

Rang
Group N Médiane moyen Z
Forêt_1 6 24,75 14,5 2,81
Forêt_2 6 21,60 4,1 -3,04
Forêt_3 6 23,85 9,9 0,23
Global 18 9,5

B H = 11,48 DL = 2 P = 0,003
H = 11,51 DL = 2 P = 0,003
(ajusté pour les nombres de même grandeur)
Frédéric Bertrand & Myriam Maumy Tests non-paramétriques
 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Résultats
Kruskal-Wallis: Comparisons to a Control
----------------------------------------

Comparisons: 2
Ties: 3
Family Alpha: 0,05
Bonferroni Individual Alpha: 0,025
Bonferroni Z-value (2-sided): 2,241

----------------------------------------

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Résultats
Standardized Absolute Mean Rank Differences
|Rbar(i)-Rbar(Control)| / Stdev

Rows: Group i = 1,...,n-1

Column: Control Group: Forêt_3

Z-value

Forêt_1 1,48703
Forêt_2 1,89258
-------------------------------------------

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Résultats
Adjusted for Ties in the Data

Z-value vs. Critical value P-value

Forêt_1 1,48934 < 2,24140 0,1364

Forêt_2 1,89552 < 2,24140 0,0580

-------------------------------------------

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Résultats
Sign Confidence Intervals controlled at a
family error rate of 0,05

Desired Confidence: 88,701

Intervalle de confiance pour le test du

signe de la médiane

Intervalle de
Confiance confiance
N Médiane atteinte Inférieur Supérieur Pos.
F_1 6 24,7 0,7813 24,40 25,00 2
0,8870 24,19 25,25 NLI
0,9688 23,40 26,20 1

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Résultats
F_2 6 21,60 0,7813 21,10 22,50 2
0,8870 20,65 22,71 NLI
0,9688 18,90 23,50 1
F_3 6 23,85 0,7813 22,90 24,00 2
0,8870 22,82 24,10 NLI
0,9688 22,50 24,50 1

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Multiple Comparisons Chart

Boxplots with Sign Confidence Intervals Comparisons to a Control
Desired Confidence: 88,701 Comparisons: 2
27

26

25
Forêt_1

24

Group vs. Control

Données

23

22

21

20 Forêt_2

19

18
Forêt_1 Forêt_2 Forêt_3
-Z 0 Z
Family Alpha: 0,05
N (0,1) Distribution
Bonferroni Individual Alpha: 0,025
Control Group: Forêt_3 |Bonferroni Z-value|: 2,241

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Comparaisons multiples avec Minitab

Données empilées, comparaisons 2 à 2

Supposons que la colonne C1 contienne le facteur explicatif et
la colonne C2 les valeurs observées de la réponse.

MTB> %KrusMc c1 c2;

SUBC> Falpha 0,05.

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques

 Contexte du test
Absence d’ex æquo dans les observations
Présence d’ex æquo dans les observations
Comparaisons multiples
Application

Comparaisons multiples avec Minitab

Données empilées, comparaisons avec un contrôle

Supposons que la colonne C1 contienne le facteur explicatif et
la colonne C2 les valeurs observées de la réponse. Attention
pour faire des comparaisons avec un groupe contrôle, les
observations pour ce groupe doivent être nécessairement dans
une autre colonne, ici C3.

MTB> %KrusMc c1 c2;

SUBC> Control c3;
SUBC> Falpha 0,05.

Frédéric Bertrand & Myriam Maumy Tests non-paramétriques