Calculateur du test de Levene

Utilisez le test de Levene pour vérifier si différents groupes dans vos données ont des quantités similaires de variabilité avant d'exécuter l'ANOVA ou les tests t. De nombreux tests statistiques supposent que les groupes ont des variances égales—s'ils ne le font pas, vos résultats peuvent être peu fiables. Ce test vous aide à décider s'il faut procéder à une analyse standard ou utiliser des alternatives conçues pour des variances inégales, comme le test de Welch.

Qu'est-ce que le test de Levene ?

Le test de Levene évalue si deux groupes ou plus ont des variances égales (homogénéité de variance ou homoscédasticité). C'est une vérification préalable pour de nombreuses procédures statistiques.

Question posée : « Ces groupes ont-ils des variances significativement différentes ? »

Hypothèse nulle : Tous les groupes ont des variances égales ($\sigma_1^2 = \sigma_2^2 = \cdots = \sigma_k^2$) Alternative : Au moins un groupe a une variance différente.

Pourquoi tester l'égalité des variances ?

De nombreux tests statistiques supposent des variances égales entre les groupes :

Violer cette hypothèse peut conduire à :

• Taux d'erreur de type I gonflés
• Puissance statistique réduite
• Intervalles de confiance incorrects

Comment ça fonctionne

L'approche de Levene

Au lieu de tester directement les variances (ce qui nécessite la normalité), le test de Levene convertit le problème en une ANOVA sur des données transformées.

Étape 1 : Calculer les écarts par rapport au centre du groupe

$Z_{ij} = |X_{ij} - \bar{X}_i|$

Où $\bar{X}_i$ est la moyenne du groupe (ou la médiane, ou la moyenne tronquée).

Étape 2 : Effectuer une ANOVA à un facteur sur les valeurs $Z$

Si les groupes ont des variances égales, ces écarts devraient avoir des moyennes égales.

Statistique de test

$W = \frac{(N-k)}{(k-1)} \cdot \frac{\sum_{i=1}^{k} n_i(\bar{Z}_i - \bar{Z})^2}{\sum_{i=1}^{k}\sum_{j=1}^{n_i}(Z_{ij} - \bar{Z}_i)^2}$

Cela suit une distribution F avec $(k-1, N-k)$ degrés de liberté.

Variantes du test de Levene

Basé sur la moyenne (Levene original)

Utilise les écarts par rapport aux moyennes de groupe :

$Z_{ij} = |X_{ij} - \bar{X}_i|$

Bon pour les distributions symétriques.

Basé sur la médiane (Brown-Forsythe)

Utilise les écarts par rapport aux médianes de groupe :

$Z_{ij} = |X_{ij} - \tilde{X}_i|$

Plus robuste à la non-normalité et aux valeurs aberrantes. Le plus couramment recommandé.

Basé sur la moyenne tronquée

Utilise les écarts par rapport aux moyennes tronquées à 10 %.

Compromis entre les approches de moyenne et de médiane.

Exemple de calcul

Données :

Étape 1 : Calculer les médianes de groupe

• Médiane A = 24
• Médiane B = 32
• Médiane C = 46,5

Étape 2 : Calculer les écarts absolus par rapport aux médianes

Étape 3 : Effectuer l'ANOVA sur ces écarts

Écarts moyens : A = 1,75, B = 2,0, C = 2,5 Moyenne globale = 2,08

Étape 4 : Calculer la statistique F et la valeur p

$F = 0,47$, $p = 0,64$

Conclusion : Aucune preuve de variances inégales ($p = 0,64$).

Interprétation

Résultat non significatif (p ≥ 0,05)

L'hypothèse de variance égale est raisonnable. Procédez avec :

• Test t poolé
• ANOVA standard
• Tests post-hoc traditionnels

Résultat significatif (p < 0,05)

Preuve de variances inégales. Considérez :

• Test t de Welch (pour deux groupes)
• ANOVA de Welch (pour plusieurs groupes)
• Test post-hoc de Games-Howell
• Transformation des données

Considérations sur la taille d'échantillon

Petits échantillons

• Faible puissance pour détecter les différences de variance
• Les résultats non significatifs peuvent ne pas indiquer des variances égales
• Envisagez d'utiliser quand même des alternatives robustes

Grands échantillons

• Haute puissance—peut détecter des différences triviales
• Considérez le rapport des variances, pas seulement la valeur p
• Signification pratique : rapport de variance > 2 ou 3 est préoccupant

Règles empiriques

Même sans test formel :

Avec des tailles d'échantillon égales, l'ANOVA est robuste à une hétérogénéité de variance modérée.

