Dans la recherche psychologique, les données violent fréquemment les hypothèses requises pour les tests statistiques paramétriques comme le test t d'échantillons indépendants. Lorsque vous évaluez la différence entre deux groupes indépendants avec un faible nombre d'individus dans chaque groupe (généralement moins de 30), qui ne sont pas normalement distribués, et lorsque les données sont continues, le test U Mann-Whitney offre une alternative solide et fiable.

C'est quoi le test U de Mann-Whitney ?

Le test Mann-Whitney U, également connu sous le nom de test Wilcoxon-Mann-Whitney, est un test statistique non paramétrique utilisé pour évaluer la signification des différences entre deux groupes indépendants. Contrairement au test t de l'étudiant, il n'exige pas l'hypothèse de la normalité dans les distributions sous-jacentes de la population, ce qui le rend adapté pour des données qui ne suivent pas une distribution normale ou lorsque la taille des échantillons est petite.

Le test compare les rangs des données plutôt que leurs valeurs brutes, en évaluant si un groupe a tendance à avoir des rangs systématiquement plus élevés ou inférieurs que l'autre. Le test U de Mann-Whitney teste une hypothèse nulle que la distribution de probabilité d'une observation tirée au hasard d'un groupe est la même que la distribution de probabilité d'une observation tirée au hasard de l'autre groupe.

Historique et noms de remplacement

Henry Mann et Donald Ransom Whitney ont développé le test Mann-Whitney U en supposant des réponses continues avec l'hypothèse alternative étant que l'une des distributions est stochastiquement plus grande que l'autre. Le test est aussi communément appelé test de la somme de grade de Wilcoxon, bien que le test Mann-Whitney U / Wilcoxon de la somme de grade ne soit pas le même que le test de la note signée de Wilcoxon, bien que les deux soient non paramétriques et impliquent la somme des rangs. Le test Mann-Whitney U est appliqué à des échantillons indépendants.

Quand utiliser le test U Mann-Whitney dans la recherche psychologique

Le test Mann-Whitney U est particulièrement adapté aux contextes de recherche psychologique où certaines conditions sont présentes. La compréhension du moment où appliquer ce test est essentielle pour maintenir l'intégrité de votre analyse statistique.

Scénarios de recherche appropriés

L'essai Mann-Whitney U est l'autre test non paramétrique que l'essai t de l'échantillon indépendant. C'est un test non paramétrique qui compare deux moyennes d'échantillons provenant de la même population et qui vérifie si les deux moyennes d'échantillons sont égales.

Les applications communes en psychologie comprennent:

  • Comparaison des niveaux de contrainte[ entre les groupes expérimentaux et les groupes témoins lorsque les données sont recueillies à l'aide d'échelles ordinales
  • Réponses au sondage d'analyse[ à partir d'éléments de type Likert où les hypothèses de normalité sont violées
  • Évaluation des mesures comportementales[ avec de petits échantillons ou des distributions biaisées
  • Évaluation des différences d'attitudes[ entre les groupes démographiques lorsque les données ne sont pas normalement distribuées
  • Comparaison des temps de réaction[ ou d'autres mesures continues présentant des valeurs aberrantes importantes

Les chercheurs utilisent le test dans tous les domaines, mais ils l'appliquent fréquemment en psychologie, soins de santé, soins infirmiers, affaires, et beaucoup d'autres disciplines. Par exemple, en psychologie, il est utilisé pour comparer attitude ou comportement.

Avantages sur les essais parametricaux

Le test Mann-Whitney U est préférable au test t lorsque les données sont ordinales mais non éparpillées, auquel cas l'espacement entre les valeurs adjacentes de l'échelle ne peut être considéré comme constant. Comme il compare les montants des rangs, le test Mann-Whitney U est moins probable que le test t pour indiquer faussement la signification en raison de la présence de valeurs aberrantes.

Cette robustesse à l'aberration rend le test Mann-Whitney U particulièrement utile en recherche psychologique, où les valeurs extrêmes peuvent représenter de véritables différences individuelles plutôt que des erreurs de mesure. Pour les chercheurs intéressés à en apprendre davantage sur les méthodes non paramétriques, le Statistiques Comment orienter les tests non paramétriques fournit un contexte supplémentaire.

Hypothèses du test U Mann-Whitney

Bien que le test Mann-Whitney U soit moins restrictif que les solutions de rechange paramétriques, il exige encore que certaines hypothèses soient respectées pour une interprétation valide des résultats.

Hypothèses de base

Hypothèse #1 : Vous avez une variable dépendante qui est mesurée au niveau continu ou ordinal. Exemples de variables continues comprennent le temps de révision (mesuré en heures), l'intelligence (mesurée en utilisant la cote QI), le rendement des examens (mesuré de 0 à 100), le poids (mesuré en kg), etc. Exemples de variables ordinales comprennent des éléments Likert (p. ex., une échelle de 7 points allant de « fortement d'accord » à « fortement en désaccord »), entre autres façons de classer les catégories.

Hypothèse #2 : Vous avez une variable indépendante qui se compose de deux groupes distincts indépendants (c.-à-d. une variable dichotomique). Si vous avez plus de deux groupes, une analyse de variance à une voie Kruskal-Wallis (ANOVA) doit être utilisée.

