Tests paramétriques vs tests non paramétriques

L’inférence statistique constitue le pivot épistémologique par lequel la recherche scientifique transcende la simple description de données d’échantillon pour formuler des énoncés probabilistes généraux sur des populations entières. Dans cette démarche fondamentale, tout chercheur est confronté de manière récurrente à un carrefour analytique majeur : l’arbitrage entre les méthodes dites paramétriques et les approches non paramétriques. Ce dilemme n’est pas purement technique ou procédural ; il conditionne directement la validité conclusionnelle des résultats empiriques, la robustesse des modèles face aux distorsions du monde réel et la sensibilité de détection des effets expérimentaux réels. Que l’on s’intéresse à la biomédecine, à la psychologie cognitive, aux sciences économiques ou à l’écologie quantitative, la maîtrise de cette distinction fondamentale s’impose comme un prérequis méthodologique absolu pour prémunir le chercheur contre les artefacts analytiques et les fausses découvertes.

Les tests paramétriques, historiquement adossés aux développements de l’école biométrique britannique de la fin du dix-neuvième et du début du vingtième siècle, postulent explicitement que les observations sont générées par une loi de probabilité formelle, dont la structure mathématique est connue à l’exception d’un nombre fini de paramètres inconnus. À l’opposé, les tests non paramétriques, dits également tests à distribution libre, s’émancipent délibérément de toute contrainte stricte relative à la forme géométrique de la population d’origine. En substituant aux valeurs brutes des rangs ordinaux ou des configurations de signes, ces méthodes privilégient la robustesse et la généralité au détriment potentiel d’une fraction marginale de puissance théorique lorsque les conditions idéales d’application du modèle paramétrique sont parfaitement satisfaites.

Pourtant, la pratique scientifique contemporaine demeure fréquemment encombrée d’idées reçues, d’heuristiques rigides et d’automatismes logiciels qui trahissent une incompréhension des propriétés asymptotiques et de la mécanique interne de ces outils. Assimiler trop hâtivement la non-normalité à une obligation aveugle de basculer vers le non-paramétrique, ou invoquer à tort le théorème central limite pour s’autoriser un test de Student sur des distributions asymétriques aux effectifs hétérogènes, expose la littérature à de sérieuses défaillances de reproductibilité. Ce traité approfondi propose une anatomie systématique, théorique et appliquée de cette dualité, en décortiquant les fondements distributionnels, les équivalences d’hypothèses, les concepts d’efficacité asymptotique et les protocoles rigoureux guidant l’analyste vers le choix statistique optimal.

1. Introduction aux tests paramétriques et non paramétriques

1.1 Définitions fondamentales et ancrage en inférence statistique

L’inférence statistique moderne vise à extrapoler, sous un contrôle formel de l’incertitude probabiliste, des propriétés quantitatives et des relations structurelles observées au sein d’un échantillon fini vers une population parente plus vaste, généralement inaccessible dans son exhaustivité. Cette transition du particulier à l’universel s’appuie sur la modélisation probabiliste du mécanisme d’échantillonnage, formulant des conjectures formelles sous forme d’une hypothèse nulle d’absence d’effet ou d’équivalence, traditionnellement désignée par la notation standard, et d’une hypothèse alternative concurrente traduisant l’existence d’une divergence systématique. C’est précisément dans la formalisation mathématique de cette population sous-jacente que se cristallise la dichotomie entre inférence paramétrique et non paramétrique.

Un test paramétrique est défini rigoureusement comme une procédure d’inférence dans laquelle la famille de distributions génératrice des données est explicitement spécifiée au moyen d’un vecteur de paramètres appartenant à un espace paramétrique de dimension finie, généralement dans les nombres réels. La distribution la plus courante est la loi normale ou distribution de Laplace-Gauss, entièrement régie par son espérance mathématique et sa variance. Dans ce cadre, tester une hypothèse revient invariablement à tester une restriction ou une assertion numérique sur ces paramètres populationnels précis, par exemple l’égalité stricte des espérances mathématiques de deux populations normales homoscédastiques. Les tests paramétriques opèrent ainsi une estimation directe de ces grandeurs d’intérêt et tirent leur puissance de l’intégration intégrale de l’information géométrique et métrique contenue dans l’échelle de mesure.

À l’inverse, les tests non paramétriques, dont la dénomination contemporaine procède directement des travaux pionniers du statisticien Jacob Wolfowitz en 1942, s’affranchissent de l’obligation de confiner la variable étudiée dans une famille paramétrique spécifique. L’espace des états admissibles pour la distribution sous-jacente devient de dimension infinie, englobant potentiellement l’ensemble des fonctions de répartition continues. Les hypothèses nulles testées ne portent plus isolément sur une valeur scalaire prédéfinie comme la moyenne arithmétique, mais s’énoncent le plus souvent en termes de dominance stochastique, d’identité globale des fonctions de distribution cumulative ou de symétrie autour d’une médiane inconnue. Ces procédures sont qualifiées de « distribution-free » ou à distribution libre, car la loi d’échantillonnage de la statistique de test sous l’hypothèse nulle ne dépend aucunement de la distribution fonctionnelle spécifique des données observées.

En dépit de cette divergence de prémisses théoriques, les deux approches partagent une architecture décisionnelle rigoureusement convergente. Elles calculent toutes deux une statistique de test à partir des observations recueillies, comparent cette réalisation empirique à la distribution de probabilité attendue sous l’hypothèse nulle, et quantifient la plausibilité des données via une probabilité critique, la p-valeur. Ce parallélisme méthodologique dissimule toutefois des hypothèses de travail radicalement distinctes quant à la nature des structures de données admissibles et à la signification des conclusions déduites.

1.2 Origine de la dualité et confusion récurrente dans la pratique

La genèse de cette dualité statistique plonge ses racines dans les tensions historiques qui ont traversé le développement de la biométrie et de l’agronomie expérimentale au cours de la première moitié du vingtième siècle. L’essor initial des méthodes paramétriques découle des travaux fondateurs de William Sealy Gosset, publiant en 1908 sous le pseudonyme historique de Student pour formaliser la distribution t régissant l’estimation d’une moyenne issue d’échantillons de petite taille à variance inconnue, et de l’édification monumentale de l’analyse de variance par Sir Ronald Aylmer Fisher dans les années 1920. Ces géants de la pensée statistique ont établi un paradigme analytique centré sur la distribution normale, mathématiquement traitable et parfaitement adapté aux plans expérimentaux randomisés et aux mesures agronomiques standardisées.

Néanmoins, l’application croissante de la statistique aux sciences sociales, à l’économie, à l’éthologie et à la psychologie au cours de la décennie 1940 a brutalement mis en lumière les limites de cette dépendance gaussienne. Les chercheurs se heurtaient quotidiennement à des données de comptage fortement tronquées, des échelles de Likert ordinales ou des métriques physiologiques entachées de distributions lourdement asymétriques défiant les postulats de Gosset et Fisher. C’est dans ce contexte que Frank Wilcoxon propose en 1945 ses célèbres tests de sommes de rangs et de rangs signés, rapidement enrichis et généralisés par Henry Mann et Donald Whitney en 1947, avant que William Kruskal et Allen Wallis ne structurent en 1952 l’équivalent non paramétrique de l’ANOVA à un facteur. En 1956, la parution de l’ouvrage classique de Sidney Siegel, intitulé Nonparametric Statistics for the Behavioral Sciences, codifie définitivement ces outils au sein de la communauté scientifique internationale.

Malgré cette maturation théorique, la littérature scientifique contemporaine demeure le théâtre de confusions récurrentes. L’erreur la plus pernicieuse consiste en une assignation algorithmique rigide liant la taille d’échantillon à la typologie du test : de nombreux manuels d’initiation ont ancré l’idée erronée selon laquelle tout effectif réduit inférieur à trente individus imposerait mécaniquement l’abandon des tests paramétriques, tandis que tout échantillon plus large légitimerait aveuglément leur application. Cette simplification dogmatique méconnaît à la fois la puissance intrinsèque des tests t lorsque la normalité exacte est assurée en amont, et l’inaptitude du théorème central limite à corriger les hétérogénéités de variance sévères ou les asymétries extrêmes en présence de tailles de groupes disproportionnées.

Une autre dérive méthodologique réside dans la fausse croyance que les tests non paramétriques constitueraient des « tests parfaits sans postulats ». S’ils s’émancipent effectivement de l’obligation de normalité, ils exigent sans équivoque d’autres conditions indispensables, telles que l’indépendance stricte des observations et, dans le cas particulier où l’on souhaite inférer une égalité des médianes à partir du test de Mann-Whitney, une homothétie exacte ou identité géométrique des formes de distributions comparées. Omettre ces conditions expose l’expérimentateur à des interprétations substantiellement fausses de ses propres analyses.

1.3 Enjeux méthodologiques de la validité conclusionnelle

L’arbitrage entre ces deux familles de tests engage directement la validité conclusionnelle d’une recherche, définie comme le degré de justesse de l’inférence tirée quant à l’existence et à la force d’une covariation entre des variables indépendantes et dépendantes. Ce contrôle méthodologique est orchestré autour de l’équilibre fragile entre le risque d’erreur de première espèce, qui consiste à rejeter une hypothèse nulle pourtant vraie en découvrant un faux effet positif, et le risque d’erreur de seconde espèce, qui conduit à échouer à détecter un effet ou une divergence qui existe pourtant bel et bien dans la population parente.

L’application d’un test paramétrique en présence de violations sévères de ses hypothèses fondamentales, telles qu’une asymétrie aiguë de la population ou une hétéroscédasticité combinée à des effectifs de groupes inégaux, entraîne une instabilité profonde du niveau de signification nominal alpha. Au lieu de maintenir le taux de faux positifs au seuil conventionnel de cinq pour cent, le test peut voir son erreur de type I s’envoler vers des valeurs inacceptables, dépassant parfois dix ou quinze pour cent dans des configurations de variance déséquilibrée. Dans de telles conditions, le processus d’évaluation scientifique par les pairs se trouve saturé de découvertes factices, minant la fiabilité globale des résultats diffusés dans les revues académiques.

