Au confluent des mathématiques et des sciences comportementales, l’inférence statistique fournit le cadre logique indispensable à la validation des modèles psychologiques contemporains. Au sein du paradigme de test d’hypothèses développé par Jerzy Neyman et Egon Pearson, la distribution alternative désigne la distribution de probabilité d’une statistique de test lorsque l’hypothèse alternative est vraie. Loin d’être un simple artifice théorique, ce concept structure l’ensemble de la planification expérimentale, de la puissance statistique et de l’estimation de la taille d’effet dans la recherche psychologique rigoureuse.
Distribution alternative
1. Définition concise
En inférence statistique et en méthodologie psychologique, la distribution alternative correspond à la distribution d’échantillonnage théorique que suit une statistique de test spécifique lorsque l’hypothèse nulle ($H_0$) est fausse et qu’une hypothèse alternative donnée ($H_1$) est vérifiée au sein de la population étudiée. Elle décrit rigoureusement l’ensemble des valeurs plausibles que peut prendre la statistique d’intérêt en présence d’un effet réel, qu’il s’agisse d’une différence de moyennes, d’une corrélation non nulle ou d’une interaction factorielle.
Dans les sciences cognitives, affectives et sociales, la distribution alternative constitue le socle fondamental sur lequel reposent l’évaluation de l’erreur de type II (le risque $\beta$), le calcul de la puissance statistique ($1 – \beta$) et la planification d’échantillons optimisés. Contrairement à la distribution nulle, qui est généralement invariante et centrée autour de zéro ou d’une valeur de référence standard, la distribution alternative dépend intrinsèquement de la magnitude de la taille d’effet postulée et de la taille de l’échantillon collecté.
Elle prend le plus souvent la forme d’une distribution statistique non centrale (comme la distribution de Student non centrale ou la distribution de Fisher-Snedecor non centrale), dont le paramètre de non-centralité traduit précisément le degré de divergence entre l’état réel du monde psychologique et l’absence théorique d’effet.
2. Étymologie et origine linguistique
L’expression « distribution alternative » tire ses racines de deux traditions distinctes de la langue savante et des mathématiques appliquées. Le vocable « distribution » provient directement du latin classique distributio, substantif dérivé du verbe distribuere, formé du préfixe séparatif dis- et de tribuere (« accorder », « assigner », « répartir entre les tribus »). Dès le XVIIIe siècle, sous l’influence des pionniers du calcul des probabilités tels qu’Abraham de Moivre et Pierre-Simon de Laplace, le mot s’est imposé pour désigner la façon dont la masse de probabilité totale d’un phénomène aléatoire est allouée aux diverses issues concevables.
L’adjectif « alternative », quant à lui, est dérivé du latin alternatus, participe passé du verbe alternare (« faire succéder à tour de rôle », « varier »), issu de alter signifiant « l’autre de deux ». En logique formelle et en philosophie méthodologique, une proposition alternative propose une vérité disjointe et incompatible avec une première affirmation posée comme repère initial.
L’incorporation de ce syntagme dans le lexique des sciences quantitatives et de la psychométrie s’est opérée dans les années 1930 à travers les publications fondatrices de Jerzy Neyman et Egon Sharpe Pearson. En introduisant le concept d’hypothèse alternative (alternative hypothesis), ces auteurs ont rendu indispensable la caractérisation formelle de sa loi de probabilité associée, désignée dans la littérature anglo-saxonne par l’expression alternative distribution ou distribution under the alternative hypothesis.
3. Prononciation et forme grammaticale
Sur le plan phonétique, l’expression se prononce en français international standard [dis.tʁi.by.sjɔ̃ al.tɛʁ.na.tiv]. Le premier substantif comporte quatre syllabes orales sans diphtongue, tandis que le second adjectif comprend quatre syllabes métriques marquées par une consonne d’appui alvéolaire liquide [ʁ].
