Tests exacts

Les tests exacts offrent deux autres méthodes de calcul du niveau de signification pour les statistiques contenues dans les procédures des tableaux croisés et des tests non paramétriques. Ces méthodes, la méthode exacte et la méthode de Monte Carlo, permettent d'obtenir des résultats précis lorsque vos données ne confirment pas les hypothèses sous-jacentes nécessaires à la fiabilité des résultats, à partir de la méthode asymptotique standard. Disponible uniquement si vous avez acheté les options Tests exacts.

Exemple. Les résultats asymptotiques obtenus à partir de jeux de données réduits ou de tableaux éclatés ou déséquilibrés peuvent induire en erreur. Les tests exacts vous permettent d'obtenir un niveau de signification adéquat sans tenir compte des hypothèses qui peuvent ne pas être vérifiées par vos données. Par exemple, les résultats d'entrée à un examen obtenus sur un groupe de 20 pompiers dans une petite ville font apparaître que les cinq participants blancs ont réussi leur examen, alors que les résultats des noirs, des asiatiques et des hispaniques sont mitigés. Le test du khi-deux de Pearson, qui vérifie l'hypothèse nulle selon laquelle les résultats aux examens sont indépendants du groupe ethnique des participants, conduit à un niveau de signification de 0,07. Ce résultat conduit à la conclusion selon laquelle les résultats à un examen sont indépendants du groupe ethnique d'appartenance du participant. Cependant, du fait que les données ne contiennent que 20 cases et que les cellules sont supposées avoir une fréquence inférieure à 5, ce résultat n'est pas fiable. La signification exacte du khi-deux de Pearson est de 0,04, ce qui conduit à la conclusion opposée. Basé sur le niveau de signification exacte, vous pouvez conclure que le résultat à l'examen et le groupe ethnique sont liés. Ceci montre l'importance d'obtenir le résultat exact lorsque les hypothèses de la méthode asymptotique ne sont pas satisfaites. Le niveau de signification exacte est toujours fiable, compte tenu de l'étendue, de la distribution, du caractère éparse, ou équilibré des données.

Statistiques. Signification asymptotique. Approximation de Monte Carlo avec un niveau de confiance, ou de signification exacte.

• Asymptotique. Niveau de signification basé sur la distribution asymptotique de statistiques de test. En règle générale, une valeur inférieure à 0,05 est considérée comme significative. La signification asymptotique est basée sur l'hypothèse que le jeu de données est volumineux. Si le jeu de données est petit ou mal distribué, il ne peut être une bonne indication de la signification.
• Estimation de Monte Carlo. Estimation non biaisée du niveau de signification exact, calculé par des échantillonnages répétés à partir d'un ensemble de tableaux de référence dont les dimensions, les lignes et les colonnes sont les mêmes que celles du tableau observé. La méthode de Monte Carlo permet d'estimer le niveau exact de signification sans abandonner les hypothèses requises pour la méthode asymptotique. Cette méthode est particulièrement efficace lorsqu'un jeu de données est trop volumineux pour que sa signification exacte soit calculée, mais que les données ne vérifient pas l'hypothèse de la méthode asymptotique.
• Exact. Probabilité que le résultat observé, ou un résultat plus extrême, soit exact. En général, un niveau de signification inférieur à 0,05 est considéré comme significatif, et indique qu'il existe une relation entre les variables de ligne et de colonne.