Hypothèse no 3 : Vous devriez avoir l'indépendance des observations, ce qui signifie qu'il n'y a pas de relation entre les observations dans chaque groupe de la variable indépendante ou entre les groupes eux-mêmes. Par exemple, il doit y avoir différents participants dans chaque groupe sans participation dans plus d'un groupe. Il s'agit plus d'une question de conception d'étude que de quelque chose pour lequel vous pouvez tester, mais c'est une hypothèse importante du test Mann-Whitney U.

Considérations relatives à la taille de l'échantillon

Pour les échantillons de plus grande taille, dont la taille dépasse 80 ou lorsque chaque taille dépasse 30, la distribution de la statistique U est approximative d'une distribution normale, ce qui permet de calculer la valeur p avec plus de précision en utilisant l'approximation normale.

Forme de distribution et interprétation

Pour comparer les médianes de la distribution des scores d'engagement pour les mâles et les femelles doivent avoir la même forme (y compris la dispersion). Si vos deux distributions ont une forme différente, vous ne pouvez utiliser le test Mann-Whitney U que pour comparer les rangs moyens.

Cette distinction est cruciale pour les chercheurs en psychologie : lorsque les distributions ont des formes similaires, vous pouvez faire des déclarations sur les différences de médianes entre les groupes. Lorsque les distributions diffèrent en forme, vous devriez interpréter les résultats en termes de domination stochastique ou de différences dans les rangs moyens plutôt que les différences médianes.

Comprendre les hypothèses

Il est essentiel de formuler correctement vos hypothèses nulles et alternatives pour mener et interpréter correctement le test Mann-Whitney U.

Hypothèses non-lucratiques et autres hypothèses

L'hypothèse nulle (H0) est que les deux populations sont égales. L'hypothèse alternative (H1) est que les deux populations ne sont pas égales. Plus précisément, dans l'hypothèse nulle H0, les distributions des deux populations sont identiques. L'hypothèse alternative H1 est que les distributions ne sont pas identiques.

Certains chercheurs interprètent cela comme une comparaison des médianes entre les deux populations (par contre, des tests paramétriques comparent les moyennes entre deux groupes indépendants).Dans certaines situations, où les données sont de même forme (voir les hypothèses), cela est valable – mais il convient de noter que les médianes ne sont pas réellement impliquées dans le calcul de la statistique du test Mann-Whitney U.

Ce que l'essai mesure réellement

Un test t teste une hypothèse nulle de moyens égaux en deux groupes contre une alternative de moyens inégaux. Ainsi, sauf dans des cas particuliers, le test Mann-Whitney U et le test t ne testent pas les mêmes hypothèses et devraient être comparés à cela à l'esprit. Le test Mann-Whitney U évalue si les observations d'un groupe tendent à être systématiquement plus grandes ou plus petites que les observations de l'autre groupe, en fonction de leurs rangs dans l'ensemble combiné de données.

Procédure étape par étape pour effectuer le test Mann-Whitney U

Comprendre le processus de calcul manuel aide les chercheurs à comprendre ce que le test fait réellement, même s'ils utilisent en fin de compte un logiciel statistique pour l'analyse.

Étape 1: Collectez et organisez vos données

Assurez-vous d'avoir deux échantillons indépendants de votre expérience ou de votre étude psychologique. Par exemple, vous pourriez avoir des scores de stress d'un groupe témoin et d'un groupe expérimental qui ont reçu une intervention de réduction du stress. Vérifiez que vos données répondent aux hypothèses décrites précédemment, en particulier l'indépendance des observations.

Étape 2: Combiner et classer tous les points de données

Assigner les rangs numériques à toutes les observations (mettre les observations des deux groupes en un seul ensemble), en commençant par 1 pour la plus petite valeur. C'est l'opération fondamentale qui fait du test Mann-Whitney U une procédure non paramétrique basée sur les rangs.

Lors du classement de vos données :

  • Combiner toutes les observations des deux groupes en un seul ensemble de données
  • Commandez toutes les valeurs du plus bas au plus haut
  • Assigner le rang 1 à la plus petite valeur, le rang 2 à la plus petite suivante, et ainsi de suite
  • Manipulation des valeurs liées en leur attribuant la moyenne des grades qu'ils auraient occupés

Étape 3: Classements liés aux poignées

Pour calculer les statistiques U, l'ensemble combiné de données est d'abord organisé par ordre ascendant, les notes liées recevant un rang égal à la position moyenne des notes dans la séquence ordonnée (en d'autres termes, ajouter les deux notes liées et diviser par deux pour donner un rang partagé pour les deux). Par exemple, si deux observations ont la valeur 15 et occuperaient les rangs 7 et 8, les deux reçoivent le rang 7.5.

Les grades liés sont courants dans la recherche psychologique, en particulier lorsque l'on utilise des échelles Likert ou d'autres mesures ordinales avec des options de réponse limitées.

Étape 4: Calculer la somme des classements pour chaque groupe

Après avoir attribué les grades à toutes les observations, calculez la somme des grades séparément pour chaque groupe. Ces sommes de grade constituent la base pour calculer la statistique U. Le groupe avec des valeurs systématiquement plus élevées aura tendance à avoir une plus grande somme de grades.

Étape 5: Calculer le calcul statistique U

La statistique du test Mann-Whitney est ensuite calculée en utilisant U = n1 n2 + {n1 (n1 + 1)/2} - T, où n1 et n2 sont les tailles respectivement des premier et deuxième échantillons, et T représente la somme des rangs pour le premier échantillon. Vous calculez en fait deux valeurs U (une pour chaque groupe) et pour la valeur U Mann-Whitney, la valeur U1 et U2 est utilisée.

