Tests de randomisation : une façon plus flexible de tester la significativité avec le logiciel Stata

Résumé

En sciences régionales, plusieurs conclusions empiriques reposent sur des tests de significativité. La significativité des paramètres dans des modèles de régression revêt souvent une importance capitale pour les chercheurs. Or, le calcul des tests statistiques classiques (test-t ou test-F) repose sur un certain nombre d’hypothèses qui, si elles s’avèrent non-respectées, peuvent entraîner un biais dans les calculs des statistiques. Le but de cette note technique est de présenter une approche alternative, un test non-paramétrique, permettant de tester la significativité à partir d’un test de randomisation. Cette approche est plus flexible que les tests paramétriques conventionnels et son application est relativement simple. Afin de démontrer le potentiel de la méthode, une application détaillée dans le logiciel Stata est présentée sur la base de données fictives.

Mots-clés :

• Significativité,
• Pseudo-significativité,
• Approche non-paramétrique,
• Tests de randomisation

Abstract

In the field of regional science, several empirical conclusions rely on significance tests. The statistical significance of parameter estimates in regression models is particularly important for researchers. However, the calculation of classical significance tests (t-test of F-test) relies on assumptions that, if not respected, may lead to bias in the tests themselves. The purpose of this technical note is to present an alternative approach, a non-parametric test, that allows us to test for significance using a randomization test. Such an approach is more flexible than conventional parametric tests and its application is relatively simple. To show the relevance of this alternative approach, we present a detailed application in Stata using synthetic data.

Keywords:

• Significance,
• pseudo-significance,
• non-parametric approach,
• randomization tests