Comprendre le test Friedman en recherche psychologique

Le test Friedman est un test statistique non paramétrique développé par Milton Friedman qui permet de détecter les différences de traitement entre les essais multiples. Dans la recherche psychologique, ce test sert d'outil précieux lorsque les chercheurs doivent comparer trois mesures ou plus connexes sans faire d'hypothèses sur la distribution sous-jacente des données. Le test Friedman est l'alternative non paramétrique à l'ANOVA à sens unique avec des mesures répétées.

Ce qui rend le test Friedman particulièrement précieux en psychologie est sa flexibilité et sa robustesse. Le test est non paramétrique parce qu'il ne suppose aucune distribution dans les données (comme la distribution normale).Cette caractéristique est cruciale parce que les données psychologiques violent fréquemment les hypothèses de normalité requises par les tests paramétriques. Que vous mesuriez les niveaux d'anxiété à travers différentes interventions thérapeutiques, que vous suiviez les performances cognitives sur plusieurs points de temps ou que vous comparez les cotes de satisfaction dans diverses conditions expérimentales, le test Friedman offre une approche analytique fiable.

Le test Friedman est utilisé pour l'analyse de la variance par grades à sens unique et dans son utilisation des grades, il est semblable à l'analyse de la variance par grades à sens unique Kruskal–Wallis. La différence fondamentale est que le test Friedman est conçu spécifiquement pour les échantillons apparentés ou appariés, tandis que le test Kruskal-Wallis est utilisé pour les groupes indépendants.

Quand utiliser le test Friedman en études psychologiques

Le choix du test statistique approprié est essentiel pour des conclusions de recherche valides. Le test Friedman est spécialement conçu pour les situations où vous avez des mesures répétées des mêmes participants ou des groupes appariés. La compréhension du moment où appliquer ce test vous aidera à vous assurer que votre analyse est à la fois appropriée et significative.

Scénarios de recherche idéaux

Dans la pratique, le test Friedman est souvent utilisé lorsque la variable continue a violé les hypothèses nécessaires pour l'ANOVA unidirectionnelle ou lorsque la variable d'intérêt est ordinale. Cela la rend particulièrement adaptée à plusieurs projets de recherche psychologique communs:

  • Études longitudinales:[ Lorsque vous suivez les mêmes individus sur plusieurs points de temps pour évaluer les changements de comportement, d'humeur, de cognition ou d'autres variables psychologiques
  • Avec des plans expérimentaux de sujets:[ Lorsque chaque participant éprouve toutes les conditions expérimentales, telles que des protocoles de traitement différents ou des présentations de stimulus
  • Dessins de groupes assortis:[ Lorsque les participants sont soigneusement appariés sur les caractéristiques pertinentes et ensuite exposés à des conditions différentes
  • Analyse des données ordinales :[ Lorsque vous travaillez avec des échelles de Likert, des données de classement ou d'autres mesures ordinales communes dans les évaluations psychologiques

Il sert à vérifier les différences entre les groupes lorsque la variable dépendante mesurée est ordinale et peut également être utilisée pour des données continues qui ont violé les hypothèses nécessaires pour exécuter l'ANOVA à sens unique avec des mesures répétées (p. ex., des données qui ont marqué des écarts par rapport à la normale).

Comparaison avec d'autres essais

Comprendre la relation entre le test Friedman et d'autres procédures statistiques permet de clarifier quand c'est le choix le plus approprié. Si vous n'avez que deux groupes apparentés, le test Wilcoxon signé-rank serait plus approprié. Si vous avez des échantillons indépendants (3 mesures de groupes différents et non liés), alors vous devriez utiliser le Kruskal-Wallis AnOVA à une seule voie.

Lorsque vos données répondent aux hypothèses de normalité et d'homogénéité de variance, une mesure répétée ANOVA serait généralement plus puissante. En sélectionnant un test non paramétrique, vous avez évité de supposer que les données ont été échantillonnées à partir de distributions gaussiennes, mais il y a des inconvénients à utiliser un test non paramétrique – si les populations sont vraiment gaussiennes, les tests non paramétriques ont moins de puissance (sont moins susceptibles de vous donner une petite valeur P), surtout avec de petites tailles d'échantillons.

Hypothèses essentielles du test Friedman

Bien que le test Friedman soit plus souple que les solutions de rechange paramétriques, il exige encore que certaines conditions soient remplies pour obtenir des résultats valides.

Hypothèses de base

Un groupe qui est mesuré à trois occasions différentes ou plus est la première exigence fondamentale. Votre conception de l'étude doit comporter des mesures répétées ou des observations appariées. Votre variable dépendante doit être mesurée au niveau ordinal ou continu. Cela signifie que votre variable de résultat doit représenter des catégories ordonnées ou des mesures numériques plutôt que des catégories purement nominales.