Étape 6 : Déterminer l'importance statistique

Pour les petits échantillons, la distribution est tabulée. Pour les tailles d'échantillons supérieures à ~20, l'approximation à l'aide de la distribution normale est assez bonne. Pour les petits échantillons, vous comparez votre valeur U calculée aux valeurs critiques dans un tableau U Mann-Whitney. Pour les échantillons plus grands, la statistique U est convertie en z-score et comparée à la distribution normale standard.

La règle de décision est simple : si votre valeur p est inférieure à votre niveau alpha prédéterminé (typiquement 0,05), vous rejetez l'hypothèse nulle et concluez que les deux groupes diffèrent significativement dans leurs distributions.

Effectuer le test U Mann-Whitney en utilisant un logiciel statistique

Bien que la compréhension du calcul manuel soit précieuse, la plupart des chercheurs utilisent un logiciel statistique pour effectuer le test Mann-Whitney U de façon efficace et précise. Voici comment effectuer le test dans les paquets statistiques les plus couramment utilisés en recherche psychologique.

Utilisation du SPSS

SPSS offre plusieurs voies pour effectuer le test Mann-Whitney U. L'approche la plus simple est par le menu « Analyze » :

  1. Naviguez vers Analyze → Essais non paramétriques → Dialogues hérités → 2 échantillons indépendants
  2. Déplacez votre variable dépendante (p. ex. scores de stress) dans la case « Liste des variables de test »
  3. Déplacez votre variable de regroupement (p. ex., adhésion au groupe) dans la case « Variable de regroupement »
  4. Cliquez sur « Définir les groupes » et spécifiez les valeurs qui identifient vos deux groupes
  5. Assurez-vous que "Mann-Whitney U" est sélectionné sous "Type d'essai"
  6. Cliquez sur "OK" pour lancer l'analyse

Le SPSS fournira des résultats comprenant la statistique U, Wilcoxon W (somme des rangs), z-score (pour les échantillons plus grands) et la signification asymptotique (valeur p). Contrairement au test t-t-t-t-samples indépendants, le test U Mann-Whitney vous permet de tirer des conclusions différentes sur vos données selon les hypothèses que vous faites sur la distribution de vos données. Ces conclusions peuvent aller de la simple indication de la différence entre les deux populations jusqu'à la détermination des différences entre les médianes.

Utilisation de R

R fournit une fonction simple et flexible pour le test Mann-Whitney U. La syntaxe de base est :

wilcox.test(variable ~ group, data = dataset, exact = FALSE)

Par exemple, si vous avez des scores de stress dans une variable appelée « stress » et si vous êtes membre de groupe dans une variable appelée « condition » dans une image de données appelée « mydata », vous utiliseriez :

wilcox.test(stress ~ condition, data = mydata, exact = FALSE)

L'argument indique à R d'utiliser l'approximation normale pour calculer la valeur p, qui est appropriée pour les échantillons plus grands. Pour les petits échantillons, vous pouvez définir pour obtenir des valeurs p exactes en fonction de la distribution de permutation.

Voici d'autres arguments utiles :

  • (par défaut), ou pour préciser des hypothèses directionnelles
  • pour obtenir un intervalle de confiance pour le poste de localisation
  • pour préciser le niveau de confiance

Utilisation de Python

La bibliothèque SciPy de Python fournit la fonction pour effectuer le test.

from scipy.stats import mannwhitneyu

Ensuite, effectuez l'essai:

statistic, p_value = mannwhitneyu(group1_data, group2_data, alternative='two-sided')

La fonction renvoie la statistique U et la valeur p. Le paramètre peut être défini à « bi-faces » (par défaut), « moins » ou « plus grand » selon votre hypothèse. Pour la recherche psychologique, un test bi-faces est le plus courant, sauf si vous avez de fortes raisons théoriques de prédire une direction d'effet spécifique.

Exemple de Python avec code complet :

import numpy as np
from scipy.stats import mannwhitneyu

# Example data: stress scores for control and experimental groups
control_group = np.array([45, 52, 48, 55, 50, 47, 53, 49])
experimental_group = np.array([38, 42, 35, 40, 37, 41, 39, 36])

# Perform Mann-Whitney U test
statistic, p_value = mannwhitneyu(control_group, experimental_group, alternative='two-sided')

print(f"U statistic: {statistic}")
print(f"P-value: {p_value}")

Utilisation de jamovi

Pour les chercheurs qui préfèrent une interface graphique mais veulent un logiciel open-source, jamovi offre une excellente option:

  1. Naviguez vers Analyses → T-Tests → Essais T indépendants d'échantillons
  2. Déplacez votre variable dépendante dans la case « Variables dépendantes »
  3. Déplacez votre variable de regroupement dans la case "variable de regroupement"
  4. Sous "Tests", décochez "Étudiants" et vérifiez "Mann-Whitney U"
  5. Dans la rubrique « Statistiques supplémentaires », vous pouvez demander des mesures de la taille des effets.

Jambovi fournit automatiquement les mesures de la taille des effets U, de la valeur p et de la taille optionnelle dans un format facile à lire.

Calcul et interprétation des dimensions des effets

La signification statistique ne nous dit pas l'histoire complète. La taille des effets quantifie l'ampleur de la différence entre les groupes, fournissant des informations cruciales sur l'importance pratique de vos constatations.