Inversement, le recours disproportionné et injustifié aux tests non paramétriques face à des données métriques parfaitement conformes aux exigences gaussiennes induit une pénalisation de la puissance statistique, qui se traduit mathématiquement par une chute de l’efficacité asymptotique relative. En ignorant l’amplitude quantitative exacte des écarts entre les observations pour ne retenir que leur position ordinale relative, l’analyste détruit délibérément une fraction de l’information mathématique contenue dans les données. Ce gaspillage informationnel accroît le risque d’erreur de type II : des effets thérapeutiques, éducatifs ou technologiques authentiques mais de magnitude modérée peuvent dès lors passer inaperçus, compromettant des découvertes potentielles faute d’une sensibilité analytique suffisante.

Dans le contexte actuel de crise de la reproductibilité affectant l’ensemble des disciplines quantitatives, la documentation scrupuleuse des vérifications de postulats et la justification explicite des arbitrages inférentiels ne relèvent plus d’un simple formalisme académique. Elles constituent la pierre angulaire de la crédibilité empirique, garantissant que les conclusions formulées reflètent fidèlement les propriétés objectives du phénomène étudié plutôt que les caprices d’un modèle statistique inadapté à la structure des données réelles.

2. Vue d’ensemble des tests paramétriques

2.1 Fondements mathématiques et paramètres distributionnels

L’édifice des tests statistiques paramétriques repose sur la modélisation probabiliste directe de la fonction de densité de probabilité génératrice de l’échantillon. Mathématiquement, cela implique que toute observation vectorielle $X_1, X_2, dots, X_n$ est traitée comme la réalisation d’une suite de variables aléatoires indépendantes et identiquement distribuées, issues d’une loi formelle définie par une équation mathématique close dont les propriétés analytiques sont intégralement déductibles. Dans l’immense majorité des applications canoniques, cette référence est constituée par la distribution gaussienne univariée, définie pour toute valeur réelle par sa densité caractéristique régie exclusivement par deux moments théoriques : le premier moment centré sur l’origine, correspondant à l’espérance mathématique ou moyenne $\mu$, et le deuxième moment centré, représentant la variance $\sigma^2$.

Ces deux paramètres incarnent l’intégralité de la réalité distributionnelle du phénomène. La moyenne $\mu$ opère comme le paramètre de localisation spatiale, dictant le point central d’inflexion symétrique et l’apogée de la cloche gaussienne, tandis que la variance $\sigma^2$ (ou son corollaire direct, l’écart-type $\sigma$) fonctionne comme le paramètre d’échelle, quantifiant le degré de dispersion des trajectoires individuelles autour de ce centre gravitationnel. Dans le paradigme paramétrique, formuler une hypothèse de recherche équivaut invariablement à contraindre la géométrie de ces paramètres. Dès lors que l’on postule la normalité du signal, l’ensemble des caractéristiques plus complexes de la distribution, telles que l’asymétrie théorique (qui est rigoureusement nulle) et l’aplatissement ou kurtosis (dont le coefficient normalisé vaut exactement zéro, ou trois selon la convention adoptée), sont fixées d’autorité de manière structurelle.

Cette condensation paramétrique permet de dériver avec une grande élégance mathématique les lois exactes suivies par les statistiques d’échantillonnage. Lorsque la variance théorique $\sigma^2$ est connue, la moyenne empirique observée se standardise directement selon une loi normale centrée réduite Z. Dans la réalité empirique où $\sigma^2$ demeure une inconnue qu’il convient d’estimer via la quasi-variance d’échantillon $s^2$, le quotient de la moyenne centrée par son erreur-type suit fidèlement la distribution t de Student à $(n – 1)$ degrés de liberté. De même, les rapports d’estimateurs de variances débouchent sur la famille des distributions F de Fisher-Snedecor, tandis que les sommes de résidus quadratiques standardisés épousent les distributions du Chi-deux de Pearson. C’est l’alignement précis des données réelles sur cette armature analytique rigoureuse qui confère aux tests paramétriques leur puissance déductive inégalée.

2.2 Postulats distributionnels fondamentaux

La validité des conclusions mathématiques issues des tests paramétriques dépend étroitement du respect scrupuleux d’un ensemble de conditions préalables fondamentales. Toute violation de ces postulats altère la conformité de la statistique d’échantillonnage avec sa distribution théorique de référence, faussant ainsi le calcul de la p-valeur associée. Le premier postulat est celui de la normalité de la distribution parente au sein de chaque groupe étudié, ou, de manière rigoureusement équivalente dans le cadre des modèles d’analyse de variance et de régression, la normalité de la distribution des erreurs résiduelles non expliquées par le modèle théorique.

Le second postulat cardinal est l’homogénéité des variances entre les groupes comparés, concept formalisé sous le vocable d’homoscédasticité. Les formules standards du test t de Student pour deux échantillons indépendants et de l’analyse de variance à un ou plusieurs facteurs s’appuient sur l’agrégation conjointe de la variance résiduelle au sein d’une métrique commune, le « pooled variance estimate ». Si les populations sources présentent des variances sous-jacentes distinctes, ce mécanisme d’estimation globale s’effondre. Cet effondrement devient particulièrement critique lorsque l’hétéroscédasticité se conjugue à un déséquilibre numérique entre les effectifs des groupes comparés, générant selon les cas une sous-estimation ou une surestimation massive du risque de première espèce.

Le troisième postulat, souvent négligé mais assurément le plus destructeur lorsqu’il est enfreint, exige l’indépendance stricte et absolue de l’ensemble des observations et des erreurs de mesure. La théorie probabiliste de l’échantillonnage paramétrique assume que la probabilité d’occurrence d’une valeur particulière chez un sujet donné ne modifie en rien la valeur prise par tout autre sujet de la cohorte. Dès lors qu’une corrélation sérielle, spatiale, hiérarchique ou groupale s’immisce dans le protocole (comme dans le cas d’élèves nichés au sein d’une même classe, ou de mesures longitudinales recueillies sur les mêmes individus au fil du temps), les degrés de liberté réels chutent drastiquement et les formules paramétriques ordinaires produisent des inférences artificiellement optimistes et invalides.

Enfin, le dernier postulat réside dans la nature même du niveau de mesure de la variable dépendante. Selon la taxonomie classique formalisée par le psychophysicien Stanley Smith Stevens en 1946, les tests paramétriques exigent impérativement des variables mesurées sur une échelle d’intervalles constants ou sur une échelle de rapports. Les opérations mathématiques de sommation, de calcul de moyennes et de quadratures d’écarts n’ont en effet de sens mathématique que si la distance numérique séparant deux unités consécutives demeure strictement invariable sur l’ensemble du continuum de mesure, excluant de fait les échelles purement ordinales où seule la hiérarchie des modalités est connue.

2.3 Principaux tests paramétriques couramment utilisés

L’arsenal des tests paramétriques offre une panoplie complète de solutions méthodologiques couvrant l’ensemble des configurations expérimentales classiques de la recherche quantitative. Le test t de Student pour deux échantillons indépendants constitue sans doute la méthode la plus emblématique. Conçu initialement par Gosset pour résoudre le problème du contrôle de qualité en brasserie industrielle, il vise à tester l’hypothèse nulle d’égalité des moyennes de deux sous-populations distinctes :

$$H_0 : \mu_1 = \mu_2 iff \mu_1 – \mu_2 = 0$$

Sa statistique dérive du rapport entre la différence observée des moyennes échantillonnales et l’erreur-type combinée de cette divergence, projetée sur une table de Student à $(n_1 + n_2 – 2)$ degrés de liberté. Pour les configurations longitudinales ou d’appariement expérimental, le test t pour séries appariées neutralise la variabilité interindividuelle en opérant directement sur la série des différences intra-individuelles, ramenant l’analyse à un test de Student univarié contre une espérance théorique de zéro.

Lorsque le protocole expérimental implique la comparaison simultanée de trois groupes ou davantage, la répétition itérative de tests t multiples entraîne une inflation exponentielle du taux d’erreur de type I global de l’expérience, phénomène régi par l’inégalité de Bonferroni. Pour contourner cette limite, Ronald Fisher a développé l’analyse de variance, universellement désignée sous l’acronyme ANOVA. Reposant sur la statistique F nommée ultérieurement en son honneur par George Snedecor, l’ANOVA opère une partition systématique de la somme totale des carrés des écarts en deux composantes indépendantes : la variance expliquée par les différences existant entre les différents traitements (variance intergroupe) et la variance résiduelle non contrôlée issue de la variabilité naturelle des individus au sein de chaque groupe (variance intragroupe). Le ratio de ces deux variances, rapporté à leurs degrés de liberté respectifs, suit une distribution de Fisher théorique permettant de tester l’hypothèse globale d’homogénéité des moyennes de l’ensemble des conditions.

Sur le versant des relations bivariées et multivariées, le coefficient de corrélation linéaire de Pearson, formalisé par Karl Pearson en 1896 en prolongeant les réflexions initiales de Sir Francis Galton sur la régression vers la moyenne, quantifie la force et la direction de l’association linéaire existant entre deux variables quantitatives continues. Ce coefficient d’échantillon r évalue la covariance standardisée des deux distributions. Il s’articule de manière directe avec le modèle de régression linéaire classique par la méthode des moindres carrés ordinaires, lequel formalise la dépendance fonctionnelle d’une variable à expliquer vis-à-vis d’un ou plusieurs prédicteurs continus ou catégoriels, sous la condition expresse que les résidus du modèle soient indépendants et identiquement distribués selon une loi gaussienne de moyenne nulle et de variance constante.

