La méthode médiane-médiane, également appelée droite robuste de Tukey (resistant line), est une méthode de régression linéaire à deux dimensions^[1]. Le terme « robuste » provient du fait que la méthode utilise le calcul de médianes, qui, contrairement au carré de la distance utilisé dans la méthode des moindres carrés, est peu perturbé par la présence de points aberrants.

La première méthode de régression par les médianes est proposée par Wald en 1940^[2]. La méthode consiste à

1. Séparer l'échantillon en deux parties égale selon la médiane de x ; une à gauche et une à droite.
2. Calculer le centre de gravité (isobarycentre) de chacune des parties, (x_G, y_G) et (x_D, y_D).
3. La droite retenue passe par ces deux points.

En 1942, Nair et Shrivastava^[3] proposent une méthode similaire mais en divisant l'échantillon en trois parties selon les terciles. Les barycentres sur la partie de gauche et celle de droite servent à déterminer la pente de la droite de régression, et le barycentre de la partie centrale sert à ajuster l'ordonnée à l'origine.

En 1951, Brown and Mood^[4] reprennent la méthode de Wald, mais remplacent le barycentre par le calcul des médianes en x et en y. En 1971, Tukey^[5] s'inspire de ces méthodes pour proposer sa « droite robuste ».

On considère un nuage de points (x_i, y_i)_{1 ≤ i ≤ n}, supposées corrélées linéairement :

y = β₀ + β₁x + ε

On sépare ce nuage en trois parties égales selon les terciles des x. Pour chacune des trois régions, notées de gauche à droite I, II et III, on calcule la médiane des x et des y, ce qui donne trois points notées ${\displaystyle \mathrm {M_{I}} ({\tilde {x}}_{\mathrm {I} },{\tilde {y}}_{\mathrm {I} })}$, ${\displaystyle \mathrm {M_{II}} ({\tilde {x}}_{\mathrm {II} },{\tilde {y}}_{\mathrm {II} })}$ et ${\displaystyle \mathrm {M_{III}} ({\tilde {x}}_{\mathrm {III} },{\tilde {y}}_{\mathrm {III} })}$.

Les points extrêmes M_I et M_III servent à calculer la pente de la droite. On a donc

${\displaystyle \beta _{1}={\frac {{\tilde {y}}_{\mathrm {III} }-{\tilde {y}}_{\mathrm {I} }}{{\tilde {x}}_{\mathrm {III} }-{\tilde {x}}_{\mathrm {I} }}}{\text{.}}}$

Puis, on considère la droite (M_IM_III), et la droite parallèle à celle-ci mais passant par le point M_II. La droite de régression que l'on retient passe entre ces deux droites, au tiers de la distance du côté de la droite (M_IM_III). L'ordonnée à l'origine est donc :

${\displaystyle \beta _{0}={\frac {{\tilde {y}}_{\mathrm {I} }+{\tilde {y}}_{\mathrm {II} }+{\tilde {y}}_{\mathrm {III} }-\beta _{1}({\tilde {x}}_{\mathrm {I} }+{\tilde {x}}_{\mathrm {II} }+{\tilde {x}}_{\mathrm {III} })}{3}}}$

La méthode médiane-médiane peut être mise en œuvre de la manière suivante^[1] : elle nécessite peu de calcul, essentiellement un système de classement. Après avoir rangé les points selon les valeurs croissantes de x, on découpe l'échantillon en trois parts de taille égale. Sur chaque part,on effectue deux découpages:

• le premier sur les valeurs de x (déjà rangées en ordre croissant) – on découpe la population en deux pour trouver le terme médian en x
• le seconde sur les valeurs de y (qu'il faut ranger en ordre croissant) – on découpe la population en deux pour trouver le terme médian en y

Elle est simple à comprendre et à mettre en œuvre quand l'échantillon est de petite taille, et donc peut être appliquée par des personnes ne possédant pas de notions de statistiques ; cela permet par exemple d'introduire la notion de régression linéaire assez tôt dans les études.

Comme déjà énoncé, cette méthode est peu perturbée par des points aberrants.

Par contre, elle ne s'applique qu'aux problèmes à deux variables, et ne permet pas de déterminer l'incertitude sur les valeurs β₀ et β₁ obtenues. En particulier, elle ne permet pas de faire les tests de non nullité.

