Pour vous assurer que vos résultats sont valables, tenez compte des indications suivantes lorsque vous collectez des données, effectuez l'analyse et interprétez vos résultats.
Remarque
Si vous utilisez une analyse paramétrique comme alternative au test de Friedman, vous devez vérifier que vos données présentent les caractéristiques requises pour cette analyse. Les caractéristiques requises pour les analyses paramétriques ne sont pas toujours compatibles avec celles des analyses non paramétriques, comme le test de Friedman.
- Les données doivent inclure deux facteurs de catégorie.
-
Un des facteurs est le traitement.L'autre facteur est le bloc auquel chaque traitement est affecté de manière aléatoire. Le test de Friedman exige exactement une observation par combinaison bloc-traitement. Minitab ne peut pas effectuer les calculs si une combinaison, quelle qu'elle soit, n'a pas exactement une observation.
Si vous disposez d'au moins deux facteurs de catégorie fixes, utilisez Ajuster le modèle
linéaire général si tous les facteurs sont fixes ou utilisez Ajuster le modèle à
effets mixtes si certains facteurs sont aléatoires.
Pour plus d'informations sur les facteurs, consultez les rubriques Facteurs et niveaux de facteurs et Facteurs fixes et aléatoires.
- La variable de réponse doit être continue ou ordinale
- Si la variable de réponse est une variable de catégorie, le modèle est moins susceptible de satisfaire les hypothèses de l'analyse, de décrire précisément vos données ou de permettre des prévisions utiles.
- Si la variable de réponse contient deux catégories, comme Réussite et Echec, utilisez la fonction Ajuster le modèle
logistique binaire.
- Si la variable de réponse contient au moins trois catégories dont l'ordre est naturel, par exemple Absolument pas d'accord, Pas d'accord, Sans opinion, D'accord et Tout à fait d'accord, utilisez la fonction Régression logistique
ordinale.
- Si la variable de réponse contient au moins trois catégories qui n'ont pas d'ordre naturel, par exemple Eraflure, Entaille et Déchirure, utilisez la fonction Régression logistique
nominale.
- Si la variable de réponse dénombre des occurrences, comme le nombre de défauts, utilisez la fonction Ajuster le modèle de
Poisson.
- Il n'est pas nécessaire que les données échantillons soit distribuées normalement
-
Les lois de toutes les combinaisons traitement/bloc doivent avoir la même forme et la même dispersion, mais ne doivent pas forcément suivre une loi normale.
- Le plan doit inclure au moins 5 blocs ou traitements
- Le test de Friedman utilise la statistique de test S pour calculer la valeur de p. Sous l'hypothèse nulle, la loi du Khi deux offre une approximation de la loi de distribution de S. Cette approximation est raisonnablement précise quand le nombre de blocs ou de traitements du plan en blocs randomisés est supérieur à 5.
- Chaque observation doit être indépendante de toutes les autres
-
Si vos observations ne sont pas indépendantes, les résultats ne seront peut-être pas valides. Tenez compte des points suivants pour déterminer si vos observations sont indépendantes :
- Si une observation ne fournit aucune information sur la valeur d'une autre observation, cela signifie que les observations sont indépendantes.
- Si une observation fournit des informations sur la valeur d'une autre observation, cela signifie que les observations sont dépendantes.
En présence d'observations dépendantes, reportez-vous à la rubrique Analyse d'un plan à mesures répétées. Pour plus d'informations sur les échantillons, reportez-vous à la rubrique Dans quelle mesure les échantillons dépendants et indépendants sont-ils différents ?
- Suivre les meilleures pratiques pour la collecte des données
-
Pour garantir la validité de vos résultats, suivez les indications ci-après :
- Assurez-vous que les données sont représentatives de la population qui vous intéresse.
- Collectez suffisamment de données pour bénéficier de la précision nécessaire.
- Mesurez les variables de façon aussi exacte et précise que possible.
- Enregistrez les données dans leur ordre de collecte.
