Comment interpréter l’écart interquartile (avec des exemples)

Dans le champ de l’analyse exploratoire des données, de la psychométrie et de la recherche empirique, la tendance centrale d’une distribution ne livre qu’une perspective partielle de la réalité sous-jacente. Si la médiane ou la moyenne arithmétique permettent de localiser le barycentre ou le point d’équilibre des observations, elles demeurent aveugles à la dynamique de variation qui structure l’échantillon. Deux cohortes expérimentales peuvent afficher une médiane rigoureusement identique tout en recouvrant des profils cliniques ou comportementaux diamétralement opposés : l’une regroupant des individus étroitement concentrés autour de cette valeur de référence, l’autre présentant une dispersion massive, marquée par des profils hétérogènes et des valeurs extrêmes. L’appréhension de la variabilité n’est donc pas un simple complément descriptif ; elle constitue le cœur même du diagnostic distributionnel.

Pourtant, la quantification de la variabilité est trop fréquemment réduite à l’usage systématique de l’écart-type et de la variance, instruments cardinaux de la statistique paramétrique classique. Si l’élégance mathématique de ces indices s’avère indiscutable dans le cadre strict d’une loi normale, leur pertinence s’effondre dès lors que les données empiriques violent les postulats de symétrie et de mésocurticité. Dans les sciences humaines, biologiques ou médicales, les distributions exhibent de manière quasi universelle des asymétries prononcées, des planchers de mesure, des queues de distribution épaisses et des valeurs aberrantes issues de la variabilité intrinsèque du vivant. Dans ces configurations réelles, l’écart-type est lourdement distordu par les observations périphériques, produisant une estimation artificielle et trompeuse de la dispersion typique.

C’est précisément à cette faille méthodologique que répond l’écart interquartile (souvent désigné par le sigle IQR, pour Interquartile Range). Mesure de dispersion non paramétrique par excellence, l’IQR s’affranchit de l’influence déstabilisatrice des valeurs extrêmes en focalisant son estimation sur les 50 % centraux de la distribution. En combinant robustesse statistique, résistance computationnelle et interprétabilité intuitive, il offre un cadre analytique fondamental pour caractériser l’hétérogénéité des scores, diagnostiquer l’asymétrie sous-jacente et détecter rigoureusement les données atypiques. Ce guide complet explore les fondements théoriques, les modalités de calcul, les applications psychométriques concrètes et les critères décisionnels qui gouvernent l’usage expert de l’écart interquartile.

1. Fondements théoriques et définition mathématique de l’écart interquartile (IQR)

1.1 Définition formelle des quartiles et division distributionnelle

L’architecture théorique de l’écart interquartile repose sur le concept de quantification positionnelle, introduit pour scinder une distribution univariée ordonnée en sous-ensembles d’effectifs rigoureusement équivalents. Dans le cadre de la théorie des quantiles, formalisée notamment dans les travaux de statistique non paramétrique répertoriés par le National Institute of Standards and Technology, les quartiles constituent les trois points de coupure qui partitionnent un ensemble d’observations préalablement triées en quatre segments renfermant chacun exactement 25 % de la masse empirique totale. Ce découpage obéit à une logique ordinale indépendante des distances absolues qui séparent les scores consécutifs, conférant immédiatement à la méthode une immunité structurelle face aux étirements d’échelle.

Le premier quartile, universellement noté $Q_1$ ou $q_{0,25}$, correspond au 25^e centile de la distribution. Sur le plan formel, $Q_1$ est défini comme la plus petite valeur d’observation telle qu’au moins 25 % des données de l’échantillon lui soient inférieures ou égales, et qu’au moins 75 % lui soient supérieures ou égales. En psychométrie ou en économie, $Q_1$ matérialise le seuil d’entrée dans le quart inférieur de la population étudiée : il délimite le contingent des scores les plus bas ou les plus sévères selon la polarité de la variable.

À l’autre extrémité du spectre central se positionne le troisième quartile, désigné par $Q_3$ ou $q_{0,75}$, qui incarne le 75^e centile de la distribution. De manière analogue, il s’agit de la valeur seuil sous laquelle se concentrent 75 % des observations de l’échantillon, laissant les 25 % restants au-delà de sa frontière supérieure. Entre ces deux balises s’insère le deuxième quartile, $Q_2$, plus communément qualifié de médiane ($Mdn$ ou $q_{0,50}$). Pivot absolu de l’architecture distributionnelle, la médiane sépare la distribution en deux moitiés égales. L’agencement relatif de $Q_1$, de la médiane et de $Q_3$ constitue l’armature fondamentale à partir de laquelle s’évalue non seulement la dispersion, mais également l’équilibre géométrique de la distribution des données.

1.2 La formule fondamentale : IQR = Q3 – Q1

La formulation algébrique de l’écart interquartile s’exprime avec une limpidité trompeuse sous l’équation classique :

$$\text{IQR} = Q_3 – Q_1$$

Bien que cette opération arithmétique élémentaire consiste à soustraire la valeur scalaire du premier quartile à celle du troisième, sa portée épistémologique est profonde. L’IQR représente la longueur de l’intervalle nécessaire pour agréger les observations situées entre le 25^e et le 75^e centile. Sur le plan métrologique, l’IQR est une mesure absolue : il s’exprime rigoureusement dans la même unité physique ou psychométrique que la variable d’origine (qu’il s’agisse de millisecondes pour un temps de réaction, de points sur une échelle d’anxiété ou de microgrammes par millilitre dans un dosage pharmacologique). Contrairement aux transformations standardisées comme les scores $Z$, l’interprétation de l’écart interquartile conserve ainsi une relation directe et concrète avec l’instrument de mesure.

Il importe de clarifier une distinction conceptuelle majeure, trop souvent occultée par des confusions sémantiques dans les publications empiriques : l’écart interquartile ($\text{IQR}$) ne doit pas être confondu avec l’intervalle interquartile. L’intervalle interquartile renvoie à l’entité ensembliste $[Q_1, Q_3]$, c’est-à-dire au segment délimité par les deux bornes quartiliques. À l’inverse, l’écart interquartile est la mesure de distance, le scalaire qui quantifie la largeur de cet intervalle. L’intervalle situe la zone de concentration dans l’espace des variables (par exemple, un intervalle d’anxiété de 35 à 55 points), tandis que l’écart interquartile résume l’amplitude de cette concentration (soit un $\text{IQR}$ de 20 points).

1.3 La capture des 50 % centraux de la population observée

La finalité première de l’écart interquartile réside dans l’isolation délibérée du cœur de la distribution. En éliminant méthodiquement les 25 % des observations les plus faibles et les 25 % des observations les plus élevées, l’analyste neutralise l’impact des queues de distribution pour circonscrire son examen au groupe des 50 % de sujets ou d’items les plus typiques de l’échantillon. Cette focalisation répond au principe de représentativité médiane, particulièrement crucial dans les sciences du comportement et la recherche clinique où les extrémités d’une distribution sont couramment saturées par du bruit de mesure, des artefacts techniques ou des profils pathologiques hautement singuliers.

L’IQR évalue directement la densité observationnelle autour de la médiane. Si les 50 % centraux des données sont comprimés dans une bande numérique étroite, l’IQR sera faible, témoignant d’une forte cohésion du comportement typique de l’échantillon. Inversement, si cette masse centrale s’étire sur une vaste portion de l’échelle, l’IQR croîtra en proportion, révélant une importante variabilité interindividuelle au sein même de la population de référence. En isolant ce sous-ensemble médian, l’analyste obtient un baromètre épuré de la variabilité structurale, garantissant que l’indice de dispersion reflète fidèlement la réalité de la majorité et non les caprices d’une poignée d’observations marginales.