2.4 Forces et vulnérabilités analytiques

L’immense popularité des procédures paramétriques à travers l’histoire des sciences quantitatives s’explique par leurs propriétés d’optimalité théorique remarquable. Lorsque l’intégralité des postulats sous-jacents est rigoureusement satisfaite, le lemme de Neyman-Pearson et la théorie de l’estimation de Gauss-Markov garantissent que les estimateurs et tests paramétriques constituent les outils les plus puissants possibles au sens de la théorie de la décision : ils maximisent la probabilité de rejeter une hypothèse nulle fausse pour un seuil d’erreur de première espèce prédéfini. En exploitant pleinement l’information métrique fine véhiculée par chaque point de donnée (sa magnitude quantitative exacte et sa distance relative au barycentre du nuage de points), ces tests nécessitent une taille d’échantillon minimale pour détecter des tailles d’effet réelles dans la population.

En outre, l’architecture paramétrique autorise une flexibilité de modélisation mathématique qu’il est extrêmement complexe de répliquer dans le cadre non paramétrique traditionnel. Les modèles linéaires généraux permettent d’emboîter sans difficulté des plans factoriels orthogonaux ou hiérarchiques complexes, d’estimer des interactions multiplicatives d’ordre supérieur entre multiples facteurs qualitatifs, et d’ajuster simultanément les effets de covariables continues perturbatrices par le biais de l’analyse de covariance (ANCOVA). Cette capacité à décomposer analytiquement des structures de causalité multifactorielles constitue un avantage fondamental dans les sciences observationnelles et expérimentales complexes.

Néanmoins, cette sophistication s’accompagne d’une vulnérabilité structurelle aiguë face aux perturbations de terrain. Les estimateurs paramétriques centraux, au premier rang desquels figurent la moyenne arithmétique et la variance empirique, possèdent un point de rupture asymptotique nul. Cela signifie formellement qu’une unique valeur aberrante (outlier) ou un artefact isolé de saisie informatique d’une magnitude extrême suffit à déplacer arbitrairement la moyenne empirique vers l’infini et à gonfler exponentiellement la variance calculée. Il en résulte un effondrement immédiat de la puissance de détection du test, ou inversement, l’émergence d’une significativité purement fictive induite par le levier exercé par ce point singulier.

De surcroît, lorsque les distributions de population présentent des profils hautement asymétriques, multimodaux ou pourvus de queues de distribution particulièrement épaisses (distributions leptocurtiques), la moyenne arithmétique cesse de constituer un indicateur représentatif de la réalité du phénomène typique. Les tests paramétriques calculent alors des intervalles de confiance symétriques qui peuvent s’étendre en dehors des frontières du domaine de définition théorique de la variable (par exemple en prédisant des valeurs strictement négatives pour des durées de survie ou des concentrations biologiques), aboutissant à des aberrations interprétatives qui compromettent l’intégrité de l’analyse.

3. Vue d’ensemble des tests non paramétriques

3.1 Mécanisme de distribution libre et analyse par rangs

Les tests non paramétriques adoptent une posture méthodologique radicalement différente pour surmonter la fragilité inhérente aux modèles paramétriques. Au lieu de contraindre les données dans le carcan d’une forme analytique préconçue, ces techniques traitent la fonction de distribution parente comme une entité inconnue et arbitraire. Le génie mathématique de cette approche repose sur un mécanisme fondamental de transformation de l’information : la substitution systématique des valeurs numériques continues brutes par leur rang ordinal au sein de l’échantillon global ordonné.

Pour illustrer ce processus, considérons la fusion de plusieurs échantillons en un ensemble composite ordonné de manière croissante du plus petit élément au plus grand. Chaque observation se voit attribuer un entier naturel unique compris entre 1 (pour la plus petite observation) et N (pour la valeur maximale). Dès lors, l’ensemble des données d’origine, quelle que soit la complexité de leur dynamique métrique initiale, est projeté sur l’espace uniforme des permutations des N premiers entiers. La somme totale de ces rangs est invariante et répond à la formule universelle déduite de la sommation arithmétique élémentaire :

$$\sum_{i=1}^{N} i = \frac{N(N + 1)}{2}$$

Cette propriété structurelle remarquable implique que la distribution de probabilité d’échantillonnage de la statistique de test construite sur ces rangs ne dépend plus d’aucune manière de la loi continue d’origine : elle ne dépend que du nombre d’observations N et des lois combinatoires élémentaires régissant le tirage équiprobable des permutations possibles sous l’hypothèse nulle.

En conséquence directe de cette conversion ordinale, les tests non paramétriques n’évaluent plus des espérances mathématiques pondérées, mais orientent leur évaluation de la centralité vers des paramètres distributionnels plus résilients, au premier rang desquels figurent la médiane, les quantiles et les sommes de rangs cumulées. Une conséquence analytique fondamentale de cette transformation est l’invariance stricte de la statistique de test face à toute transformation mathématique strictement monotone des données : appliquer une transformation logarithmique, exponentielle ou puissance à une variable quantitative ne modifie en rien l’ordonnancement de ses valeurs, et laisse donc la statistique non paramétrique et sa p-valeur rigoureusement intactes. Cela confère à ces méthodes une neutralité absolue vis-à-vis de l’étirement ou de la compression non linéaire de l’échelle de mesure.

3.2 Tolérance structurelle aux écarts distributionnels

Cette émancipation à l’égard de toute contrainte géométrique préétablie dote les tests non paramétriques d’une robustesse intrinsèque exceptionnelle face aux distorsions distributionnelles qui paralysent fréquemment les procédures paramétriques. Le premier bénéfice opérationnel réside dans l’immunité structurelle contre les effets de levier dévastateurs des observations atypiques ou extrêmes. Dans un cadre paramétrique, si une cohorte médicale observe accidentellement une valeur de biomarqueur mille fois supérieure à la moyenne par suite d’une réaction métabolique exceptionnelle, cette valeur unique va bouleverser la moyenne de l’échantillon et décupler la variance d’erreur. Dans un test non paramétrique de rangs, cette observation isolée ne pourra jamais dépasser le rang maximal N, neutralisant son impact potentiel sur la statistique inférentielle globale.

Cette tolérance structurelle s’exprime avec une égale efficacité face aux distributions de données lourdement asymétriques, qu’il s’agisse de distributions gamma, log-normales, exponentielles ou de Pareto, fréquemment rencontrées dans l’analyse des temps d’attente, des rémunérations salariales, des coûts d’hospitalisation ou des charges virales. Tandis que l’application d’un test t ou d’une ANOVA sur de tels profils produit des résidus hautement hétérogènes et asymétriques qui violent ouvertement les hypothèses de Gosset et Fisher, les méthodes fondées sur les rangs absorbent ces dissymétries sans distorsion de leur taux d’erreur de première espèce.

De surcroît, les tests non paramétriques étendent naturellement leur validité formelle aux variables qui ne possèdent intrinsèquement qu’un niveau de mesure ordinal. Dans de nombreux domaines des sciences humaines et médicales, les outils d’évaluation reposent sur des échelles subjectives ou semi-quantitatives (stades de sévérité d’une pathologie en classification TNM, échelles de douleur visuelles analogiques, échelles d’évaluation psychologique à cinq ou sept points de Likert). Sur de tels instruments, l’affirmation selon laquelle la distance séparant un score de 1 à un score de 2 serait mathématiquement identique à la distance séparant un score de 4 à un score de 5 constitue une hypothèse arbitraire et indémontrable. En exigeant exclusivement la transitivité ordinale ($A > B > C$) sans jamais postuler l’équidistance des intervalles, l’approche non paramétrique s’ajuste parfaitement à la nature épistémologique de ces données.

3.3 Principaux tests non paramétriques homologues

L’évolution de la statistique inférentielle a progressivement forgé un système complet d’équivalences opérationnelles, offrant un analogue non paramétrique direct à chaque grande procédure paramétrique classique. Le pendant non paramétrique le plus universel du test t de Student pour deux échantillons indépendants est le test de la somme des rangs de Wilcoxon, étendu sous la désignation conjointe de test U de Mann-Whitney. Ce test fusionne les deux cohortes de tailles respectives $n_1$ et $n_2$, classe l’ensemble des $(n_1 + n_2)$ observations, calcule la somme des rangs attribués à chaque groupe, et quantifie le nombre effectif de fois où une valeur tirée aléatoirement du groupe 1 surpasse une observation du groupe 2 :

$$U = n_1 n_2 + \frac{n_1(n_1 + 1)}{2} – R_1$$

où $R_1$ est la somme des rangs du premier groupe. Ce formalisme teste l’hypothèse nulle de dominance stochastique :

$$H_0 : P(X > Y) = P(Y > X) = \frac{1}{2}$$

Pour la comparaison de deux séries appariées ou d’un même groupe mesuré avant et après une intervention, le test des rangs signés de Wilcoxon supplée le test t apparié. La méthode commence par calculer la différence algébrique entre chaque paire de mesures, élimine les différences nulles, puis ordonne les valeurs absolues de ces écarts du plus petit au plus grand. Elle réassigne ensuite à chaque rang le signe algébrique initial de la différence. La statistique de test repose sur la somme des rangs affectés d’un signe positif face à celle des rangs de signe négatif, permettant de détecter un basculement systématique de la distribution des différences d’un côté de l’axe zéro, sans exiger que ces différences suivent une loi normale.

Lorsque le dispositif expérimental compare $k$ groupes indépendants ($k ge 3$), le test de Kruskal-Wallis opère comme le substitut non paramétrique de l’analyse de variance à un facteur. La démarche consiste à sommer les rangs globaux au sein de chaque groupe de taille $n_j$, puis à calculer une statistique de dispersion intergroupe notée H qui, après pondération par l’effectif total N, suit asymptotiquement une loi du Chi-deux à $(k – 1)$ degrés de liberté. Pour les plans à mesures répétées ou en blocs randomisés complets, le test de Friedman, conçu par l’économiste Milton Friedman en 1937, classe les conditions de manière ordinale de 1 à $k$ à l’intérieur de chaque sujet individuel, agrégeant ensuite les rangs par condition pour tester si certains traitements accumulent des rangs systématiquement supérieurs aux fluctuations aléatoires.

