Oui, le test de rang rapide de Kramer peut être utilisé pour analyser les résultats d'un test de
dégustation, surtout si tu compares plusieurs formulations ou produits. Voici comment l'appliquer
dans ce contexte :
### Application du test de Kramer dans un test de dégustation
1. **Conception du Test** :
- Organise un test de dégustation où les participants évaluent plusieurs produits (par exemple,
différentes formulations de bonbons ou de confitures).
2. **Collecte des Données** :
- Chaque participant note les échantillons selon une échelle (par exemple, de 1 à 5 ou 1 à 10) pour
des critères tels que le goût, l'arôme, la texture, etc.
3. **Rangement des Scores** :
- Combine tous les scores des participants et attribue des rangs à ces scores. Les échantillons ayant
les notes les plus élevées obtiennent les rangs les plus bas.
4. **Calcul des Statistiques** :
- Calcule la somme des rangs pour chaque produit ou formulation.
- Applique la formule du test de Kramer pour obtenir la statistique de test.
5. **Analyse des Résultats** :
- Interprète la statistique obtenue pour déterminer s'il existe des différences significatives dans les
évaluations des échantillons.
- Si des différences sont significatives, tu peux procéder à des analyses post-hoc pour identifier
quels produits sont perçus différemment.
### Avantages
- **Non paramétrique** : Ce test ne nécessite pas que les données suivent une distribution normale,
ce qui est souvent le cas avec des données de dégustation.
- **Flexibilité** : Idéal pour les études où plusieurs produits ou formulations sont comparés.
En somme, le test de Kramer est un bon choix pour analyser les résultats d'un test de dégustation,
surtout si tu souhaites évaluer des différences entre plusieurs échantillons.
Je vais clarifier cette étape :
1. **Collecte des Scores** :
- Après le test de dégustation, chaque participant donne une note à chaque échantillon. Par
exemple, si tu as trois échantillons, un participant pourrait donner les scores suivants :
- Échantillon A : 8
- Échantillon B : 5
- Échantillon C : 7
2. **Combiner les Scores** :
- Rassemble tous les scores donnés par tous les participants pour chaque échantillon. Supposons
que tu aies les notes suivantes de trois participants :
- Participant 1 : A (8), B (5), C (7)
- Participant 2 : A (6), B (4), C (8)
- Participant 3 : A (9), B (6), C (7)
3. **Calculer la Moyenne des Scores** :
- Pour chaque échantillon, calcule la moyenne des scores. Par exemple :
- Échantillon A : (8 + 6 + 9) / 3 = 7.67
- Échantillon B : (5 + 4 + 6) / 3 = 5
- Échantillon C : (7 + 8 + 7) / 3 = 7.33
4. **Attribution des Rangs** :
- Classe les échantillons selon leur moyenne. Les échantillons ayant les notes les plus élevées
obtiennent des rangs plus bas (par exemple, un rang de 1 étant le meilleur). Voici comment attribuer
les rangs :
- Échantillon A (7.67) : Rang 1
- Échantillon C (7.33) : Rang 2
- Échantillon B (5) : Rang 3
Dans ce cas, **l'échantillon avec la moyenne la plus élevée (A)** reçoit le **rang le plus bas** (1),
et ainsi de suite.
### Récapitulatif
- **Rangs** : Le rang est attribué en fonction des scores, où le score le plus élevé reçoit le rang le
plus bas (1). Si tu fais un classement inversé (comme dans le cas de l'évaluation sensorielle), les rangs
les plus bas indiquent une meilleure performance.
Voici comment procéder pour calculer la somme des rangs pour chaque produit ou formulation et
appliquer la formule du test de Kramer.
### Étape 1 : Calculer la somme des rangs
1. **Attribution des Rangs** :
- Après avoir calculé les scores moyens de chaque échantillon, attribue des rangs. Par exemple, si tu
as trois échantillons (A, B, C) et les rangs sont les suivants :
- Échantillon A : Rang 1
- Échantillon C : Rang 2
- Échantillon B : Rang 3
2. **Somme des Rangs** :
- Calcule la somme des rangs pour chaque échantillon. Par exemple :
- **Échantillon A** : 1
- **Échantillon B** : 3
- **Échantillon C** : 2
Cela donne :
- Somme des rangs pour A = 1
- Somme des rangs pour B = 3
- Somme des rangs pour C = 2
### Étape 2 : Appliquer la formule du test de Kramer
La formule du test de Kramer (ou test de Friedman) est souvent utilisée dans des situations de
comparaisons multiples. Voici les étapes :
1. **Formule du test** :
- La statistique de test \( Q \) est calculée comme suit :
\[
Q = \frac{12}{n \cdot k \cdot (k + 1)} \sum \frac{R_i^2}{n_i} - 3 \cdot (k + 1)
\]
Où :
- \( n \) = nombre total d'évaluateurs (participants).