2. Utilité statistique de l’IQR : comparaison avec l’étendue et l’écart-type

2.1 Les faiblesses structurelles de l’étendue globale

L’indicateur le plus rudimentaire de dispersion demeure l’étendue brute (ou range), définie par la simple différence entre le maximum et le minimum observés : $\text{Étendue} = X_{\max} – X_{\min}$. Si sa simplicité computationnelle est attrayante, sa fragilité statistique en restreint drastiquement la validité scientifique. Par nature, l’étendue globale dépend exclusivement de deux points d’échantillonnage : les deux plus extrêmes. Par conséquent, une unique erreur de frappe (par exemple, la saisie d’un score de 999 au lieu de 99) ou la présence accidentelle d’un sujet affichant une réponse aberrante suffit à gonfler artificiellement l’étendue, donnant une impression trompeuse d’hyper-dispersion pour un groupe en réalité homogène.

Au-delà de cette vulnérabilité aux anomalies, l’étendue globale souffre d’un défaut théorique majeur : elle constitue un estimateur non stable qui tend à croître mécaniquement avec la taille de l’échantillon $N$. Plus le nombre d’observations augmente, plus la probabilité d’échantillonner des valeurs situées dans les queues infinitésimales de la distribution s’élève, augmentant l’espérance mathématique de la distance entre le minimum et le maximum. De surcroît, l’étendue ne fournit aucune information sur la structure interne de l’échantillon : elle est totalement insensible au fait que 98 % des données soient tassées à gauche, à droite ou réparties uniformément entre les bornes. L’IQR résout ces écueils en ignorant les valeurs limites pour se concentrer sur des seuils statistiques stables.

2.2 L’écart-type face aux distributions non gaussiennes

Dans le paradigme paramétrique, l’écart-type ($\sigma$ au niveau populationnel, $s$ ou $SD$ au niveau échantillonnal) règne sans partage. Ancré dans la minimisation des moindres carrés, il mesure la dispersion quadratique moyenne des données autour de la moyenne arithmétique :

$$s = \sqrt{\frac{1}{N-1}\sum_{i=1}^{N}(X_i – \bar{X})^2}$$

Cette formulation mathématique lie inextricablement l’écart-type à la moyenne arithmétique ($\bar{X}$). Or, dès lors qu’une distribution s’écarte du modèle gaussien théorique, cette dépendance devient une vulnérabilité critique. Dans une distribution fortement asymétrique ou contaminée par des données aberrantes, la moyenne est irrémédiablement déportée vers la queue lourde de la distribution. L’écart-type subit une distorsion encore plus sévère en raison de l’élévation au carré des écarts $(X_i – \bar{X})^2$. Une observation située à dix écarts-types de la moyenne pèse cent fois plus lourd dans le calcul de la variance qu’une observation située à un écart-type, induisant une surestimation dramatique de la dispersion réelle pour le reste de l’échantillon.

Lorsque le postulat de normalité est violé, l’application machinale de la règle empirique associant $\bar{X} \pm 1 SD$ à 68 % des observations devient fausse et erronée. L’écart-type perd alors sa signification probabiliste intuitive et peut projeter des intervalles théoriques aberrants, englobant par exemple des scores négatifs sur des échelles cliniques qui n’admettent que des valeurs strictement positives.

2.3 La robustesse statistique de l’écart interquartile

Face aux limites inhérentes à l’étendue et à l’écart-type, l’écart interquartile se distingue par une propriété méthodologique primordiale : la robustesse statistique. En statistique robuste, la résistance d’un estimateur s’évalue par son point de rupture (ou breakdown point), qui désigne la proportion maximale d’observations arbitrairement corrompues qu’un estimateur peut tolérer avant de produire une valeur infiniment fausse ou dégénérée. Alors que la moyenne et l’écart-type possèdent un point de rupture nul ($\epsilon^* = 0$), signifiant qu’une seule valeur infinie suffit à détruire l’estimation, l’écart interquartile bénéficie d’un point de rupture remarquable de 25 % ($\epsilon^* = 0,25$).

Concrètement, jusqu’à 25 % des observations les plus basses et 25 % des observations les plus hautes peuvent être modifiées, corrompues ou projetées à l’infini sans que la valeur scalaire de l’IQR n’en soit altérée d’une seule unité. Cette résilience exceptionnelle confère à l’IQR une stabilité d’estimation exemplaire dans les contextes de modélisation non paramétrique. En psychologie clinique, en sociologie du travail ou en économie comportementale, où les jeux de données comportent inévitablement des distributions leptocurtiques, des effets de seuil ou des contaminations d’échantillonnage, l’IQR s’impose comme l’estimateur de référence pour refléter la véritable variabilité structurelle des populations étudiées.

3. Méthodologie rigoureuse de calcul de l’écart interquartile

3.1 Ordonnancement et classement hiérarchique des données

Le calcul de l’écart interquartile exige impérativement une étape préparatoire incontournable : le tri croissant exhaustif de l’ensemble des observations. Contrairement aux calculs de moyenne et d’écart-type qui exploitent des sommes arithmétiques commutatives indépendantes de la position des données, l’estimation des quantiles relève de la statistique d’ordre. Soit un échantillon de taille $N$ noté ${X_1, X_2, dots, X_N}$, la première opération algorithmique consiste à générer la suite ordonnée des statistiques de rang :

$$X_{(1)} le X_{(2)} le dots le X_{(N)}$$

Dans cette notation indicielle parenthésée, $X_{(1)}$ représente la valeur minimale observée dans l’échantillon, tandis que $X_{(N)}$ désigne le score maximal. Chaque observation se voit attribuer un rang hiérarchique $k$ compris entre $1$ et $N$. La gestion des ex æquo (ou ties) requiert une rigueur méthodique particulière : lorsque plusieurs sujets obtiennent des scores strictement identiques, ils partagent des rangs consécutifs dans la série ordonnée. Ces fréquences cumulées modifient la fonction de répartition empirique par paliers, ce qui impose une définition précise de la méthode d’interpolation lorsque le rang théorique d’un quartile ne correspond pas à un entier naturel strict.

3.2 Algorithmes de détermination de Q1 et Q3

Bien que la définition théorique des quartiles soit intuitive, son implémentation algorithmique présente des divergences subtiles dans la littérature mathématique. Il n’existe pas une méthode universelle unique pour calculer un quantile empirique, mais plusieurs conventions computationnelles rigoureuses, documentées de manière exhaustive par Hyndman et Fan (1996) dans leur taxonomie de référence recensant neuf algorithmes distincts utilisés par les logiciels statistiques modernes.

La première grande divergence réside dans le statut accordé à la médiane pour la décomposition des sous-groupes :

• La méthode exclusive (ou méthode de Tukey / charnières) : Lorsque l’échantillon présente un effectif impair, la médiane ($Q_2$) est strictement exclue du sous-ensemble inférieur et du sous-ensemble supérieur. Les quartiles $Q_1$ et $Q_3$ sont alors calculés comme les médianes respectives de ces deux sous-groupes indépendants.
• La méthode inclusive : La médiane de l’échantillon global est intégrée simultanément dans le demi-échantillon inférieur et dans le demi-échantillon supérieur avant d’en extraire les médianes secondaires. Cette approche tend à rapprocher artificiellement les quartiles de la médiane sur les échantillons très réduits.

Dans les environnements de calcul de haute précision comme le langage R, Python (via NumPy ou SciPy) ou SPSS, le positionnement des quantiles fait intervenir des formules d’interpolation linéaire continue. Dans le standard de R (argument type=7, paramètre par défaut hérité de S), l’indice théorique du quantile de rang $p$ est modélisé par :

$$k = 1 + (N – 1)p$$

Si cet indice $k$ n’est pas un entier, il se décompose en une partie entière $lfloor k rfloor$ et une fraction résiduelle $f = k – lfloor k rfloor$. La valeur du quantile s’obtient alors par l’interpolation pondérée :

$$Q(p) = (1 – f) \cdot X_{(\lfloor k \rfloor)} + f \cdot X_{(\lfloor k \rfloor + 1)}$$

Sous cette convention, pour $Q_1$ ($p = 0,25$), l’indice vaut $k_1 = 1 + 0,25(N – 1)$, et pour $Q_3$ ($p = 0,75$), l’indice devient $k_3 = 1 + 0,75(N – 1)$. En revanche, des logiciels comme SPSS ou le module par défaut d’Excel implémentent fréquemment la formule $k = p(N + 1)$, correspondant au type=6 de Hyndman et Fan. Bien que ces divergences produisent des écarts minimes et asymptotiquement négligeables sur les grands échantillons ($N > 100$), elles génèrent de légères variations scalaires sur les petits groupes que l’analyste se doit d’expliciter.

