Calculateur du Test de Kruskal-Wallis

Q: Quelle est la taille de l'effet dans le test de Kruskal-Wallis ?

L'epsilon-carré (epsilon squared) est utilisé comme mesure de la taille de l'effet pour le test de Kruskal-Wallis. Il varie de 0 à 1 et indique la signification pratique : les valeurs inférieures à 0,01 sont négligeables, de 0,01 à 0,06 sont faibles, de 0,06 à 0,14 sont moyennes, et les valeurs supérieures à 0,14 indiquent des effets importants. La taille de l'effet complète la signification statistique en montrant l'ampleur des différences.

Effectuez le test H de Kruskal-Wallis pour comparer plusieurs groupes indépendants. Obtenez les calculs étape par étape, l'analyse des rangs, la taille de l'effet et une visualisation interactive pour l'analyse statistique non paramétrique.

Embed Calculateur du Test de Kruskal-Wallis Widget

Calculateur du Test de Kruskal-Wallis

Bienvenue sur le Calculateur du test de Kruskal-Wallis, un outil statistique complet pour comparer plusieurs groupes indépendants à l'aide du test H non paramétrique de Kruskal-Wallis. Ce calculateur fournit des calculs étape par étape, une analyse des rangs, une mesure de la taille de l'effet et des visualisations interactives pour vous aider à comprendre et interpréter vos données.

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

Le test H de Kruskal-Wallis (également appelé analyse de variance à un facteur de Kruskal-Wallis) est un test non paramétrique basé sur les rangs utilisé pour déterminer s'il existe des différences statistiquement significatives entre deux ou plusieurs groupes d'une variable indépendante sur une variable dépendante continue ou ordinale. C'est l'équivalent non paramétrique de l'ANOVA à un facteur.

Nommé d'après William Kruskal et W. Allen Wallis qui l'ont développé en 1952, ce test étend le test U de Mann-Whitney à plus de deux groupes. Contrairement à l'ANOVA, le test de Kruskal-Wallis ne suppose pas une distribution normale des données.

Formule de la statistique H de Kruskal-Wallis

Statistique H de Kruskal-Wallis

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

Où :

N = Nombre total d'observations dans tous les groupes
k = Nombre de groupes
nᵢ = Nombre d'observations dans le groupe i
Rᵢ = Somme des rangs dans le groupe i

Quand utiliser le test de Kruskal-Wallis

Utilisez Kruskal-Wallis au lieu de l'ANOVA à un facteur lorsque :

Données non normales : Vos données ne respectent pas l'hypothèse de normalité requise par l'ANOVA
Données ordinales : Vous avez des données ordinales (classées) plutôt que des données continues
Petits échantillons : Les tailles d'échantillon sont trop petites pour vérifier la normalité
Présence de valeurs aberrantes : Vos données présentent des valeurs aberrantes qui pourraient fausser les résultats de l'ANOVA
Variances inégales : Les variances entre les groupes ne sont pas égales (hétéroscédasticité)

Hypothèses du test de Kruskal-Wallis

La variable dépendante doit être mesurée au niveau ordinal ou continu
La variable indépendante doit être composée de deux ou plusieurs groupes catégoriels indépendants
Indépendance des observations - il n'y a pas de relation entre les observations dans chaque groupe ou entre les groupes eux-mêmes
Formes de distribution similaires entre les groupes (pas nécessairement normales, mais similaires)

Comment utiliser ce calculateur

Saisissez vos données : Saisissez les données pour chaque groupe sur une ligne distincte. Les valeurs au sein de chaque ligne peuvent être séparées par des virgules, des espaces ou des tabulations.
Définissez le niveau de signification : Choisissez votre valeur alpha (0,01, 0,05 ou 0,10) en fonction de vos exigences de test.
Réglez la précision : Sélectionnez le nombre de décimales pour vos résultats.
Calculez : Cliquez sur le bouton Calculer pour effectuer l'analyse.
Interprétez les résultats : Examinez la statistique H, la valeur p, la taille de l'effet et les visualisations pour tirer des conclusions.

Interprétation des résultats

Signification statistique

Si valeur p ≤ alpha : Rejetez l'hypothèse nulle. Il existe une différence statistiquement significative entre au moins une paire de groupes.
Si valeur p > alpha : Échec du rejet de l'hypothèse nulle. Les preuves de différences entre les groupes sont insuffisantes.

Taille de l'effet (Epsilon-carré)

La taille de l'effet mesure la signification pratique de vos découvertes :

Epsilon-carré	Taille de l'effet	Interprétation
< 0,01	Négligeable	Effet pratique très faible ou nul
0,01 - 0,06	Faible	Signification pratique faible
0,06 - 0,14	Moyenne	Signification pratique modérée
> 0,14	Grande	Grande signification pratique

Tests post-hoc

Lorsque le test de Kruskal-Wallis est significatif, vous avez besoin de tests post-hoc pour déterminer quels groupes spécifiques diffèrent. Les options courantes incluent :

Test de Dunn : Le test post-hoc le plus populaire pour Kruskal-Wallis
Tests U de Mann-Whitney par paires : Avec correction de Bonferroni ou autre correction pour comparaisons multiples
Test de Conover-Iman : Basé sur la distribution t des rangs
Test de Nemenyi : Équivalent non paramétrique du HSD de Tukey