La taille de l'effet

La taille de l'effet la plus rapportée après avoir effectué un test Mann-Whitney U est la taille de l'effet r. Son calcul est simple et ne nécessite que les valeurs de z et de N. Ici, z est la statistique de test normalisée du test Mann-Whitney U, qui est fourni par la plupart des logiciels statistiques. La formule est:

r = z / √N

où z est la statistique normalisée de l'essai et N est la taille totale de l'échantillon (n1 + n2). Selon les seuils de Cohen, cela représente une petite taille d'effet lorsque r -0,1, une taille d'effet moyen lorsque r -0,3 et une taille d'effet importante lorsque r-0,5.

Taille de l'effet linguistique commun et probabilité de la supériorité

Après avoir effectué un test Mann-Whitney U, les chercheurs peuvent calculer les statistiques de Vargha et de Delaney sur les A (VDA), une variante de la Taille d'Effet de Langue Commune (CLES), également connue sous le nom de probabilité de supériorité. Cette métrique offre une interprétation intuitive : elle représente la probabilité qu'un sujet choisi au hasard d'un groupe ait une valeur observée plus élevée qu'un sujet choisi au hasard de l'autre groupe.

Par exemple, vous pourriez déclarer : « Il y a une probabilité de 72 % qu'un participant choisi au hasard du groupe expérimental ait un score de stress inférieur à celui d'un participant choisi au hasard du groupe témoin.

Correspondance entre le classement et le niveau de l'effectif

Une méthode de rapport de la taille de l'effet pour le test Mann-Whitney U est avec f, la taille de l'effet de la langue commune. Comme statistique d'échantillon, la taille de l'effet de la langue commune est calculée en formant toutes les paires possibles entre les deux groupes, puis en trouvant la proportion de paires qui soutiennent une direction.

Dans le cadre de l'essai Mann-Whitney U, rg est équivalent à la taille de l'effet delta (-) de Cliff. Ces dimensions d'effet sont des transformations linéaires des statistiques VDA et étendent la gamme de valeurs possibles de −1 à 1: une valeur de 0 pour rg ou -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Selon Vargha et Delaney, la valeur absolue de γ peut être interprétée comme étant petite (≥ 0,11), moyenne (≥ 0,28), ou grande (≥ 0,43), bien que ces seuils doivent être interprétés dans le contexte de votre domaine de recherche spécifique.

Taille de l'effet de calcul à partir de U

Une autre approche calcule la taille de l'effet directement à partir de la statistique U. Une statistique appelée ρ linéairement liée à l'U et largement utilisée dans les études de catégorisation (apprentissage de la discrimination impliquant des concepts), et ailleurs, est calculée en divisant U par sa valeur maximale pour les tailles d'échantillon données, qui est simplement n1×n2. ρ est donc une mesure non paramétrique du chevauchement entre deux distributions; elle peut prendre des valeurs entre 0 et 1, et elle estime P(Y > X) + 0,5 P(Y = X), où X et Y sont choisis au hasard des observations des deux distributions. Les deux valeurs extrêmes représentent la séparation complète des distributions, tandis qu'un ρ de 0,5 représente le chevauchement complet.

Interprétation et rapports sur les résultats

Une interprétation et un rapport appropriés des résultats des tests Mann-Whitney U garantissent que vos résultats sont bien compris et peuvent être évalués par d'autres chercheurs.

Comprendre la valeur P

Une valeur significative de p (typiquement p < 0,05) indique que les deux groupes diffèrent significativement dans leurs distributions. Cependant, rappelez-vous que la valeur de p ne vous indique que la probabilité d'observer vos données (ou des données plus extrêmes) si l'hypothèse nulle était vraie. Il ne vous parle pas de la taille ou de l'importance pratique de l'effet.

Pour interpréter les valeurs p du test Mann-Whitney U, il faut tenir compte :

  • Que vous utilisiez un test à une ou deux queues
  • Indique si la valeur de p est exacte ou basée sur l'approximation normale
  • Indique si des corrections ont été apportées pour les grades égaux
  • La relation entre la signification statistique et la signification pratique

Quoi faire?

Une mesure des tendances centrales des deux groupes (moyennes ou médianes; puisque le test Mann-Whitney U est un test ordinal, les médianes sont habituellement recommandées), la valeur de l'U (peut-être avec une certaine mesure de la taille de l'effet, comme la taille de l'effet langagier ou la corrélation entre le grade et le bisérie), et le niveau de signification devrait tous être inclus dans votre rapport.

Un rapport typique pourrait être publié, « Les latences médianes dans les groupes E et C étaient de 153 et 247 ms; les distributions dans les deux groupes différaient significativement (Mann-Whitney U = 10,5, n1 = n2 = 8, P < 0,05 à deux queues) et quote;.

Rapports sur le style de l'APA

Pour rendre compte des résultats du test Mann-Whitney U selon le style APA (American Psychological Association), il faut présenter les statistiques et les résultats clés de manière claire et concise. « Un test Mann-Whitney U a été effectué pour comparer les scores entre le groupe A et le groupe B. Le test a révélé une différence significative entre les deux groupes, U = 105, n1 = 30, n2 = 25, p = 0,045, avec un effet moyen, r = 0,34. Les résultats suggèrent que le groupe A a des scores significativement plus élevés que le groupe B ».

Éléments clés à inclure dans les rapports de type APA :

  • Nom de l'essai (test de Mann-Whitney U)
  • Objet du test (ce que vous comparez)
  • La valeur statistique U
  • Taille des échantillons pour les deux groupes
  • La valeur exacte de p (ou p < .001 pour de très petites valeurs)
  • Taille de l'effet avec interprétation
  • Direction de l'effet

Interprétation des résultats non significatifs

Lorsque votre test Mann-Whitney U donne un résultat non significatif (p > 0,05), cela ne prouve pas que les groupes sont identiques. Il indique plutôt que vous n'avez pas suffisamment de preuves pour conclure à des différences.