Enfin, pour évaluer l’intensité du lien existant entre deux variables, le coefficient de corrélation des rangs de Spearman ($rho$), formulé par Charles Spearman en 1904, et le tau ($tau$) de Kendall constituent les alternatives non paramétriques au r de Pearson. Tandis que Pearson mesure spécifiquement la stricte rectilinéarité de l’association, la corrélation de Spearman évalue la monotonicité générale d’une relation : elle vérifie rigoureusement si une augmentation de la variable indépendante s’accompagne d’un accroissement (ou d’une diminution) continu de la variable dépendante, sans exiger que cette covariation se conforme à une trajectoire linéaire droite.

3.4 Limites et considérations spécifiques

En dépit de leur résilience et de leur remarquable souplesse méthodologique, les procédures non paramétriques comportent des contraintes analytiques intrinsèques qu’il convient de ne pas ignorer. La première d’entre elles réside dans la dégradation partielle de l’information quantitative découlant de la transformation ordinale. En remplaçant une distance métrique continue par un simple indice de position séquentielle, l’analyste aplatit délibérément les écarts d’amplitude. Une différence de dix unités métriques entre deux sujets consécutifs reçoit exactement le même statut ordinal qu’une différence infime d’un millième d’unité. Ce sacrifice consenti sur la précision de mesure explique pourquoi, dans les configurations d’échantillonnage où les populations respectent scrupuleusement la loi de Gauss, les tests non paramétriques manifestent une capacité légèrement inférieure à rejeter une hypothèse nulle erronée.

Une limitation méthodologique encore plus restrictive concerne l’extrême difficulté d’adapter les approches par rangs à des architectures expérimentales multifactorielles complexes. Alors que le cadre linéaire de l’ANOVA paramétrique décompose avec une élégance matricielle parfaite les effets principaux de multiples facteurs et leurs termes d’interaction croisée d’ordre 2, 3 ou n, il n’existe pas d’équivalent universel et sans biais pour modéliser les interactions pures par simple classement de rangs. Des procédures ont été développées, telles que l’approche de Scheirer-Ray-Hare ou le test d’alignement par rangs d’Hodges-Lehmann, mais ces méthodes souffrent d’une perte d’invariance distributionnelle et peuvent générer des taux d’erreur de première espèce incontrôlés en présence d’interactions asymétriques fortes.

Un autre défi technique récurrent réside dans le phénomène des ex æquo, désignant la présence d’observations multiples partageant exactement la même valeur numérique au sein de l’échantillon. La théorie sous-jacente des tests de Wilcoxon et de Kruskal-Wallis assume formellement la continuité absolue de la variable parente, ce qui implique que la probabilité théorique d’observer deux valeurs rigoureusement identiques est mathématiquement nulle :

$$P(X_i = X_j) = 0, \quad \forall i \neq j$$

Dans la pratique expérimentale, en raison des limites de précision des instruments de mesure ou de la nature discrète d’échelles courtes, les rangs liés sont extrêmement fréquents. Les logiciels statistiques résolvent généralement ce problème en attribuant à chaque observation à égalité la moyenne arithmétique des rangs qu’elles auraient occupés en l’absence de lien, puis appliquent une formule d’ajustement correctrice à la variance de la statistique de test. Néanmoins, lorsque la proportion d’ex æquo devient massive (dépassant parfois 30 à 40 % de l’échantillon), la variance de la statistique de test se trouve substantiellement altérée, ce qui déstabilise l’exactitude des calculs de probabilités critiques.

4. Différences fondamentales entre tests paramétriques et non paramétriques

4.1 Nature et échelle des données requises

Le point de clivage initial entre les univers paramétrique et non paramétrique s’enracine dans la typologie épistémologique de l’acte de mesure et dans la compatibilité des opérations algébriques appliquées aux données brutes. Les tests paramétriques s’inscrivent impérativement dans le cadre des échelles quantitatives continues de Stevens, couvrant les échelles d’intervalles (où le point zéro est une convention arbitraire, comme pour la température en degrés Celsius) et les échelles de rapports (disposant d’un zéro absolu représentant l’absence totale du phénomène, comme pour la masse physique, le temps de réaction en millisecondes ou la tension artérielle). Sur ces continuums métriques, chaque unité élémentaire possède une signification physique ou conceptuelle rigoureusement homogène sur l’ensemble de l’étendue de l’échelle.

Cette condition d’équidistance métrique est la condition sine qua non de la validité substantielle des paramètres estimés. Calculer une moyenne arithmétique implique de réaliser la sommation vectorielle brute des mesures divisée par l’effectif total ; or, sommer des données qui n’ont qu’une signification relative de rang équivaut à commettre une faute logique fondamentale. Si un clinicien évalue l’efficacité d’un antidépresseur sur une échelle ordinale de sévérité graduée de 1 (rémission complète) à 4 (dépression sévère), affirmer que la moyenne observée d’un groupe passe de 3,2 à 1,6 ne garantit nullement que la quantité clinique d’amélioration de l’état de santé soit équivalente d’un patient à l’autre, car l’écart psychologique ou symptomatique séparant le stade 1 du stade 2 n’a aucune raison objective d’être identique à celui séparant le stade 3 du stade 4.

À cet égard, les tests non paramétriques acceptent sans restriction les données ordinales, les rangs préétablis et les variables quantitatives discrètes fragmentaires. En renonçant à postuler la constance absolue des intervalles de mesure, ils traitent les chiffres observés comme de simples marqueurs de classement relationnel ordonné. Cette distinction se répercute de manière immédiate sur la signification des résultats : un test t de Student conclut formellement à un déplacement de la moyenne métrique exprimée dans l’unité d’origine de la variable (par exemple, une hausse moyenne significative de 12,5 millimètres de mercure), tandis qu’un test de Mann-Whitney formulera sa conclusion en termes de rangs moyens ou de probabilité de dominance stochastique, indiquant par exemple qu’un sujet issu du groupe traité a 70 % de chances de présenter un résultat plus favorable qu’un sujet issu du groupe contrôle.

4.2 Exigences relatives à la taille de l’échantillon et au théorème central limite

La question du volume d’échantillonnage requis cristallise une divergence théorique majeure et suscite d’incessants débats au sein de la communauté des méthodologistes. D’un point de vue asymptotique, les partisans de la robustesse des méthodes paramétriques invoquent fréquemment le théorème central limite formulé dans ses versions modernes par Pierre-Simon de Laplace, Alexandre Liapounov et Jarl Waldemar Lindeberg. Ce théorème stipule que, sous des conditions très larges de régularité (notamment l’existence d’une variance finie non nulle), la distribution de la moyenne empirique d’une suite de variables aléatoires indépendantes converge en loi vers une loi normale au fur et à mesure que l’effectif N tend vers l’infini, quelle que soit la forme distributionnelle de la variable d’origine dans la population.

En pratique, cette propriété mathématique fondamentale assure qu’avec des cohortes suffisamment importantes (la convention empirique retenant usuellement un seuil de sécurité de $N > 30$ à $N > 50$ par sous-groupe expérimental), le test t de Student et l’ANOVA conservent un comportement remarquablement robuste face aux déviations modérées de la normalité, car les statistiques d’échantillonnage s’alignent fidèlement sur leur distribution théorique asymptotique. Cependant, les limites de cette protection sont sévères : le théorème central limite ne corrige en rien les déséquilibres d’hétéroscédasticité entre groupes inégaux, et sa vitesse de convergence peut être extrêmement lente face à des distributions à asymétrie aiguë ou à kurtosis démesuré, exigeant alors parfois des centaines d’observations pour stabiliser convenablement le niveau de significativité alpha.

À l’autre extrémité du spectre expérimental, lorsque la recherche est contrainte par des contraintes logistiques, éthiques ou budgétaires à opérer sur de très petites cohortes ($n < 15$ par groupe, cas de figure courant dans l'expérimentation animale, les essais cliniques sur les maladies rares ou l'archéométrie de pointe), l'application des tests paramétriques devient hautement hasardeuse. En effet, il est mathématiquement impossible de vérifier de manière fiable le postulat de normalité sur de tels micro-échantillons par des tests d'adéquation formels, faute de puissance statistique suffisante. Dans ce régime de petite taille d'échantillon, les tests non paramétriques exacts fondés sur la combinatoire permutative exhaustive conservent une validité formelle irréprochable et garantissent la maîtrise rigoureuse de l'erreur de type I, à la condition mathématique sine qua non que la taille d'échantillon soit néanmoins suffisante pour permettre à la plus petite p-valeur théoriquement possible d'atteindre le seuil critique alpha prédéterminé.

4.3 Puissance statistique et comportement de l’erreur d’échantillonnage

L’arbitrage formel entre tests paramétriques et non paramétriques s’est historiquement cristallisé autour de la notion d’efficacité asymptotique relative (ARE, pour Asymptotic Relative Efficiency), introduite et théorisée par le statisticien Edwin James George Pitman en 1948. L’ARE de Pitman mesure le rapport asymptotique entre le nombre d’observations requis par une procédure A et celui exigé par une procédure concurrente B pour atteindre un niveau de puissance statistique identique face à une suite d’hypothèses alternatives locales tendant vers l’hypothèse nulle lorsque la taille de l’échantillon tend vers l’infini :

$$\text{ARE}(A, B) = \lim_{N to \infty} \frac{N_B}{N_A}$$

Lorsque la population d’origine respecte rigoureusement la distribution normale canonique de Gauss, le test t de Student constitue le test uniformément le plus puissant. Dans cette condition géométrique idéale, l’efficacité asymptotique relative du test de Mann-Whitney / Wilcoxon par rapport au test t de Student est établie mathématiquement par la valeur exacte :

$$\text{ARE}(\text{Wilcoxon}, t) = \frac{3}{\pi} \approx 0,955$$

Ce résultat théorique capital démontre que, sous des conditions de normalité absolue, le renoncement aux données métriques au profit des rangs n’entraîne qu’une perte théorique marginale d’environ 4,5 % d’efficacité statistique : le test non paramétrique n’a besoin que de 100 observations pour parvenir au niveau de détection que le test paramétrique atteint avec 95 observations. Ce même ratio de $3/pi approx 0,955$ régit de manière identique le comportement du test de Kruskal-Wallis comparé à l’analyse de variance à un facteur classique.