3.3 Résolution mathématique selon la parité de l’échantillon

Pour illustrer la mécanique calculatoire pas à pas, examinons la méthode manuelle standard, fondée sur la règle de décomposition médiane selon la parité de l’effectif $N$.

Cas 1 : Effectif pair ($N = 10$).
Considérons la série ordonnée de scores psychométriques :

$$S_{\text{pair}} = {12, 15, 18, 22, 25, 28, 30, 34, 38, 42}$$

L’effectif étant pair, la médiane se situe exactement entre le 5^e et le 6^e rang :

$$Mdn = \frac{25 + 28}{2} = 26,5$$

La distribution se scinde naturellement en deux moitiés équilibrées de 5 observations chacune :

• Moitié inférieure : ${12, 15, 18, 22, 25}$
• Moitié supérieure : ${28, 30, 34, 38, 42}$

$Q_1$ correspond à la médiane de la moitié inférieure, soit la 3^e valeur : $Q_1 = 18$. De même, $Q_3$ est la médiane de la moitié supérieure, soit sa 3^e valeur : $Q_3 = 34$. Nous en déduisons l’écart interquartile :

$$\text{IQR} = Q_3 – Q_1 = 34 – 18 = 16$$

Cas 2 : Effectif impair ($N = 11$).
Adjoignons une observation supplémentaire pour obtenir :

$$S_{\text{impair}} = {12, 15, 18, 22, 25, 28, 30, 34, 38, 42, 45}$$

L’indice médian exact correspond à $\frac{N+1}{2} = \frac{12}{2} = 6$. La médiane est la 6^e observation : $Mdn = 28$. Selon la méthode exclusive de Tukey, ce point central est retiré pour délimiter les sous-groupes, fournissant deux ensembles de 5 scores :

• Sous-groupe inférieur : ${12, 15, 18, 22, 25} implies Q_1 = 18$
• Sous-groupe supérieur : ${30, 34, 38, 42, 45} implies Q_3 = 38$

L’écart interquartile s’établit alors formellement à :

$$\text{IQR} = Q_3 – Q_1 = 38 – 18 = 20$$

4. Les clés d’interprétation analytique de l’écart interquartile

4.1 Évaluation du degré de concentration des données

L’interprétation d’une valeur scalaire de l’IQR ne saurait s’effectuer dans un vide conceptuel : elle s’articule directement avec la dynamique d’homogénéité ou d’hétérogénéité des observations centrales. Un IQR quantitativement faible indique une forte concentration des données autour de la médiane. Cela signifie que la moitié centrale des individus partage des performances, des attitudes ou des profils cliniques remarquablement proches. Une telle homogénéité témoigne souvent de la stabilité d’un processus psychologique ou de l’effet unificateur d’une intervention.

Inversement, un IQR élevé dénote une dispersion marquée au sein même du cœur de l’échantillon. Cette hétérogénéité signale que, même en excluant les scores périphériques et les éventuels cas déviants, la réponse individuelle demeure très diversifiée. L’analyste doit impérativement contextualiser la magnitude de l’écart interquartile par rapport à l’étendue théorique de l’instrument de mesure employé : un IQR de 15 points ne revêt absolument pas la même signification clinique s’il est observé sur une échelle bornée de 0 à 20 (indiquant alors une dispersion gigantesque) ou sur un test d’aptitude standardisé s’étendant de 0 à 500 (où il traduirait au contraire un resserrement presque parfait des scores).

4.2 Diagnostic de la symétrie distributionnelle

L’écart interquartile constitue un vecteur d’information diagnostique privilégié pour cartographier l’architecture géométrique d’une distribution sans recourir aux équations d’asymétrie paramétrique (comme le coefficient de Fisher-Pearson fondé sur le moment d’ordre 3). L’analyse de la position relative de la médiane $Q_2$ à l’intérieur de l’espace interquartile $[Q_1, Q_3]$ permet d’établir un diagnostic immédiat du profil d’asymétrie (ou skewness) en comparant les deux semi-amplitudes interquartiles :

• Distribution symétrique : Si la distance $(Q_2 – Q_1)$ est approximativement égale à la distance $(Q_3 – Q_2)$, la médiane se situe parfaitement au centre de la boîte interquartile. Les observations centrales se déploient de manière équilibrée de part et d’autre du seuil médian.
• Asymétrie positive (étalement vers la droite) : Si $(Q_3 – Q_2) > (Q_2 – Q_1)$, la distance séparant la médiane du troisième quartile excède nettement celle qui la sépare du premier quartile. Cela indique une compression des scores dans les valeurs basses et un étirement des observations centrales vers les scores élevés. C’est le profil canonique des temps de réaction, des revenus ou des mesures de détresse psychologique en population générale.
• Asymétrie négative (étalement vers la gauche) : Si $(Q_2 – Q_1) > (Q_3 – Q_2)$, l’espace séparant $Q_1$ de la médiane est prédominant. Ce patron met en lumière une queue de distribution étirée vers les faibles scores avec une concentration massive des observations vers les valeurs plafonds, situation fréquente lors de tests cognitifs excessivement faciles ou dans l’évaluation de la satisfaction client.

Cette approche non paramétrique se formalise à travers le coefficient d’asymétrie de Bowley (ou coefficient de Yule), défini exclusivement par les quartiles :

$$B = \frac{(Q_3 – Q_2) – (Q_2 – Q_1)}{Q_3 – Q_1} = \frac{Q_3 + Q_1 – 2Q_2}{\text{IQR}}$$

Ce coefficient standardisé oscille entre $-1$ et $+1$. Une valeur strictement nulle confirme une symétrie parfaite au niveau du cœur de la distribution, tandis qu’une valeur s’écartant sensiblement de zéro quantifie l’intensité de la déformation morphologique de la variable.

4.3 Association systématique avec la médiane

Sur le plan de l’épistémologie méthodologique, une mesure de dispersion ne détient aucune valeur informative autonome si elle est dissociée de son paramètre de position centrale congruent. Tout comme l’écart-type est méthodologiquement orphelin s’il n’est pas adossé à la moyenne arithmétique, l’écart interquartile est incomplet s’il n’est pas articulé avec la médiane. Le binôme Médiane / IQR forme le couple fondamental de la statistique non paramétrique robuste. Présenter l’IQR sans situer l’ancrage médian empêche le lecteur de situer la distribution dans l’espace numérique réel de la mesure.

Dans la pratique de l’évaluation comportementale ou clinique, ce couplage fournit une grille de lecture robuste pour juger de la « typicité » d’un profil. Un clinicien confronté au résultat d’un patient sait immédiatement que si le score s’insère dans l’intervalle $[Q_1, Q_3]$, l’individu s’inscrit au sein de la normalité centrale (les 50 % intermédiaires de la population). S’il se situe au-delà de $Q_3$, il s’élève au-dessus du standard médian, l’amplitude de l’IQR servant de graduation métrique robuste pour quantifier l’ampleur de cet écart sans souffrir des distorsions induites par d’éventuels scores extrêmes dans le groupe de normalisation.