  • Puissance statistique insuffisante (petites tailles d'échantillons)
  • Distributions véritablement similaires entre les groupes
  • Variabilité élevée au sein des groupes masquant les différences entre les groupes
  • Tailles d'effet trop petites pour détecter avec votre taille d'échantillon

Toujours signaler des résultats non significatifs, des statistiques descriptives et des tailles d'effets pour donner une image complète de vos constatations.

Exemple pratique : Comparaison des niveaux d'anxiété entre les groupes de traitement

Travaillons à travers un exemple complet pour illustrer l'ensemble du processus de réalisation et d'interprétation d'un test Mann-Whitney U en recherche psychologique.

Scénario de recherche

Un psychologue clinique veut évaluer si une nouvelle intervention basée sur la pleine conscience réduit l'anxiété par rapport à une condition de contrôle de liste d'attente. Vingt participants avec une anxiété modérée sont affectés au hasard à l'intervention de pleine conscience (n = 10) ou à la maîtrise de liste d'attente (n = 10).

Le chercheur examine les données et constate que les scores d'anxiété ne sont normalement pas distribués dans les deux groupes (confirmés par les tests Shapiro-Wilk), ce qui fait du test Mann-Whitney U le choix approprié pour l'analyse.

Données

Groupe de la minutie: 42, 38, 45, 35, 40, 37, 43, 39, 41, 36
Contrôle des Waitlist: 58, 62, 55, 60, 57, 63, 59, 61, 56, 64

Analyse étape par étape

Étape 1: énoncer les hypothèses

  • H0: La distribution des scores d'anxiété est la même dans les deux groupes
  • H1 : La distribution des scores d'anxiété diffère selon les groupes

Étape 2: Combiner et classer tous les scores

Lorsque nous réunissons les 20 scores et les classons du plus bas au plus haut, les scores du groupe de la pleine conscience occupent les grades inférieurs (1-10) tandis que les scores du groupe témoin des listes d'attente occupent les grades supérieurs (11-20).

Étape 3: Calculer les sommes de rang

  • Somme du rang du groupe de la conscience : 55
  • Somme du grade de contrôle de liste d'attente : 155

Étape 4: Calcul de la statistique U

En utilisant la formule U = n1n2 + [n1(n1 + 1)/2] - R1, où R1 est la somme des rangs du premier groupe:
U = (10)(10) + [10(11)/2] - 55 = 100 + 55 - 55 = 100

Pour le deuxième groupe: U = 0 (la plus petite des deux valeurs U)

Étape 5: Déterminer la signification

Avec U = 0, n1 = 10 et n2 = 10, ce résultat est très significatif (p < .001). La séparation complète des rangs indique que chaque participant du groupe de la pleine conscience avait un score d'anxiété inférieur à celui de chaque participant du groupe témoin de liste d'attente.

Étape 6: Calculer la taille de l'effet

Utilisation de la corrélation entre le grade et le bisérial : r = 1 - (2U)/(n1 × n2) = 1 - (2 × 0)/(10 × 10) = 1,0

Ceci représente une taille d'effet parfaite, ce qui indique une séparation complète entre les groupes.

Déclaration des résultats

« Un test Mann-Whitney U a été effectué pour comparer les scores d'anxiété entre les participants qui ont reçu une intervention basée sur la pleine conscience (Mdn = 39,5) et ceux qui étaient dans la condition de contrôle de liste d'attente (Mdn = 59,5). Le test a révélé une différence statistiquement significative entre les deux groupes, U = 0, n1 = 10, n2 = 10, p < .001, avec un effet important, r = 1,0. Ces résultats suggèrent que l'intervention basée sur la pleine conscience était associée à des scores d'anxiété beaucoup plus faibles que la condition de contrôle de liste d'attente.

Pièges courants et comment les éviter

Comprendre les erreurs courantes dans l'application et l'interprétation du test Mann-Whitney U permet d'assurer la validité de vos conclusions de recherche.

Les hypothèses d'indépendance violant

Si vos données comportent des mesures répétées, des paires appariées ou toute autre forme de dépendance entre les observations, vous devriez utiliser le test de la ligne signée de Wilcoxon plutôt que le test de la ligne signée de Mann-Whitney U. Si les données sont disponibles en paires (échantillons indépendants), le test de la ligne signée de Wilcoxon peut être utilisé au lieu du test de la ligne signée de Mann-Whitney U.

Mauvaise interprétation des mesures d'essai

Comme nous l'avons déjà dit, cela n'est approprié que lorsque les distributions ont des formes semblables. Lorsque les distributions diffèrent en forme ou en propagation, le test détecte toute différence systématique dans les distributions, et non pas spécifiquement les différences de tendance centrale.

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 une étude sous-alimentée plutôt qu'aucune vraie différence.

Utilisation du mauvais test pour plusieurs groupes

Le test Mann-Whitney U est conçu pour comparer exactement deux groupes indépendants. Si plus de deux groupes doivent être comparés, le test Kruskal-Wallis doit être utilisé à la place.

Taille insuffisante de l'échantillon

Bien que le test Mann-Whitney U puisse être utilisé avec de petits échantillons, de très petites tailles d'échantillons (moins de 5 observations par groupe) peuvent manquer de puissance suffisante pour détecter des différences significatives. Chaque échantillon devrait avoir au moins 5 observations pour des conclusions statistiques valables.