Que faire si les variances sont inégales

Pour deux groupes

Utilisez le test t de Welch, qui ne suppose pas de variances égales.

Pour plusieurs groupes

Utilisez l'ANOVA de Welch ou l'ANOVA de Brown-Forsythe, qui ajustent les degrés de liberté pour des variances inégales.

Comparaisons post-hoc

Utilisez le test Games-Howell au lieu du HSD de Tukey.

Transformer les données

Les transformations log ou racine carrée peuvent stabiliser les variances.

Alternatives non paramétriques

Les tests de Kruskal-Wallis ou de Mann-Whitney sont moins sensibles aux différences de variance.

Comparaison avec d'autres tests

Test de Bartlett

Plus puissant lorsque les données sont normales, mais très sensible à la non-normalité. Non recommandé sauf si la normalité est certaine.

Test F pour deux variances

Seulement pour deux groupes et nécessite la normalité. Le test de Levene est plus robuste.

Test de Fligner-Killeen

Test non paramétrique basé sur les rangs. Très robuste mais puissance plus faible.

Idées fausses courantes

« Le test de Levene doit être significatif pour continuer »

Faux. Vous voulez la non-signification—cela indique que les variances égales sont plausibles.

« Toujours exécuter le test de Levene avant l'ANOVA »

Discutable. Avec des tailles d'échantillon égales, l'ANOVA est robuste. Certains statisticiens recommandent de toujours utiliser l'ANOVA de Welch au lieu de tests préliminaires.

« Levene significatif = ANOVA invalide »

Pas nécessairement. L'ANOVA peut toujours être valide avec des groupes grands et de taille égale.

Le problème des tests préliminaires

Certains statisticiens argumentent contre l'utilisation routinière du test de Levene parce que :

1. Faible puissance avec petits échantillons : Lorsque vous avez le plus besoin de variances égales, vous ne pouvez pas détecter de manière fiable les violations
2. Les procédures conditionnelles gonflent les taux d'erreur : Choisir le test basé sur les résultats de tests préliminaires change le taux d'erreur de type I global
3. Approche alternative : Toujours utiliser des méthodes robustes (tests de Welch) indépendamment

Présentation des résultats

Lorsque les variances sont égales :

« Le test de Levene n'a indiqué aucune différence significative dans les variances, F(2, 45) = 1,24, p = 0,30. »

Lorsque les variances sont inégales :

« Le test de Levene a indiqué une hétérogénéité significative de variance, F(2, 45) = 4,82, p = 0,01. Par conséquent, l'ANOVA de Welch a été utilisée pour l'analyse principale. »

Contexte historique

Howard Levene a proposé ce test en 1960 comme alternative robuste au test de Bartlett. La modification basée sur la médiane (Brown-Forsythe) est venue en 1974, améliorant encore la robustesse.

L'idée clé était que tester les différences de variance pouvait être reformulé comme tester les différences de moyennes des écarts absolus—permettant l'utilisation du cadre ANOVA robuste.

Calculs connexes

• Calculateur de variance — Calculer la variance
• Calculateur d'écart type — Calculer l'ET
• Test t de Welch — Test t pour variances inégales
• ANOVA à un facteur — Comparer les moyennes de groupe

Résumé

Le test de Levene évalue si les groupes ont des variances égales, une hypothèse clé pour les tests t et l'ANOVA. La version basée sur la médiane (Brown-Forsythe) est la plus robuste. Un résultat significatif indique des variances inégales—utilisez les tests de Welch ou le post-hoc de Games-Howell. La non-signification suggère que les variances égales sont plausibles. Considérez l'ampleur pratique (rapports de variance) à côté des valeurs p. Certains statisticiens recommandent de toujours utiliser des méthodes robustes plutôt que des tests préliminaires.