Quelle est la différence entre un test paramétrique et un test non-paramétrique ?

Quelle est la différence entre un test paramétrique et un test non-paramétrique ?

Les tests paramétriques se basent sur des distributions statistiques supposées dans les données. Par conséquent, certaines conditions de validité doivent être vérifiées pour que le résultat d’un test paramétrique soit fiable. Par exemple, le test t de Student pour échantillons indépendants n’est fiable que si les données associées à chaque échantillon suivent une distribution normale et si les variances des échantillons sont homogènes.

Les tests non-paramétriques ne se basent pas sur des distributions statistiques. Ils peuvent donc être utilisés même si les conditions de validité des tests paramétriques ne sont pas vérifiées.

Les tests paramétriques ont souvent des tests non-paramétriques équivalents. Vous trouverez une série de tests paramétriques courants ainsi que leurs équivalents non-paramétriques, lorsqu'ils existent, dans cette grille .

Quel est l'avantage d'utiliser un test non-paramétrique ?

Les tests non-paramétriques sont plus robustes que les tests paramétriques. En d'autres termes, peuvent être utilisés dans un plus grand nombre de situations.

Quel est l'avantage d'utiliser un test paramétrique ?

Les tests paramétriques sont, eux, plus puissants en général que leurs équivalents non-paramétriques. En d’autres termes, un test paramétrique sera plus apte à aboutir à un rejet de H0, si ce rejet est justifié. La plupart du temps, la p-value calculée par un test paramétrique sera inférieure à la p-value calculée par un équivalent non-paramétrique exécuté sur les mêmes données.