Considérations et prorogations avancées

Essais à une queue ou à deux queues

La plupart des recherches psychologiques utilisent des tests à deux queues parce que nous voulons détecter des différences dans les deux sens. Cependant, lorsque vous avez une base théorique solide pour prédire la direction de l'effet, un test à une queue peut être approprié.

Utiliser des tests à une seule queue seulement lorsque:

  • Vous avez de fortes raisons théoriques ou empiriques pour prédire une direction spécifique
  • Un effet dans la direction opposée serait théoriquement sans signification ou impossible
  • Vous spécifiez l'hypothèse directionnelle avant de collecter des données

Valeur P exacte par rapport aux valeurs Asymptotiques

Pour les petits échantillons, les valeurs exactes de p basées sur la distribution de permutation sont plus précises que les valeurs de p asymptotiques basées sur l'approximation normale. La plupart des logiciels statistiques peuvent calculer des valeurs exactes de p, bien que cela devienne une méthode de calcul intensive pour les échantillons plus grands.

Intervalles de confiance pour le déplacement de l'emplacement

Au-delà des tests d'hypothèse, vous pouvez estimer un intervalle de confiance pour le déplacement de localisation entre les groupes. Ceci fournit une gamme de valeurs plausibles pour la différence entre les groupes et offre plus d'informations qu'une simple valeur p. L'estimateur Hodges-Lehmann est couramment utilisé à cette fin et est disponible dans la plupart des logiciels statistiques.

Manipulation des valeurs extrêmes

Bien que le test Mann-Whitney U soit robuste à aberrant par rapport aux tests paramétriques, les aberrations extrêmes peuvent encore influencer les résultats en agissant sur l'ordre de classement. Avant de procéder au test, examinez vos données pour les aberrations et examinez s'il s'agit d'observations authentiques ou d'erreurs d'entrée de données.

Solutions de remplacement et essais connexes

Quand utiliser les échantillons indépendants T-Test plutôt

Le choix entre le test t de l'étudiant et le test Mann-Whitney U est principalement fondé sur l'hypothèse de la normalité des données. Si les données suivent une distribution normale, le test t de l'étudiant devrait être préféré. Toutefois, si les données ne répondent pas à cette hypothèse, le test Mann-Whitney U est le test approprié à utiliser.

Si vos données répondent aux hypothèses de normalité et d'homogénéité de variance, le test t d'échantillons indépendants est généralement plus puissant et devrait être préféré. Cependant, pour les données ordinales ou les distributions substantiellement non normales, le test Mann-Whitney U est le meilleur choix.

Kruskal-Wallis Test pour les groupes multiples

Le test Kruskal-Wallis, également appelé test Kruskal-Wallis H parfois, est une procédure statistique non paramétrique utilisée pour évaluer s'il existe des différences significatives entre trois groupes indépendants ou plus, sur la base de données ordinales ou continues dépendantes. Il est souvent considéré comme une extension du test Mann-Whitney U, qui se limite à comparer deux groupes. Le test Kruskal-Wallis évalue si les distributions des rangs au sein des groupes sont statistiquement équivalentes ou si au moins un groupe s'écarte significativement des autres.

Wilcoxon a signé un test de bande pour les données appariées

Lorsque vous avez jumelé ou jumelé des observations (comme les mesures pré-test et post-test des mêmes participants), le test de Wilcoxon est l'alternative non paramétrique appropriée. Ce test explique la dépendance entre les observations jumelées et est conceptuellement similaire à l'essai t-t des échantillons jumelés.

Essai de la Brunner-Munzel

Un test plus puissant est le test Brunner-Munzel, qui surpasse le test Mann-Whitney U en cas de violation de l'hypothèse de l'échangeabilité. Ce test est particulièrement utile lorsque les deux groupes ont des variances ou des formes différentes, situations où le test Mann-Whitney U standard peut être moins approprié.

Taille de l'échantillon et considérations de puissance

Il est essentiel de déterminer la taille des échantillons avant de réaliser votre étude pour assurer une puissance statistique suffisante pour détecter les effets significatifs.

Analyse de puissance

L'analyse de puissance pour le test Mann-Whitney U peut être effectuée à l'aide de logiciels comme G*Power. Dans le menu déroulant du test statistique, sélectionnez les moyens : Wilcoxon-Mann-Whitney test (deux groupes).

Pour effectuer une analyse de puissance, vous devez préciser :

  • Taille de l'effet attendu:[ D'après des données de recherche ou de projet pilote antérieures
  • Niveau alpha: Typiquement 0,05 pour la recherche psychologique
  • Puissance désirée:[ Conventionnellement .80, ce qui signifie une probabilité de 80 % de détecter un effet réel
  • Rapport d'allocation:[ Rapport de taille d'échantillon entre les groupes (1:1 pour les groupes égaux)

Interprétation des résultats de l'analyse de puissance

Sur la base de l'exemple et des étapes présentés ci-dessus, avec un test à deux queues basé sur une distribution normale avec ces moyennes et ces écarts-types, un alpha de 0,05 et la puissance de .80 et des groupes de taille égale, les chercheurs auraient besoin d'un total de 14 participants à l'étude avec sept dans chaque groupe.

Analyse de la puissance après le choc

Si votre étude avait une faible puissance (p. ex. moins de 50), un résultat non significatif pourrait simplement refléter une taille d'échantillon insuffisante plutôt qu'une absence réelle d'effet. Cependant, l'analyse de puissance post-hoc devrait être interprétée avec prudence et ne jamais être utilisée pour justifier des études sous-alimentées.

