Calculateur du test de Kruskal–Wallis
Saisissez les observations de trois ou quatre groupes et ce calculateur effectue le test de Kruskal–Wallis : il classe toutes les valeurs ensemble, calcule la statistique H corrigée des ex æquo, les degrés de liberté, la valeur p et la décision au seuil de signification de votre choix.
Comparaison de trois groupes ou plus par les rangs
Formule du test de Kruskal–Wallis
Où :
- \(k\) — nombre de groupes
- \(n_j\) — nombre d'observations dans le groupe \(j\)
- \(N\) — nombre total d'observations tous groupes confondus, \(N = \sum n_j\)
- \(R_j\) — somme des rangs du groupe \(j\), où les \(N\) observations sont classées ensemble de la plus petite (1) à la plus grande (\(N\)), les valeurs ex æquo partageant la moyenne de leurs rangs
- \(t\) — effectif de chaque groupe de valeurs ex æquo (utilisé dans le facteur de correction \(C\))
- \(\chi^2_{k-1}\) — loi du khi-deux à \(k-1\) degrés de liberté
La statistique \(H\) compare le rang moyen de chaque groupe au rang moyen global \((N+1)/2\). Si tous les groupes proviennent de la même distribution, chaque groupe devrait présenter un rang moyen similaire et \(H\) sera petit ; si un groupe tend à contenir des valeurs plus grandes (ou plus petites), son rang moyen s'écarte de la moyenne et \(H\) augmente. Sous l'hypothèse nulle, \(H'\) suit approximativement une loi du khi-deux à \(k-1\) degrés de liberté, ce qui donne la valeur p.
Test de Kruskal–Wallis – Exemple de calcul
Exemple : un chercheur compare des scores de satisfaction patient (0–10) sous trois traitements. Groupe 1 : 7 ; 8 ; 9 ; 9 ; 10. Groupe 2 : 5 ; 6 ; 6 ; 7 ; 8. Groupe 3 : 3 ; 4 ; 4 ; 5 ; 6 ; 7. Ici \(k = 3\), \(N = 16\).
En classant ensemble les 16 observations (les ex æquo reçoivent le rang moyen), on obtient les sommes de rangs \(R_1 = 67.5\), \(R_2 = 41\), \(R_3 = 27.5\).
\[ H = \frac{12}{16 \cdot 17}\left(\frac{67.5^2}{5} + \frac{41^2}{5} + \frac{27.5^2}{6}\right) - 3 \cdot 17 = \frac{12}{272} \cdot 1373.4917 - 51 = 9.5952 \]
Les données contiennent des ex æquo (six groupes d'ex æquo d'effectifs 2, 2, 3, 3, 2, 2), d'où \(\sum(t^3 - t) = 72\) et \(N^3 - N = 4080\) :
\[ C = 1 - \frac{72}{4080} = 0.9824, \quad H' = \frac{9.5952}{0.9824} = 9.7674 \]
Avec \(\nu = k - 1 = 2\) degrés de liberté, l'approximation du khi-deux donne \(p = 0.0076\).
Résultat : \(H' = 9.7674\), \(p = 0.0076 \le \alpha = 0.05\) : l'hypothèse nulle est rejetée — au moins un traitement tend à produire des scores différents. Le groupe 1 présente le rang moyen le plus élevé (13,5 contre une moyenne globale de 8,5), ce qui indique des valeurs globalement plus grandes.
Comment utiliser le calculateur
- Saisissez les observations de votre premier groupe dans Observations du groupe 1. Séparez les nombres par des espaces, des retours à la ligne ou des points-virgules ; les virgules décimales (par ex. 7,5) sont acceptées.
- Renseignez Observations du groupe 2 et Observations du groupe 3 dans le même format. Tous les groupes doivent mesurer la même variable sur la même échelle.
- Si vous avez un quatrième groupe, saisissez-le dans Observations du groupe 4 (facultatif) ; laissez le champ vide si vous ne comparez que trois groupes. Tout groupe laissé vide est simplement ignoré.
- Définissez le Seuil de signification (0,05 par défaut) — le seuil en dessous duquel la valeur p est considérée comme statistiquement significative.
- Appuyez sur Calculer. Vous obtenez la statistique \(H'\) corrigée des ex æquo, la statistique \(H\) non corrigée, les degrés de liberté, la valeur p, la décision au seuil \(\alpha\) choisi, ainsi qu'un tableau indiquant pour chaque groupe son effectif, sa somme de rangs, son rang moyen et sa médiane.
Qu'est-ce que le test de Kruskal–Wallis ?
