2.9: Techniques d'inférence statistique dans les tests d'hypothèses : données paramétriques et non paramétriques

Les techniques d’inférence statistique, primordiales dans les tests d’hypothèses, se différencient en deux grandes catégories : les statistiques paramétriques et non paramétriques.

Les statistiques paramétriques, comme leur nom l'indique, reposent sur l’hypothèse que les données suivent une distribution spécifique, généralement une distribution normale. Cette hypothèse permet de tester et d'estimer des hypothèses de manière fiable. Les méthodes paramétriques, comme le test t de Student ou le test d'ajustement, sont fréquemment utilisées en biostatistique en raison de leur robustesse. Par exemple, la comparaison des taux moyens de glycémie entre des patients recevant différents traitements devient statistiquement fiable grâce aux méthodes statistiques paramétriques.

En revanche, les statistiques non paramétriques ne font aucune hypothèse sur la distribution sous-jacente des données. Elles entrent en jeu lorsque les données ne répondent pas aux conditions préalables des tests paramétriques ou lors du traitement de données ordinales ou catégorielles. Ces méthodes offrent plusieurs avantages, notamment la robustesse aux valeurs aberrantes et l'absence d'hypothèses de distribution spécifiques. Cependant, elles sont généralement moins puissantes que les tests paramétriques lorsque toutes les hypothèses paramétriques sont remplies.

Les méthodes statistiques non paramétriques sont utilisées dans diverses applications biostatistiques. Le test de Wilcoxon, qui compare les durées médianes de survie entre deux groupes d'animaux de laboratoire, en est un exemple. Le test de Kruskal-Wallis, une alternative non paramétrique à l'ANOVA, permet également de comparer les médianes de plusieurs groupes.

Les statistiques paramétriques et non paramétriques ont une importance et des applications uniques en biostatistique, leur utilisation étant déterminée par la nature des données et les hypothèses statistiques qui peuvent être formulées.

méthodes statistiques paramétriques, telles que le test t de Student ou le test de qualité de l’ajustement, supposent que les données suivent une distribution spécifique, ce qui permet de tester et d’estimer des hypothèses robustes.

En biostatistique, les statistiques paramétriques sont fréquemment utilisées, par exemple, pour comparer les taux de sucre dans le sang moyens entre les patients sous différents traitements.

À l'inverse, les statistiques non paramétriques ne font aucune hypothèse sur la distribution des données.

Ils sont utiles lorsque les données ne répondent pas aux exigences de test paramétrique ou sont ordinales ou catégorielles.

Ces méthodes offrent de nombreux avantages, notamment la robustesse face aux valeurs aberrantes et aux applications de données plus larges.

Cependant, ils ont tendance à être moins utiles que les tests paramétriques sous hypothèses paramétriques.

Par exemple, à l’aide de statistiques non paramétriques, le test de Wilcoxon compare les temps de survie médians entre deux groupes d’animaux de laboratoire.

Le test de Kruskal-Wallis, une autre alternative non paramétrique à l’ANOVA, classe des échantillons aléatoires de trois populations ou plus pour déterminer si leurs médianes sont similaires.

• Parametric statistics - Assumed data follows a specific distribution for hypothesis testing or estimation.
• Nonparametric statistics - Methods used when data fails to meet prerequisites of parametric tests.
• Hypothesis testing - Statistical method to test an assumption regarding a population parameter.
• Inference methods in statistics - Techniques to make predictions or decisions about a population based on sample data.
• Parametric data vs nonparametric data - Comparison between the data types dictating the use of parametric or nonparametric tests.

• Define parametric and nonparametric statistics – Explain what they are (e.g., parametric statistics).
• Contrast parametric statistics vs. nonparametric statistics – Highlight the key differences (e.g., assumptions of data distribution).
• Explore Examples – Discuss their application in real-life scenarios (e.g., inference tests in biostatistics).
• Explain hypothesis Testing – Describe its importance in the statistical inference process.
• Apply in context – Discuss the implications of using parametric vs. nonparametric methods in statistical analysis.

• What is the difference between parametric and nonparametric statistics and how to choose between them?
• What are the implications of the assumptions made in parametric statistical methods?
• What makes nonparametric statistics more robust against outliers and less powerful?

• Students – Helps in comprehending the key differences between parametric and nonparametric statistics.
• Educators – Provides a clear framework of statistical inference techniques for teaching.
• Researchers – Offers insights into the correct application of parametric or nonparametric tests in research.
• Data Analysts – Aids in making informed decisions on the selection and usage of parametric or nonparametric methods based on data characteristics.