- \( k \) = nombre d'échantillons (produits).
- \( R_i \) = somme des rangs pour l'échantillon \( i \).
- \( n_i \) = nombre d'évaluations pour l'échantillon \( i \).
2. **Calculer \( Q \)** :
- Insère les valeurs dans la formule. Supposons que tu as :
- \( n = 3 \) (3 participants)
- \( k = 3 \) (3 échantillons)
- Somme des rangs :
- Pour A : 1
- Pour B : 3
- Pour C : 2
Tu devras calculer \( R_i^2 \) pour chaque échantillon :
- \( R_A^2 = 1^2 = 1 \)
- \( R_B^2 = 3^2 = 9 \)
- \( R_C^2 = 2^2 = 4 \)
La somme \( R_i^2 \) est donc \( 1 + 9 + 4 = 14 \).
3. **Insérer les valeurs dans la formule** :
\[
Q = \frac{12}{3 \cdot 3 \cdot (3 + 1)} \cdot \frac{14}{3} - 3 \cdot (3 + 1)
\]
\[
Q = \frac{12}{36} \cdot \frac{14}{3} - 12
\]
\[
Q = \frac{1}{3} \cdot \frac{14}{3} - 12
\]
\[
Q = \frac{14}{9} - 12
\]
4. **Comparer à une valeur critique** :
- Une fois que tu as calculé \( Q \), tu dois comparer ce résultat à une valeur critique dans une table
de distribution (comme la distribution chi-carré) pour déterminer la signification statistique.
### Résumé
1. Calcule la somme des rangs pour chaque échantillon.
2. Utilise la formule du test de Kramer pour calculer la statistique de test \( Q \).
3. Compare le résultat à une valeur critique pour déterminer la signification des différences entre les
échantillons.
Pour comparer le résultat du test de Kramer (ou test de Friedman) à une valeur critique et
déterminer la signification des différences entre les échantillons, voici les étapes détaillées :
### Étape 1 : Calcul de la statistique de test \( Q \)
Comme expliqué précédemment, tu as déjà calculé \( Q \). Assurons-nous d'avoir un exemple
concret. Supposons que tu as calculé :
\[
Q = 9.5
\]
### Étape 2 : Déterminer les degrés de liberté
Pour le test de Friedman (et donc le test de Kramer), les degrés de liberté (\( df \)) sont déterminés
par :
\[
df = k - 1
\]
où \( k \) est le nombre d'échantillons (ou traitements). Par exemple, si tu compares 3 échantillons :
\[
df = 3 - 1 = 2
\]
### Étape 3 : Trouver la valeur critique
1. **Utiliser une table de chi-carré** :
- Pour déterminer la valeur critique, consulte une table de distribution du chi-carré. Tu auras besoin
du niveau de signification (\( \alpha \)) choisi, généralement 0.05 (5 %), et des degrés de liberté que
tu viens de calculer.
- Par exemple, pour \( df = 2 \) et \( \alpha = 0.05 \), la valeur critique est généralement autour de
5.991 (à confirmer avec la table).
### Étape 4 : Comparer \( Q \) à la valeur critique
- **Interprétation** :
- Si \( Q \) est supérieur à la valeur critique :
- Cela indique que les différences entre les échantillons sont statistiquement significatives. Tu peux
rejeter l'hypothèse nulle (H0) selon laquelle il n'y a pas de différence entre les groupes.
- Si \( Q \) est inférieur à la valeur critique :
- Cela indique qu'il n'y a pas de différences significatives entre les échantillons, et tu ne peux pas
rejeter l'hypothèse nulle.
### Exemple
Supposons que tu as :
- \( Q = 9.5 \)
- Valeur critique pour \( df = 2 \) et \( \alpha = 0.05 \) est 5.991.
**Comparaison** :
- \( 9.5 > 5.991 \)
**Conclusion** :
- Comme \( Q \) est supérieur à la valeur critique, cela signifie qu'il y a des différences significatives
entre les échantillons. Tu peux conclure que les évaluations des produits ne sont pas équivalentes.
