Calculateur du test de Wald - Significativité statistique
Réalisez un test de Wald pour déterminer si une estimation de paramètre est statistiquement significative — saisissez β̂, β₀, SE et α pour obtenir un résultat instantané.
Saisissez l’estimation du paramètre, la valeur hypothétique, l’erreur standard et le niveau de signification. Le calculateur renvoie la statistique de Wald, le score z, la p-value et la décision.
Calculateur du test de Wald - Significativité statistique
Réalisez un test de Wald pour déterminer si une estimation de paramètre est statistiquement significative — saisissez β̂, β₀, SE et α pour obtenir un résultat instantané.
À propos du calculateur du test de Wald
Le test de Wald est un test statistique paramétrique nommé d’après le statisticien Abraham Wald. C’est l’un des trois tests classiques d’hypothèse en estimation par maximum de vraisemblance, avec le test du rapport de vraisemblance et le test de score (multiplicateur de Lagrange). Le test de Wald est de loin le plus courant, car il ne requiert que l’estimation elle-même et son erreur standard — toutes deux fournies en routine par les logiciels statistiques — sans nécessiter la fonction de vraisemblance complète.
L’idée du test de Wald est simple. Si une estimation de paramètre β̂ est très éloignée de la valeur hypothétique β₀ par rapport à sa précision (mesurée par l’erreur standard SE), alors l’hypothèse nulle H₀: β = β₀ a peu de chances d’être vraie. La statistique de Wald est W = ((β̂ − β₀) / SE)², soit le score z au carré. Sous l’hypothèse nulle et avec un échantillon suffisamment grand, W suit une loi du khi-deux à un degré de liberté. De façon équivalente, le score z signé z = (β̂ − β₀) / SE suit une loi normale standard, donc la p-value bilatérale vaut 2 · (1 − Φ(|z|)), où Φ est la fonction de répartition de la normale standard.
La p-value répond à la question suivante : si l’hypothèse nulle était vraie, quelle est la probabilité d’observer une statistique au moins aussi extrême que celle calculée ? Une petite p-value (généralement inférieure au niveau de signification α, souvent fixé à 0,05 ou 0,01) fournit des preuves contre H₀. Lorsque p < α, le résultat est dit statistiquement significatif et nous rejetons l’hypothèse nulle. Lorsque p ≥ α, nous ne la rejetons pas — nous n’avons pas assez de preuves pour conclure que le paramètre diffère de β₀, mais cela ne signifie pas que H₀ est vraie.
Le test de Wald est omniprésent en statistique appliquée. En régression linéaire et logistique, les statistiques t rapportées pour chaque coefficient sont essentiellement des scores z de Wald, et les p-values associées testent si chaque coefficient est significativement différent de zéro. En économétrie, le test de Wald sert à tester conjointement des hypothèses sur plusieurs coefficients à la fois (à l’aide d’extensions de l’algèbre matricielle). En analyse de survie, il teste si une covariable prédit significativement le taux de risque. En génétique, les études d’association pangénomique utilisent des statistiques de type Wald pour tester des millions de polymorphismes mononucléotidiques.
Une limite connue du test de Wald est qu’il peut produire des résultats différents selon la paramétrisation d’un paramètre, car il repose sur une approximation quadratique locale de la vraisemblance. Pour les petits échantillons, le test du rapport de vraisemblance est souvent préféré car il est plus précis. Le test de Wald est le plus fiable lorsque la taille d’échantillon est grande, que l’estimation est approximativement normale (c’est-à-dire que les conditions asymptotiques sont satisfaites) et que l’erreur standard est bien estimée.