D’un point de vue morphosyntaxique, « distribution alternative » est un syntagme nominal féminin singulier. Il associe le substantif féminin « distribution » à l’adjectif qualificatif « alternative » qui s’accorde en genre et en nombre avec son noyau régissant. Au pluriel, il devient « distributions alternatives » [dis.tʁi.by.sjɔ̃z‿al.tɛʁ.na.tiv], reflétant alors la pluralité des tailles d’effet envisageables ou la multiplicité des hypothèses concurrentes dans les dispositifs expérimentaux multivariés.
Dans le discours scientifique contemporain, on observe couramment plusieurs variantes équivalentes : « distribution sous l’hypothèse alternative », « distribution sous $H_1$ », ou encore « distribution d’échantillonnage de $H_1$ ». Son usage s’inscrit toujours dans un registre technique de niveau académique, employé aussi bien en modélisation psychométrique qu’en didactique des méthodes de recherche expérimentales.
4. Explication conceptuelle détaillée
Pour appréhender la portée de la distribution alternative, il convient de replacer la prise de décision statistique au cœur du raisonnement expérimental en psychologie. Lorsque des cliniciens évaluent l’efficacité d’une nouvelle thérapie cognitive et comportementale face à un placebo, ou lorsque des psychologues du développement mesurent le gain mnésique consécutif à un entraînement métacognitif, les données recueillies sont soumises à la fluctuation d’échantillonnage. Pour décider si les observations traduisent une loi générale ou une simple coïncidence stochastique, la modélisation statistique oppose deux modèles du monde : l’hypothèse nulle ($H_0$), postulant l’absence stricte d’effet, et l’hypothèse alternative ($H_1$), postulant l’existence effective d’une modification du comportement, d’une amélioration clinique ou d’une covariation psychique.
Chacun de ces modèles génère sa propre distribution de probabilité pour la statistique de test calculée (telle que le $t$ de Student, le $F$ d’analyse de variance ou le $\chi^2$). La distribution nulle est calibrée de manière à déterminer la région critique, c’est-à-dire l’intervalle de valeurs extrêmes au-delà duquel la probabilité d’observer les données sous condition de $H_0$ devient inférieure à un seuil prédéterminé $\alpha$ (généralement fixé à 0,05 ou 0,01 en sciences humaines). Cette région critique définit le seuil décisionnel à partir duquel le chercheur rejette $H_0$ au profit de $H_1$.
Cependant, la distribution nulle est par nature incapable d’indiquer ce qui advient si l’hypothèse nulle est véritablement fausse. C’est précisément ici qu’intervient la distribution alternative. Si le traitement thérapeutique possède un impact tangible dans la population — par exemple une différence standardisée de moyennes $d = 0,50$ —, la statistique observée ne fluctuera plus autour de zéro, mais oscillera autour d’une espérance mathématique décalée. La distribution alternative est la loi mathématique exacte décrivant cette seconde courbe de probabilité.
La position, l’étalement et la symétrie de la distribution alternative dépendent étroitement de la grandeur de l’effet attendu et de la taille de l’échantillon ($N$). Tandis que la distribution nulle de la statistique $t$ est rigoureusement symétrique et centrée sur 0 quel que soit $N$, la distribution alternative d’un test $t$ devient une distribution non centrale caractérisée par un paramètre de décentrement $\delta = d \times \sqrt{N/2}$ (dans le cas de deux groupes indépendants de taille équivalente). Plus ce paramètre de non-centralité est élevé, plus la courbe alternative glisse vers la droite (ou la gauche si l’effet est négatif) et présente une asymétrie caractéristique.
L’intersection entre la région critique imposée par la distribution nulle et l’aire sous la courbe de la distribution alternative gouverne l’ensemble des probabilités décisionnelles de second ordre. La fraction de la distribution alternative qui tombe au-delà du seuil critique correspond à la puissance statistique ($1 – \beta$), soit la probabilité exacte d’identifier un effet existant. Réciproquement, la portion de la distribution alternative qui demeure en deçà du seuil critique représente le taux d’erreur de type II ($\beta$), c’est-à-dire la probabilité d’échouer à rejeter l’hypothèse nulle alors qu’un effet réel prévaut dans la réalité clinique ou psychologique étudiée.