Visualisation des résultats des tests Mann-Whitney U

Une visualisation efficace permet de communiquer vos constatations et de mieux comprendre la nature des différences de groupe.

Cases

Les parcelles de boîtes sont idéales pour afficher les résultats des tests Mann-Whitney U car elles montrent la médiane, les quartiles et l'étendue de chaque groupe. Elles révèlent également la forme de la distribution et identifient les aberrations potentielles.

Terrains de violon

Les parcelles de violon combinent les parcelles de boîte avec l'estimation de la densité du noyau, montrant à la fois des statistiques sommaires et la forme de la distribution complète. Elles sont particulièrement utiles lorsque vous voulez illustrer les différences de forme de la distribution entre les groupes, ce qui est pertinent pour interpréter si vous pouvez comparer des médianes ou seulement des rangs moyens.

Emplacements de distribution des grades

La création d'un graphique montrant les positions de classement des observations de chaque groupe peut illustrer le degré de chevauchement ou de séparation entre les groupes. Cette visualisation représente directement ce que le test U Mann-Whitney évalue et peut être particulièrement informatif pour comprendre la nature des différences de groupe.

Rapports dans différents contextes

Articles de journaux

Lorsque vous publiez les résultats des tests Mann-Whitney U dans des articles de revues, incluez toutes les informations statistiques essentielles dans le texte et fournissez des statistiques descriptives (médecins, plages ou interquartiles) dans les tableaux.

Thèses et mémoires

Dans un texte académique plus long, vous avez plus de place pour expliquer votre choix du test Mann-Whitney U, décrire les procédures de vérification des hypothèses et fournir une interprétation détaillée des résultats.

Présentations de conférences

Pour les présentations de conférence, vous devez vous concentrer sur la visualisation claire des résultats et l'interprétation simple. Utilisez des parcelles de boîte ou de violon pour montrer visuellement les différences de groupe et rapportez les statistiques clés (U, valeur p, taille des effets) dans un format simple et accessible.

Considérations éthiques dans l'analyse statistique

L'utilisation responsable du test Mann-Whitney U implique plusieurs considérations éthiques que les chercheurs en psychologie devraient garder à l'esprit.

Préinscription et transparence

Pré-enregistrement de votre plan d'analyse, y compris votre choix d'utiliser le test Mann-Whitney U et si vous utiliserez des tests à une ou deux queues, augmente la transparence et réduit le risque de pratiques de recherche douteuses. Documentez clairement votre processus décisionnel pour choisir des tests non paramétriques par rapport à des solutions de rechange paramétriques.

Éviter le hackage P

Ne pas passer d'un test paramétrique à un autre, sur la base duquel les résultats sont significatifs. Votre choix doit être basé sur les caractéristiques de vos données et sur des critères prédéterminés, et non sur les valeurs p produites. Si vous effectuez les deux tests à des fins de comparaison, indiquez les deux séries de résultats.

Rapports complets

Rapporter toutes les analyses effectuées, y compris les résultats non significatifs. La communication sélective de résultats seulement importants contribue à la partialité de la publication et fausse la littérature scientifique.

Dépannage de problèmes communs

Traiter les liens excessifs

Lorsque vos données contiennent de nombreuses valeurs liées (communes avec les échelles Likert ou d'autres mesures ordinales avec peu d'options de réponse), le test standard Mann-Whitney U peut être moins puissant. La plupart des logiciels statistiques appliquent automatiquement des corrections pour les liens, mais soyez conscient que des liens excessifs peuvent réduire la capacité du test à détecter les différences.

Tailles inégales des échantillons

Le test Mann-Whitney U peut tenir compte de la taille inégale des échantillons entre les groupes sans modification. Cependant, un déséquilibre important (par exemple, un groupe trois fois plus grand que l'autre) peut réduire la puissance.

Disparités logicielles

Différents paquets statistiques peuvent indiquer des valeurs p légèrement différentes pour le test Mann-Whitney U, en particulier avec de petits échantillons ou de nombreuses liaisons. Ces différences découlent généralement de différentes méthodes de manipulation des liens ou de différentes approximations. Lors de la déclaration des résultats, spécifiez quel logiciel vous avez utilisé et si des valeurs p exactes ou asymptotiques ont été calculées.

Intégration avec d'autres approches statistiques

Combiner les statistiques descriptives et les statistiques descriptives

Le test Mann-Whitney U doit toujours être accompagné de statistiques descriptives détaillées. Signaler les médianes, les intervalles interquartiles et les intervalles pour chaque groupe. Considérer aussi les moyens de rapport et les écarts types à des fins de comparaison, même si le test lui-même est basé sur les rangs.

Compléter avec les intervalles de confiance

Les intervalles de confiance pour la différence entre les groupes fournissent des informations précieuses au-delà des tests d'hypothèse. L'estimateur Hodges-Lehmann fournit une estimation robuste du déplacement de localisation entre les groupes ainsi qu'un intervalle de confiance.

Utilisation dans la recherche sur les méthodes mixtes

Dans la recherche psychologique mixte, les résultats des tests de Mann-Whitney U peuvent être intégrés aux résultats qualitatifs afin de permettre une compréhension plus complète des différences de groupe. Les résultats quantitatifs du test peuvent identifier les groupes différents, tandis que les données qualitatives peuvent aider à expliquer pourquoi ces différences existent et ce qu'elles signifient en termes pratiques.

