Calculateur de Tableau de Contingence

Calculateur de Tableau de Contingence

Le Calculateur de tableau de contingence effectue le test du khi-carré d'indépendance sur n'importe quel tableau de contingence R×C (tableau croisé). Entrez vos fréquences observées pour tester si deux variables catégorielles sont statistiquement associées. Obtenez des résultats détaillés comprenant les fréquences attendues, les résidus standardisés ajustés, la taille d'effet V de Cramér, l'analyse de contribution des cellules, des diagrammes en mosaïque interactifs, des cartes de chaleur des résidus, des courbes de distribution du khi-carré et une solution complète étape par étape.

Comment utiliser le calculateur de tableau de contingence

1. Définir les dimensions du tableau — choisissez le nombre de lignes et de colonnes pour votre tableau de contingence. Par défaut, il s'agit d'un tableau 2×2, mais vous pouvez analyser des tableaux allant jusqu'à 10×10 via les sélecteurs déroulants.
2. Saisir les fréquences observées — tapez l'effectif observé pour chaque cellule directement dans la grille interactive. Vous pouvez également passer en mode « Saisie de texte » pour coller des données séparées par des tabulations ou des virgules. Toutes les valeurs doivent être des nombres entiers non négatifs.
3. Ajouter des étiquettes (optionnel) — saisissez les étiquettes de catégories pour les lignes et les colonnes, séparées par des virgules. Les étiquettes facilitent l'interprétation des tableaux et graphiques de sortie. Par exemple, « Homme, Femme » pour les lignes et « Oui, Non » pour les colonnes.
4. Définir le seuil de signification — choisissez le niveau α souhaité. Le choix le plus courant est 0,05 (confiance de 95 %). Des valeurs α plus petites (0,01, 0,001) nécessitent des preuves plus solides pour déclarer la significativité.
5. Analyser les résultats — cliquez sur « Analyser le tableau de contingence » pour voir la statistique du khi-carré, la p-valeur, les mesures de taille d'effet, les visualisations et la solution détaillée.

Qu'est-ce qu'un tableau de contingence ?

Un tableau de contingence (également appelé tableau croisé, crosstab ou tableau de fréquences à double entrée) affiche la distribution de fréquence conjointe de deux variables catégorielles. Chaque ligne représente une catégorie de la première variable, chaque colonne représente une catégorie de la deuxième variable, et chaque cellule contient le nombre d'observations correspondant à cette combinaison spécifique. Les tableaux de contingence sont la base de nombreuses méthodes d'analyse de données catégorielles, notamment le test du khi-carré, le test exact de Fisher et les modèles log-linéaires.

Le test d'indépendance du khi-carré

Le test du khi-carré (χ²) d'indépendance détermine s'il existe une association statistiquement significative entre deux variables catégorielles. Il fonctionne en comparant les fréquences de cellules observées avec les fréquences qui seraient attendues si les variables étaient indépendantes.

Où Oᵢⱼ est la fréquence observée dans la cellule (i,j), et Eᵢⱼ est la fréquence attendue calculée comme suit :

Les degrés de liberté pour le test sont (r − 1) × (c − 1), où r est le nombre de lignes et c le nombre de colonnes. Une valeur de χ² plus élevée indique un plus grand écart entre les fréquences observées et attendues, suggérant que les variables sont associées.

V de Cramér — Mesurer la taille de l'effet

Alors que la p-valeur vous indique si une association existe, le V de Cramér vous indique sa force. Le V de Cramér varie de 0 (aucune association) à 1 (association parfaite) et se calcule ainsi :

Où N est la taille totale de l'échantillon et k est le plus petit entre le nombre de lignes ou de colonnes. L'interprétation du V de Cramér dépend des degrés de liberté :

Taille de l'effet	ddl* = 1	ddl* = 2	ddl* ≥ 3
Négligeable	< 0,10	< 0,07	< 0,06
Faible	0,10 – 0,30	0,07 – 0,21	0,06 – 0,17
Moyenne	0,30 – 0,50	0,21 – 0,35	0,17 – 0,29
Forte	≥ 0,50	≥ 0,35	≥ 0,29