5. Exemple pratique n°1 : Évaluation de l’anxiété sur l’échelle STAI

5.1 Contexte de l’échantillonnage et recueil des scores

Pour ancrer ces concepts théoriques dans la réalité de la pratique psychométrique, examinons une étude portant sur le niveau d’anxiété situationnelle mesuré auprès d’un échantillon clinique de 25 adultes admis dans un protocole d’investigation des troubles paniques. L’instrument employé est l’inventaire réputé d’anxiété situationnelle STAI-Y (State-Trait Anxiety Inventory de Spielberger), sous sa forme état. Cette échelle auto-rapportée compte 20 items cotés de 1 à 4, générant un score total borné entre une valeur plancher de 20 (absence absolue d’anxiété rapportée) et un plafond de 80 (détresse anxieuse extrême).

À l’issue de la phase de passation, les scores bruts recueillis auprès des 25 participants sont triés par ordre croissant de sévérité afin de constituer la série indicielle formelle :

$$S_{\text{STAI}} = {24, 27, 29, 31, 33, 35, 36, 38, 40, 41, 43, 44, 46, 48, 51, 53, 54, 57, 59, 62, 64, 66, 68, 72, 76}$$

L’échantillon comportant un effectif impair ($N = 25$), le rang exact de la médiane se déduit directement par l’opération :

$$\text{Rang}(Q_2) = \frac{N + 1}{2} = \frac{25 + 1}{2} = 13$$

La 13^e observation de la série ordonnée est $X_{(13)} = 46$. La médiane du niveau d’anxiété de ce groupe clinique s’établit par conséquent à $Mdn = 46$ points.

5.2 Calcul et décomposition numérique de l’IQR

En adoptant la méthode conventionnelle de Tukey, nous excluons la 13^e valeur médiane afin de scinder la série empirique en deux sous-ensembles cardinaux de 12 observations chacun :

• Sous-groupe inférieur : ${24, 27, 29, 31, 33, 35, 36, 38, 40, 41, 43, 44}$
• Sous-groupe supérieur : ${48, 51, 53, 54, 57, 59, 62, 64, 66, 68, 72, 76}$

Pour le sous-groupe inférieur composé de $n = 12$ valeurs, la médiane sous-jacente ($Q_1$) correspond à la moyenne arithmétique de la 6^e et de la 7^e observation de ce bloc :

$$Q_1 = \frac{X_{(6)} + X_{(7)}}{2} = \frac{35 + 36}{2} = 35,5$$

De manière symétrique, le troisième quartile ($Q_3$) s’obtient en réalisant la moyenne des 6^e et 7^e valeurs du sous-groupe supérieur (qui correspondent aux 19^e et 20^e rangs de la série générale) :

$$Q_3 = \frac{X_{(19)} + X_{(20)}}{2} = \frac{59 + 62}{2} = 60,5$$

L’application rigoureuse de la formule fondamentale permet d’extraire la distance interquartile scalaire :

$$\text{IQR} = Q_3 – Q_1 = 60,5 – 35,5 = 25,0$$

L’intervalle interquartile délimite ainsi formellement l’empan central :

$$[Q_1, Q_3] = [35,5,;,60,5]$$

5.3 Interprétation clinique et psychométrique des résultats

L’exploitation analytique de ces métriques livre des enseignements cliniques majeurs. L’écart interquartile de $25,0$ points indique une dispersion substantielle de l’anxiété au sein du groupe étudié. Sur une échelle opérationnelle disposant d’une amplitude totale réelle de 60 points (de 20 à 80), une variabilité centrale de 25 points révèle que le cœur même de la cohorte n’est pas homogène : les patients admis dans cette étude ne partagent pas un niveau uniforme d’anxiété-état.

L’analyse de symétrie confirme cette hétérogénéité structurelle. Calculons les deux écarts partiels par rapport à la médiane ($Mdn = 46$) :

• Écart inférieur : $Q_2 – Q_1 = 46 – 35,5 = 10,5$ points
• Écart supérieur : $Q_3 – Q_2 = 60,5 – 46 = 14,5$ points

La distance $(Q_3 – Q_2)$ étant plus élevée que $(Q_2 – Q_1)$, la distribution manifeste une asymétrie positive sensible, matérialisée par un coefficient de Bowley de :

$$B = \frac{14,5 – 10,5}{25} = \frac{4}{25} = +0,16$$

Cette légère distorsion vers la droite met en évidence une queue de distribution supérieure étirée : si la moitié inférieure des patients se stabilise dans des registres anxieux modérés (de 35,5 à 46), le quart supérieur de la moitié centrale bascule vers des scores approchant la sévérité clinique extrême (jusqu’à 60,5). Sur le plan de la régulation institutionnelle, ce résultat interdit d’appliquer une approche thérapeutique générique indifférenciée à cette cohorte : l’amplitude de l’IQR justifie formellement une stratification clinique en deux sous-filières de soins pré-thérapeutiques.

6. Exemple pratique n°2 : Temps de réaction cognitif lors d’un test d’attention

6.1 Protocole neurocognitif et collecte des temps de latence

Dans le domaine des neurosciences cognitives et de la psychologie expérimentale, les temps de réaction (TR) constituent l’archétype des variables asymétriques non réductibles au modèle gaussien classique. Les distributions de TR obéissent typiquement à des modèles de type Ex-Gaussien ou Log-Normal, caractérisés par une barrière physiologique infranchissable à gauche (le temps incompressible de conduction nerveuse et de traitement rétinien, souvent autour de 180 à 200 ms) et une traîne infinie à droite, provoquée par les laps d’attention intermittents, les microsommeils ou les égarements cognitifs.

Considérons un protocole de détection de signal visuel simple (tâche de type psychomotor vigilance task ou PVT) administré à un participant unique sur une série chronométrée de 40 essais consécutifs. Les latences de réponse sont enregistrées en millisecondes (ms). Les données brutes, une fois triées par ordre croissant, fournissent le tableau expérimental suivant ($N = 40$) :

$$S_{\text{TR}} = {212, 218, 224, 228, 231, 235, 238, 240, 242, 245, 248, 250, 252, 255, 257, 260, 262, 265, 268, 270, 272, 275, 278, 281, 285, 290, 296, 302, 310, 318, 325, 336, 350, 372, 405, 448, 512, 630, 785, 940}$$

L’échantillon comportant un effectif pair ($N = 40$), la médiane se situe à la frontière exacte entre la 20^e et la 21^e observation :

$$Mdn = \frac{X_{(20)} + X_{(21)}}{2} = \frac{270 + 272}{2} = 271\text{ ms}$$

6.2 Traitement quantitatif et extraction de l’IQR

Scindons l’échantillon en deux sous-ensembles pairs comportant rigoureusement 20 observations chacun. Le bloc inférieur rassemble les scores du rang 1 au rang 20, tandis que le bloc supérieur regroupe les rangs 21 à 40.

Le premier quartile $Q_1$ se calcule en extrayant la médiane du bloc inférieur, soit la moyenne entre sa 10^e et sa 11^e valeur (rangs 10 et 11 de la série complète) :

$$Q_1 = \frac{X_{(10)} + X_{(11)}}{2} = \frac{245 + 248}{2} = 246,5\text{ ms}$$

Le troisième quartile $Q_3$ est déterminé de manière analogue en prenant la moyenne de la 10^e et de la 11^e valeur du bloc supérieur (correspondant aux rangs 30 et 31 de la série globale) :

$$Q_3 = \frac{X_{(30)} + X_{(31)}}{2} = \frac{318 + 325}{2} = 321,5\text{ ms}$$

L’écart interquartile de la réponse attentionnelle se calcule sans ambiguïté :

$$\text{IQR} = Q_3 – Q_1 = 321,5 – 246,5 = 75,0\text{ ms}$$

Il est édifiant de confronter ce résultat aux indicateurs paramétriques calculés sur la même série de données :

• Moyenne arithmétique : $\bar{X} = 326,8\text{ ms}$
• Écart-type : $s = 153,6\text{ ms}$
• Étendue brute : $940 – 212 = 728\text{ ms}$

L’écart-type de $153,6\text{ ms}$ est lourdement distordu par les trois derniers essais ($630$, $785$ et $940\text{ ms}$), qui correspondent manifestement à des déconnexions attentionnelles transitoires. La moyenne ($326,8\text{ ms}$) est quant à elle rejetée au-delà de 75 % des scores observés ($Q_3 = 321,5\text{ ms}$). À l’inverse, l’IQR de $75,0\text{ ms}$ capture avec une fidélité clinique parfaite la variabilité normale du traitement de l’information du sujet, sans se laisser contaminer par ces fluctuations périphériques.

