Winsorisation

Un article de Wikipédia, l'encyclopédie libre.

La winsorisation (winsorizing en anglais) est un procédé en statistiques visant à limiter l'impact de données aberrantes dans l'estimation d'un paramètre. Le nom winsorisation a été donné par John Tukey en l'honneur du biostatisticien Charles Winsor (en)[1].

Principe[modifier | modifier le code]

Considérons un jeu de données numériques et une statistique (la moyenne ou l'écart-type de par exemple). Winsoriser cette statistique revient à la calculer non pas sur le jeu de données original , mais sur un jeu de données modifié où une proportion des valeurs les plus extrêmes sont "écrasées" sur les quantiles de niveaux et [2]. La proportion doit être choisie par le statisticien en fonction de la robustesse souhaitée (un choix courant est ).

Plus formellement, définissons par

et désignent les quantiles des données de niveaux et . Alors la statistique winsorisée de est .

Exemple[modifier | modifier le code]

Prenons et considérons le jeu de données suivant

le quantile de à 5% est et le quantile à 95% est .

Construisons le jeu de données :

en remplaçant les valeurs inférieures à par et celles supérieures à par .

Pour calculer des statistiques sur winsorisées à 90%, il suffit alors de les calculer sur :

  • la moyenne winsorisée à 90% de (c'est-à-dire la moyenne de ) est de , alors que la moyenne non winsorisée de est de .
  • la variance winsorisée à 90% de (c'est-à-dire la variance de ) est de , alors que la variance non winsorisée de est de .
  • la statistique T winsorisée à 90% pour effectuer un test de Student sur l'hypothèse est de et donne une p-value de . Non winsorisée, la statistique T donne et la p-value . On remarque que les conclusions du test sont différentes pour un niveau de 5% ou moins. Le test winsorisé est plus fiable dans ce cas, car il n'est pas souhaitable que deux observations seulement parmi les 20 puissent déterminer l'issue du test.
  • la médiane winsorisée à 90% de est de , de même que la médiane non winsorisée.

Propriétés[modifier | modifier le code]

La statistique winsorisée est plus robuste que la statistique originale, au sens que sa valeur sera moins influencée par les valeurs extrêmes.

Il est aisé de voir que le point de rupture (en) d'une statistique winsorisée est de [3].

En pratique[modifier | modifier le code]

Différentes fonctions permettent de winsoriser des données :

  • sous R, la fonction Winsorize de la librarie DescTools.
  • sous Python, la fonction mstats.winsorize de la librairie scipy.stats.
  • sous Excel, la fonction WINSORIZE de la librairie Real Statistics Resource Pack.

Références[modifier | modifier le code]

  1. (en) Graham Upton et Ian Cook, Oxford Dictionnary of Statistics,
  2. (en) John W. Tukey, « The Future of Data Analysis », The Annals of Mathematical Statistics, vol. 33, no 1,‎ , p. 1-67 (lire en ligne)
  3. (en) W. J. Dixon, « Simplified Estimation from Censored Normal Samples », The Annals of Mathematical Statistics, vol. 31, no 2,‎ , p. 385-391 (lire en ligne)

Voir aussi[modifier | modifier le code]

Liens externes[modifier | modifier le code]

(en) Cecil Hastings, Jr., Frederick Mosteller, John W. Tukey et Charles P. Winsor, « Low Moments for Small Samples: A Comparative Study of Order Statistics », The Annals of Mathematical Statistics, vol. 18, no 3,‎ , p. 413-426 (lire en ligne)