L'échantillon de « blocs » (habituellement les sujets) est un simple échantillon aléatoire de la population, c'est-à-dire que les blocs sont indépendants les uns des autres. Cette hypothèse d'indépendance est critique et ne peut être testée statistiquement.Les résultats d'un test Friedman n'ont de sens que lorsque les sujets (les rangées) sont indépendants – qu'aucun facteur aléatoire n'a affecté les valeurs dans plus d'une rangée – vous devez penser à la conception expérimentale.

Considérations relatives à la taille de l'échantillon

La taille de l'échantillon (ou de l'ensemble de données) devrait être supérieure à 5 dans chaque groupe – certaines personnes en soutiennent plus, mais plus de 5 est probablement suffisant. Cependant, les exigences en matière de taille de l'échantillon dépendent également de la taille de l'effet escompté. Si vous vous attendez à une grande différence entre les groupes, alors vous pouvez vous en sortir avec une taille d'échantillon plus petite – si vous vous attendez à une petite différence entre les groupes, alors vous aurez probablement besoin d'un échantillon plus grand.

Pour les très petits échantillons, le test Friedman peut avoir une puissance limitée pour détecter de vraies différences. Inversement, si le nombre de blocs N est grand, approximativement la distribution chi-carré avec k - 1 degrés de liberté fournit une approximation précise pour déterminer la signification statistique.

Guide étape par étape pour effectuer un test de Friedman

L'exécution d'un test Friedman implique un processus systématique d'organisation, de classement, de calcul et d'interprétation des données.

Étape 1: Organisez vos données

Commencez par organiser vos données sous forme de matrices où chaque rangée représente un sujet (ou un bloc) et chaque colonne représente une condition de traitement ou un point de temps. Cette organisation est essentielle pour la procédure de classement qui suit. Par exemple, si vous étudiez les effets de trois différents programmes de formation cognitive sur le même groupe de participants, chaque participant occuperait une rangée et les trois conditions de formation formeraient trois colonnes.

Assurez-vous que vos données sont complètes pour chaque sujet dans toutes les conditions. Les données manquantes peuvent compliquer l'analyse, bien que des variantes spécialisées du test Friedman existent pour la manipulation de conceptions de blocs incomplètes. Le test Skillings–Mack est une statistique générale de type Friedman qui peut être utilisée dans presque n'importe quel modèle de blocs avec une structure arbitraire de données manquantes.

Étape 2: Classement des données au sein de chaque sujet

La procédure consiste à classer chaque ligne (ou bloc) ensemble, puis à considérer les valeurs des rangs par colonnes. Pour chaque sujet, attribuer les rangs aux valeurs observées dans toutes les conditions. La plus petite valeur reçoit le rang 1, la plus petite suivante reçoit le rang 2, et ainsi de suite.

Si des valeurs liées sont liées, assignez à chaque valeur liée la moyenne des grades qui auraient été attribués sans liens. Par exemple, si deux valeurs sont liées pour les premier et deuxième postes, les deux recevront le rang de 1,5 (la moyenne des 1 et 2). La présence de liens réduit légèrement la sensibilité du test (c.-à-d. la puissance statistique), car elle affecte la répartition des grades.

Étape 3: Calculer les montants de classement

Après avoir classé les données au sein de chaque sujet, calculez la somme des grades pour chaque condition de traitement en additionnant tous les grades dans chaque colonne. Ces sommes de grade constituent la base pour calculer la statistique du test. S'il n'y a pas de différences systématiques entre les conditions, vous vous attendez à ce que les sommes de grade soient approximativement égales dans toutes les conditions.

Étape 4: Calculer le système de statistique d ' essai

Le test de fraidman est basé sur les statistiques suivantes : Q = 12/(N × k(k + 1)) × --R2i - 3 × N(k + 1), où N est le nombre de « blocs » (habituellement les sujets), k est le nombre de groupes apparentés (habituellement le nombre de mesures répétées), et Ri est la somme des rangs du groupe i.

Cette formule produit une statistique chi carré qui quantifie le degré de désaccord entre les sommes de rang observées et ce qui serait attendu sous l'hypothèse nulle de aucune différence entre les conditions. Si des liens sont présents dans les données, la formule de Q est plus compliquée. La plupart des logiciels statistiques appliquent automatiquement la correction appropriée pour les rangs liés.

Étape 5 : Déterminer l'importance statistique

Comparez votre statistique de test calculée à la distribution chi-carré avec des degrés de liberté égaux à k - 1 (où k est le nombre de conditions).Cette comparaison donne une valeur p qui indique la probabilité d'observer vos résultats (ou des résultats plus extrêmes) si l'hypothèse nulle était vraie.