Exemples du test de Wald
Trois scénarios réalistes issus de l’économie, de la médecine et des statistiques générales montrant le test de Wald en action.
| Entrée | Décision | Détails |
|---|---|---|
| β̂=2.5, β₀=0, SE=1.1, α=0.05 | Rejeter H₀ | z = 2.27, W = 5.17, p ≈ 0.023. L’estimation est à plus de 2 erreurs standards de zéro, donc on rejette l’hypothèse nulle à α = 0,05. |
| β̂=0.08, β₀=0, SE=0.02, α=0.05 | Rejeter H₀ | Coefficient d’éducation : z = 4.0, p < 0.001. Une année d’éducation supplémentaire a un effet non nul hautement significatif sur les salaires. |
| β̂=−0.5, β₀=0, SE=0.2, α=0.01 | Ne pas rejeter H₀ | Efficacité du médicament à un α=0,01 strict : z = −2.5, p ≈ 0.012. L’effet est significatif à α = 0,05 mais pas au seuil plus strict de 1 %. |
Comment utiliser le calculateur du test de Wald
- Saisissez l’estimation du paramètre β̂ issue de votre sortie de régression ou de votre modèle statistique.
- Saisissez la valeur hypothétique β₀ — en général 0 lorsqu’on teste si un coefficient est non nul.
- Saisissez l’erreur standard SE de l’estimation, indiquée dans la même sortie statistique.
- Définissez le niveau de signification α — utilisez 0,05 pour le seuil conventionnel de 5 % ou 0,01 pour un seuil plus strict de 1 %.
- Cliquez sur Calculer pour obtenir la statistique de Wald, le score z, la p-value bilatérale et la décision rejeter/ne pas rejeter.
FAQ sur le test de Wald
Que mesure le test de Wald ?
Le test de Wald mesure à quelle distance une estimation de paramètre se trouve d’une valeur hypothétique, exprimée en unités d’erreur standard. Il teste si cette distance est suffisamment grande pour conclure, à un niveau de signification donné, que le vrai paramètre diffère de la valeur hypothétique.
Quelle est la différence entre le test de Wald et le test t ?
Dans les grands échantillons, ils sont essentiellement équivalents : tous deux comparent une estimation à une valeur nulle en unités d’erreur standard. La principale différence est que le test t utilise une loi t (tenant compte de l’incertitude sur l’estimation de la variance), alors que le test de Wald utilise la loi normale et constitue donc un test asymptotique mieux adapté aux grands échantillons.
Pourquoi l’hypothèse nulle est-elle souvent β₀ = 0 ?
Tester par rapport à zéro revient à demander si un prédicteur a un effet quelconque. En régression, un coefficient nul signifie que la variable est sans effet. Fixer β₀ = 0 est l’usage le plus courant, mais vous pouvez tester n’importe quelle valeur — par exemple pour vérifier qu’un paramètre vaut une valeur théorique comme 1 ou −0.5.
Que signifie ne pas rejeter H₀ ?
Ne pas rejeter H₀ signifie que les données ne fournissent pas suffisamment de preuves pour conclure que le paramètre diffère de la valeur hypothétique. Cela ne prouve pas que H₀ est vraie. Le résultat peut refléter un effet réellement nul, ou simplement une puissance statistique insuffisante due à un petit échantillon ou à une grande erreur standard.
Quand faut-il utiliser plutôt le test du rapport de vraisemblance ?
Le test du rapport de vraisemblance est préférable lorsque les tailles d’échantillon sont petites, lorsque le paramètre est proche de la limite de son domaine autorisé, ou lorsque les résultats du test de Wald dépendent fortement de la paramétrisation choisie. Pour de grands échantillons et des estimations lisses, le test de Wald et le test du rapport de vraisemblance donnent des p-values presque identiques.
Quel niveau de signification dois-je utiliser ?
Le seuil conventionnel est α = 0,05 (5 %), ce qui signifie accepter 5 % de chances de rejeter à tort une hypothèse nulle vraie. Pour des exigences plus strictes — approbation de dispositifs médicaux, génomique ou physique — on utilise α = 0,01 ou même 0,001. En recherche exploratoire, α = 0,10 est parfois accepté. Le choix doit être fait avant de voir les données.