Bien plus remarquable encore est le célèbre théorème démontré en 1956 par Joseph Lawson Hodges et Erich Leo Lehmann. Ce théorème prouve de façon universelle que, pour toute distribution continue arbitraire pourvue d’une variance finie, l’efficacité asymptotique relative du test de Wilcoxon par rapport au test t de Student ne peut jamais chuter en dessous de la borne inférieure stricte de 0,864 (valeur exacte : $108 / 125$). En contrepartie, dès que la distribution parente s’écarte de la normalité pour adopter des profils à queues de distribution lourdes et épaisses (comme la distribution logistique, la loi de Laplace double-exponentielle ou la distribution de Cauchy), l’ARE de Wilcoxon explose au-delà de 1,0. Elle atteint 1,10 face à une distribution logistique, 1,50 pour une distribution de Laplace, et devient mathématiquement infinie face à des distributions dépourvues de variance finie comme la loi de Cauchy, pour laquelle le test t paramétrique s’effondre totalement. Ainsi, contrairement à un mythe tenace, les tests non paramétriques se révèlent substantiellement plus puissants que les tests paramétriques dès lors que les données empiriques s’écartent sensiblement de la normalité idéale.

4.4 Interprétation des résultats et indicateurs de tendance centrale

La distinction entre approches paramétriques et non paramétriques structure profondément la manière dont les résultats scientifiques sont articulés, visualisés et traduits sur le plan pratique. Les tests paramétriques s’inscrivent dans une modélisation explicite de l’échelle originelle du phénomène étudié. Lorsque l’on rapporte un test t de Student significatif, la communication des résultats repose de manière indissociable sur l’estimation de la moyenne arithmétique empirique de chaque groupe, de leurs écarts-types respectifs et, plus encore, de l’intervalle de confiance encadrant la différence des moyennes :

$$\text{IC}_{1-\alpha} = (\bar{X}_1 – \bar{X}_2) \pm t_{1-alpha/2, \text{dl}} \times \text{SE}_{\bar{X}_1 – \bar{X}_2}$$

Cette formalisation offre une lisibilité clinique, économique ou industrielle immédiate, car la taille d’effet estimée s’exprime dans la métrique concrète de l’expérience (litres de carburant économisés, points d’échelle d’anxiété réduits, pourcentages de survie cellulaire accrus).

À l’opposé, l’interprétation des tests non paramétriques fondés sur les rangs impose une vigilance méthodologique bien plus exigeante. Une erreur répandue consiste à affirmer de manière automatique qu’un test de Mann-Whitney ou de Kruskal-Wallis teste l’égalité des médianes des populations. D’un point de vue mathématique rigoureux, cette assertion n’est exacte que si l’on formule une hypothèse d’homothétie supplémentaire particulièrement restrictive : les distributions des différents groupes doivent posséder exactement la même forme géométrique, la même variance et le même profil d’asymétrie, ne différant que par un pur décalage spatial (hypothèse dite de « location-shift »). Si les formes des distributions divergent (par exemple un groupe fortement asymétrique à droite et un autre groupe symétrique et étalé), le test U de Mann-Whitney peut rejeter hautement l’hypothèse nulle alors même que les médianes empiriques des deux échantillons sont strictement identiques, car le test évalue la probabilité globale de dominance stochastique $P(X > Y) \neq P(Y > X)$.

Pour exprimer la grandeur de l’effet dans un cadre non paramétrique sans trahir sa mécanique interne, le chercheur doit recourir à des estimateurs spécifiques. L’estimateur de décalage spatial le plus approprié est la médiane d’Hodges-Lehmann, définie comme la médiane de l’ensemble des différences possibles formées par chaque paire d’observations croisées entre les deux groupes ($X_i – Y_j$). Parallèlement, la restitution des données descriptives ne doit pas mobiliser la moyenne et l’écart-type, dépourvus de pertinence sur des profils asymétriques, mais requiert impérativement la présentation de la médiane empirique accompagnée de l’écart interquartile (IQR), ou des rangs moyens accompagnés d’indicateurs de taille d’effet standardisés adaptés, tels que la corrélation de rang bisériale ou le coefficient delta de Cliff. Cette technicité interprétative représente un défi réel de vulgarisation auprès des décideurs ou des publics non statisticiens, habitués aux repères universels de la moyenne arithmétique.

Dimension d’analyse	Tests Paramétriques	Tests Non Paramétriques
Niveau d’échelle minimal	Échelle d’intervalles ou de rapports (données continues)	Échelle ordinale, rangs ou quantitative continue
Forme de la distribution	Loi de Gauss postulée (distribution normale des erreurs)	Distribution libre (aucune forme théorique imposée)
Indicateur de tendance centrale	Moyenne arithmétique ($\mu$)	Médiane, rang moyen ou médiane d’Hodges-Lehmann
Indicateur de dispersion	Variance ($\sigma^2$) et écart-type ($\sigma$)	Écart interquartile (IQR) ou étendue des rangs
Résistance aux valeurs extrêmes	Faible (point de rupture nul face aux outliers)	Très élevée (invariance ordinale sous transformation monotone)
Hypothèse nulle fondamentale	Égalité de paramètres précis ($H_0 : \mu_1 = \mu_2$)	Dominance stochastique ou identité fonctionnelle des distributions
Efficacité asymptotique (ARE sous normalité)	Optimale et maximale par construction (1,00)	$3/pi approx 0,955$ (perte de puissance modérée de 4,5 %)
Efficacité (ARE sous queues lourdes)	Fortement dégradée (peut chuter vers 0)	Supérieure à 1,00 (borne inférieure de Hodges-Lehmann : 0,864)
Complexité des plans factoriels	Excellente (gestion native des interactions multifactorielles)	Difficile (modélisation des interactions par rangs limitée)
Sensibilité aux ex æquo	Insensible (traitement naturel des valeurs répétées)	Problématique si la proportion de liens est élevée

5. Similitudes structurelles et points de convergence

5.1 Objectif inférentiel commun et cadre de décision

En dépit des divergences mathématiques majeures qui séparent l’analyse des paramètres distributionnels de celle des rangs d’échantillonnage, ces deux corpus analytiques s’enracinent rigoureusement dans la même épistémologie de l’inférence statistique. Toutes deux s’adossent sans équivoque au formalisme de décision statistique codifié dans la première moitié du vingtième siècle par Ronald Fisher, d’une part, et par le duo Jerzy Neyman et Egon Pearson, d’autre part. Quelle que soit la nature de la méthode mise en œuvre, la finalité ultime de l’analyste demeure invariante : tester la plausibilité empirique d’une hypothèse nulle formulant l’absence de divergence ou de relation systématique au sein de la population génératrice, face à une hypothèse alternative postulée par l’expérimentateur.

Dans les deux univers, le processus d’arbitrage logique suit une cinématique algorithmique strictement identique. L’analyste commence par recueillir des données empiriques conformément à un protocole standardisé, puis calcule une statistique de test d’échantillonnage condensant l’amplitude de l’écart observé par rapport à la prédiction théorique nulle. Cette statistique empirique est ensuite projetée sur sa distribution de probabilité théorique attendue sous l’hypothèse nulle afin d’en déduire une valeur de probabilité critique, la célèbre p-valeur. Si cette probabilité s’avère inférieure à un seuil de décision alpha prédéterminé avant l’analyse (conventionnellement fixé à $\alpha = 0,05$ ou $\alpha = 0,01$ dans la littérature académique), l’hypothèse nulle est formellement rejetée au profit de l’hypothèse alternative, autorisant le chercheur à déclarer l’observation d’une différence statistiquement significative.

Ce socle décisionnel commun implique que les deux familles d’analyse sont exposées aux mêmes travers d’interprétation et aux mêmes dérives méthodologiques. Le piège récurrent de la réification de la p-valeur, l’amalgame fallacieux entre significativité statistique et pertinence substantielle ou clinique, ainsi que la vulnérabilité au phénomène de « p-hacking » (consistant à multiplier les essais analytiques jusqu’à franchir fortuitement le seuil de 0,05) s’appliquent avec une égale sévérité aux tests paramétriques et non paramétriques. Dans les deux cas, la maîtrise du taux d’erreur globale de la recherche exige une discipline de pré-enregistrement des hypothèses et un contrôle rigoureux des tests d’hypothèses multiples.

5.2 Correspondance univoque entre architectures d’étude

L’une des manifestations les plus remarquables de la convergence méthodologique entre les approches paramétriques et non paramétriques réside dans le parallélisme absolu de leurs designs expérimentaux sous-jacents. L’histoire de la statistique computationnelle n’a pas développé les tests non paramétriques comme des curiosités marginales, mais bien comme un réseau d’analogues structurels complet, capable de répondre rigoureusement aux mêmes architectures de collecte de données empiriques. Chaque problème expérimental classique dispose d’un couple de solutions homologues articulé autour des mêmes impératifs de protocole.

