Test d'ajustement du khi-deux (Chi-Square Goodness of Fit)
Un test d'ajustement du khi-deux détermine si la distribution des fréquences observées d'une variable catégorielle correspond à une distribution attendue donnée. Il compare la fréquence réelle de chaque catégorie dans vos données à la fréquence attendue pour chaque catégorie d'après un modèle théorique ou une hypothèse préalable.
Dernière révision
Point clé
Un test d'ajustement du khi-deux détermine si la distribution des fréquences observées d'une variable catégorielle correspond à une distribution attendue donnée.
Sur cette page
- Qu'est-ce que le test d'ajustement du khi-deux ?
- Quand utiliser le test d'ajustement du khi-deux ?
- Recommandations pour bien utiliser le test d'ajustement du khi-deux
- Alternatives : quand ne pas utiliser le test d'ajustement du khi-deux
- Exemple de test d'ajustement du khi-deux
- Comment réaliser un test d'ajustement du khi-deux
Qu'est-ce que le test d'ajustement du khi-deux ?
Un test d'ajustement du khi-deux détermine si la distribution des fréquences observées d'une variable catégorielle correspond à une distribution attendue donnée. Il compare la fréquence réelle de chaque catégorie dans vos données à la fréquence attendue pour chaque catégorie d'après un modèle théorique ou une hypothèse préalable.
Par exemple, vous pouvez tester si une ligne de production génère des défauts de façon égale sur toutes les équipes, ou si les réclamations clients se répartissent entre catégories dans les proportions prévues par votre modèle.
Définition simple : un test qui vérifie si les effectifs réels observés dans les catégories correspondent aux effectifs attendus, et vous indique ainsi si vos données suivent le schéma que vous aviez prévu.
Quand utiliser le test d'ajustement du khi-deux ?
- Utilisez-le lorsque votre variable de réponse est catégorielle et que vous voulez tester si sa distribution observée correspond à une distribution attendue ou théorique.
- Utilisez-le pour vérifier si un procédé produit des défauts ou des résultats dans les proportions attendues selon des catégories telles que l'équipe, la machine ou le type de produit.
- Utilisez-le lorsque vous disposez d'un modèle théorique ou d'une distribution antérieure et que vous voulez tester dans quelle mesure vos données réelles s'y conforment.
- Utilisez-le dans les audits d'échantillonnage, contrôles de conformité et revues qualité où les fréquences attendues sont connues à partir de spécifications ou de données historiques.
Recommandations pour bien utiliser le test d'ajustement du khi-deux
- Chaque catégorie doit avoir une fréquence attendue d'au moins 5 : des catégories dont les effectifs attendus sont très faibles rendent le test peu fiable. Regroupez des catégories si nécessaire.
- Les observations doivent être indépendantes : l'effectif d'une catégorie ne doit pas influencer celui d'une autre.
- Les proportions ou effectifs attendus doivent être spécifiés avant d'examiner les données : les déduire du jeu de données testé est circulaire et invalide.
- Une valeur p inférieure à 0.05 indique que la distribution observée diffère significativement de la distribution attendue : cherchez quelles catégories présentent les plus grands écarts.
- Recueillez un échantillon total suffisamment grand pour que toutes les fréquences attendues des cellules atteignent le seuil minimal de 5.
Alternatives : quand ne pas utiliser le test d'ajustement du khi-deux
- Pour tester la relation entre deux variables catégorielles, utilisez le test d'indépendance du khi-deux
- Si la variable de réponse est continue, utilisez le test de normalité ou l'identification de la distribution individuelle
- Si les données de comptage suivent un processus de Poisson (événements rares dans le temps ou l'espace), utilisez le test d'ajustement de Poisson
Exemple de test d'ajustement du khi-deux
Un responsable des achats veut comparer la proportion de tee-shirts vendus de chaque taille à la proportion commandée. Il compte le nombre de tee-shirts vendus de chaque taille en une semaine. L'acheteur effectue un test d'ajustement du khi-deux pour déterminer si les proportions de tailles vendues sont cohérentes avec les proportions de tailles commandées. Le test se déroule en suivant ces étapes :
- Rassembler les données nécessaires.

- Analysez ensuite les données dans Zometric Statistical Software à l'adresse https://statsai.zometric.com/.
- Pour trouver Chi Square Goodness Of Fit, choisissez Statistical module> Hypothesis Test> Chi Square Goodness Of Fit.
- Dans l'outil, saisissez les données ainsi que les autres paramètres comme suit :

5. Après avoir utilisé l'outil ci-dessus, vous obtenez les résultats suivants :

Comment réaliser un test d'ajustement du khi-deux
La marche à suivre est la suivante :
- Connectez-vous à Zometric Statistical Software à l'adresse https://statsai.zometric.com/
- Sur la page d'accueil, choisissez Statistical Tool> Hypothesis Test >Chi Square Goodness Of Fit .
- Ensuite, mettez à jour les données manuellement, ou copiez-les (Ctrl+C) depuis une feuille Excel et collez-les (Ctrl+V) ici.
- Renseignez les options requises.
- Enfin, cliquez sur calculate en bas de la page pour obtenir les résultats.
Sur le tableau de bord de Chi Square Goodness Of Fit, la fenêtre est divisée en deux parties.

