Dans la littérature, les termes Randomisation et Permutation sont utilisés de manière interchangeable. Avec de nombreux auteurs déclarant "tests de permutation (alias randomisation)", ou vice versa.
Au mieux, je crois que la différence est subtile, et elle réside dans leurs hypothèses sur les données et les conclusions potentielles qui peuvent être tirées. J'ai juste besoin de vérifier si ma compréhension est correcte ou s'il y a une différence plus profonde qui me manque.
Les tests de permutation supposent que les données sont échantillonnées au hasard à partir d'une distribution de population sous-jacente (le modèle de population). Cela signifie que les conclusions tirées du test de permutation sont généralement applicables à d'autres données de la population [3].
Les tests de randomisation (modèle de randomisation) "nous permettent de supprimer l'hypothèse invraisemblable d'une recherche psychologique typique --- échantillonnage aléatoire à partir d'une distribution spécifiée" [2]. Cela signifie toutefois que les conclusions tirées ne s'appliquent qu'aux échantillons utilisés dans le test [3].
Certes, la différence ne concerne que la définition de la population . Si nous définissons la population comme «tous les patients atteints de la maladie et aptes au traitement», le test de permutation est valable pour cette population. Mais parce que nous avons limité la population à celles qui sont adaptées au traitement, il s'agit vraiment d'un test de randomisation.
Références:
[1] Philip Good, Tests de permutation: Un guide pratique sur les méthodes de rééchantillonnage pour tester les hypothèses.
[2] Eugene Edgington et Patric Onghena, tests de randomisation.
[3] Michael Ernst, Méthodes de permutation: une base pour l'inférence exacte