Le test de Kruskal–Wallis est une méthode non paramétrique de comparaison de trois groupes indépendants ou plus. Il généralise le test U de Mann–Whitney (le cas de deux groupes) comme l'ANOVA à un facteur généralise le test t. Au lieu de comparer des moyennes, il réunit toutes les observations, remplace chaque valeur par son rang et se demande si les rangs sont répartis de façon équilibrée entre les groupes. Si un groupe contient systématiquement les valeurs les plus grandes, son rang moyen se situe bien au-dessus du rang moyen global de \((N+1)/2\), ce qui gonfle la statistique \(H\).
Comme le test travaille sur les rangs, il ne fait aucune hypothèse sur la forme des distributions sous-jacentes. Il n'exige pas la normalité, tolère les données asymétriques et résiste aux valeurs aberrantes — une valeur extrême peut fausser une moyenne, mais ne fait que décaler un rang d'une quantité fixe. C'est donc l'alternative classique à l'ANOVA à un facteur lorsque les hypothèses de l'ANOVA (résidus approximativement normaux, variances similaires) sont douteuses, ou lorsque les données sont des évaluations ordinales, des classements ou des scores sur une échelle arbitraire. La logique de la comparaison par rangs est la même que dans la corrélation de Spearman.
L'hypothèse nulle stipule que tous les groupes proviennent de la même distribution, autrement dit qu'aucun groupe ne tend à produire des valeurs plus grandes ou plus petites que les autres. Une petite valeur p (inférieure ou égale à \(\alpha\)) signifie que les écarts de rangs observés seraient improbables sous un tirage aléatoire : on rejette alors l'hypothèse nulle et on conclut qu'au moins un groupe diffère. Attention à ce que le test ne dit pas : quels groupes diffèrent desquels. Pour le savoir, il faut poursuivre par une procédure post-hoc comme le test de Dunn, ou par des tests U de Mann–Whitney par paires avec un seuil ajusté selon Bonferroni de \(\alpha / (k(k-1)/2)\). Si l'interprétation du résultat vous échappe, le calculateur de valeur p explique plus en détail la logique des tests de signification.
L'interprétation des médianes demande de la prudence. À strictement parler, le test de Kruskal–Wallis compare des distributions entières (il s'agit de savoir si les valeurs d'un groupe tendent à dominer celles d'un autre). On ne peut le lire comme une comparaison de médianes que si les distributions des groupes ont à peu près la même forme et la même dispersion. Le calculateur affiche la médiane et le rang moyen de chaque groupe pour que vous puissiez voir d'où viennent les différences, mais la conclusion formelle porte toujours sur les distributions, pas sur un seul indicateur résumé.
Hypothèses, limites et conseils pratiques
- Échantillons indépendants. Les groupes doivent être sans lien entre eux (des sujets différents dans chacun). Pour des plans appariés ou à mesures répétées, le test de Kruskal–Wallis ne convient pas — le test de Friedman est le choix habituel dans ce cas.
- Observations indépendantes au sein des groupes. Chaque valeur doit provenir d'un sujet ou d'une unité expérimentale différente ; des mesures répétées de la même unité gonflent artificiellement la taille d'échantillon.
- Données ordinales ou continues. Les valeurs doivent au moins pouvoir être rangées. Des catégories nominales (couleurs, groupes sanguins) ne peuvent pas être testées ainsi — utilisez plutôt un test du khi-deux pour les données catégorielles.
- Approximation du khi-deux. La valeur p provient de l'approximation de \(H'\) par une loi \(\chi^2_{k-1}\). Elle fonctionne d'autant mieux que chaque groupe compte au moins 5 observations. Avec des groupes plus petits, considérez la valeur p avec prudence ; une méthode exacte ou par permutation est préférable.
- Les ex æquo sont correctement traités. Les valeurs ex æquo reçoivent des rangs moyens et la statistique est ajustée par le facteur de correction \(C\) ; un nombre modéré d'ex æquo (fréquent avec les échelles de notation) ne pose donc pas de problème. Le calculateur affiche à la fois \(H\) et \(H'\) corrigé, pour que vous puissiez juger de l'ampleur de l'ajustement.
- Des distributions similaires facilitent l'interprétation. Si les groupes ont des formes ou des variances clairement différentes, un \(H'\) significatif traduit une différence de la distribution entière, pas nécessairement de la seule position.
- Les tailles de groupes n'ont pas besoin d'être égales. La formule tient compte des \(n_j\) inégaux ; seuls des groupes très petits affaiblissent l'approximation du khi-deux.
Questions fréquentes
Comment calculer la statistique H de Kruskal–Wallis à la main ?