La signification du test Friedman est déterminée par la valeur p, ce qui indique la probabilité que les différences observées entre les groupes soient dues au hasard — après avoir calculé la statistique du test Friedman, vous comparez la valeur p résultante avec le niveau de signification prédéfini (par exemple, 0,05) — si la valeur p est inférieure au niveau de signification, vous rejetez l'hypothèse nulle, concluant qu'il y a des différences statistiquement significatives entre les groupes évalués.

Interprétation des résultats des tests Friedman

Pour tirer les conclusions appropriées de vos recherches, il est essentiel de comprendre les résultats de vos tests Friedman. Le processus d'interprétation consiste à examiner à la fois l'importance statistique et les implications pratiques.

Comprendre les hypothèses non fondées et les hypothèses alternatives

L'hypothèse nulle du test Friedman indique qu'il n'y a pas de différences systématiques dans la répartition des groupes apparentés, autrement dit, toute différence observée dans les rangs est due à des variations aléatoires plutôt qu'à des effets de traitement réels. L'hypothèse alternative indique que les scores de la population dans certains groupes apparentés sont systématiquement plus élevés ou inférieurs aux scores de la population dans d'autres groupes apparentés.

Lorsque la valeur de p tombe sous votre niveau de signification prédéterminé (généralement 0,05), vous rejetez l'hypothèse nulle et concluez qu'au moins une condition diffère significativement des autres. Cependant, le test Friedman ne vous indique pas à lui seul quelles conditions spécifiques diffèrent les unes des autres – cela nécessite une analyse post-hoc, que nous discuterons en détail plus tard.

Qu'est-ce qu'un résultat important signifie?

Un test de Friedman statistiquement significatif indique que les conditions ou les points de temps comparés produisent des résultats systématiquement différents. Dans la recherche psychologique, cela peut signifier que différentes interventions thérapeutiques produisent différents niveaux d'amélioration des symptômes, que la performance cognitive change au cours de différentes séances de test, ou que les attitudes des participants varient selon la manipulation expérimentale qu'ils subissent.

Cependant, la signification statistique n'implique pas automatiquement une signification pratique ou clinique. Une différence petite mais statistiquement significative pourrait ne pas être significative dans les applications réelles. C'est là que les mesures de la taille des effets deviennent importantes pour contextualiser vos résultats.

Ce qu'un résultat non significatif signifie

Lorsque la valeur de p dépasse le seuil de signification, vous ne rejetez pas l'hypothèse nulle, ce qui laisse croire que les données ne fournissent pas suffisamment de preuves de différences systématiques entre les conditions. Cependant, cela ne prouve pas que les conditions sont équivalentes, ce qui signifie simplement que toute différence observée pourrait raisonnablement être attribuée à une variation aléatoire.

Des résultats non significatifs peuvent se produire pour plusieurs raisons : les conditions peuvent réellement produire des résultats similaires, la taille de l'échantillon peut être trop petite pour détecter les différences existantes, ou il peut y avoir une variabilité excessive dans les données qui masquent les effets réels.

Mesures de la taille des effets pour l'essai Friedman

Bien que la valeur p vous indique si les différences sont statistiquement significatives, les mesures de la taille des effets quantifient l'ampleur de ces différences. La taille des effets de rapport à côté des valeurs p fournit une image plus complète de vos constatations et aide les lecteurs à évaluer l'importance pratique de vos résultats.

Kendall's W (Coefficient de Concordance)

Le W de Kendall est la mesure de la taille des effets la plus couramment utilisée pour le test Friedman. Il représente le degré d'accord ou de concordance entre les classements des sujets. Le W de Kendall varie de 0 à 1, où 0 indique aucune concordance (randomisation complète dans les classements) et 1 indique une parfaite concordance (tous les sujets classent les conditions de façon identique).

La formule de Kendall's W est dérivée de la statistique Friedman et peut être interprétée comme la proportion de variance dans les classements qui peut être attribuée aux différences entre les conditions. Les valeurs de W autour de 0,1 sont considérées comme de petits effets, environ 0,3 sont des effets moyens, et 0,5 ou plus représentent des effets importants, bien que ces points de repère devraient être interprétés dans le contexte de votre domaine de recherche spécifique.

Tailles des effets de déclaration

Par exemple : « Un test Friedman a révélé une différence statistiquement significative dans les scores d'anxiété pour les trois conditions de traitement, χ2(2) = 18,45, p < 001, Kendall's W = 0,42, ce qui indique un effet important." Ce rapport exhaustif permet aux lecteurs de comprendre à la fois si un effet existe et à quel point il est important.

Analyse post-hoc à la suite d'un test de Friedman important

Lorsque le test Friedman indique des différences significatives entre vos conditions, la prochaine question logique est : quelles conditions spécifiques diffèrent les unes des autres? Si le test Friedman indique une différence statistiquement significative, il ne vous indique pas quels groupes diffèrent – pour déterminer cela, des tests post-hoc comme les tests Nemenyi ou Conover devraient être appliqués pour effectuer des comparaisons par paires.