### Étape 5 : Analyse Post-Hoc (si nécessaire)
Si tu trouves des différences significatives, il peut être utile de réaliser des tests post-hoc (comme le
test de Dunn) pour identifier quels groupes diffèrent réellement les uns des autres.
### Résumé
1. Calcule \( Q \).
2. Détermine les degrés de liberté.
3. Consulte une table de chi-carré pour trouver la valeur critique.
4. Compare \( Q \) à la valeur critique pour évaluer la signification des résultats.
Pour effectuer des tests post-hoc après avoir trouvé des différences significatives avec le test de
Kramer (ou Friedman), le test de Dunn est une méthode couramment utilisée. Voici comment
procéder :
### Étapes pour réaliser le test de Dunn
1. **Préparer les données** :
- Assure-toi d'avoir les données brutes ou les rangs des échantillons que tu souhaites comparer. Tu
devrais avoir les sommes des rangs et le nombre de participants pour chaque échantillon.
2. **Choisir un logiciel statistique** :
- Le test de Dunn peut être réalisé à l'aide de divers logiciels, notamment R, Python, ou des outils
statistiques comme SPSS.
### Exécution du test de Dunn
#### Avec R
1. **Installer et charger le paquet nécessaire** :
- Tu peux utiliser le paquet `[Link]` ou `FSA`. Voici comment procéder :
```R
[Link]("[Link]")
library([Link])
```
2. **Préparer les données** :
- Crée un tableau de données avec tes résultats. Par exemple, si tu as trois groupes :
```R
# Exemple de données
data <- [Link](
score = c(8, 6, 9, 7, 4, 6, 5, 8, 7), # Les scores
group = rep(c("A", "B", "C"), each = 3) # Les groupes
```
3. **Exécuter le test de Dunn** :
- Utilise la fonction appropriée pour réaliser le test :
```R
[Link](data$score, data$group, method = "bh") # "bh" pour correction de Benjamini-Hochberg
```
4. **Interpréter les résultats** :
- Le test te donnera des valeurs p pour chaque comparaison entre les groupes. Une valeur p
inférieure à 0,05 indique une différence significative.
#### Avec Python
1. **Installer les bibliothèques nécessaires** :
- Tu peux utiliser `scipy` et `statsmodels`.
```python
pip install scipy statsmodels
```
2. **Préparer les données et exécuter le test** :
```python
import pandas as pd
from [Link] import rankdata
from [Link] import multipletests
# Exemple de données
data = {
'score': [8, 6, 9, 7, 4, 6, 5, 8, 7],
'group': ['A', 'A', 'A', 'B', 'B', 'B', 'C', 'C', 'C']
df = [Link](data)
# Calcul des rangs
df['ranks'] = rankdata(df['score'])
# Comparaisons multiples
comparisons = [('A', 'B'), ('A', 'C'), ('B', 'C')]
p_values = []
for group1, group2 in comparisons:
rank1 = df[df['group'] == group1]['ranks']
rank2 = df[df['group'] == group2]['ranks']
# Calcule la statistique U et la valeur p pour chaque paire
# (Utiliser un test approprié, comme le test de Mann-Whitney)
# Appliquer correction de Bonferroni ou autre méthode
_, corrected_p_values, _, _ = multipletests(p_values, method='bonferroni')
```
### Conclusion
1. **Comparer les p-values** :
- Une fois que tu as obtenu les valeurs p corrigées, compare-les à un seuil (généralement 0,05) pour
déterminer les différences significatives.
2. **Rapporter les résultats** :
- Indique quels groupes montrent des différences significatives et les valeurs p associées.
Le test de Dunn est une méthode robuste pour analyser les différences entre groupes après avoir
établi qu'il y a des variations significatives. Si tu as besoin d'aide sur des aspects spécifiques, n'hésite
pas à demander !
Kramer table : Pour l'analyse des données sensorielles nominales, on se sert en
général de tests binomiaux et de tests khi-carrés. Quant aux données
ordinales ou de rangs, on les analyse plus couramment au moyen du test
de Kramer ou du test de Friedman. On a toutefois trouvé des cas dans
lesquels le test de Kramer ne convient pas (Basker, 1988; Joanes, 1985) Basker, D. 1988a.
Valeurs critiques des différences entre les sommes de rang pour les comparaisons multiples.
Technologie alimentaire (février. 1988), 79-84.
et il n'est pas recommandé. Le test paramétrique le plus couramment
utilisé pour l'analyse des échelles d'intervalles ou de rapport de données
sensori
elles est l 'Analyse de variance (ANOVA).