Appliquer des tests non paramétriques en analyse expérimentale

Conception d'expériences en Python

James Chapman

Curriculum Manager, DataCamp

Quand utiliser des tests non paramétriques

Hypothèses des tests paramétriques non respectées
Données à échelle ordinale ou non normales
Robustesse aux valeurs aberrantes et aux données non linéaires

Distribution asymétrique

Explorer les méthodes non paramétriques

Méthodes non paramétriques pour des données ne respectant pas les hypothèses classiques
Test U de Mann-Whitney : comparer deux groupes indépendants
Test de Kruskal-Wallis : comparer plus de deux groupes

Distribution non normale

Visualiser des données non paramétriques

Diagrammes en violon : visualiser les distributions par groupe

condensed_data = mineral_rocks[mineral_rocks['RockType'].isin(['Igneous', 'Metamorphic'])]

sns.violinplot(x='RockType', y='MineralHardness', data=condensed_data)

Diagramme en violon de la dureté minérale selon le type de roche (igneuse vs métamorphique)

Visualiser des données non paramétriques

Boxen plot : meilleure lecture de la forme de distribution

sns.boxenplot(x='RockType', y='MineralHardness', data=mineral_rocks)

Boxen plot de la distribution de la dureté minérale selon les types de roches

Appliquer des tests non paramétriques – Mann-Whitney U

from scipy.stats import mannwhitneyu, kruskal
u_stat, u_pval = mannwhitneyu(
    mineral_rocks[mineral_rocks['RockType'] == 'Igneous']['MineralHardness'],
    mineral_rocks[mineral_rocks['RockType'] == 'Sedimentary']['MineralHardness']
)

print(f"Mann-Whitney U test p-value: {u_pval:.4f}")

Mann-Whitney U test p-value: 0.9724

Appliquer des tests non paramétriques – Kruskal-Wallis

k_stat, k_pval = kruskal(
    mineral_rocks[mineral_rocks['RockType'] == 'Igneous']['MineralHardness'],
    mineral_rocks[mineral_rocks['RockType'] == 'Sedimentary']['MineralHardness'],
    mineral_rocks[mineral_rocks['RockType'] == 'Metamorphic']['MineralHardness']
)

print(f"Kruskal-Wallis test p-value: {k_pval:.4f}")

Kruskal-Wallis test p-value: 0.0630

Passons à la pratique !

Conception d'expériences en Python