L'essai Nemenyi

Le test Nemenyi (également appelé test Wilcoxon-Nemenyi-McDonald-Thompson) est une adaptation du test HSD de Tukey et est spécialement conçu pour les comparaisons post-hoc à la suite du test Friedman. Le test Nemenyi est un test post-hoc destiné à trouver les groupes de données qui diffèrent après un test statistique global (comme le test Friedman) a rejeté l'hypothèse nulle selon laquelle la performance des comparaisons sur les groupes de données est similaire.

Le contrôle de test Nemenyi pour les erreurs familiales, ce qui signifie qu'il s'ajuste pour le fait que vous faites de multiples comparaisons et aide à protéger contre les erreurs de type I (faux positifs).Cette approche conservatrice est appropriée lorsque vous voulez maintenir un contrôle strict sur le taux d'erreur global dans toutes les comparaisons.

L'essai de conover

Le test Conover est un autre test post-hoc utilisé après un test Friedman significatif. Ce test utilise une approche de distribution en t pour comparer des paires de conditions basées sur leurs rangs moyens. Le test de Conover ne corrige pas pour erreur familiale, et vous devez donc utiliser une sorte de facteur de correction d'erreur.

Le test Conover peut être plus puissant que le test Nemenyi pour détecter de véritables différences, mais cela se fait au prix de corrections supplémentaires (comme les ajustements Bonferroni ou Holm) pour contrôler le taux d'erreur global de type I lors de comparaisons multiples.

Essais de bande signée Wilcoxon par paire

Une autre approche pour les tests post-hoc est d'utiliser des tests de classement signés par paires. Cette méthode consiste à effectuer des tests distincts de classements signés par Wilcoxon pour chaque paire de conditions. Bien que cette approche n'utilise pas les rangs du test Friedman lui-même, elle fournit un moyen simple d'identifier des différences spécifiques par paires.

Si l'hypothèse nulle est rejetée dans le test Friedman, l'analyse post-hoc aide à identifier les paires spécifiques de conditions expérimentales différentes — ceci peut être fait à l'aide de tests comme le test de la ligne signée Wilcoxon ou le test de Conover — pour le test de la ligne signée Wilcoxon, des résultats pour toutes les paires peuvent être obtenus, mais une correction Bonferroni est nécessaire — cette correction ajuste le niveau de signification à (Don niveau de signification / nombre total de paires) pour contrôler les erreurs de type I.

Choisir le bon test post-hoc

Malheureusement, il existe quelques approches différentes pour une analyse post-hoc pour un test Friedman. Le choix entre ces méthodes dépend de vos priorités de recherche. Si le contrôle de l'erreur familiale est primordial et que vous voulez une approche conservatrice, le test Nemenyi est approprié. Si vous êtes prêt à appliquer des corrections supplémentaires et que vous voulez une puissance potentiellement plus grande pour détecter les différences, le test Conover ou les tests Wilcoxon pair avec les corrections Bonferroni ou Holm peut être préférable.

Une correction d'erreur par famille est nécessaire : dans plusieurs tests, nous décrivons un certain nombre de ces tests, à savoir les tests Bonferroni, Dunn-Sidàk, Holm, Hochberg, Benjamini-Hochberg et Benjamin-Yekutieli. Chaque méthode de correction offre des équilibres différents entre le contrôle des erreurs de type I et de type II, Bonferroni étant le plus conservateur et des méthodes comme Holm ou Hochberg fournissant un peu plus de puissance tout en contrôlant encore les erreurs par famille.

Réalisation du test Friedman dans le logiciel statistique

Bien que la compréhension des fondements théoriques du test Friedman soit importante, la plupart des chercheurs utiliseront un logiciel statistique pour effectuer les calculs réels. Le test Friedman est largement soutenu par de nombreux progiciels statistiques.

Utilisation du SPSS

Dans SPSS, le test Friedman se trouve dans le menu des tests non paramétriques. Vous cliquerez sur : Analyser les tests non paramétriques > et les échantillons connexes >. Vos données doivent être organisées avec chaque mesure répétée dans une colonne séparée, et chaque ligne représentant un sujet.

Dans l'onglet Paramètres, vous devez cliquer sur "Personnalisez les tests", puis il y a un tas d'options différentes ici: vous devez vous souvenir du nom du test que vous essayez de faire. Sélectionnez l'ANOVA bidirectionnelle de Friedman par rang parmi les options disponibles. SPSS calculera automatiquement la statistique de test et la valeur de p, et vous pouvez demander des statistiques descriptives et des visualisations pour accompagner vos résultats.

Utilisation de R

R fournit des fonctions intégrées pour le test Friedman et offre des paquets étendus pour l'analyse post-hoc. La fonction basique friedman.test() peut être utilisée avec des données en format matriciel ou avec une interface formule. Pour les tests post-hoc, les paquets comme PMCMR, PMCMRplus et scikit-posthocs (pour les utilisateurs de Python) fournissent des options complètes.

