Le principe des tests non paramétriques : raisonner sur les rangs

L'astuce est d'une simplicité désarmante. Au lieu de travailler sur les valeurs mesurées, on les classe de la plus petite à la plus grande, et on ne garde que leur rang : 1 pour la plus petite, 2 pour la suivante, et ainsi de suite.

Une fois cette transformation faite, on raisonne uniquement sur ces rangs. Toute l'information de forme, d'unité, d'échelle disparaît : il ne reste que l'ordre des observations.

C'est pour cela qu'on parle de tests « non paramétriques » : ils ne cherchent à estimer aucun paramètre (ni moyenne, ni écart-type d'une loi supposée). Ils se contentent de comparer des positions dans un classement.

Prenons sept dosages d'une enzyme hépatique (en UI/L) chez sept sujets :

Le dernier sujet a une valeur aberrante : peut-être une hépatite aiguë, peut-être une erreur de pipetage. Peu importe. Regardez ce que devient la série une fois transformée en rangs :

Valeur	3,2	3,5	3,8	4,1	4,4	4,6	28,0
Rang	1	2	3	4	5	6	7

La valeur monstrueuse de 28,0 ne pèse plus que d'un cran : elle occupe le rang 7, « juste au-dessus » du rang 6. Sur les valeurs brutes, cette observation aurait écrasé la moyenne (qui grimpe à 7,4 alors que six sujets sur sept sont autour de 4). Sur les rangs, elle reprend une place raisonnable.

Voilà le cœur de la méthode : le rang est indifférent à l'ampleur des écarts, il ne retient que leur sens.

Cette insensibilité à l'ampleur des écarts est la grande force des tests sur les rangs. Une valeur extrême — qu'elle soit réelle ou parasite — ne peut plus, à elle seule, faire basculer une conclusion. Le rang d'une observation ne dépend que de sa position parmi les autres, jamais de sa distance à elles.

Concrètement :

• Une donnée aberrante ne compte que pour un rang de plus ou de moins.
• Aucune hypothèse de normalité n'est nécessaire : la méthode fonctionne quelle que soit la forme de la distribution.
• Les variables ordinales, pour lesquelles on ne dispose de toute façon que d'un ordre, deviennent traitables sans bricolage.

Rien n'est gratuit. En ne gardant que les rangs, on jette de l'information : on sait que la septième valeur est la plus grande, mais on oublie qu'elle était très largement la plus grande.

Quand les données sont réellement gaussiennes, cette information perdue avait une valeur, et le test paramétrique correspondant ($t$ de Student, ANOVA) en tire un léger avantage : il est un peu plus puissant, c'est-à-dire un peu plus apte à détecter une différence qui existe vraiment.

L'écart, cependant, est modeste. Pour des données normales, un test de rangs conserve environ 95 % de la puissance du test paramétrique. Autrement dit : vous perdez très peu quand la normalité est vraie, et vous gagnez énormément (validité, robustesse) quand elle est fausse.

Que faire lorsque deux observations sont strictement égales ? On ne peut pas leur attribuer deux rangs différents de façon arbitraire.

La règle est d'attribuer à chacune la moyenne des rangs qu'elles se partageraient. Si deux valeurs se disputent les rangs 4 et 5, chacune reçoit le rang $\frac{4+5}{2} = 4{,}5$. Si trois valeurs occupent les rangs 6, 7 et 8, chacune reçoit $\frac{6+7+8}{3} = 7$.

• Les tests non paramétriques ne supposent aucune forme de distribution : on les emploie face aux petits effectifs, aux distributions asymétriques et aux variables ordinales.
• Le principe : remplacer chaque valeur par son rang dans le classement général, puis raisonner uniquement sur ces rangs.
• Conséquence majeure : la robustesse aux valeurs extrêmes. Une donnée aberrante ne pèse que d'un rang, jamais de son ampleur.
• Le prix à payer est une légère perte de puissance (environ 5 %) lorsque les données sont réellement normales — un coût faible au regard de la sécurité gagnée.
• Les ex æquo reçoivent la moyenne des rangs correspondants ; leur abondance doit rester exceptionnelle.