Calculateur du test de Kruskal-Wallis

Utilisez le test de Kruskal-Wallis lorsque vous voulez comparer trois groupes indépendants ou plus mais que vos données violent les hypothèses de l'ANOVA—peut-être qu'elles ne sont pas normalement distribuées, contiennent des valeurs aberrantes, ou utilisent des échelles ordinales comme les évaluations de satisfaction. Il vous indique si au moins un groupe diffère significativement des autres, ce qui en fait un outil polyvalent pour comparer des groupes sans exigences distributionnelles strictes.

Qu'est-ce que le test de Kruskal-Wallis ?

Le test H de Kruskal-Wallis est l'alternative non paramétrique à l'ANOVA à un facteur. Il compare trois groupes indépendants ou plus lorsque l'hypothèse de normalité ne peut être satisfaite.

Question posée : « Au moins deux groupes ont-ils des distributions (médianes) différentes ? »

Exemples :

• Comparer la satisfaction client dans 4 emplacements de magasin (évaluations ordinales)
• Comparer les temps de récupération pour 3 traitements (données asymétriques)
• Comparer les scores de test dans 5 écoles (distributions non normales)

Comment ça fonctionne

Étape 1 : Classer toutes les observations

Combinez toutes les données et attribuez des rangs de 1 à N (taille totale de l'échantillon).

Classé :

Étape 2 : Calculer les sommes de rangs

• $R_A = 1 + 2 + 3 = 6$
• $R_B = 4 + 5 + 6 = 15$
• $R_C = 7 + 8 + 9 = 24$

Étape 3 : Calculer la statistique H

$H = \frac{12}{N(N+1)} \sum_{i=1}^{k} \frac{R_i^2}{n_i} - 3(N+1)$

Où :

• $N$ = taille totale de l'échantillon
• $k$ = nombre de groupes
• $R_i$ = somme des rangs dans le groupe $i$
• $n_i$ = taille de l'échantillon du groupe $i$

$H = \frac{12}{9(10)} \left(\frac{36}{3} + \frac{225}{3} + \frac{576}{3}\right) - 3(10)$

$H = \frac{12}{90}(279) - 30 = 37,2 - 30 = 7,2$

Étape 4 : Déterminer la valeur p

H suit approximativement une distribution du chi-carré avec $k - 1$ degrés de liberté.

Pour $H = 7,2$, $df = 2$ : $p \approx 0,027$

Conclusion : Différence significative entre les groupes ($p < 0,05$).

Correction pour ex aequo

Lorsque des valeurs sont ex aequo, appliquez un facteur de correction :

$H_{corrigé} = \frac{H}{1 - \frac{\sum(t^3 - t)}{N^3 - N}}$

Où $t$ est le nombre de valeurs ex aequo à chaque rang.

Hypothèses

Observations indépendantes

Les observations au sein et entre les groupes doivent être indépendantes.

Échelle ordinale (minimum)

Les données doivent être au moins ordinales—les valeurs peuvent être classées de manière significative.

Forme de distribution similaire

Les groupes doivent avoir des distributions de forme similaire (même forme générale, possiblement décalée).

Remarque : Le test de Kruskal-Wallis compare les distributions, pas seulement les médianes. Si les distributions ont des formes différentes, des résultats significatifs peuvent refléter des différences de forme plutôt que des différences de tendance centrale.

Comparaison avec l'ANOVA à un facteur

Tests post-hoc

Un résultat Kruskal-Wallis significatif indique qu'au moins un groupe diffère, mais pas lesquels.

Test de Dunn

La procédure post-hoc la plus courante :

1. Calculer les statistiques z par paires en utilisant les sommes de rangs
2. Appliquer une correction de Bonferroni ou autre pour les comparaisons multiples
3. Identifier quelles paires diffèrent significativement

Test de Conover-Iman

Alternative qui utilise la distribution t :

1. Convertir les rangs en statistiques t
2. Effectuer des tests t par paires sur les rangs
3. Appliquer une correction pour comparaisons multiples

Dwass-Steel-Critchlow-Fligner

Une procédure descendante qui contrôle le taux d'erreur familial.