Dans la partie gauche se trouve le Data Pane (volet de données). Dans le Data Pane, chaque ligne constitue un sous-groupe. Les données peuvent être saisies manuellement, ou copiées (Ctrl+C) depuis une feuille Excel et collées (Ctrl+V) ici.
Load example : des données d'exemple sont chargées.
Load File : permet de charger directement des données Excel.
Dans la partie droite se trouvent de nombreuses options, comme suit :
- Observed Counts : sélectionnez la colonne contenant les effectifs réels relevés pour chaque catégorie dans vos données, par exemple le nombre de défauts observés par équipe, le nombre de réclamations clients par catégorie ou le nombre d'occurrences dans chaque groupe. C'est la donnée essentielle que le test utilise pour comparer ce qui s'est réellement produit à ce qui était attendu. Ce champ est obligatoire.
- Category Names : sélectionnez la colonne contenant les libellés ou noms de chaque catégorie, par exemple Shift 1, Shift 2, Shift 3 ou Scratch, Dent, Tear. Ce champ est facultatif mais recommandé : il rend les graphiques et le tableau de résultats clairement étiquetés et plus faciles à interpréter et à présenter dans des rapports.
- Test : définit la distribution attendue à laquelle les effectifs observés sont comparés. Trois options sont disponibles :
- Equal Proportions : teste si toutes les catégories apparaissent avec la même fréquence. Utilisez cette option lorsque votre hypothèse nulle est que chaque catégorie doit apparaître le même nombre de fois, par exemple pour tester si les défauts sont répartis également sur tous les jours de la semaine.
- Specific Proportions : teste si les catégories apparaissent selon des proportions spécifiques prédéfinies que vous saisissez manuellement. Utilisez cette option lorsque vous avez une distribution attendue fondée sur une théorie, des données historiques ou des spécifications, par exemple pour tester si 60 % des résultats se trouvent dans la catégorie A, 30 % dans la catégorie B et 10 % dans la catégorie C.
- Properties Specified by Historical Counts (Input Column) : teste par rapport à des proportions attendues dérivées d'une colonne de référence d'effectifs historiques plutôt que de valeurs saisies manuellement. Utilisez cette option lorsque vous disposez d'un jeu de données antérieur ou d'une période de référence dont vous voulez comparer la distribution à celle de vos données actuelles.
- Specific Proportion : sélectionnez la colonne contenant les proportions attendues ou effectifs de référence de chaque catégorie lorsque vous utilisez l'option de test Specific Proportions ou Historical Counts. Les valeurs de cette colonne définissent à quoi doit ressembler la distribution sous l'hypothèse nulle ; la proportion attendue de chaque catégorie doit correspondre, dans le même ordre, aux catégories de la colonne Observed Counts.
- Bar Chart of Observed and Expected Values : lorsque cette option est activée, affiche un diagramme à barres côte à côte comparant les effectifs observés aux effectifs attendus pour chaque catégorie. C'est l'une des sorties visuelles les plus utiles : elle montre immédiatement quelles catégories présentent les plus grands écarts entre l'observé et l'attendu, et vous aide à repérer où la distribution s'écarte le plus.
- Bar Chart of Each Category Contribution to the Chi-Square Value : lorsque cette option est activée, affiche un diagramme à barres montrant dans quelle mesure chaque catégorie contribue à la statistique du khi-deux globale. Les catégories aux barres les plus hautes sont celles qui expliquent le résultat significatif : cela vous aide à identifier précisément quelles catégories sont les plus responsables de l'écart par rapport à la distribution attendue, plutôt que de savoir seulement qu'une différence existe globalement.
- Display Bars from Largest to Smallest : lorsque cette option est activée, trie les barres des graphiques par ordre décroissant de la plus grande contribution ou du plus grand effectif à la plus petite. Cela facilite la hiérarchisation des catégories les plus importantes et permet de se concentrer d'abord sur les plus grands écarts, ce qui est particulièrement utile lorsqu'il y a de nombreuses catégories et que vous voulez identifier rapidement les plus significatives.
- Display Test Results : lorsque cette option est activée, affiche les résultats complets du test directement sur le graphique ou à côté, y compris la statistique du khi-deux, les degrés de liberté et la valeur p. Vous pouvez ainsi voir les résultats visuels et statistiques au même endroit, sans avoir à consulter un tableau de résultats séparé.
Questions fréquentes
Que vous apprend un test d'ajustement du khi-deux ?
Il vous indique si la distribution des fréquences observées d'une variable catégorielle correspond à une distribution attendue donnée, en comparant la fréquence réelle de chaque catégorie à la fréquence attendue selon un modèle théorique ou une hypothèse préalable. Une valeur p inférieure à 0.05 indique une différence significative ; cherchez alors quelles catégories présentent les plus grands écarts.
Quelles sont les hypothèses du test d'ajustement du khi-deux ?
Chaque catégorie doit avoir une fréquence attendue d'au moins 5 ; regroupez des catégories si nécessaire et recueillez un échantillon total assez grand. Les observations doivent être indépendantes, de sorte que l'effectif d'une catégorie n'influence pas celui d'une autre. Les proportions attendues doivent être spécifiées avant d'examiner les données, car les déduire du même jeu de données est circulaire et invalide.
Par rapport à quelles distributions attendues peut-on tester ?
Dans Zometric Statistical Software, l'option Test propose trois choix : Equal Proportions, où chaque catégorie doit apparaître aussi souvent ; Specific Proportions, saisies manuellement à partir d'une théorie, de données historiques ou de spécifications ; et des proportions spécifiées par des effectifs historiques dans une colonne de référence, pour comparer les données actuelles à un jeu de données antérieur ou à une période de référence.
Quand utiliser plutôt le test d'indépendance du khi-deux ?
Utilisez le test d'ajustement pour une variable catégorielle comparée à une distribution attendue. Pour tester la relation entre deux variables catégorielles, utilisez le test d'indépendance du khi-deux. Si la réponse est continue, utilisez un test de normalité ou l'identification de la distribution individuelle, et si les comptages suivent un processus de Poisson, utilisez le test d'ajustement de Poisson.
