Calculateur du test de Levene
Vérifiez si des groupes indépendants présentent des variances égales. Saisissez les observations de deux groupes ou plus, une ligne par groupe, choisissez le centrage sur la moyenne ou la médiane, et obtenez la statistique F, les degrés de liberté et la valeur p.
Vérifiez si des groupes indépendants ont des variances égales
Formule du test de Levene
Où :
- \(k\) — nombre de groupes
- \(N\) — nombre total d'observations, tous groupes confondus
- \(n_i\) — nombre d'observations dans le groupe \(i\)
- \(Z_{ij} = |Y_{ij} - \tilde{Y}_i|\) — l'écart absolu entre l'observation \(j\) du groupe \(i\) et le centre de son groupe (la moyenne pour le test de Levene original, la médiane pour la variante de Brown–Forsythe)
- \(\bar{Z}_i\) — moyenne des écarts absolus dans le groupe \(i\)
- \(\bar{Z}\) — moyenne de tous les écarts absolus
Sous l'hypothèse nulle d'égalité des variances de tous les groupes, la statistique \(W\) suit une loi de Fisher (F) avec \(k-1\) et \(N-k\) degrés de liberté. Il s'agit en pratique d'une ANOVA à un facteur appliquée aux écarts absolus par rapport aux centres des groupes.
Test de Levene – Exemple de calcul
Exemple : trois groupes de cinq mesures chacun, testés avec la méthode par défaut centrée sur la médiane (Brown–Forsythe).
Groupe 1 : 8, 9, 10, 11, 12 Groupe 2 : 8, 10, 12, 14, 16 Groupe 3 : 9, 10, 11, 12, 13
Médianes des groupes : 10, 12, 11. Écarts absolus par rapport aux médianes :
\[ Z_1 = 2, 1, 0, 1, 2 \quad (\bar{Z}_1 = 1.2) \]
\[ Z_2 = 4, 2, 0, 2, 4 \quad (\bar{Z}_2 = 2.4), \qquad Z_3 = 2, 1, 0, 1, 2 \quad (\bar{Z}_3 = 1.2) \]
Écart absolu moyen global : \(\bar{Z} = 24/15 = 1.6\).
\[ \sum n_i (\bar{Z}_i - \bar{Z})^2 = 5(0.4)^2 + 5(0.8)^2 + 5(0.4)^2 = 4.8 \]
\[ \sum\sum (Z_{ij} - \bar{Z}_i)^2 = 2.8 + 11.2 + 2.8 = 16.8 \]
\[ W = \frac{15 - 3}{3 - 1} \cdot \frac{4.8}{16.8} = 6 \cdot 0.2857 = 1.7143 \]
Avec \(df_1 = 2\) et \(df_2 = 12\), la valeur p est \(p \approx 0.221\).
Résultat : \(F = 1.7143\), \(df_1 = 2\), \(df_2 = 12\), \(p \approx 0.221\). Comme \(p > 0.05\), rien ne permet de remettre en cause l'égalité des variances de ces trois groupes.
Comment utiliser le calculateur du test de Levene
- Saisissez vos données dans le champ Observations des groupes, en plaçant les valeurs de chaque groupe sur leur propre ligne. Séparez les valeurs par des espaces ou des points-virgules ; la virgule décimale est acceptée. Chaque groupe doit compter au moins deux observations, et vous pouvez saisir de 2 à 20 groupes.
- Choisissez la méthode de centrage dans le menu déroulant Centrer chaque groupe sur : Moyenne (test original de Levene) ou Médiane (variante de Brown–Forsythe).
- Lisez les résultats : la statistique de test F, les deux degrés de liberté, la valeur p, et une interprétation en langage clair de l'égalité supposée des variances des groupes au seuil de 0,05.
Qu'est-ce que le test de Levene et quand l'utiliser ?
Le test de Levene est une procédure statistique qui permet de vérifier l'hypothèse d'homogénéité des variances, c'est-à-dire l'idée que plusieurs groupes indépendants partagent la même variance au sein de la population. De nombreuses méthodes classiques, dont le test t sur deux échantillons, l'ANOVA à un facteur et les plans à mesures répétées, supposent l'égalité des variances entre les groupes. Lorsque cette hypothèse n'est pas respectée, les taux d'erreur nominaux de ces tests peuvent être faussés : vous risquez de déclarer un résultat « significatif » plus souvent que les 5 % annoncés, ou de perdre de la puissance.
Le test repose sur une transformation des données brutes : chaque observation est remplacée par sa distance absolue au centre du groupe, et une ANOVA à un facteur est menée sur ces distances. Si les groupes ont réellement des variances égales, l'écart absolu moyen sera similaire d'un groupe à l'autre et la statistique F obtenue sera faible. En revanche, si un groupe est nettement plus dispersé que les autres, ses écarts seront en moyenne plus grands, ce qui gonflera la statistique.
L'interprétation des résultats est simple : une valeur p faible (généralement inférieure à 0,05) indique qu'au moins un groupe a une variance différente ; il faut alors soit appliquer une transformation stabilisatrice de variance (par exemple une transformation logarithmique), soit opter pour une procédure qui ne suppose pas l'égalité des variances, comme l'ANOVA de Welch. Une valeur p élevée signifie que les données sont compatibles avec des variances égales — mais cela ne prouve pas que les variances sont exactement identiques : le test ne trouve simplement aucun élément contradictoire avec cette hypothèse.
Le test de Levene est généralement préféré aux alternatives plus anciennes comme le test de Bartlett, car il est bien moins sensible aux données non normales. Il constitue le complément naturel des comparaisons de groupes paramétriques ; si vous passez ensuite à des méthodes non paramétriques, le test de Kruskal–Wallis ou le test de Friedman peuvent convenir selon votre plan expérimental.