6.3 Interprétation neuropsychologique de la variabilité intra-individuelle

Dans l’évaluation de la performance exécutive, la variabilité intra-individuelle (IIV, pour Intra-Individual Variability) est reconnue comme un biomarqueur comportemental sensible de l’intégrité fronto-striatale. Néanmoins, l’interprétation clinique requiert de séparer la vitesse de croisière centrale des défaillances intermittentes de régulation.

L’IQR reflète ici la variabilité computationnelle endogène du sujet lors des 50 % de ses essais les plus représentatifs : une fluctuation de $75\text{ ms}$ autour d’un point médian de $271\text{ ms}$ dénote une excellente stabilité sensorimotrice centrale. Parallèlement, l’écart considérable entre la distance inférieure ($Q_2 – Q_1 = 271 – 246,5 = 24,5\text{ ms}$) et la distance supérieure ($Q_3 – Q_2 = 321,5 – 271 = 50,5\text{ ms}$) illustre l’asymétrie physiologique attendue : les temps de réponse planchers sont verrouillés par la neurobiologie, tandis que l’espace vers le haut s’ouvre sous l’effet de micro-fluctuations d’éveil attentionnel.

Dans un paradigme comparant deux conditions expérimentales (charge cognitive basse versus élevée), l’analyste utilisera l’IQR pour vérifier si une tâche complexe déstabilise la précision médiane de base (resserrement ou élargissement de la boîte centrale) ou si elle ne fait qu’augmenter la fréquence des laps extrêmes situés au-delà des clôtures quartiliques.

7. Exemple pratique n°3 : Suivi thérapeutique de la dépression (Scores BDI-II)

7.1 Dispositif d’évaluation pré- et post-psychothérapie

L’utilité analytique de l’écart interquartile prend toute son ampleur dans les devis de recherche longitudinaux évaluant l’efficacité d’un traitement psychologique ou pharmacologique. Lorsqu’un groupe de patients suit une intervention thérapeutique standardisée, l’effet clinique recherché ne se limite pas à une baisse uniforme des symptômes moyens : il s’accompagne fréquemment d’une reconfiguration structurelle de l’hétérogénéité du groupe.

Illustrons cette dynamique à travers une étude clinique évaluant un protocole de thérapie cognitivo-comportementale (TCC) de 12 semaines pour le trouble dépressif caractérisé, mesuré par le Beck Depression Inventory-II (BDI-II). Le BDI-II est gradué de 0 à 63 points (0-13 : dépression minimale ; 14-19 : légère ; 20-28 : modérée ; 29-63 : sévère). Vingt patients appariés ($N = 20$) ont été évalués à l’inclusion ($T_0$) puis à l’issue immédiate du cycle thérapeutique ($T_1$).

L’hypothèse clinique postule qu’en sus de faire chuter la sévérité médiane de l’état dépressif, la psychothérapie conduira à une réduction drastique de la dispersion interquartile, harmonisant la réponse positive des patients et résorbant l’hétérogénéité initiale des états pathologiques.

7.2 Comparaison comparative des IQR aux deux temps de mesure

Les scores recueillis et préalablement ordonnés aux deux temps d’investigation sont présentés dans le tableau ci-dessous :

Rang indiciel	Scores BDI-II à $T_0$ (Pré-intervention)	Scores BDI-II à $T_1$ (Post-intervention)
1 à 5	22, 24, 26, 27, 28	4, 5, 6, 7, 8
6 à 10	30, 31, 33, 34, 35	9, 10, 11, 12, 13
11 à 15	37, 38, 40, 42, 44	14, 15, 16, 17, 18
16 à 20	46, 48, 50, 53, 56	19, 21, 23, 26, 32

Calculs à $T_0$ (Pré-thérapie) :

• Médiane ($N=20$) : moyenne entre la 10^e et la 11^e valeur : $Mdn_{T_0} = \frac{35 + 37}{2} = 36,0$ (Sévérité dépressive sévère).
• Premier quartile ($Q_{1, T_0}$) : médiane des 10 premiers scores (5^e et 6^e valeurs) : $Q_{1, T_0} = \frac{28 + 30}{2} = 29,0$.
• Troisième quartile ($Q_{3, T_0}$) : médiane des 10 derniers scores (15^e et 16^e valeurs) : $Q_{3, T_0} = \frac{44 + 46}{2} = 45,0$.
• Écart interquartile à $T_0$ : $\text{IQR}_{T_0} = 45,0 – 29,0 = 16,0$ points.

Calculs à $T_1$ (Post-thérapie) :

• Médiane ($N=20$) : moyenne entre la 10^e et la 11^e valeur : $Mdn_{T_1} = \frac{13 + 14}{2} = 13,5$ (Entrée dans la rémission clinique / dépression minimale).
• Premier quartile ($Q_{1, T_1}$) : médiane des 10 premiers scores : $Q_{1, T_1} = \frac{8 + 9}{2} = 8,5$.
• Troisième quartile ($Q_{3, T_1}$) : médiane des 10 derniers scores : $Q_{3, T_1} = \frac{18 + 19}{2} = 18,5$.
• Écart interquartile à $T_1$ : $\text{IQR}_{T_1} = 18,5 – 8,5 = 10,0$ points.

La quantification différentielle atteste d’une réduction nette de l’écart interquartile de $6,0$ points, représentant une contraction d’échelle de :

$$\Delta \text{IQR} = \frac{10,0 – 16,0}{16,0} \times 100 = -37,5%$$

7.3 Interprétation psychologique du resserrement des scores

Ce double mouvement analytique (chute conjointe de la médiane et de l’IQR) apporte une validation empirique robuste à la thérapie. La chute de la médiane de $36,0$ à $13,5$ atteste d’un basculement global : le point d’équilibre de l’échantillon migre d’un état de dépression sévère vers le seuil de rémission diagnostique.

Simultanément, le rétrécissement de $37,5%$ de l’écart interquartile démontre que l’intervention thérapeutique a agi comme un facteur d’harmonisation de l’état psychologique des patients. Avant la thérapie, la largeur de la boîte ($\text{IQR} = 16,0$) reflétait une dispersion clinique considérable, certains patients étant aux frontières de la dépression modérée (29) tandis que d’autres s’enfonçaient dans une forme gravissime (45). Après le cycle de 12 semaines, la moitié centrale de la cohorte est resserrée sur une bande étroite de 10 points ($[8,5,;,18,5]$), circonscrite pour l’essentiel dans les catégories légère et sous-clinique.

L’observation isolée du score maximal persistant à $T_1$ ($32$ points) illustre la supériorité interprétative de l’IQR sur l’écart-type. Ce patient résistant au traitement constitue un cas atypique dont la persistance aurait artificiellement gonflé l’écart-type post-thérapeutique, masquant aux yeux de l’analyste le succès unificateur du soin pour les 50 % centraux de la cohorte clinique.

8. Détection objective des valeurs aberrantes grâce à la règle de Tukey

8.1 La règle du facteur 1,5 x IQR et le calcul des clôtures

L’une des contributions méthodologiques les plus décisives de John W. Tukey à l’analyse exploratoire des données réside dans l’utilisation de l’écart interquartile comme règle absolue pour la détection non paramétrique des valeurs aberrantes (ou outliers). Contrairement aux règles paramétriques classiques fondées sur les scores $Z$ (qui déclarent aberrante toute donnée s’éloignant de plus de 2,5 ou 3 écarts-types de la moyenne), la méthode de Tukey ne dépend d’aucun calcul de moyenne ni de variance, ce qui lui confère une immunité totale face à l’effet de masque (masking effect) où plusieurs anomalies conjuguées faussent leur propre détection.