Taille d'effet

Epsilon au carré

$\epsilon^2 = \frac{H}{N - 1}$

Eta au carré basé sur H

$\eta^2_H = \frac{H - k + 1}{N - k}$

Exemple : Analyse complète

Scénario : Comparer les évaluations de soulagement de la douleur (1-10) pour trois médicaments.

Étape 1 : Classer toutes les 15 observations (gérer les ex aequo par rang moyen)

Étape 2 : Calculer les sommes de rangs

• $R_A = 18,5$
• $R_B = 47,5$
• $R_C = 54,0$

Étape 3 : Calculer H

$H = \frac{12}{15 \times 16}\left(\frac{18,5^2}{5} + \frac{47,5^2}{5} + \frac{54^2}{5}\right) - 48 = 9,38$

Étape 4 : Valeur p avec df = 2 : $p = 0,009$

Conclusion : Différence significative dans le soulagement de la douleur ($H = 9,38$, $p = 0,009$). Des tests post-hoc sont nécessaires pour identifier quels médicaments diffèrent.

Applications

Recherche médicale

• Comparer les résultats de traitement entre plusieurs thérapies
• Analyser les échelles ordinales (douleur, satisfaction, qualité de vie)
• Gérer les distributions de biomarqueurs non normales

Sciences sociales

• Comparer les réponses à échelle de Likert entre groupes
• Analyser les préférences classées
• Étudier les variables ordinales (niveau d'éducation, tranches de revenu)

Contrôle qualité

• Comparer les taux de défauts entre lignes de production
• Analyser les évaluations clients entre emplacements
• Évaluer les performances entre équipes

Erreurs courantes

Utilisation avec deux groupes seulement

Avec exactement deux groupes, utilisez plutôt le test U de Mann-Whitney—il est plus puissant.

Ignorer l'hypothèse de forme de distribution

Si les distributions ont des formes très différentes, les résultats significatifs peuvent ne pas indiquer de différences de médiane.

Ne pas effectuer de tests post-hoc

Un H significatif indique seulement qu'une différence existe—les tests post-hoc identifient quelles paires diffèrent.

Traiter comme une comparaison directe de médianes

Kruskal-Wallis compare des distributions entières. Rapporter les médianes pour l'interprétation, mais comprendre que le test est plus large.

Présentation des résultats

Format APA :

« Un test H de Kruskal-Wallis a montré une différence statistiquement significative dans les évaluations de soulagement de la douleur entre trois médicaments, H(2) = 9,38, p = 0,009, ε² = 0,67. Les tests de Dunn post-hoc avec correction de Bonferroni ont indiqué que le médicament C (Mdn = 8) avait des évaluations significativement plus élevées que le médicament A (Mdn = 3), p = 0,003, tandis que le médicament B (Mdn = 6) ne différait pas significativement de l'un ou l'autre. »

Contexte historique

William Kruskal et W. Allen Wallis ont développé ce test en 1952 comme extension du test U de Mann-Whitney à plusieurs groupes.

Le test faisait partie d'un mouvement plus large vers les statistiques non paramétriques au milieu du 20e siècle, fournissant aux chercheurs des alternatives robustes aux méthodes paramétriques.

Calculs connexes

• ANOVA à un facteur — Alternative paramétrique
• Test U de Mann-Whitney — Test non paramétrique à deux groupes
• Test de Friedman — Mesures répétées non paramétriques
• Calculateur HSD de Tukey — Post-hoc pour ANOVA

Résumé

Le test H de Kruskal-Wallis compare trois groupes indépendants ou plus sans exiger la normalité. Il classe toutes les observations, calcule une statistique de test basée sur les sommes de rangs, et la compare à une distribution du chi-carré. Utilisez-le lorsque les données sont ordinales, les distributions non normales, ou les échantillons petits. Un résultat significatif nécessite des tests post-hoc (test de Dunn) pour identifier quels groupes diffèrent. Rapporter H, degrés de liberté, valeur p, taille d'effet, et médianes pour chaque groupe.