L'avantage de l'utilisation de R est la flexibilité pour personnaliser votre analyse et la disponibilité de fonctions spécialisées pour différentes procédures post-hoc. Vous pouvez facilement mettre en œuvre des tests Nemenyi, Conover ou des tests Wilcoxon par paire avec différentes méthodes de correction, le tout dans le même environnement analytique.

Utilisation de Python

Les utilisateurs de Python peuvent accéder au test Friedman via le module scipy.stats, qui fournit la fonction Friedmanchisquare(). Pour l'analyse post-hoc, le paquet scikit-posthocs offre des implémentations de divers tests post-hoc spécifiquement conçus pour le test Friedman, y compris le test Nemenyi et d'autres procédures de comparaison par paire.

L'avantage de Python réside dans son intégration avec des bibliothèques de manipulation de données comme les pandas et des outils de visualisation comme matplotlib et Seaborn, vous permettant de passer sans heurts de la préparation des données à l'analyse à la visualisation dans un environnement de programmation unique.

Exemples pratiques en recherche psychologique

L'examen d'exemples concrets permet d'illustrer comment le test Friedman s'applique à de vrais scénarios de recherche psychologique. Ces exemples démontrent la polyvalence du test dans différents domaines de recherche.

Exemple 1 : Comparaison des interventions thérapeutiques

Un psychologue clinique veut évaluer trois techniques de thérapie cognitive-comportementale (TCC) différentes pour réduire l'anxiété sociale. Quinze participants souffrant de troubles d'anxiété sociale complètent les trois modules de thérapie dans un ordre contrebalancé, avec une période de lavage de deux semaines entre chaque module.

Comme les mêmes participants connaissent les trois conditions et que les scores d'anxiété montrent une balance positive importante (hypothèses de normalité violante), le test Friedman est approprié. Le chercheur classe les trois scores de chaque participant, calcule les montants de classement pour chaque type de thérapie et calcule la statistique Friedman. Un résultat significatif (p < 0,05) indique que les trois techniques CBT produisent différents niveaux de réduction de l'anxiété.

Exemple 2 : Évaluation du rendement cognitif au fil du temps

Un psychologue du développement étudie comment la capacité de mémoire de travail évolue selon quatre moments : le début, 3 mois, 6 mois et 12 mois après la mise en oeuvre d'un programme de formation cognitive. Vingt enfants effectuent la même évaluation de la mémoire de travail à chaque moment.

Le test Friedman est idéal pour cette conception longitudinale car il tient compte de la structure des mesures répétées et ne nécessite pas de données normalement distribuées. Le test évalue si les performances de la mémoire de travail diffèrent selon les quatre points de temps. Si des tests post-hoc significatifs peuvent déterminer si des améliorations se produisent progressivement au fil du temps ou montrent des périodes spécifiques de développement accéléré.

Exemple 3: Évaluation de l'effort perçu dans différentes conditions

Un chercheur veut examiner si la musique a un effet sur l'effort psychologique perçu nécessaire pour effectuer une séance d'exercice – la variable dépendante est « l'effort perçu pour effectuer de l'exercice » et la variable indépendante est « type de musique », qui se compose de trois groupes : « aucune musique », « musique classique » et « musique dansante » – pour vérifier si la musique a un effet sur l'effort psychologique perçu nécessaire pour effectuer une séance d'exercice, le chercheur a recruté 12 coureurs qui ont chacun couru trois fois sur un tapis roulant pendant 30 minutes.

À la fin de chaque course, on a demandé aux sujets de noter à quel point la séance de course se sentait dure sur une échelle de 1 à 10, 1 étant facile et 10 extrêmement difficile.Un test Friedman a ensuite été effectué pour voir s'il y avait des différences dans l'effort perçu en fonction du type de musique.

Pièges courants et comment les éviter

Même les chercheurs expérimentés peuvent rencontrer des défis lors de la conduite et de l'interprétation des tests Friedman. Être conscient des erreurs courantes permet de s'assurer que votre analyse est valide et que vos conclusions sont saines.

Violation de l'hypothèse de l'indépendance

Les erreurs ne sont pas indépendantes si vous avez six rangées de données obtenues de trois animaux en double – dans ce cas, un facteur aléatoire peut causer toutes les valeurs d'un animal à être élevé ou faible – puisque ce facteur affecterait deux des rangées (mais pas les quatre autres), les rangées ne sont pas indépendantes.

Cette violation est particulièrement problématique parce qu'elle ne peut être détectée par des tests statistiques, car vous devez bien considérer votre conception de recherche. Si votre structure de données comprend des relations imbriquées ou hiérarchiques (comme de multiples observations provenant d'une même famille, d'une même classe ou d'un même groupe thérapeutique), vous devrez peut-être adopter des approches analytiques plus sophistiquées qui tiennent compte de ces dépendances.