L’armature computationnelle repose sur la construction d’un périmètre de sécurité délimité par des clôtures intérieures (inner fences) :

• Clôture intérieure inférieure ($F_{text{inf}}) : $F_{\text{\inf}} = Q_1 – (1,5 \times \text{IQR})$
• Clôture intérieure supérieure ($F_{text{sup}}) : $F_{\text{\sup}} = Q_3 + (1,5 \times \text{IQR})$

Toute observation qui s’aventure au-delà de ces frontières numériques est objectivement qualifiée de valeur atypique ou aberrante modérée. Le choix du coefficient multiplicateur $1,5$ répond à une démonstration mathématique rigoureuse : sous l’hypothèse asymptotique d’une loi normale, l’écart interquartile couvre environ $1,349$ écart-type ($\text{IQR} \approx 1,349 \sigma$). Par conséquent, la distance $1,5 \times \text{IQR}$ équivaut à environ $2,02 \sigma$. Reporté depuis les quartiles $Q_1$ et $Q_3$ (qui se situent à $\pm 0,6745 \sigma$ de la moyenne), les clôtures de Tukey correspondent asymptotiquement aux seuils :

$$\pm (0,6745 + 2,02) \sigma \approx \pm 2,698 \sigma$$

Dans un cadre strictement gaussien, la probabilité qu’une observation franchisse spontanément ces clôtures intérieures sous l’effet du seul hasard d’échantillonnage n’est que de $p \approx 0,007$ (environ 7 chances sur 1 000). Ce multiplicateur isole donc avec rigueur les déviations statistiques rares sans pour autant pénaliser indûment les fluctuations d’échantillonnage normales.

8.2 Distinction entre valeurs aberrantes modérées et extrêmes

L’algorithme de Tukey propose une seconde barrière analytique destinée à discriminer le niveau de discordance des données atypiques : le tracé des clôtures extérieures (outer fences). Ces dernières mobilisent un facteur multiplicateur doublé, fixé à $3,0 \times \text{IQR}$ :

• Clôture extérieure inférieure ($OF_{text{inf}}) : $OF_{\text{\inf}} = Q_1 – (3,0 \times \text{IQR})$
• Clôture extérieure supérieure ($OF_{text{sup}}) : $OF_{\text{\sup}} = Q_3 + (3,0 \times \text{IQR})$

Cette distinction engendre une typologie opératoire bipartie :

• Données atypiques modérées : Observations comprises dans les zones $]OF_{\text{\inf}}, F_{\text{\inf}}]$ ou $[F_{\text{\sup}}, OF_{\text{\sup}}[$. Ces points dépassent les clôtures intérieures sans franchir le seuil critique des clôtures extérieures. En représentation graphique, elles sont traditionnellement figurées par des cercles évidés.
• Données aberrantes extrêmes : Observations situées au-delà des clôtures extérieures ($< OF_{text{inf}}$ ou $> OF_{\text{\sup}}$). Sous une loi normale théorique, la probabilité d’occurrence d’un tel écart équivaut à plus de $4,7$ écarts-types de la moyenne, soit une fréquence spontanée inférieure à $p \approx 0,000002$ (deux cas par million). Ces points hautement discordants, généralement signalés par des astérisques, exigent un examen clinique ou méthodologique prioritaire.

8.3 Gestion méthodologique des données atypiques

La découverte d’une valeur aberrante ne doit en aucun cas déclencher une suppression mécanique et automatique du point d’échantillonnage. En psychologie et en épidémiologie, la présence d’un score extrême reflète souvent un événement fondamental qu’il convient de contextualiser. L’investigation doit suivre une arborescence décisionnelle rigoureuse :

1. Détection d’une erreur d’artefact : Il s’agit en premier lieu de traquer l’erreur matérielle (faute de frappe, dysfonctionnement d’un capteur de latence, non-respect manifeste de la consigne par un participant distrait). Face à une erreur prouvée, la correction vers la valeur originale ou la suppression du point est légitime.
2. Variabilité biologique ou pathologique authentique : Si l’observation extrême est issue d’une mesure intègre, elle atteste de l’existence d’un profil exceptionnel (par exemple, une réaction émotionnelle paroxystique ou un temps de latence dissociatif). La suppression arbitraire de ces cas dénaturerait les conclusions de l’étude.

Lorsque ces points légitimes menacent la stabilité des futurs modèles inférentiels paramétriques, l’analyste peut recourir à des compromis méthodologiques robustes. La winsorisation consiste à remplacer la valeur extrême par le seuil de la clôture intérieure correspondante, maintenant le point dans l’échantillon tout en neutralisant sa capacité de levier. Alternativement, le maintien des données brutes au sein d’analyses menées via des tests non paramétriques axés sur la médiane et l’IQR garantit une parfaite imperméabilité des résultats finaux face à ces valeurs distantes.

9. Visualisation graphique de l’IQR : maîtrise de la boîte à moustaches (Boxplot)

9.1 Anatomie technique d’un diagramme en boîte

La transcription visuelle native de l’écart interquartile s’incarne dans le diagramme en boîte à moustaches (ou boxplot), conçu par John Tukey. Cet outil de restitution graphique compact permet de synthétiser la morphologie complète d’une distribution sans postuler la moindre fonction de densité théorique a priori. L’architecture géométrique du boxplot s’articule autour de trois composantes fondamentales :

• Le corps de la boîte : Un rectangle dont les arêtes inférieures et supérieures matérialisent avec exactitude les emplacements du premier quartile ($Q_1$) et du troisième quartile ($Q_3$). Par définition mathématique, la longueur totale de cette boîte correspond rigoureusement à l’écart interquartile ($\text{IQR} = Q_3 – Q_1$). Elle contient en son sein la moitié centrale exacte des données d’échantillonnage.
• La ligne médiane : Une barre transversale rigide tracée à l’intérieur de la boîte, positionnée sur l’ordonnée exacte de la médiane ($Q_2$). Sa position relative partitionne le corps interquartile en deux chambres distinctes.
• Les moustaches (whiskers) : Deux segments linéaires prolongeant la boîte vers l’extérieur. Selon la standardisation de Tukey, les moustaches ne rejoignent pas systématiquement les valeurs minimale et maximale brutes. Elles s’étirent jusqu’aux valeurs adjacentes les plus éloignées qui demeurent strictement à l’intérieur des clôtures intérieures ($Q_1 – 1,5 \times \text{IQR}$ et $Q_3 + 1,5 \times \text{IQR}$). Toute donnée excédant ces limites est dissociée de la moustache et représentée individuellement sous forme de point isolé.

9.2 Lecture visuelle immédiate des caractéristiques distributionnelles

L’examen d’un boxplot offre une lecture diagnostique instantanée des propriétés mathématiques de l’échantillon sans exiger la lecture fastidieuse de tables de données :

• Dispersion centrale : L’épaisseur ou la hauteur de la boîte restitue visuellement la magnitude de l’IQR. Deux boîtes adjacentes d’amplitudes divergentes révèlent d’emblée une disparité de dispersion entre deux conditions expérimentales.
• Évaluation du skewness : L’asymétrie de la distribution se lit à double niveau. D’une part, si la ligne médiane n’occupe pas le centre géométrique de la boîte, l’échantillon est asymétrique au niveau de son cœur. D’autre part, la disparité de longueur entre la moustache inférieure et la moustache supérieure met en lumière l’étirement différentiel des queues de distribution périphériques.
• Repérage des données déviantes : L’émergence de points orphelins suspendus au-delà des moustaches signale immédiatement la présence d’observations atypiques, dont l’éloignement relatif permet d’évaluer la sévérité (points modérés versus astérisques extrêmes).