Commencez par classer ensemble toutes les N observations de tous les groupes, en attribuant aux valeurs ex æquo la moyenne de leurs rangs. Faites la somme des rangs de chaque groupe pour obtenir \(R_j\), puis appliquez \( H = \frac{12}{N(N+1)} \sum \frac{R_j^2}{n_j} - 3(N+1) \). S'il y a des ex æquo, divisez H par le facteur de correction \( C = 1 - \sum(t^3 - t)/(N^3 - N) \). Comparez ensuite \(H'\) à une loi du khi-deux à \(k-1\) degrés de liberté pour obtenir la valeur p. Vérifiez vos calculs manuels grâce aux résultats intermédiaires du calculateur.
Quelle est une bonne valeur, ou une valeur typique, de la statistique H de Kruskal–Wallis ?
Il n'existe pas de valeur « bonne » universelle : H dépend du nombre de groupes et de la taille totale de l'échantillon. Globalement, un H proche de 0 signifie que les distributions de rangs des groupes sont très similaires, tandis que des valeurs élevées de H signalent des différences réelles. Ce qui compte, c'est de savoir si H dépasse la valeur critique du khi-deux pour vos degrés de liberté : avec \(k=3\) groupes (2 ddl), la valeur critique à 0,05 est de 5,991 ; un H′ supérieur est donc significatif au seuil de 5 %. Lisez toujours H en même temps que sa valeur p.
Peut-on utiliser le test de Kruskal–Wallis avec seulement deux groupes ?
Il est techniquement possible de le calculer, mais avec deux groupes il équivaut mathématiquement à un test U de Mann–Whitney bilatéral, et le test de Mann–Whitney dédié reste l'usage. Ce calculateur exige au moins trois groupes renseignés. Si vous n'en avez que deux, utilisez plutôt un calculateur du test U de Mann–Whitney ; si vos données sont appariées ou répétées entre plusieurs conditions, le test de Kruskal–Wallis ne convient pas du tout — utilisez le test de Friedman.
Comment rapporter les résultats d'un test de Kruskal–Wallis, par exemple dans un article ?
Une phrase typique au format APA serait : « Un test de Kruskal–Wallis a mis en évidence une différence statistiquement significative de satisfaction entre les trois traitements, \(H'(2) = 9.77\), \(p = .008\). » Indiquez la statistique corrigée des ex æquo, les degrés de liberté entre parenthèses et la valeur p exacte. Rapportez les effectifs et les médianes (ou les rangs moyens) de chaque groupe pour que le lecteur voie où se situent les différences, et mentionnez les comparaisons post-hoc éventuelles, comme le test de Dunn avec des valeurs p ajustées.
Le test de Kruskal–Wallis suppose-t-il des tailles de groupes ou des variances égales ?
Non. La formule gère directement des tailles de groupes \(n_j\) inégales et, comme le test travaille sur les rangs plutôt que sur les valeurs brutes, il n'exige ni variances égales ni homoscédasticité, contrairement à l'ANOVA. La limite pratique principale est l'approximation du khi-deux, qui devient grossière lorsqu'un groupe compte moins d'environ 5 observations — dans ce cas, considérez la valeur p comme approximative ou employez une méthode exacte ou par permutation. Les plans très déséquilibrés avec de très petits groupes sont la combinaison la plus risquée.
Pourquoi mon H′ est-il supérieur à H, et la correction des ex æquo a-t-elle de l'importance ?
En présence d'ex æquo, la correction fait toujours passer le facteur C en dessous de 1, donc la division par C ne peut qu'augmenter la statistique : \(H' \ge H\). Elle compense le fait que les ex æquo rendent les données moins informatives et feraient autrement baisser H. Avec de nombreux ex æquo — typique sur des échelles de notation de 1 à 5 ou de 0 à 10 — l'ajustement peut modifier sensiblement la valeur p et faire parfois basculer un résultat limite au-delà de votre seuil de signification. C'est pourquoi le calculateur affiche à la fois H et H′, pour que vous puissiez mesurer l'ampleur de l'effet.
Quelles sont les erreurs fréquentes avec le test de Kruskal–Wallis ?
Les erreurs les plus courantes sont : l'utiliser sur des données appariées ou à mesures répétées (préférez le test de Friedman) ; saisir les mesures des mêmes sujets comme des groupes distincts ; interpréter un résultat significatif comme la preuve que tous les groupes diffèrent deux à deux (il indique seulement qu'au moins un groupe diffère — réalisez des tests post-hoc comme celui de Dunn) ; et affirmer qu'il compare des médianes alors que les distributions des groupes ont des formes clairement différentes. Évitez aussi de mélanger dans une même analyse des variables mesurées sur des échelles différentes, et rappelez-vous qu'une grande valeur p ne prouve pas que les distributions sont identiques.