Hypothèses, limites et conseils pratiques
- Indépendance. Les observations doivent être indépendantes au sein de chaque groupe et entre les groupes. Le test de Levene ne convient pas aux données appariées ni aux mesures répétées.
- Deux versions du test. Le test de Levene original centre chaque groupe sur sa moyenne, ce qui le rend sensible aux valeurs aberrantes et aux distributions asymétriques. La variante de Brown–Forsythe, centrée sur la médiane, est plus robuste ; c'est celle choisie par défaut dans ce calculateur, comme dans la plupart des logiciels statistiques.
- La taille des groupes compte. Avec de très petits groupes, le test manque de puissance et peut passer à côté de différences réelles de variance. Avec de très grands échantillons, il peut signaler comme significatives des différences dérisoires. Prenez toujours en compte l'ampleur concrète de l'écart de variance, et pas seulement la valeur p.
- Égalité des variances ne veut pas dire égalité des moyennes. Ce test ne dit rien des différences éventuelles entre les moyennes des groupes : il ne s'intéresse qu'à la dispersion. Pour comparer des moyennes entre groupes, tournez-vous plutôt vers des procédures comme le test Z pour une moyenne.
- N'oubliez pas le test principal. La vérification des variances n'est généralement qu'une étape préliminaire. Si votre analyse se poursuit, le calculateur de puissance statistique peut vous aider à déterminer si vos tailles d'échantillon suffisent à détecter les effets qui vous intéressent.
- Des limites de saisie raisonnables. Le calculateur accepte jusqu'à 20 groupes et 1 000 observations au total, avec des valeurs pouvant atteindre un billion (10¹²) en valeur absolue — de quoi couvrir les jeux de données typiques d'un cours ou d'une recherche.
Questions fréquentes
À partir de quelle valeur p considère-t-on que les variances sont différentes ?
Une valeur p inférieure à votre seuil de signification (généralement 0,05) indique qu'au moins un groupe a une variance différente des autres. Par exemple, \(p = 0.01\) signifie qu'un tel écart de dispersion surviendrait rarement par hasard si les variances réelles étaient égales. Une valeur p supérieure à 0,05 signifie que le test n'a trouvé aucun élément contradictoire avec l'égalité des variances — ce qui ne prouve pas qu'elles sont exactement égales, surtout avec de petits échantillons.
Faut-il centrer sur la moyenne ou sur la médiane ?
Privilégiez le centrage sur la médiane (la variante de Brown–Forsythe) dans la plupart des situations : plus robuste face aux valeurs aberrantes et aux distributions asymétriques, il donne des résultats plus fiables lorsque les données ne sont pas parfaitement normales. Ne choisissez le centrage sur la moyenne que si vous devez reproduire le test de Levene original, par exemple pour retrouver l'exemple d'un manuel ou d'un rapport fondé sur la version classique. En cas de doute, le résultat fondé sur la médiane est le choix le plus sûr.
Le test de Levene peut-il s'utiliser avec seulement deux groupes ?
Oui, le test fonctionne aussi bien avec deux groupes qu'avec un grand nombre de groupes. Avec deux groupes, \(df_1 = 1\) et \(df_2 = n_1 + n_2 - 2\). C'est une alternative valable au test F d'égalité de deux variances, et on la préfère dès que les données risquent de ne pas être normales, car le test F classique à deux variances est très sensible à la non-normalité.
Que faire si le test est significatif ?
Vous avez deux options principales. Premièrement, appliquer aux données une transformation stabilisatrice de variance, comme une transformation logarithmique ou une racine carrée, puis relancer le test. Deuxièmement, passer à une méthode qui ne suppose pas l'égalité des variances — le test t de Welch pour deux groupes, ou l'ANOVA de Welch pour plusieurs groupes. Ne poursuivez pas avec le test t ou l'ANOVA standard tels quels : votre seuil de signification annoncé pourrait ne plus être exact.
Comment rapporter les résultats du test de Levene dans un article ?
Un rapport type aux normes APA comprend la statistique de test, les deux degrés de liberté et la valeur p, par exemple : \(F(2, 12) = 1.71\), \(p = 0.221\). Précisez la version utilisée — le test original centré sur la moyenne ou la variante de Brown–Forsythe centrée sur la médiane — car les deux peuvent donner des valeurs différentes sur les mêmes données. Indiquez également votre seuil de signification s'il diffère de 0,05.
Pourquoi ma statistique F est-elle infinie ?
Cela se produit lorsque tous les écarts absolus sont identiques au sein de chaque groupe (variation intra-groupe nulle) alors que leurs moyennes de groupe diffèrent. Le dénominateur du rapport F devient nul tandis que le numérateur reste positif : la statistique croît sans limite et la valeur p est en pratique nulle. Concrètement, cela signale généralement de très petits groupes aux motifs inhabituels — ajoutez des observations ou vérifiez la saisie des données avant de tirer des conclusions.
Le test de Levene fonctionne-t-il avec de petits échantillons ?
Sur le plan mathématique, il se calcule dès deux observations par groupe, mais sa puissance est faible avec de petits échantillons : des différences réelles de variance peuvent donc passer inaperçues. Un résultat non significatif avec 3 à 5 observations par groupe constitue une preuve fragile d'homogénéité. À l'inverse, avec de très grands échantillons, le test peut signaler des différences minuscules et sans intérêt pratique. Dans les deux cas, examinez la dispersion réelle de chaque groupe (par exemple les écarts types) en parallèle de la valeur p.