9.3 Comparaison graphique inter-groupes en recherche expérimentale

En contexte expérimental, la juxtaposition de boîtes à moustaches relatives à différents bras de randomisation (par exemple : Groupe Témoin, Traitement Standard, Thérapie Innovante) sur un même axe d’ordonnée transcende les capacités comparatives des diagrammes en barres classiques avec barres d’erreur en écart-type.

L’analyste scrute en premier lieu le chevauchement des boîtes. Lorsque les espaces interquartiles de deux groupes distincts ne présentent aucun recoupement géométrique sur l’axe des ordonnées (c’est-à-dire que le $Q_3$ du groupe contrôle est inférieur au $Q_1$ du groupe expérimental), l’inférence visuelle permet de conclure à un effet d’intervention massif qui sépare nettement les cœurs de population. De surcroît, la comparaison directe des largeurs de boîtes permet d’identifier immédiatement les phénomènes d’hétéroscédasticité (inégalité des variances), signalant par exemple qu’un traitement pharmacologique stabilise les scores de certains sujets tout en induisant une dispersion exacerbée chez d’autres.

10. Critères décisionnels : Quand préférer l’IQR à l’écart-type ?

10.1 Topologie de la distribution et présence de skewness

L’arbitrage méthodologique entre l’écart interquartile et l’écart-type repose sur l’évaluation rigoureuse de la topologie distributionnelle. L’écart-type requiert une symétrie raisonnable et des queues de distribution conformes au modèle gaussien pour conserver sa validité inférentielle. Dès lors qu’une variable présente une asymétrie marquée (coefficient de skewness substantiellement différent de zéro), une distribution leptocurtique ou des limites d’échelle strictes (effets plancher ou plafond), l’écart-type fournit une modélisation erronée de la variabilité.

L’application d’un test formel de normalité — tel que le test de Shapiro-Wilk pour les échantillons modestes ($N < 50$) ou de Kolmogorov-Smirnov corrigé par Lilliefors pour les grandes cohortes — constitue une étape préliminaire indispensable. Si ces tests rejettent l’hypothèse nulle de normalité ($p < 0,05$), ou si l'inspection visuelle des histogrammes révèle une asymétrie structurelle, l'analyste doit formellement renoncer au couple Moyenne/Écart-type au profit du binôme Médiane/IQR. Cette prescription s'applique tout particulièrement aux variables construites sur des échelles ordinales d'attitudes (items de Likert de 1 à 7) ou sur des données de comptage bornées (nombre de crises de panique hebdomadaires).

10.2 Objectifs de la recherche et sensibilité aux extrêmes

Le choix de l’estimateur dépend également des objectifs scientifiques assignés à l’investigation empirique. Si la finalité première de l’étude est de dresser un portrait fidèle du comportement ou de la physiologie typique de la majorité des individus composant la population d’intérêt, l’IQR s’impose par sa résistance aux perturbations marginales. Il isole la dispersion fonctionnelle du groupe sans la laisser déformer par des contingences d’échantillonnage périphériques.

Néanmoins, l’analyste doit être conscient du compromis théorique inhérent à cette décision. Si l’IQR brille par sa robustesse descriptive, il possède une efficacité asymptotique plus faible que l’écart-type lorsque les données sont rigoureusement gaussiennes (l’écart-type exploite l’intégralité de l’information numérique de chaque point, alors que l’IQR ne mobilise directement que deux rangs statistiques). En outre, les grandes architectures d’inférence statistique confirmatoire — telles que l’analyse de variance factorielle (ANOVA), la modélisation par équations structurelles ou les régressions linéaires multiples classiques — reposent sur l’algèbre de la décomposition des sommes de carrés, intimement liée à la variance paramétrique. Ainsi, l’analyste maintiendra l’écart-type lorsqu’il prépare des modélisations paramétriques globales régulières, mais déploiera l’IQR dès lors qu’il poursuit un diagnostic descriptif robuste ou qu’il engage des tests d’inférence non paramétriques (tests de Wilcoxon-Mann-Whitney ou de Kruskal-Wallis).

10.3 Normes de publication scientifique (Directives APA)

Dans la rédaction des rapports empiriques, le choix des métriques descriptives doit s’aligner sur les canons de publication académique internationaux, notamment édictés par l’American Psychological Association (normes APA, 7^e édition). L’exigence de cohérence y est absolue : il est méthodologiquement prohibé de croiser arbitrairement des indicateurs paramétriques et non paramétriques au sein d’une même restitution univariée. Associer une moyenne arithmétique à un écart interquartile, ou une médiane à un écart-type, constitue une faute de rigueur statistique.

Les recommandations méthodologiques actuelles prescrivent que le renoncement aux indices gaussiens au profit de l’IQR soit explicitement argumenté dans la section Méthodologie ou Analyse de données de l’article scientifique. L’auteur se doit de spécifier l’indice de déviation justifiant ce basculement (par exemple : « En raison d’une asymétrie distributionnelle marquée validée par le test de Shapiro-Wilk ($W = 0,78, p < 0,001$), les indices de tendance centrale et de dispersion sont rapportés sous forme de Médiane et d'Écart Interquartile »).

11. Erreurs méthodologiques courantes dans l’interprétation de l’IQR

11.1 Confusion récurrente entre l’intervalle interquartile et l’écart interquartile

L’imprécision terminologique constitue l’un des écueils les plus fréquemment relevés lors du processus de révision par les pairs (peer-reviewing). Une méprise récurrente consiste à utiliser indifféremment l’expression « intervalle interquartile » pour désigner la valeur scalaire de « l’écart interquartile ». Ces deux notions matérialisent des réalités mathématiques distinctes :

• L’intervalle interquartile désigne un ensemble géométrique borné, noté formellement $[Q_1, Q_3]$. Il renvoie au segment de l’échelle d’évaluation au sein duquel s’inscrit la moitié centrale des observations (par exemple : « L’intervalle interquartile du score d’anxiété s’étend de 32 à 48 »).
• L’écart interquartile ($\text{IQR}$) représente la distance arithmétique unidimensionnelle résultant de la soustraction $Q_3 – Q_1$. Il s’agit d’un scalaire unique quantifiant la dispersion (par exemple : « L’écart interquartile s’élève à 16 points »).

La confusion devient préjudiciable lorsque des auteurs rédigent : « L’IQR du groupe était de $[20,;,35]$ ». Une telle formulation juxtapose une métrique scalaire avec une écriture ensembliste. Les formulations correctes doivent rigoureusement distinguer l’espace d’ancrage et la mesure de dispersion scalaire : « La médiane s’établissait à $28\text{ points}$ ($\text{IQR} = 15$, $Q_1 = 20, Q_3 = 35$) ».

11.2 Omission du contexte médian et interprétation univariée aveugle

Isoler l’écart interquartile de son socle médian conduit fréquemment à des contresens analytiques majeurs. Deux populations expérimentales peuvent afficher un écart interquartile rigoureusement identique tout en incarnant des réalités phénoménologiques radicalement hétérogènes. Considérons le cas de deux cohortes de patients évaluant leur qualité de vie sur une échelle de 0 à 100 :

• Groupe A : Médiane = 18, $\text{IQR} = 12$ ($Q_1 = 12, Q_3 = 24$)
• Groupe B : Médiane = 82, $\text{IQR} = 12$ ($Q_1 = 76, Q_3 = 88$)

Une lecture univariée focalisée exclusivement sur l’IQR conclurait à une homogénéité comportementale parfaitement identique entre les deux groupes. Or, le Groupe A est massivement confiné dans une détresse fonctionnelle critique, comprimé par un effet plancher, tandis que le Groupe B se situe dans une zone d’épanouissement optimal, limité par un effet plafond. De surcroît, la variabilité relative par rapport au niveau central (analogue non paramétrique du coefficient de variation) diverge totalement : l’IQR représente $66,7%$ de la valeur médiane dans le Groupe A, contre seulement $14,6%$ dans le Groupe B. Interpréter l’IQR exige donc une contextualisation constante par rapport à la médiane et aux bornes effectives de l’instrument.