Ainsi, que l’expérimentateur opte pour un test t de Student pour deux échantillons indépendants ou pour un test U de Mann-Whitney, les contraintes méthodologiques en amont demeurent strictement identiques : les deux cohortes comparées doivent être formées d’unités statistiques mutuellement indépendantes, ce qui exige des procédures de randomisation rigoureuses ou des protocoles d’échantillonnage probabiliste maîtrisés pour éliminer tout risque de biais de confusion lié à la sélection des sujets. De manière analogue, le choix entre un test t pour séries appariées et un test des rangs signés de Wilcoxon présuppose dans les deux situations une structure d’appariement expérimental irréprochable (mesures répétées avant-après sur les mêmes individus, paires de jumeaux ou unités jumelées par des variables de contrôle strictes), visant à isoler l’effet d’intérêt en neutralisant la variance interindividuelle résiduelle.

De surcroît, la nécessité impérieuse de dimensionner l’échantillon à travers un calcul pré-expérimental de puissance statistique s’impose avec la même vigueur dans les deux cadres méthodologiques. Déterminer en amont le nombre d’unités requis pour détecter une taille d’effet minimale substantielle tout en contenant les risques d’erreur $\alpha$ et $\beta$ constitue une exigence éthique et scientifique inaliénable. Les équations de puissance diffèrent dans leur formulation mathématique fine (faisant intervenir des tailles d’effet standardisées de Cohen pour le versant paramétrique, et des probabilités de dominance stochastique ou des rangs relatifs pour le versant non paramétrique), mais leur finalité régulatrice et leur impact sur la crédibilité de la démarche empirique demeurent d’une rigoureuse équivalence.

5.3 Complémentarité et robustesse croisée

Loin de constituer deux forteresses méthodologiques étanches condamnées à s’exclure mutuellement, les approches paramétriques et non paramétriques fonctionnent dans la pratique scientifique de pointe comme des démarches hautement complémentaires. Dans le cadre de protocoles d’analyse avancés, le recours simultané aux deux méthodologies constitue l’un des piliers de l’analyse de sensibilité moderne, procédure par laquelle l’analyste vérifie formellement si la conclusion inférentielle centrale de sa recherche demeure invariante face aux choix de modélisation théorique.

Dans une configuration idéale où les données quantitatives continues se conforment parfaitement à la distribution normale homoscédastique, les deux approches convergent systématiquement vers la même décision statistique. Les p-valeurs calculées par un test t de Student et par un test U de Mann-Whitney s’avèrent alors extrêmement proches, le test paramétrique bénéficiant d’une marge d’efficacité asymptotique infinitésimale. Lorsque cette concordance parfaite est constatée, le chercheur acquiert une confiance robuste dans la reproductibilité de son effet : le résultat ne dépend pas d’un artifice computationnel lié à la paramétrisation du modèle ou au reclassement par les rangs.

Cette synergie méthodologique est aujourd’hui amplifiée et fluidifiée par l’intégration universelle de ces deux corpus au sein des grands environnements de programmation statistique contemporains, tels que le logiciel open-source R, les bibliothèques scientifiques de Python (notamment SciPy et Statsmodels), ou les progiciels propriétaires SAS et SPSS. Cette accessibilité algorithmique immédiate permet à l’analyste d’exécuter des diagnostics croisés en temps réel, d’estimer des décalages d’Hodges-Lehmann en parallèle des différences de moyennes de Cohen, et de tracer des graphiques de distributions empiriques adossés à des boxplots ordinaux. Loin d’une guerre de tranchées épistémologique, la science contemporaine envisage ces deux approches comme un continuum d’outils analytiques au service de la découverte objective de la structure des données réelles.

6. Critères de décision : comment choisir le test approprié

6.1 Protocole d’évaluation préalable des postulats

L’engagement dans une démarche inférentielle rigoureuse interdit formellement de choisir un test statistique sur la foi d’une simple intuition ou d’une routine logicielle préétablie. Le choix méthodologique doit impérativement dériver d’un protocole d’évaluation séquentiel systématique, destiné à tester la validité empirique des postulats sous-jacents aux modèles paramétriques. Ce protocole débute obligatoirement par l’examen de la normalité de la variable au sein de chaque groupe expérimental, ou des résidus dans le cadre d’un modèle linéaire.

Pour mener cet examen, l’analyste dispose d’outils formels tels que le test de normalité de Shapiro-Wilk, considéré comme le test omnibus le plus sensible pour les échantillons de petite à moyenne dimension, ou le test de Kolmogorov-Smirnov corrigé par Lilliefors. Toutefois, une compréhension fine de la théorie statistique impose de souligner les limites inhérentes à ces tests d’adéquation formels :

• Sur des échantillons de petite taille ($n < 20$), ces tests souffrent d'une puissance statistique médiocre et échouent régulièrement à détecter des déviations majeures par rapport à la loi normale, conduisant faussement le chercheur à valider le postulat paramétrique.
• À l’inverse, sur de grandes cohortes ($N > 300$), ces tests deviennent hypersensibles et rejettent systématiquement l’hypothèse nulle de normalité pour des déviations triviales qui n’exercent aucun impact néfaste sur la robustesse du test t ou de l’ANOVA en vertu du théorème central limite.

C’est pourquoi la littérature méthodologique moderne prescrit de subordonner les tests formels à une inspection graphique minutieuse des données. L’outil analytique de référence est ici le diagramme quantile-quantile (Q-Q plot), qui projette les quantiles observés de l’échantillon face aux quantiles théoriques d’une loi normale standard. Tout alignement linéaire des points le long de la bissectrice confirme l’adéquation gaussienne, tandis que des courbures en forme de « S » ou des décrochages périphériques révèlent immédiatement la nature de la distorsion (asymétrie positive ou négative, queues de distribution lourdes, troncature). L’histogramme superposé d’une densité de noyau gaussienne et le diagramme en boîte à moustaches complètent utilement ce diagnostic visuel en dévoilant la présence d’outliers manifestes.

Le second volet du protocole concerne la vérification de l’homogénéité des variances entre les groupes. Le test de Bartlett, fondé sur la statistique du rapport de vraisemblance, possède une puissance élevée mais présente une sensibilité extrême aux écarts de normalité : si les données dévient de la loi normale, le test de Bartlett rejette fréquemment l’homoscédasticité à tort. On lui préfère universellement le test de Levene, ou sa variante plus robuste formalisée par Brown et Forsythe qui substitue la médiane d’échantillon à la moyenne dans le calcul des écarts absolus. Si ce test révèle une hétéroscédasticité significative ($p < 0,05$), le modèle paramétrique standard ne peut être appliqué sans correction préalable.

6.2 Stratégies face aux données asymétriques et atypiques

Lorsque le diagnostic préalable met en lumière une violation caractérisée de la normalité ou de l’homogénéité des variances, l’analyste se trouve confronté à un arbitrage stratégique majeur : procéder à une transformation mathématique de l’espace des données pour restaurer la conformité paramétrique, ou abandonner le cadre paramétrique pour adopter immédiatement une procédure non paramétrique sur les rangs.

La première voie consiste à appliquer une fonction mathématique monotone aux valeurs brutes afin de comprimer les queues de distribution et de stabiliser la variance. Face à des distributions fortement étirées vers la droite (asymétrie positive), fréquentes en biologie cellulaire ou en économie financière, l’application de la fonction logarithme népérien $ln(X)$ ou logarithme décimal $\log_{10}(X)$ constitue la transformation la plus classique. Pour des données de comptage manifestant une distribution de Poisson où la variance est proportionnelle à la moyenne, la transformation par la racine carrée $\sqrt{X}$ est traditionnellement préconisée. Pour rationaliser cette démarche, George Box et David Cox ont développé en 1964 une famille paramétrique de transformations de puissance, la transformation de Box-Cox :

$$X^{(\lambda)} = \begin{\cases} \frac{X^\lambda – 1}{\lambda} & \text{si } \lambda \neq 0 \ \ln(X) & \text{si } \lambda = 0 \end{\cases}$$

qui optimise par maximum de vraisemblance le paramètre $lambda$ assurant la meilleure normalisation et stabilisation de la variance.

Néanmoins, cette stratégie de transformation comporte un coût substantiel en matière d’interprétabilité des résultats. En modifiant l’échelle de mesure, les différences de moyennes estimées sur la variable transformée ne se transposent plus de manière linéaire sur l’échelle originale : la moyenne de logarithmes correspond en réalité au logarithme de la moyenne géométrique des observations d’origine. Dès lors, communiquer un intervalle de confiance ou une taille d’effet sur une échelle altérée pose de sévères difficultés de communication auprès des praticiens de terrain. Si la normalité ne peut être restaurée par une transformation élégante et compréhensible, le basculement direct vers des procédures non paramétriques fondées sur les rangs s’impose comme une alternative bien plus saine, éliminant les contraintes d’asymétrie sans introduire d’artifices de projection métrique.

Concernant le traitement des observations aberrantes ou extrêmes, la plus grande rigueur déontologique s’impose. Une valeur aberrante ne doit jamais être supprimée d’un échantillon sur la seule base de son inconfort statistique pour faire converger un test vers la significativité. Une exclusion d’outlier n’est scientifiquement légitime que si une enquête technique approfondie démontre formellement qu’il s’agit d’une erreur matérielle de saisie, d’un dérèglement avéré de l’instrument de laboratoire ou d’une violation flagrante des critères d’inclusion de l’étude. Si l’observation extrême traduit fidèlement la variabilité naturelle et biologique du phénomène sous-jacent, elle doit impérativement être conservée au sein du jeu de données. Dans cette circonstance précise, l’usage des tests non paramétriques (ou des méthodes d’estimation robuste de type régression de Huber et moyennes tronquées) prend tout son sens, neutralisant l’effet déstabilisateur du point singulier sans porter atteinte à l’intégrité de l’échantillonnage empirique.