Taille insuffisante de l'échantillon

Si le test peut être effectué techniquement avec de très petits échantillons, la probabilité d'erreurs de type II (faible de détecter les effets réels) augmente considérablement. Planifiez votre échantillon à l'avance en fonction de la taille des effets attendus et de la puissance statistique souhaitée, idéalement en utilisant un logiciel d'analyse de puissance ou en consultant un statisticien.

Utilisation inappropriée avec des groupes indépendants

Le test Friedman est spécialement conçu pour les échantillons apparentés – l'utiliser avec des groupes indépendants viole une hypothèse fondamentale et invalide les résultats. Si vos groupes sont indépendants plutôt que assortis ou répétés, utilisez plutôt le test Kruskal-Wallis. La distinction entre échantillons apparentés et indépendants doit être déterminée par votre conception de recherche, et non par les données elles-mêmes.

Négligence des tests post-hoc

Trouver un résultat de test Friedman significatif et arrêter là est une erreur courante. Le test omnibus vous indique seulement que des différences existent quelque part entre vos conditions – il n'identifie pas quelles paires spécifiques diffèrent. Toujours suivre des tests Friedman significatifs avec des comparaisons post-hoc appropriées pour comprendre pleinement vos données.

Ignorer les dimensions de l'effet

Un résultat statistiquement significatif avec une très petite taille d'effet peut avoir une importance pratique limitée, tandis qu'un résultat non significatif avec une taille d'effet modérée pourrait suggérer que votre étude était sous-alimentée. Calculez et rapportez toujours les mesures de taille d'effet en plus de vos tests de signification pour fournir une image complète de vos résultats.

Rapports des résultats des tests Friedman dans les documents de recherche

Un rapport clair et complet des résultats statistiques est essentiel pour la transparence et la reproductibilité de la recherche psychologique. Lors de la présentation des résultats des tests Friedman, inclure toutes les informations nécessaires pour que les lecteurs comprennent et évaluent vos résultats.

Composantes essentielles

Par exemple : « Un test Friedman a été effectué pour comparer les scores de dépression sur quatre points de temps (base, 1 mois, 3 mois et 6 mois après l'intervention). Les résultats ont indiqué une différence statistiquement significative dans les scores de dépression sur les points de temps, χ2(3, N = 45) = 28,73, p < 001, Kendall's W = 0,21."e;

Par exemple : « Les comparaisons entre les deux types de tests ont révélé que les scores de dépression à 6 mois (Mdn = 12) étaient significativement inférieurs aux scores à l'inclusion (Mdn = 28, p < 0,001) et à 1 mois (Mdn = 24, p = 0,03), mais ne différaient pas significativement des scores à 3 mois (Mdn = 15, p = 0,08)."

Statistiques descriptives

Pour le test Friedman, les médianes et les intervalles interquartilaires sont généralement plus appropriés que les moyennes et les écarts types, surtout lorsque l'on travaille avec des données ordinales ou des distributions biaisées. Présentez ces descriptions dans un tableau ou une figure pour aider les lecteurs à comprendre le modèle des résultats.

Visualisation des résultats

Les diagrammes en encadré montrant la répartition des scores entre les conditions sont particulièrement efficaces pour les résultats des tests Friedman, car ils affichent des médianes, des quartiles et des valeurs aberrantes. Les graphiques en ligne peuvent être utiles pour les modèles longitudinaux, montrant comment les scores médians changent au fil du temps.

Considérations et prorogations avancées

Au-delà du test de base Friedman, plusieurs sujets avancés et extensions peuvent améliorer vos capacités d'analyse dans des situations de recherche spécifiques.

Traitement des données manquantes

Le test standard Friedman nécessite des données complètes pour tous les sujets dans toutes les conditions. Lorsque les données manquent, vous avez plusieurs options. L'approche la plus simple est l'analyse complète des cas, où vous excluez tout sujet avec des données manquantes. Cependant, cela peut réduire considérablement la taille de votre échantillon et la puissance statistique.

Le test Skillings–Mack est une statistique générale de type Friedman qui peut être utilisée dans presque n'importe quel bloc avec une structure arbitraire de données manquantes — lorsque les données ne contiennent aucune valeur manquante, il donne le même résultat que le test Friedman — mais si les données contiennent des valeurs manquantes, il est à la fois plus précis et sensible que le test Skillings-Mack. Ces tests spécialisés vous permettent de conserver des sujets avec des données partielles, potentiellement améliorer la puissance et réduire le biais.