5. Développement historique
La théorisation des distributions sous hypothèse concurrente trouve son point de départ dans les tensions méthodologiques qui ont marqué les débuts de la biométrie et de l’agronomie expérimentale au tournant des années 1920 et 1930. Initialement, Sir Ronald Aylmer Fisher concevait le test de signification comme un processus unilatéral : le chercheur formulait une seule hypothèse, l’hypothèse nulle, calculait la valeur $p$ associée, et évaluait le degré de compatibilité des données empiriques avec cette prémisse unique. Dans cette optique purement fisherienne, l’évocation formelle d’une distribution alternative n’était pas requise, car l’inférence se limitait à la réfutation potentielle d’un postulat d’absence d’effet.
Cette approche fut profondément remise en question par le mathématicien polonais Jerzy Neyman et le statisticien britannique Egon Pearson entre 1928 et 1933. Neyman et Pearson soulignèrent avec force qu’un chercheur ne peut logiquement décider de rejeter une hypothèse sans considérer implicitement ou explicitement ce que le rejet implique, c’est-à-dire l’existence d’une explication concurrente. En publiant leur lemme fondamental en 1933, ils démontrèrent qu’un test n’atteint des propriétés optimales que si l’on prend en compte la vraisemblance relative des données sous deux distributions distinctes : la distribution sous $H_0$ et la distribution sous $H_1$.
Dans les décennies qui suivirent, le développement analytique des distributions dites « non centrales » fit l’objet d’un intense travail computationnel. Des auteurs comme David Johnson et Norman Lloyd Johnson entreprirent dans les années 1940 et 1950 la tabulation rigoureuse de ces fonctions de densité asymétriques pour les statistiques $t$, $F$ et $\chi^2$. Toutefois, en raison de la lourdeur des intégrations numériques à l’époque pré-informatique, l’utilisation pratique de la distribution alternative demeura longtemps restreinte aux cercles de statisticiens chevronnés.
L’introduction massive de ce concept dans la sphère de la psychologie empirique est l’œuvre majeure de Jacob Cohen à partir de la fin des années 1960. Dans son ouvrage séminal de 1969, Statistical Power Analysis for the Behavioral Sciences, Cohen dénonça le fait que les revues de psychologie regorgeaient d’études statistiques sous-puissantes, dont la distribution alternative chevauchait de manière si écrasante la distribution nulle que les chercheurs avaient moins d’une chance sur deux de détecter les phénomènes qu’ils prétendaient investiguer. En introduisant des métriques de taille d’effet standardisées et des tables d’accessibilité simplifiées reliant la distribution alternative au nombre de sujets requis, Cohen a ancré durablement ce concept dans le cursus des sciences du comportement.
6. Fondements théoriques
Le socle théorique de la distribution alternative s’adosse à plusieurs théorèmes majeurs de la probabilité mathématique et de l’inférence statistique fréquentiste. En premier lieu, la loi des grands nombres et le théorème central limite garantissent que, lorsque les échantillons atteignent une taille suffisante, les moyennes d’échantillons répétés tendent vers une loi normale, quelle que soit la forme originelle de la distribution dans la population. Dès lors que l’hypothèse alternative postule une moyenne populationnelle $\mu_1 \neq \mu_0$, la moyenne observée d’un échantillon suit asymptotiquement une loi normale centrée non plus sur $\mu_0$, mais sur $\mu_1$.
Sur le plan mathématique, la modélisation formelle de la distribution alternative passe par l’introduction d’un paramètre de non-centralité. Dans le cadre d’un test $t$ univarié comparant la moyenne d’un échantillon à une valeur de référence, la statistique $t$ s’écrit généralement comme le ratio d’une variable aléatoire normale et de la racine carrée d’une variable du khi-carré divisée par ses degrés de liberté :
$$t = \frac{Z + \delta}{\sqrt{U / \nu}}$$
où $Z$ suit une loi normale centrée réduite $\mathcal{N}(0, 1)$, $U$ suit une loi du $\chi^2$ à $\nu$ degrés de liberté indépendante de $Z$, et $\delta$ est le paramètre de non-centralité. Lorsque $H_0$ est vraie, $\delta = 0$, et l’on retrouve la distribution de Student centrale classique. En revanche, lorsque $H_1$ est avérée, $\delta \neq 0$, et l’expression donne lieu à la distribution de Student non centrale. Cette construction théorique démontre mathématiquement que la distribution alternative n’est pas simplement une copie décalée de la distribution de Student habituelle, mais une fonction de densité asymétrique dotée de moments d’ordre supérieur (asymétrie et kurtosis) modifiés par la présence du paramètre de non-centralité.