6.3 Approches computationnelles modernes et méthodes de rééchantillonnage

Le développement spectaculaire des puissances de calcul informatique au cours des dernières décennies a profondément bouleversé le paysage de l’inférence statistique, permettant d’émousser l’opposition binaire traditionnelle entre tests paramétriques stricts et tests de rangs non paramétriques. Ces innovations algorithmiques reposent sur les méthodes de rééchantillonnage intensif, dont les fers de lance sont le bootstrap non paramétrique formalisé par Bradley Efron en 1979 et les tests de permutation ou de randomisation exacte introduits visionnairement par Fisher dès 1935.

Les tests de permutation incarnent l’idéal de l’inférence à distribution libre sans subir les pertes d’information consécutives à la transformation ordinale des valeurs en rangs. Le principe computationnel est d’une remarquable simplicité conceptuelle : sous l’hypothèse nulle d’absence totale de différence entre deux groupes de données métriques, les étiquettes assignant chaque sujet à son groupe respectif sont interchangeables. Dès lors, l’ordinateur réattribue aléatoirement des millions de fois ces étiquettes d’appartenance à l’ensemble des observations métriques réelles, calculant à chaque itération la différence des moyennes observée sur cet arrangement simulé. La p-valeur exacte correspond alors au ratio du nombre de permutations affichant un écart au moins aussi extrême que l’écart réel rapporté au nombre total de réarrangements calculés :

$$p = \frac{# { |\Delta_{\text{\sim}}| ge |\Delta_{\text{obs}}| }}{B}$$

Cette approche permet de tester directement l’égalité des moyennes arithmétiques métriques sans postuler la moindre normalité théorique pour la population sous-jacente.

Parallèlement, la technique du bootstrap permet de construire des intervalles de confiance dits BCA (biais-corrigés et accélérés) pour n’importe quel paramètre d’intérêt (différences de moyennes, ratios de variances, coefficients de corrélation complexes) en tirant avec remise des milliers de sous-échantillons de taille N au sein de la cohorte d’origine. Cette démarche génère une distribution d’échantillonnage empirique directe qui s’adapte automatiquement à l’asymétrie et à la variabilité réelle des données, éliminant tout recours aux formules théoriques dérivées de la loi de Gauss.

Enfin, le clivage statistique s’est également résorbé grâce à la théorie unifiée des Modèles Linéaires Généralisés (GLM), développée par John Nelder et Robert Wedderburn en 1972. Les GLM s’affranchissent de l’hypothèse de normalité en autorisant la variable dépendante à suivre n’importe quelle loi de probabilité issue de la famille exponentielle (loi de Poisson pour les données de comptage, loi binomiale pour les réponses binaires ou multinomiales, loi Gamma pour les variables continues strictement positives et asymétriques), reliée à un prédicteur linéaire par l’intermédiaire d’une fonction de lien mathématique monotone. Dans cet univers analytique moderne, le chercheur dispose d’un arbre décisionnel séquentiel clair pour guider son choix :

• Étape 1 : Caractérisation de l’échelle de mesure
  • Si la variable est purement qualitative nominale : s’orienter vers les tests du Chi-deux d’indépendance ou le test exact de Fisher.
  • Si la variable est qualitative ordinale ou discontinue (échelles de Likert courtes, rangs) : s’orienter directement vers les tests non paramétriques (Mann-Whitney, Kruskal-Wallis, Wilcoxon, Friedman).
  • Si la variable est quantitative continue (mesures métriques d’intervalles ou de ratios) : passer à l’étape 2.
• Étape 2 : Évaluation de la normalité distributionnelle et présence d’outliers
  • Examiner les diagrammes Q-Q plots et procéder au test de Shapiro-Wilk au sein de chaque groupe expérimental.
  • Si la normalité est vérifiée sans présence d’outliers majeurs : passer à l’étape 3.
  • Si la normalité est nettement violée sur un échantillon modéré ou restreint ($N < 50$), ou en présence d'outliers non éliminables : tenter une transformation mathématique rationnelle (log, racine). Si la normalité n'est pas restaurée, basculer vers les tests non paramétriques homologues ou les méthodes de permutation.
  • Si l’effectif global est très important ($N > 100$ par cellule) et que l’asymétrie reste modérée : la normalité asymptotique de la moyenne est garantie par le théorème central limite ; passer à l’étape 3.
• Étape 3 : Évaluation de l’homoscédasticité (homogénéité des variances)
  • Procéder au test de Levene (Brown-Forsythe).
  • Si les variances sont homogènes ($p ge 0,05$) : appliquer le test paramétrique standard optimal (test t de Student classique, ANOVA de Fisher).
  • Si les variances sont significativement hétérogènes ($p < 0,05$) : rejeter impérativement le test de Student standard. Pour deux groupes, appliquer le test t de Welch avec approximation des degrés de liberté de Satterthwaite. Pour plus de deux groupes, appliquer l'ANOVA de Welch (ou de Brown-Forsythe). Attention : le test non paramétrique de Mann-Whitney standard ne constitue pas une alternative adéquate en présence d'hétéroscédasticité pure avec formes de distributions divergentes.

7. Foire aux questions (FAQ)

7.1 Peut-on toujours invoquer le théorème central limite pour justifier un test paramétrique ?

Non, invoquer aveuglément le théorème central limite (TCL) pour s’affranchir de toute précaution analytique constitue l’un des sophismes méthodologiques les plus destructeurs de la recherche empirique. S’il est mathématiquement irréfutable que la moyenne d’un échantillon aléatoire tend vers une loi normale lorsque la taille N augmente, cette convergence ne résout en aucun cas l’intégralité des pathologies statistiques qui menacent la validité des tests paramétriques.

En premier lieu, le théorème central limite n’exerce absolument aucun effet correcteur sur l’hétéroscédasticité (l’inégalité des variances intergroupes). Or, lorsque deux groupes présentent des variances fortement dissemblables et que leurs effectifs respectifs sont déséquilibrés ($n_1 \neq n_2$), la statistique du test t de Student standard ou de l’ANOVA de Fisher s’écarte radicalement de sa distribution théorique de référence, même si N atteint des centaines d’individus. Si le groupe de plus petite taille présente la variance la plus forte, le taux d’erreur de première espèce s’élève massivement au-dessus de 0,05, générant une inflation de faux positifs que le théorème central limite est structurellement incapable d’endiguer.

En second lieu, la vitesse de convergence vers la normalité dictée par le théorème central limite dépend étroitement du degré d’asymétrie sous-jacent de la population parente, relation quantifiée par le célèbre théorème de Berry-Esseen. Face à une distribution parente symétrique ou proche de la cloche gaussienne, la moyenne converge de manière remarquablement rapide dès $N \approx 20$. En revanche, si la distribution d’origine est affectée d’une asymétrie aiguë (par exemple une distribution log-normale modélisant des dépenses de santé ou des temps de latence où la grande majorité des sujets ont des scores très bas et une infime fraction des scores colossaux), la distribution de la moyenne d’échantillon conserve une asymétrie résiduelle prononcée pour des effectifs de $N = 50$, voire $N = 100$. Dans de telles circonstances, s’abriter derrière la règle informelle de $N > 30$ pour appliquer sans précaution un test t de Student standard expose à des distorsions notables de l’inférence.

7.2 Les tests non paramétriques sont-ils systématiquement moins puissants ?

Cette assertion relève d’une conception réductrice et obsolète de l’efficacité statistique. L’idée selon laquelle les tests non paramétriques souffriraient d’une infériorité structurelle systématique en matière de puissance découle d’une focalisation exclusive sur le cas théorique idéal de la distribution normale pure. Comme établi par les calculs d’efficacité asymptotique relative de Pitman, lorsque les données obéissent à la loi normale, le test de Wilcoxon et le test de Kruskal-Wallis n’enregistrent qu’un déficit de puissance modeste de 4,5 % ($ARE = 3/\pi \approx 0,955$), ce qui représente une pénalisation minime au regard du gain de sécurité offert face aux violations de postulats.

Dès lors que l’on quitte le modèle théorique de la distribution normale parfaite pour affronter la réalité des données de terrain, la hiérarchie de puissance s’inverse fréquemment au profit des tests non paramétriques. Face à des distributions à queues lourdes (distributions leptocurtiques affectées par une proportion naturelle d’observations éloignées du centre), ou face à des distributions multimodales et contaminées par des valeurs extrêmes, la variance arithmétique de l’échantillon subit une inflation démesurée. Dans ces conditions, le dénominateur de la statistique de Student explose, ce qui affaiblit drastiquement sa statistique de test et ruine sa capacité à détecter des différences réelles.

Les tests fondés sur les rangs, quant à eux, n’étant pas vulnérables à l’éloignement métrique de ces valeurs extrêmes, conservent une puissance de détection intacte. Dans des configurations à queues lourdes comme la distribution de Laplace, le test de Wilcoxon surpasse le test t d’environ 50 % en efficacité asymptotique relative ($ARE = 1,50$). Le théorème de Hodges-Lehmann de 1956 fournit à cet égard une garantie mathématique formelle : l’efficacité asymptotique du test de Wilcoxon ne chutera jamais sous 0,864, quelle que soit la forme de la distribution continue, tandis que celle du test de Student peut s’effondrer jusqu’à zéro sous des distributions pathologiques. Il est donc totalement erroné de qualifier le test non paramétrique de solution systématiquement « sous-puissante ».

7.3 Comment procéder lorsque le postulat d’homoscédasticité est violé ?

La violation de l’homoscédasticité (inégalité des variances entre les groupes comparés) constitue l’un des pièges méthodologiques les plus insidieux, car la réponse intuitive consistant à basculer aveuglément vers le test non paramétrique de Mann-Whitney est souvent inadaptée. En effet, comme le rappellent régulièrement les méthodologistes, le test de Mann-Whitney teste formellement l’égalité stricte des fonctions de répartition cumulée des deux populations :

$$H_0 : F_X(t) = F_Y(t), \quad \forall t$$

Si deux populations possèdent des formes ou des variances radicalement divergentes (l’une étant concentrée et étroite, l’autre dispersée et étalée), leurs distributions ne sont pas identiques, indépendamment de toute différence de position centrale. Dans cette situation d’hétérogénéité des formes, le test de Mann-Whitney cesse d’être un test pur de différence de médiane ou d’espérance et voit son propre taux d’erreur de première espèce se dégrader de manière imprévisible.