L'extension d'Iman-Davenport

Pour les échantillons de plus grande taille, le test Iman-Davenport fournit une approximation plus précise que la distribution standard chi-carré. Cette extension transforme la statistique Friedman pour suivre une distribution F, qui peut fournir un meilleur contrôle des erreurs de type I, surtout lorsque le nombre de conditions est important par rapport au nombre de sujets.

Transformation des classements des pays alignés

Lorsque votre conception de recherche comprend plusieurs facteurs intra-sujets (un calcul factoriel de mesures répétées), le test standard Friedman est insuffisant car il ne traite qu'un facteur à la fois. La procédure de transformation des rangs alignés vous permet d'étendre l'analyse non paramétrique à des conceptions factorielles plus complexes, vous permettant de tester les principaux effets et interactions tout en maintenant la robustesse des méthodes basées sur les rangs.

Comparaison de l'essai Friedman avec les solutions de rechange paramétriques

Comprendre quand choisir le test Friedman par rapport à une mesure répétée ANOVA nécessite une attention particulière à vos caractéristiques de données et objectifs de recherche.

Avantages du test Friedman

Le principal avantage du test Friedman est sa robustesse aux violations de la normalité et de l'homogénéité de la variance. Lorsque vos données sont ordinales, fortement biaisées, contiennent des valeurs aberrantes ou d'autres violations des hypothèses paramétriques, le test Friedman fournit des résultats valides lorsque des mesures répétées ANOVA ne le sont pas.

De plus, le test Friedman ne fait aucune hypothèse sur la forme des distributions sous-jacentes, seulement que les données sont au moins ordinales. Cette souplesse rend applicable à une plus large gamme de mesures psychologiques, y compris les échelles de Likert, les données de classement et d'autres variables ordinales communes dans la recherche de sondage et les évaluations cliniques.

Avantages des mesures répétées ANOVA

Lorsque les hypothèses paramétriques sont respectées, les mesures répétées ANOVA est généralement plus puissante que le test Friedman, il est plus probable que les véritables différences quand elles existent. ANOVA fournit également des informations plus détaillées sur la nature des effets, y compris des estimations des moyens et des intervalles de confiance qui ont des interprétations simples.

De plus, ANOVA s'étend plus naturellement aux conceptions complexes avec de multiples facteurs et covariables. Si votre conception de recherche comprend à la fois des facteurs à l'intérieur des sujets et entre les sujets, ou si vous devez contrôler pour les covariables continues, l'approche paramétrique offre plus de flexibilité par le biais de modèles mixtes ANOVA ou de mesures répétées ANCOVA.

Faire le choix

La décision entre le test Friedman et les mesures répétées ANOVA doit être basée sur vos caractéristiques de données, pas sur laquelle le test vous donne la valeur « meilleure » p-value. Examiner vos données pour la normalité à l'aide de méthodes visuelles (trimets Q-Q, histogrammes) et des tests formels (test Shapiro-Wilk).

Si vos données violent clairement les hypothèses de normalité et les transformations ne sont pas utiles, ou si votre variable est intrinsèquement ordinale, choisissez le test Friedman. Si vos données sont approximativement normales et mesurées à une échelle continue, des mesures répétées ANOVA est probablement plus appropriée. En cas de doute, envisager de rapporter les deux analyses pour démontrer que vos conclusions sont solides à travers différentes approches analytiques.

Conseils pratiques pour une mise en œuvre réussie

L'application réussie du test Friedman dans votre recherche implique plus que la simple mise en œuvre de la procédure statistique – cela nécessite une planification, une exécution et une interprétation minutieuses.

Planifiez votre analyse à l'avance

Déterminez votre approche analytique avant de recueillir des données. Spécifiez vos hypothèses, choisissez votre niveau de signification et planifiez vos comparaisons post-hoc à l'avance. Cette pré-enregistrement de votre plan d'analyse aide à prévenir la prise de décision axée sur les données et réduit le risque d'erreurs de type I de plusieurs tests.

Bien que l'analyse de la puissance pour les essais non paramétriques soit plus complexe que pour les essais paramétriques, des approches basées sur la simulation ou des approximations prudentes peuvent fournir des conseils utiles pour la planification des études.

Vérifiez soigneusement vos données

Avant de lancer le test Friedman, examinez vos données pour détecter les erreurs, les valeurs aberrantes et les modèles. Assurez-vous que vos données sont bien formatées avec les sujets dans les lignes et les conditions dans les colonnes. Vérifiez que vous avez le nombre correct d'observations et que les données manquantes sont codées de façon appropriée.

Créez des statistiques descriptives et des visualisations pour chaque condition afin de comprendre les caractéristiques de base de vos données.Cette exploration préliminaire peut révéler des découvertes inattendues, suggérer des problèmes potentiels et vous aider à interpréter vos résultats statistiques de façon plus significative.

Documentez vos décisions

Conservez des dossiers détaillés de vos décisions analytiques, y compris la raison pour laquelle vous avez choisi le test Friedman, la façon dont vous avez traité les données manquantes ou les aberrations, le test post-hoc que vous avez choisi et les méthodes de correction que vous avez appliquées.

