Conditions des tests

En réalité, c'est assez simple. Il faut simplement identifier ce que l'on veut faire, et ensuite déterminer si les données sont paramétriques ou pas.

Pour savoir si nous sommes dans des conditions paramétriques, il faut tester 2 choses:

1. La normalité des données
2. L'homogénéité des variances

Pour savoir si les données sont normales, on utilise un test de Shapiro-Wilk, avec la fonction shapiro.test. Si p< 0.05, alors les données ne sont pas normales.

Pour tester l'homogénéité des variances, plusieurs solutions sont possible, la plus commune étant de faire un test de Bartlett, avec la fonction bartlett.test. Si p<0.05, alors les variances ne sont pas homogènes.

Quel test ?

Ensuite, vient le moment de savoir dans quel type de configuration nous nous trouvons.

Si l'on veut comparer des distributions, par exemple des répartitions de phénotypes, il faut effectuer un Chi².

Si l'on veut comparer des moyennes de deux groupes (moyenne mesurée vs moyenne théorique, moyenne mesurée vs moyenne mesurée, ou test apparié), il faut utiliser un test de comparaison de moyenne.:

• Student si les données sont paramétriques
• Wilcoxon si les données ne sont pas paramétriques

Si l'on veut comparer les moyennes de plus de 2 groupes, il faut utiliser une analyse de variance.

• une ANOVA suivi d'un test de Tukey si les données sont paramétriques
• un test de Kruskall-Wallis suivi d'un test de Conover si les données ne sont pas paramétriques

Si l'on veut calculer si 2 variables sont liées mathématiquement (par exemple la couleur d'une feuille et le taux d'abroutissement), on utilise un test de corrélation:

• un test de Pearson si les données sont paramétriques
• un test de Spearman si les données son non paramétriques

Si l'on veut veut calculer la loi mathématique entre 2 variables, on doit faire une régression, et plus généralement des modèles linéaires mixtes, qui seront abordés dans un autre cours, plus avancé.