11.3 Application inadéquate sur des échantillons de trop faible effectif

Bien que l’écart interquartile soit souvent présenté comme une panacée face aux anomalies distributionnelles, son déploiement sur des micro-échantillons (typiquement lorsque $N < 10$ ou $N < 15$) génère une instabilité computationnelle méconnue. L'extraction de percentiles exige une densité minimale de points pour que le partitionnement en quatre segments cardinaux conserve un sens probabiliste. Lorsque l'effectif est excessivement restreint, les quantiles cessent d'être des estimateurs stables pour devenir hyper-sensibles aux variations discrètes du rang d'un seul individu.

Sur un échantillon de $N = 6$, chaque observation représente à elle seule environ $16,7%$ de la masse totale de l’échantillon. Dans ces conditions, déterminer le 25^e centile relève d’une interpolation purement artificielle qui masque la fragilité structurelle du recueil empirique. Pour ces effectifs ultra-réduits, l’analyste doit éviter de surinterpréter l’IQR et privilégier la restitution exhaustive des données brutes, enrichie de l’étendue globale ou de graphiques de dispersion individuels (dot plots ou diagrammes de dispersion point par point).

12. Guide de rédaction académique et rapport statistique des résultats

12.1 Standardisation textuelle selon le style APA (7e édition)

L’intégration de l’écart interquartile au sein d’un manuscrit scientifique obéit aux normes typographiques rigoureuses de l’American Psychological Association (APA 7th edition). L’abréviation universelle acceptée dans le texte académique est IQR (en capitales, en italique dans le fil du texte ou en romain selon les périodiques, l’usage standard APA préconisant les abréviations statistiques en capitales romaines ou italiques selon les variables). Les paramètres de centiles ($Q_1$, $Q_3$) et la médiane ($Mdn$) doivent être clairement identifiés.

Modèle de phrase type pour une variable univariée :

« Le niveau de détresse psychologique à l’admission présentait une asymétrie marquée ($W = 0,81, p < 0,001$). Le score médian était de$48,00$ points ($IQR = 14,50$, $Q_1 = 41,00$, $Q_3 = 55,50$), attestant d’une sévérité symptomatique substantielle concentrée dans la tranche supérieure de l’instrument. »

Modèle de phrase type pour une comparaison inter-groupes non paramétrique :

« Un test des rangs signés de Wilcoxon pour échantillons appariés a révélé une diminution statistiquement significative des temps de latence après l’entraînement attentionnel ($Z = -3,42, p < 0,001$). Les participants ont vu leur temps de réponse médian passer de$412,0text{ ms}$ ($IQR = 88,0$, $Q_1 = 368,0$, $Q_3 = 456,0$) en pré-test à $325,5\text{ ms}$ ($IQR = 44,0$, $Q_1 = 304,0$, $Q_3 = 348,0$) en post-test, mettant en évidence non seulement un gain de vitesse de traitement, mais également un resserrement de moitié de la variabilité centrale des réponses. »

12.2 Intégration optimale au sein des tableaux statistiques

Lors de la production de rapports quantitatifs complexes synthétisant plusieurs variables cliniques ou comportementales, la présentation sous forme de tableaux descriptifs normalisés optimise la lisibilité des résultats. Les normes APA imposent une clarté totale dans les en-têtes de colonnes, interdisant les abréviations ambiguës qui n’auraient pas été préalablement définies dans les notes de bas de tableau.

Voici l’architecture canonique recommandée pour un tableau descriptif combinant mesures d’ancrage central et de dispersion non paramétrique :

Tableau 1. Statistiques descriptives non paramétriques des variables neuropsychologiques avant et après protocole

Variable expérimentale	Effectif ($N$)	Médiane ($Mdn$)	Premier quartile ($Q_1$)	Troisième quartile ($Q_3$)	Écart interquartile ($IQR$)
Temps de latence perceptive (ms)	45	285,0	252,0	334,0	82,0
Erreurs d’omission attentionnelle	45	3,0	1,0	6,0	5,0
Score d’inhibition (Stroop – interférence)	45	42,0	36,0	49,0	13,0
Indice de fatigue subjective (0-10)	45	7,0	5,0	8,0	3,0

Note. $N = \text{taille de l’échantillon}$ ; $Mdn = \text{médiane}$ ; $Q_1 = \text{premier quartile (25e centile)}$ ; $Q_3 = \text{troisième quartile (75e centile)}$ ; $IQR = \text{écart interquartile }(Q_3 – Q_1)$. Données recueillies sous condition standardisée.

12.3 Argumentation critique dans la section Discussion

L’exploitation de l’écart interquartile ne s’achève pas à l’énoncé numérique des résultats : elle constitue un levier argumentatif déterminant au sein de la section Discussion d’un article académique. L’analyste mobilisera l’IQR pour aborder la question cruciale de la généralisabilité des observations empiriques :

• Discussion de la robustesse face à la diversité écologique : Un résultat thérapeutique démontrant une forte réduction médiane accompagnée d’un IQR extrêmement faible autorise l’auteur à conclure à la robustesse et à l’homogénéité de l’effet d’intervention au sein de la cohorte. À l’inverse, si l’IQR demeure dilaté malgré une baisse de la médiane, l’auteur se doit de tempérer ses conclusions en soulignant l’existence de sous-groupes différentiellement réceptifs au traitement.
• Interprétation des profils périphériques : La délimitation stricte du cœur des 50 % centraux permet de porter une réflexion critique ciblée sur les individus relégués au-delà des clôtures quartiliques de Tukey. Loin de balayer ces observations comme de simples anomalies de calcul, le chercheur discutera les implications cliniques, génétiques ou environnementales qui expliquent pourquoi ces sujets échappent au patron distributionnel commun.
• Fidélité de l’instrumentation de mesure : Une comparaison de l’IQR mesuré avec les normes publiées dans la littérature psychométrique permet d’évaluer la cohérence interne de l’échantillonnage expérimental, renforçant la validité écologique et méthodologique des conclusions formulées.

Références

• American Psychological Association. (2020). Publication manual of the American Psychological Association (7th ed.). American Psychological Association. https://apastyle.apa.org/
• Beck, A. T., Steer, R. A., & Brown, G. K. (1996). Manual for the Beck Depression Inventory-II. Psychological Corporation. https://doi.org/10.1037/t00742-000
• Bowley, A. L. (1920). Elements of Statistics (4th ed.). P. S. King & Son.
• Hyndman, R. J., & Fan, Y. (1996). Sample quantiles in statistical packages. The American Statistician, 50(4), 361-365. https://doi.org/10.1080/00031305.1996.10473541
• Krzywinski, M., & Altman, N. (2014). Visualizing samples with box plots. Nature Methods, 11(2), 119-120. https://doi.org/10.1038/nmeth.2813
• National Institute of Standards and Technology. (2012). NIST/SEMATECH e-Handbook of Statistical Methods. U.S. Department of Commerce. https://www.itl.nist.gov/div898/handbook/
• Shapiro, S. S., & Wilk, M. B. (1965). An analysis of variance test for normality (complete samples). Biometrika, 52(3/4), 591-611. https://doi.org/10.2307/2333709
• Spielberger, C. D., Gorsuch, R. L., Lushene, R., Vagg, P. R., & Jacobs, G. A. (1983). Manual for the State-Trait Anxiety Inventory. Consulting Psychologists Press. https://doi.org/10.1037/t06496-000
• Tukey, J. W. (1977). Exploratory Data Analysis. Addison-Wesley.
• Weisstein, E. W. (2002). Box-and-Whisker Plot. MathWorld–A Wolfram Web Resource. https://mathworld.wolfram.com/Box-and-WhiskerPlot.html