Enregistrez vos fichiers syntaxiques ou de code avec vos données. Cela vous permet (et d'autres) de reproduire exactement votre analyse, qui est de plus en plus attendue dans la recherche psychologique. Code bien commenté sert également d'enregistrement de votre processus analytique et peut être partagé pour améliorer la transparence.

Interpréter les résultats dans le contexte

La signification statistique n'est qu'un élément de preuve pour évaluer vos hypothèses de recherche. Considérez vos résultats à la lumière de recherches antérieures, de prédictions théoriques et de signification pratique. Une constatation statistiquement significative qui contredit un grand nombre de recherches antérieures justifie un examen attentif et une réplication. De même, un résultat non significatif qui s'harmonise avec des prédictions théoriques pourrait encore fournir des informations précieuses sur le phénomène à l'étude.

Pensez à des explications alternatives pour vos constatations. Peut-on confondre des variables, des effets de commande ou des effets de pratique pour expliquer vos résultats? Y a-t-il des limites dans votre conception ou mesure qui pourraient affecter l'interprétation?

Ressources pour l'apprentissage continu

Le développement de l'expertise avec le test Friedman et les statistiques non paramétriques plus largement nécessite un apprentissage et une pratique continus. Plusieurs excellentes ressources peuvent approfondir votre compréhension et améliorer vos compétences analytiques.

Manuels et matériaux de référence

Les manuels complets sur les statistiques non paramétriques couvrent en détail le test Friedman et les procédures connexes. Les références classiques comprennent les « méthodes statistiques non paramétriques » de Hollander et Wolfe, qui offrent un traitement rigoureux des fondements mathématiques, et les « statistiques non paramétriques pratiques » de Conover, qui mettent l'accent sur les applications.

Tutoriels et cours en ligne

De nombreuses ressources en ligne fournissent des tutoriels étape par étape pour la conduite de tests Friedman dans différents progiciels.Laerd Statistics site Web offre des guides détaillés pour les utilisateurs de SPSS, tandis que R-bloggers propose de nombreux messages démontrant des implémentations R. Les canaux YouTube dédiés à l'éducation en statistique incluent souvent des tutoriels vidéo qui passent par des analyses complètes de l'entrée des données à l'interprétation.

Documentation sur les logiciels statistiques

La documentation officielle des progiciels statistiques fournit des informations faisant autorité sur la façon dont les fonctions sont mises en œuvre et les options disponibles. Le système de documentation R (accessible par la fonction help()) comprend des descriptions détaillées de la fonction freedman.test() et des procédures connexes. La documentation SPSS explique les algorithmes utilisés et la sortie produite.

Possibilités de perfectionnement professionnel

De nombreuses universités et organisations professionnelles offrent des ateliers et des cours de courte durée sur les statistiques non paramétriques, qui permettent de poser des questions, de travailler à l'aide d'exemples et de recevoir des commentaires d'instructeurs expérimentés.

Conclusion

Le test Friedman est un outil puissant et flexible pour analyser des mesures répétées ou des échantillons appariés dans la recherche psychologique. Sa nature non paramétrique le rend particulièrement utile lorsqu'on travaille avec des données ordinales ou lorsque des hypothèses paramétriques sont violées – situations qui se produisent fréquemment dans les études psychologiques. En comprenant quand utiliser le test, comment le conduire correctement, et comment interpréter et rapporter les résultats de façon exhaustive, les chercheurs peuvent extraire des informations significatives de leurs données tout en maintenant la rigueur statistique.

Le succès du test Friedman exige une attention particulière aux hypothèses, à la préparation prudente des données, aux essais posthoc appropriés lorsque des résultats significatifs sont trouvés et à une interprétation réfléchie qui tient compte de la signification statistique et pratique. Le test ne doit pas être considéré comme une simple procédure pour obtenir une valeur p, mais comme une stratégie analytique complète qui comprend l'estimation de la taille des effets, la visualisation et l'interprétation contextuelle.

La recherche psychologique continue d'évoluer vers une plus grande transparence et une reproductibilité, la maîtrise de techniques analytiques robustes comme le test Friedman devient de plus en plus importante. Que vous compariez des interventions thérapeutiques, que vous suiviez les changements de développement ou que vous évaluiez les manipulations expérimentales, le test Friedman offre une méthode fiable pour détecter des différences significatives dans les échantillons connexes.

Rappelez-vous que l'analyse statistique est finalement au service de répondre aux questions de recherche de fond. Le test Friedman est un moyen à cette fin – un outil qui, lorsqu'il est utilisé de façon appropriée et interprétée de façon réfléchie, aide à éclairer les modèles de vos données et soutient des inférences valables sur les phénomènes psychologiques.