Comparaison Kruskal-Wallis vs ANOVA

Caractéristique	Kruskal-Wallis	ANOVA à un facteur
Type de données	Ordinales ou continues	Continues uniquement
Normalité	Non requise	Requise
Égalité des variances	Non requise	Requise (peut utiliser l'ANOVA de Welch si non respectée)
Puissance statistique	Plus faible (utilise les rangs)	Plus élevée (utilise les valeurs réelles)
Sensibilité aux valeurs aberrantes	Moins sensible	Plus sensible
Taille d'échantillon	Fonctionne avec de petits échantillons	Nécessite des échantillons plus grands pour la normalité

Foire aux questions

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

Le test de Kruskal-Wallis est un test non paramétrique basé sur les rangs utilisé pour déterminer s'il existe des différences statistiquement significatives entre deux ou plusieurs groupes d'une variable indépendante sur une variable dépendante continue ou ordinale. C'est l'équivalent non paramétrique de l'ANOVA à un facteur et une extension du test U de Mann-Whitney pour plus de deux groupes.

Quand dois-je utiliser le test de Kruskal-Wallis au lieu de l'ANOVA ?

Utilisez le test de Kruskal-Wallis lorsque : (1) Vos données ne respectent pas l'hypothèse de normalité requise par l'ANOVA, (2) Vous avez des données ordinales plutôt que des données continues, (3) Vos tailles d'échantillon sont petites et vous ne pouvez pas vérifier la normalité, (4) Vos données présentent des valeurs aberrantes qui pourraient fausser les résultats de l'ANOVA, ou (5) Les variances entre les groupes ne sont pas égales (hétéroscédasticité).

Comment interpréter la valeur p de Kruskal-Wallis ?

Si la valeur p est inférieure ou égale à votre niveau de signification choisi (généralement 0,05), vous rejetez l'hypothèse nulle et concluez qu'il existe une différence statistiquement significative entre au moins une paire de groupes. Si la valeur p > alpha, vous ne parvenez pas à rejeter l'hypothèse nulle, ce qui signifie qu'il n'y a pas de preuves suffisantes de différences entre les groupes.

Quelle est la taille de l'effet dans le test de Kruskal-Wallis ?

L'epsilon-carré est utilisé comme mesure de la taille de l'effet pour le test de Kruskal-Wallis. Il varie de 0 à 1 et indique la signification pratique : les valeurs inférieures à 0,01 sont négligeables, de 0,01 à 0,06 sont faibles, de 0,06 à 0,14 sont moyennes, et les valeurs supérieures à 0,14 indiquent des effets importants. La taille de l'effet complète la signification statistique en montrant l'ampleur des différences.

Quelle est la taille d'échantillon minimale pour le test de Kruskal-Wallis ?

Chaque groupe devrait avoir au moins 5 observations pour des résultats fiables, bien que techniquement le test nécessite au moins 2 observations par groupe. Pour de très petits échantillons, l'approximation du chi-deux utilisée pour calculer les valeurs p peut ne pas être précise, et des tests de permutation exacts devraient être envisagés.

Quels tests post-hoc suivent un résultat significatif de Kruskal-Wallis ?

Lorsque le test de Kruskal-Wallis est significatif, les tests post-hoc identifient quels groupes spécifiques diffèrent. Les options courantes incluent : le test de Dunn (le plus populaire), les tests U de Mann-Whitney par paires avec correction de Bonferroni, le test de Conover-Iman ou le test de Nemenyi. Ces tests contrôlent l'erreur de type I lors de comparaisons multiples.

Ressources supplémentaires

Citez ce contenu, cette page ou cet outil comme suit :

"Calculateur du Test de Kruskal-Wallis" sur https://MiniWebtool.com/fr/calculateur-du-test-de-kruskal-wallis/ de MiniWebtool, https://MiniWebtool.com/

par l'équipe miniwebtool. Mis à jour : 27 janv. 2026

API développeur disponible: Exécutez cet outil depuis votre app, automatisation ou agent avec une requête HTTP JSON. Voir la documentation API

Vous pouvez également essayer notre Résolveur Mathématique IA GPT pour résoudre vos problèmes mathématiques grâce à des questions-réponses en langage naturel.

Calculateur du Test de Kruskal-Wallis

Calculateur du Test de Kruskal-Wallis

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

Formule de la statistique H de Kruskal-Wallis

Quand utiliser le test de Kruskal-Wallis

Utilisez Kruskal-Wallis au lieu de l'ANOVA à un facteur lorsque :

Hypothèses du test de Kruskal-Wallis

Comment utiliser ce calculateur

Interprétation des résultats

Signification statistique

Taille de l'effet (Epsilon-carré)

Tests post-hoc

Comparaison Kruskal-Wallis vs ANOVA

Foire aux questions

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

Quand dois-je utiliser le test de Kruskal-Wallis au lieu de l'ANOVA ?

Comment interpréter la valeur p de Kruskal-Wallis ?

Quelle est la taille de l'effet dans le test de Kruskal-Wallis ?

Quelle est la taille d'échantillon minimale pour le test de Kruskal-Wallis ?

Quels tests post-hoc suivent un résultat significatif de Kruskal-Wallis ?

Ressources supplémentaires

Statistiques et analyse de données:

Outils en vedette: