
Construire la distribution nulle en mélangeant les étiquettes des données elles-mêmes.Un test de permutation est une méthode non paramétrique pour tester une hypothèse statistique sans faire d'hypothèses sur la distribution sous-jacente des données. Au lieu de s'appuyer sur des distributions théoriques (comme la distribution normale), il construit la distribution nulle directement à partir des données observées en mélangeant aléatoirement les étiquettes ou les affectations de groupe. Cela est particulièrement utile lorsque la taille de l'échantillon est petite ou que les données ne suivent pas des distributions standard.
La méthode a été introduite par R. A. Fisher dans les années 1930, bien qu'elle ne soit devenue pratiquement réalisable qu'avec l'avènement des ordinateurs modernes.
La procédure est simple. Tout d'abord, on calcule une statistique de test (par exemple, la différence des moyennes entre deux groupes) sur les données originales. Ensuite, on mélange à plusieurs reprises les étiquettes des points de données de manière aléatoire, en recalculant à chaque fois la statistique de test. Ces valeurs mélangées forment la distribution nulle — la distribution de la statistique s'il n'y avait pas d'effet réel. La valeur p est la proportion de statistiques mélangées qui sont aussi extrêmes ou plus extrêmes que la statistique observée. Si cette proportion est très faible, le résultat observé est peu susceptible de s'être produit par hasard.
Il est utilisé en génomique pour tester l'expression différentielle des gènes, en neurosciences pour les données d'imagerie cérébrale, et dans tout domaine où les petits échantillons ou les données non normales rendent les tests traditionnels peu fiables.
Les tests de permutation sont exacts : ils ne reposent pas sur des approximations asymptotiques, ce qui signifie que la valeur p est correcte même pour de très petits échantillons.