La véritable solution méthodologique face à une hétéroscédasticité caractérisée sur des données quantitatives continues consiste à demeurer au sein du cadre paramétrique, mais en abandonnant le test de Student classique au profit du test t de Welch (connu sous le nom de test de Welch-Satterthwaite pour variances inégales). Développé par le statisticien britannique Bernard Lewis Welch en 1947, ce test ne procède à aucune agrégation synthétique des variances : chaque groupe conserve son estimateur de variance indépendant au dénominateur :

$$t’ = \frac{\bar{X}_1 – \bar{X}_2}{\sqrt{\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2}}}$$

et compense l’inégalité des dispersions en ajustant à la baisse les degrés de liberté par une équation mathématique dédiée (l’approximation de Satterthwaite) :

$$\nu \approx \frac{\left(\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2}\right)^2}{\frac{(s_1^2 / n_1)^2}{n_1 – 1} + \frac{(s_2^2 / n_2)^2}{n_2 – 1}}$$

De très nombreuses études de simulation de Monte-Carlo ont démontré de façon convergente que le test t de Welch contrôle remarquablement le taux d’erreur de première espèce au niveau nominal de 0,05, y compris face à des disparités de variance extrêmes et des effectifs de groupes hautement déséquilibrés, tout en conservant une puissance de détection quasi-optimale lorsque les données sont normales. Pour les dispositifs comparant plus de deux groupes en présence d’hétéroscédasticité, l’ANOVA de Welch (ou alternativement l’ANOVA de Brown-Forsythe) s’impose avec la même rigueur face à l’ANOVA de Fisher classique.

8. Conclusion méthodologique

8.1 Synthèse comparative des approches

L’exploration approfondie des paradigmes paramétrique et non paramétrique met en lumière la nature complémentaire des deux grandes architectures de l’inférence statistique. Aucune de ces méthodologies ne saurait revendiquer une supériorité universelle ou une prééminence a priori sur l’autre. Leurs pertinences respectives s’articulent autour d’un arbitrage méthodologique fondamental entre la finesse de modélisation mathématique et la tolérance face aux déviations structurelles des données réelles.

Les tests paramétriques demeurent les instruments de prédilection lorsque l’information métrique est précise, que les échelles de mesure satisfont la condition d’intervalles constants et que les conditions distributionnelles de régularité (normalité des erreurs, homoscédasticité) sont validées empiriquement ou garanties asymptotiquement par de vastes effectifs. Leur capacité inégalée à quantifier des paramètres sur l’échelle concrète de l’expérience, à construire des intervalles de confiance lisibles et à décomposer les interactions factorielles complexes en fait le moteur privilégié de l’expérimentation hautement contrôlée et de la modélisation prédictive.

À l’inverse, les tests non paramétriques s’imposent comme un rempart méthodologique indispensable face à la complexité des données réelles issues de l’observation humaine, clinique ou environnementale. En fondant leur logique inférentielle sur les permutations et l’ordonnancement par les rangs, ils offrent une immunité structurelle contre les valeurs aberrantes, s’adaptent de manière naturelle aux asymétries prononcées et garantissent la validité formelle des conclusions tirées sur des échelles strictement ordinales. L’élégance de leur cadre théorique réside dans leur capacité à préserver l’intégrité de la décision statistique en s’affranchissant d’hypothèses géométriques hasardeuses, tout en consentant un coût d’efficacité asymptotique minime sous conditions normales, largement compensé par des gains de puissance spectaculaires dès que les queues de distribution s’épaississent.

Le chercheur moderne doit dès lors se détacher des dogmatismes algorithmiques hérités de manuels scolaires simplificateurs. Choisir un test statistique n’est pas un acte administratif guidé par une formule magique reliant un seuil d’échantillonnage de $N = 30$ à une fonction logicielle figée. Il s’agit d’un acte épistémologique exigeant une compréhension lucide des mécanismes générateurs de données, une exploration visuelle fine de la distribution empirique et une juste appréciation de l’impact des violations potentielles sur la validité finale de l’inférence.

8.2 Recommandations pour la rigueur et la transparence scientifique

Dans le contexte actuel de consolidation des exigences méthodologiques au sein de la publication scientifique internationale, la rigueur de la démarche statistique doit impérativement se traduire par une transparence absolue lors de la restitution des analyses. Il ne suffit plus de mentionner l’exécution d’un test t ou d’un test de Mann-Whitney au détour d’une légende de tableau : l’architecture décisionnelle ayant conduit à ce choix doit être intégralement exposée dans la section méthodologique du manuscrit.

Les bonnes pratiques éditoriales contemporaines exigent que toute mobilisation d’un test paramétrique soit formellement accompagnée du compte-rendu des vérifications de postulats. Les auteurs doivent rapporter explicitement les résultats des tests d’homogénéité des variances (test de Levene) et justifier de la conformité distributionnelle par la mise à disposition de graphiques diagnostiques d’adéquation (tels que les diagrammes quantile-quantile). Si des écarts à la normalité ont été tolérés en vertu du théorème central limite, cette justification asymptotique doit être étayée par l’effectif exact par cellule et la symétrie relative des données.

Parallèlement, la présentation des données descriptives doit respecter une cohérence interne rigoureuse avec le modèle d’inférence sélectionné :

• Lorsqu’une procédure paramétrique est mise en œuvre, il convient de rapporter systématiquement la moyenne arithmétique, l’écart-type et l’intervalle de confiance encadrant la taille de l’effet standardisée (Cohen’s d, partial eta squared).
• Lorsque l’analyse repose sur une procédure non paramétrique par rangs, il est méthodologiquement trompeur de ne présenter que des moyennes arithmétiques. Les auteurs doivent obligatoirement fournir les médianes accompagnées des écarts interquartiles (IQR) ou les rangs moyens par condition, associés à des métriques d’effet ordinales adéquates (delta de Cliff, corrélation bisériale de rang, probabilité de supériorité stochastique).

Enfin, la reproductibilité scientifique repose sur le partage scrupuleux et désintéressé des protocoles informatiques. La fourniture des scripts d’analyse intégrale (en R, Python ou syntaxe logicielle dédiée), incluant les étapes de nettoyage des données, de vérification des postulats, d’exécution des tests et de génération des visualisations, s’impose désormais comme le standard d’excellence de la recherche quantitative. C’est à ce prix de transparence méthodologique que la communauté scientifique garantira la solidité de ses édifices empiriques et la pérennité de ses découvertes.

Références

Box, G. E. P., & Cox, D. R. (1964). An analysis of transformations. Journal of the Royal Statistical Society: Series B (Methodological), 26(2), 211–252. https://doi.org/10.1111/j.2517-6161.1964.tb00553.x

Efron, B. (1979). Bootstrap methods: Another look at the jackknife. The Annals of Statistics, 7(1), 1–26. https://doi.org/10.1214/aos/1176344552

Fisher, R. A. (1925). Statistical Methods for Research Workers. Oliver & Boyd.

Fisher, R. A. (1935). The Design of Experiments. Oliver & Boyd.

Friedman, M. (1937). The use of ranks to avoid the assumption of normality implicit in the analysis of variance. Journal of the American Statistical Association, 32(200), 675–701. https://doi.org/10.1080/01621459.1937.10503522

Hodges, J. L., & Lehmann, E. L. (1956). The efficiency of some nonparametric competitors of the t-test. The Annals of Mathematical Statistics, 27(2), 324–335. https://doi.org/10.1214/aoms/1177728261

Kruskal, W. H., & Wallis, W. A. (1952). Use of ranks in one-criterion variance analysis. Journal of the American Statistical Association, 47(260), 583–621. https://doi.org/10.1080/01621459.1952.10483441

Mann, H. B., & Whitney, D. R. (1947). On a test of whether one of two random variables is stochastically larger than the other. The Annals of Mathematical Statistics, 18(1), 50–60. https://doi.org/10.1214/aoms/1177730491

Nelder, J. A., & Wedderburn, R. W. M. (1972). Generalized linear models. Journal of the Royal Statistical Society: Series A (General), 135(3), 370–384. https://doi.org/10.2307/2344614

Pearson, K. (1896). Mathematical contributions to the theory of evolution. III. Regression, heredity, and panmixia. Philosophical Transactions of the Royal Society of London A, 187, 253–318. https://doi.org/10.1098/rsta.1896.0007

Pitman, E. J. G. (1948). Notes on Non-Parametric Statistical Inference. Columbia University Press.

Siegel, S. (1956). Nonparametric Statistics for the Behavioral Sciences. McGraw-Hill.

Spearman, C. (1904). The proof and measurement of association between two things. The American Journal of Psychology, 15(1), 72–101. https://doi.org/10.2307/1412159

Stevens, S. S. (1946). On the theory of scales of measurement. Science, 103(2684), 677–680. https://doi.org/10.1126/science.103.2684.677

Student. (1908). The probable error of a mean. Biometrika, 6(1), 1–25. https://doi.org/10.2307/2331554

Welch, B. L. (1947). The generalization of ‘Student’s’ problem when several different population variances are involved. Biometrika, 34(1/2), 28–35. https://doi.org/10.2307/2332510

Wilcoxon, F. (1945). Individual comparisons by ranking methods. Biometrics Bulletin, 1(6), 80–83. https://doi.org/10.2307/3001968

Wolfowitz, J. (1942). Additive partition functions and a class of statistical hypotheses. The Annals of Mathematical Statistics, 13(3), 247–279. https://doi.org/10.1214/aoms/1177731566