Test de permutation et bootstrap (pas de distribution normale)

En bref

Sous « Plus d’options », en tant que « Pas de distribution normale - avec des procédures aléatoires » : Statable mélange ou tire des échantillons encore et encore et compte ce que le hasard seul donne.

À quoi ça sert

• Deux groupes : test de permutation (t de Welch, pour qu’il tienne avec une dispersion inégale) et intervalle bootstrap de la différence, tiré séparément dans chaque groupe.
• Relation : test de permutation pour r, intervalle bootstrap, Fisher z à côté. Prédiction : bootstrap des observations (case bootstrap) pour les coefficients. Distribution : bootstrap de la moyenne ou de la médiane.

Conditions

Observations indépendantes. Un poids de fréquence est calculé sur l’ensemble déployé (jusqu’à Σw = 100 000) ; un poids de sondage est bloqué.

Lire le résultat

Toujours visibles : nombre de tirages B (9999), graine, type d’intervalle. p = (b + 1)/(B + 1), jamais 0. « Tirer à nouveau » montre l’erreur aléatoire. Avec n < 30, la remarque donne l’intervalle t : les intervalles bootstrap sont alors généralement trop étroits.

Rapporter le résultat

Test de permutation, 9999 répartitions aléatoires, p = ,025 ; IC bootstrap percentile à 95 % [1,4 ; 7,6], graine 20261008

Limites

Le test de permutation vérifie si l’affectation aux groupes joue un rôle, pas seulement les moyennes. Pas de bootstrap des résidus, pas de test de permutation pour des coefficients isolés. Les nombres aléatoires de Statable ne sont pas ceux de R.

Source

Phipson, B., & Smyth, G. K. (2010). Permutation p-values should never be zero. Statistical Applications in Genetics and Molecular Biology, 9(1), 39. Hesterberg, T. C. (2015). What teachers should know about the bootstrap. The American Statistician, 69(4).