Évolution récente et orientations futures

La méthodologie statistique continue d'évoluer et les chercheurs devraient être conscients des développements récents liés au test Mann-Whitney U et aux méthodes non paramétriques plus largement.

Alternatives bayésiennes

Les approches bayésiennes du test Mann-Whitney U deviennent plus accessibles grâce à des logiciels comme le JASP. Ces méthodes fournissent des facteurs de Bayes qui quantifient les preuves pour l'hypothèse nulle par rapport à l'hypothèse alternative, offrant des avantages par rapport aux valeurs traditionnelles de p pour l'interprétation de résultats non significatifs et quantifiant les preuves.

Méthodes robustes

Des méthodes statistiques modernes et robustes offrent des solutions de rechange qui combinent la puissance des essais paramétriques et la robustesse des approches non paramétriques. Des moyens trimés, des systèmes de piquage et d'autres techniques robustes peuvent offrir une meilleure puissance que le test Mann-Whitney U dans certaines situations tout en maintenant une protection contre les violations des hypothèses de normalité.

Intégration de l'apprentissage automatique

Comme la recherche psychologique intègre de plus en plus les méthodes d'apprentissage automatique, les principes qui sous-tendent le test Mann-Whitney U (en particulier le concept de comparaison par grade) apparaissent dans divers algorithmes d'apprentissage automatique.

Conseils pratiques pour les chercheurs en psychologie

  • Vérifiez les hypothèses avant de choisir votre test: Examinez toujours vos données pour déterminer la normalité et considérez l'échelle de mesure avant de décider entre les tests paramétriques et non paramétriques
  • Visualiser vos données d'abord:[ Créer des traces de vos données avant de réaliser des tests statistiques pour comprendre les distributions et identifier les problèmes potentiels
  • Taille des effets de rapport: Calculez toujours et rapportez les tailles des effets de même que les valeurs p pour fournir des informations sur l'ampleur des différences
  • Considérer la signification pratique :[ Évaluer si les différences statistiquement significatives sont suffisamment importantes pour être significatives dans votre contexte de recherche
  • Documentez vos décisions :[ Conservez des documents clairs sur la raison pour laquelle vous avez choisi le test Mann-Whitney U et la façon dont vous avez traité des questions comme les liens ou les valeurs aberrantes
  • Utiliser un logiciel approprié :[ Choisir un logiciel statistique que vous comprenez bien et qui fournit tous les résultats nécessaires pour la déclaration complète
  • Consulter les statisticiens:[ En cas de doute quant à la pertinence du test Mann-Whitney U pour vos données, consulter un expert en statistique

Ressources pour l'apprentissage continu

Pour approfondir votre compréhension du test Mann-Whitney U et des statistiques non paramétriques, envisagez d'explorer ces ressources :

  • Livres d'articles: Des manuels complets de statistiques non paramétriques fournissent une couverture détaillée des fondements théoriques et des applications pratiques du test Mann-Whitney U
  • Statistiques Comment se rendre au site offre des explications accessibles des concepts statistiques pour les chercheurs à tous les niveaux
  • Documentation logicielle:[ La documentation officielle pour SPSS, R, Python et d'autres paquets statistiques fournit des directives détaillées sur la mise en œuvre du test
  • Services de conseil statistique:[ De nombreuses universités offrent des services de conseil statistique qui peuvent aider à répondre à des questions précises sur l'application du test Mann-Whitney U à votre recherche
  • Ateliers et cours: Rechercher des ateliers sur les statistiques non paramétriques offerts par des organisations professionnelles ou des universités

Conclusion

Le test Mann-Whitney U est un outil inestimable dans la trousse statistique du chercheur en psychologie. Sa capacité à comparer deux groupes indépendants sans supposer la normalité le rend particulièrement adapté aux données ordinales et non-normalement distribuées couramment rencontrées dans la recherche psychologique. En comprenant quand utiliser le test, comment le faire correctement, et comment interpréter et rapporter les résultats de façon appropriée, les chercheurs peuvent effectuer des analyses rigoureuses qui contribuent à l'avancement des sciences psychologiques.

Les principaux choix pour les chercheurs en psychologie comprennent l'importance de vérifier les hypothèses avant de choisir des tests statistiques, la valeur de rapporter les valeurs d'effet aux côtés des valeurs p, et la nécessité d'interpréter les résultats dans le contexte de votre question de recherche spécifique et du cadre théorique.

À mesure que les méthodes statistiques évoluent, les principes fondamentaux qui sous-tendent le test Mann-Whitney U — la comparaison des distributions par grades plutôt que par valeurs brutes — demeurent pertinents et précieux. Que vous analysiez les réponses au sondage, les mesures comportementales ou les résultats cliniques, la maîtrise de ce test non paramétrique améliore votre capacité à tirer des conclusions valables à partir de données psychologiques qui ne répondent pas aux hypothèses rigoureuses des alternatives paramétriques.

En suivant les lignes directrices et les meilleures pratiques décrites dans cet article, vous pouvez appliquer avec confiance le test Mann-Whitney U à votre recherche, interpréter les résultats avec précision et communiquer efficacement les résultats aux publics tant statistiques que non statistiques.Cette approche analytique robuste vous servira bien dans divers domaines de la recherche psychologique, de la psychologie clinique à la psychologie sociale, aux neurosciences cognitives à la psychologie du développement, où la comparaison de deux groupes indépendants est essentielle à vos questions de recherche.