Ce que fait le calculateur du test de Friedman
Ce calculateur vérifie si k traitements ont des effets identiques lorsque chaque traitement est mesuré dans chacun des b blocs (par exemple des sujets, des lots ou des jours). C'est une alternative non paramétrique fondée sur les rangs à une ANOVA à mesures répétées. Il classe les valeurs à l'intérieur de chaque bloc, additionne les rangs de chaque traitement et renvoie la statistique de Friedman T1, la statistique de Conover T2, les deux p-valeurs, la valeur critique et une décision de rejet ou de non-rejet de H0.
Mode d'emploi
Saisissez le tableau de données avec un bloc par ligne et un traitement par colonne. Séparez les valeurs par des virgules, des points-virgules, des espaces ou des tabulations, et utilisez un point comme séparateur décimal. Chaque ligne doit contenir le même nombre de valeurs, avec au moins 2 blocs et 2 traitements. Choisissez ensuite le seuil de signification alpha (10 %, 5 %, 2,5 % ou 1 %) et la distribution de référence pour la décision : F (T2 de Conover, option par défaut et à privilégier) ou chi carré (T1).
Formules
Dans chaque bloc, les valeurs sont classées et \(R_j\) désigne la somme des rangs du traitement j.
$$S=\sum_{j=1}^{k}\left(R_j-\frac{b(k+1)}{2}\right)^2$$
$$T_1=\frac{12\,S}{bk(k+1)}\quad\text{(sans ex aequo)},\qquad T_1=\frac{(k-1)\,S}{A_1-C_1}\quad\text{(avec ex aequo)}$$
$$A_1=\sum_i\sum_j R(X_{ij})^2,\qquad C_1=\frac{bk(k+1)^2}{4}$$
$$T_2=\frac{(b-1)\,T_1}{b(k-1)-T_1}$$
Ici \(b\) = nombre de blocs, \(k\) = nombre de traitements, \(A_1\) = somme de tous les rangs au carré et \(C_1\) = facteur de correction. T1 est comparée à une loi du chi carré à \(k-1\) degrés de liberté ; T2 est comparée à une loi de F à \(k-1\) et \((b-1)(k-1)\) degrés de liberté.
Conventions et hypothèses
- Le classement est croissant dans chaque bloc, le rang 1 étant attribué à la plus petite valeur. Les valeurs ex aequo reçoivent la moyenne des rangs qu'elles occupent. Le sens du classement ne modifie pas la statistique.
- Si un bloc contient un ex aequo, la T1 corrigée des ex aequo est utilisée. Sans ex aequo, les deux formes sont identiques.
- T2 est la statistique à privilégier, car son approximation par la loi de F est généralement plus précise que l'approximation du chi carré pour T1.
- Les p-valeurs sont des probabilités de queue supérieure. H0 est rejetée uniquement si la statistique est strictement supérieure à la valeur critique (p inférieure à alpha) ; l'égalité conduit à ne pas rejeter.
- Aucune correction de continuité n'est appliquée.
- Si T1 est égale à b(k-1), tous les blocs ordonnent les traitements de la même façon, T2 est infinie, la p-valeur de F est 0 et H0 est rejetée.
- Si toutes les valeurs de chaque bloc sont égales, la statistique n'est pas définie et une erreur est renvoyée.
- Les comparaisons multiples après le test ne sont pas incluses.
Exemple travaillé
Les données comportent b = 6 blocs et k = 3 traitements, avec alpha = 0,05 et la référence F. Les lignes sont 4 5 3, 6 7 5, 8 6 9, 5 7 4, 7 9 6 et 3 6 5. Après classement dans chaque ligne, les sommes de rangs sont 11, 16 et 9.
$$A_1=84,\qquad C_1=\frac{6\times 3\times 4^2}{4}=72$$
$$T_1=4{,}33333,\qquad T_2=\frac{(6-1)\times 4{,}33333}{6\times 2-4{,}33333}=2{,}82609$$
La p-valeur de F à 2 et 10 degrés de liberté est 0,10645, et la valeur critique est 4,103. La p-valeur du chi carré pour T1 est 0,11456. Comme 2,82609 est inférieur à 4,103 (p = 0,10645 est supérieure à 0,05), la décision est de ne pas rejeter H0.
Comment lire le résultat
Une p-valeur faible suggère qu'au moins un traitement tend à être classé plus haut ou plus bas que les autres au sein des blocs. Une p-valeur élevée signifie que les données ne montrent pas d'effet constant d'un traitement ; cela ne prouve pas que les traitements sont égaux. Le test ne dit rien sur les traitements qui diffèrent entre eux. Un petit nombre de blocs rend l'approximation du chi carré moins fiable, ce qui explique en partie que T2 soit l'option par défaut. Les valeurs manquantes ne sont pas prises en charge : chaque bloc doit être complet.
FAQ
Quand faut-il utiliser le test de Friedman ?
Utilisez-le lorsque les mêmes unités sont mesurées dans plusieurs conditions et que les données sont ordinales ou ne suivent pas une loi normale, de sorte qu'une ANOVA à mesures répétées n'est pas appropriée.
Pourquoi y a-t-il deux p-valeurs ?
T1 suit approximativement une loi du chi carré, tandis que T2 suit approximativement une loi de F, généralement plus précise. La décision utilise celle que vous sélectionnez.
Comment sont traitées les valeurs ex aequo ?
Les valeurs ex aequo se partagent la moyenne de leurs rangs, et T1 passe à la forme corrigée des ex aequo.
Le sens du classement a-t-il une importance ?
Non. Un classement en ordre décroissant donne la même statistique.
Que signifie un T2 infini ?
Cela se produit lorsque chaque bloc classe les traitements dans le même ordre. La p-valeur de F vaut alors 0 et H0 est rejetée.
Sources
- Dataplot FRIEDMAN TEST, NIST/ITL, 2023