*ddl* fait référence à min(lignes, colonnes) − 1

Comprendre les résidus standardisés

Les résidus standardisés ajustés révèlent quelles cellules spécifiques contribuent le plus à un résultat significatif du khi-carré. Un résidu de +2,5 dans une cellule signifie que cette cellule présente 2,5 écarts-types d'observations de plus que ce qui était attendu sous l'indépendance. Les seuils clés sont :

• |r| > 1,96 — significativement différent de l'attendu (p < 0,05)
• |r| > 2,58 — très significativement différent de l'attendu (p < 0,01)
• Résidu positif — plus d'observations que prévu dans cette cellule
• Résidu négatif — moins d'observations que prévu dans cette cellule

Quand utiliser le test du khi-carré

• Données catégorielles — les deux variables doivent être catégorielles (nominales ou ordinales)
• Observations indépendantes — chaque observation ne doit être comptée qu'une seule fois
• Taille d'échantillon adéquate — au moins 80 % des effectifs attendus doivent être ≥ 5, et aucun effectif attendu ne doit être inférieur à 1
• Échantillonnage aléatoire — les observations doivent provenir d'un échantillon aléatoire de la population

Si les effectifs attendus sont trop faibles, envisagez de combiner des catégories, d'utiliser le test exact de Fisher (pour les tableaux 2×2), ou d'utiliser des tests exacts ou la simulation de Monte Carlo pour des tableaux plus grands.

Test du khi-carré vs Test exact de Fisher

• Le test du khi-carré utilise une approximation pour grands échantillons ; le test de Fisher calcule des probabilités exactes.
• Le test de Fisher est préférable pour les tableaux 2×2 avec de petits effectifs attendus (< 5).
• Le test du khi-carré se généralise naturellement aux tableaux R×C de n'importe quelle taille.
• Pour les grands échantillons, les deux tests produisent des résultats très similaires.

FAQ

Qu'est-ce qu'un tableau de contingence ?

Un tableau de contingence (également appelé tableau croisé ou crosstab) est un tableau qui affiche la distribution de fréquence de deux ou plusieurs variables catégorielles. Chaque cellule montre le nombre d'observations qui tombent dans une combinaison spécifique de catégories. C'est la base pour tester si les variables sont indépendantes ou associées à l'aide du test du khi-carré.

Qu'est-ce que le test d'indépendance du khi-carré ?

Le test du khi-carré d'indépendance détermine s'il existe une association statistiquement significative entre deux variables catégorielles dans un tableau de contingence. Il compare les fréquences observées des cellules avec les fréquences attendues calculées sous l'hypothèse que les variables sont indépendantes. Une statistique du khi-carré élevée par rapport aux degrés de liberté suggère que les variables sont associées.

Qu'est-ce que le V de Cramér et comment l'interpréter ?

Le V de Cramér est une mesure de la taille de l'effet pour le test du khi-carré, allant de 0 (aucune association) à 1 (association parfaite). Pour les tableaux 2×2, les valeurs inférieures à 0,10 sont négligeables, 0,10–0,30 correspondent à un effet faible, 0,30–0,50 à un effet moyen et au-dessus de 0,50 à un effet fort. Pour les tableaux plus grands, les seuils sont proportionnellement plus bas. Contrairement à la p-valeur, le V de Cramér mesure la force de l'association, pas seulement si elle existe statistiquement.

Que sont les résidus standardisés dans un tableau de contingence ?

Les résidus standardisés ajustés montrent à quel point chaque cellule s'écarte de ce qui serait attendu sous l'indépendance. Des valeurs supérieures à +1,96 ou inférieures à −1,96 indiquent un écart significatif au seuil de 0,05. Des résidus positifs signifient plus d'observations que prévu dans cette cellule ; des résidus négatifs signifient moins. Ils aident à identifier quelles combinaisons de cellules spécifiques tirent l'association globale.

Quand ne dois-je pas utiliser le test du khi-carré ?

Le test du khi-carré peut être peu fiable lorsque les fréquences attendues sont très faibles — spécifiquement lorsque plus de 20 % des effectifs attendus sont inférieurs à 5, ou si un effectif attendu est inférieur à 1. Pour les tableaux 2×2 avec de petits échantillons, le test exact de Fisher est préférable. Le test requiert également des observations indépendantes, il ne doit donc pas être utilisé avec des données appariées, assorties ou des mesures répétées.