• Régression quantile

v · m Tests statistiques
Tests de comparaison d'une seule variable	Pour un échantillon Test Z Test t pour un échantillon Test des signes Test des rangs signés de Wilcoxon Estimateur de Hodges-Lehmann Pour deux échantillons Test F Test de Student Test t de Welch Test U de Mann-Whitney Test du χ² d'homogénéité Test de McNemar Test de la médiane Pour 3 échantillons ou plus Analyse de la variance (ANOVA) Test de Kruskal-Wallis ANOVA de Friedman Test de Bartlett Test de Levene Test de Brown-Forsythe
Tests de comparaison de deux variables	Deux variables quantitatives : Tests de corrélation Corrélation de Pearson Corrélation de Spearman Corrélation de Kendall Deux variables qualitatives Test exact de Fisher Test du χ² d'indépendance Test Gamma Plus de deux variables Concordance de Kendall Analyse de variance multivariée Test Q de Cochran
Tests d'adéquation à une loi	Test de Kolmogorov-Smirnov Test du χ² d'adéquation Test de Jarque-Bera Test de Lilliefors Test d'Anderson-Darling Test de D'Agostino Test de Cramer-Von Mises
Tests d'appartenance à une famille de lois	Test de Shapiro-Wilk
Autres tests	Test du rapport de vraisemblance
Tests non-paramétriques Tests paramétriques Table d'utilisation des tests statistiques

v · m Index du projet probabilités et statistiques

Théorie des probabilités Bases théoriques Principes généraux Axiomes des probabilités Espace mesurable Probabilité Événement Tribu Indépendance Variable aléatoire Espérance Variables iid Convergence de lois Théorème central limite Loi des grands nombres Théorème de Borel-Cantelli Calcul stochastique Marche aléatoire Chaîne de Markov Processus stochastique Processus de Markov Martingale Mouvement brownien Équation différentielle stochastique Lois de probabilité Lois continues Loi exponentielle Loi normale Loi uniforme Loi de Student Loi de Fisher Loi du χ² Lois discrètes Loi de Bernoulli Loi binomiale Loi de Poisson Loi géométrique Loi hypergéométrique Mélange entre statistiques et probabilités Intervalle de confiance Interprétations de la probabilité Bayésianisme Théorie des statistiques Statistiques descriptives Bases théoriques Une statistique Caractère Échantillon Erreur type Intervalle de confiance Fonction de répartition empirique Théorème de Glivenko-Cantelli Inférence bayésienne Régression linéaire Méthode des moindres carrés Analyse des données Corrélation Tableaux Tableau de contingence Tableau disjonctif complet Table de Burt Visualisation de données Histogramme Diagramme à barres Graphique en aires Diagramme circulaire Treemap Boîte à moustaches Nuage de points Graphique à bulles Diagramme en cascade Graphique en entonnoir Diagramme de Kiviat Corrélogramme Graphique en forêt Diagramme branche-et-feuille Heat map Sparkline Paramètres de position Moyenne arithmétique Mode Médiane Quantile Quartile Décile Centile Paramètres de dispersion Étendue Écart moyen Variance Écart type Déviation absolue moyenne Écart interquartile Coefficient de variation Paramètres de forme Coefficient d'asymétrie Coefficient d'aplatissement Statistiques inductives Bases théoriques Hypothèse nulle Estimateur Signification statistique Sensibilité et spécificité Courbe ROC Nombre de sujets nécessaires Valeur p Contraste (statistiques) Statistique de test Taille d'effet Puissance statistique Tests paramétriques Test d'hypothèse Test de Bartlett Test de normalité Test de Fisher d'égalité de deux variances Test d'Hausman Test d'Anderson-Darling Test de Banerji Test de Durbin-Watson Test de Goldfeld et Quandt Test de Jarque-Bera Test de Mood Test de Lilliefors Test de Wald Test T pour des échantillons indépendants Test T pour des échantillons appariés Test de corrélation de Pearson Tests non-paramétriques Test U de Mann-Whitney Test de Kruskal-Wallis Test exact de Fisher Test de Kolmogorov-Smirnov Test de Shapiro-Wilk Test de Chow Test de McNemar Test de Spearman Tau de Kendall Test Gamma Test des suites de Wald-Wolfowitz Test de la médiane Test des signes ANOVA de Friedman Concordance de Kendall Test Q de Cochran Test des rangs signés de Wilcoxon Test de Sargan Application Économétrie Mécanique statistique Jeu de hasard Biomathématique Biostatistique Mathématiques financières

• Portail des probabilités et de la statistique