Que faire lors d'une distribution non-normale avec KS-test

Bonjour,

je réalise une étude en psycho auprès de 200 sujets. Ayant rentré mes données, j'ai effectué le test de KS (Kolmogorov-Smirnov) pour vérifier la normalité de ma distribution et j'ai constaté que quasiment toutes mes variables ne satisfaisaient pas à ce test. Malgré les corrections apportées, les nouvelles valeurs et les histogrammes sont encore plus déviants.

Pensez-vous que je puisse me contenter de procéder à une évaluation de la normalité univariée pour chaque variable en regardant les indices de skewness (asysmétrie) et Kurtosis (applatissement) ? Et transformer s'il le faut les valeurs en une fonction logarithme naturel ? Et ensuite détecter les valeurs aberrantes univariées et multivariées et les supprimer s'il le faut ?

Merci pour vos conseils

Pilotarii

Bonsoir.

La non-Normalité est normale pour des variables quelconques. La Normalité est rare, et les techniques de transformation de données pour essayer de les rendre gaussiennes sont peu utiles (on n'étudie plus les variables, mais des ersatz).

En quoi serait-ce un problème dans ton cas ?

Cordialement.

Merci gg pour ta réponse.

J'ai peur que çà remettre en cause la validité de mon étude et surtout que çà m'empêche de faire certains traitements de données nécessitant la normalité de la distribution, je pense par exemple au test de sobel pour faire mes médiations. J'envisage de passer par une approche de bootstrapping avec un modèle de pistes causales.

Merci beaucoup et bon WE

Pilotari

En général, quand aucune méthode simple ne suffit à normaliser les données, on passe par une transformation Box-Cox qui y arrive assez souvent (en oubliant pas de récupérer le lambda retenu).

Après tout dépend la raison pour laquelle tu veux qu'il y ait normalité, si c'est pour appliquer certains tests alors tu peux y pallier par les équivalents non paramétriques, si c'est pour utiliser des outils de modélisation alors tu peux passer par une approche pure classification.