Au sein de l’épistémologie de la décision inductive, la distribution alternative incarne l’expression de la méthode de Neyman-Pearson en tant que contrôle rigoureux des erreurs à long terme. Si la distribution nulle permet de borner supérieurement les faux positifs (l’erreur de type I), la distribution alternative est l’unique entité probabiliste permettant de contraindre et de réguler les faux négatifs (l’erreur de type II). Sans elle, la notion même d’évaluation de la performance d’un outil psychodiagnostique ou d’une expérimentation cognitive s’effondre.
Enfin, dans l’approche de l’inférence par la vraisemblance et dans l’inférence bayésienne, la distribution alternative trouve son corollaire théorique direct. Bien que les bayésiens rejettent les procédures fondées uniquement sur les fréquences d’échantillonnage théorique, ils emploient le rapport de vraisemblance ($BF_{10}$) qui met précisément en balance la probabilité conditionnelle des observations empiriques sous le modèle nul et sous le modèle alternatif, réaffirmant ainsi la nécessité incontournable d’une formalisation mathématique de l’hypothèse concurrente.
7. Composantes clés, types et dimensions
La manipulation et l’interprétation de la distribution alternative reposent sur un ensemble de dimensions structurales et de composantes analytiques interdépendantes :
- Le paramètre de non-centralité ($\delta$ ou $lambda$) : Grandeur scalaire fondamentale qui quantifie la divergence entre le modèle d’absence d’effet et le modèle sous-jacent à $H_1$. Il synthétise mathématiquement le produit de la taille d’effet brute par une fonction croissante de la taille de l’échantillon.
- La taille d’effet standardisée : Métrique intrinsèque (telle que le $d$ de Cohen, le $g$ de Hedges, le $\eta^2$ ou le coefficient $r$) reflétant l’amplitude concrète du mécanisme psychologique sous étude, indépendamment des échelles d’unités arbitraires.
- La taille de l’échantillon ($N$) : Dimension déterminante qui contrôle la variance d’échantillonnage de la distribution alternative. Une augmentation de $N$ rétrécit la largeur de la distribution et déplace son centre davantage vers les zones de rejet significatif.
- La distribution alternative de Student non centrale ($t$) : Famille de courbes employée lors de la comparaison de moyennes de groupes expérimentaux indépendants ou appariés en neurosciences comportementales et en psychologie clinique.
- La distribution alternative de Fisher-Snedecor non centrale ($F$) : Famille de courbes unilatérales appliquées aux modèles de régression multiple, aux analyses de variance (ANOVA) factorielles et aux modèles linéaires mixtes.
- La distribution alternative du Khi-carré non centrale ($\chi^2$) : Distribution mobilisée pour évaluer la puissance des tests d’adéquation et d’indépendance de tableaux de contingence, ainsi que pour les indices de fit en modélisation par équations structurelles (SEM).
- La région de non-rejet ($eta$) et la puissance ($1 – eta$) : Aires sous la courbe de la distribution alternative délimitées par le ou les points critiques de la distribution nulle, quantifiant respectivement les risques de faux négatifs et la probabilité de succès déductif.
8. Exemples et cas illustratifs
Afin de concrétiser le fonctionnement de la distribution alternative dans la pratique de la recherche psychologique, envisageons un premier cas en neuropsychologie clinique. Une équipe de chercheurs souhaite évaluer l’impact d’un programme d’entraînement de la mémoire de travail chez des patients aux premiers stades de la maladie d’Alzheimer. L’hypothèse nulle ($H_0$) postule que la différence de score entre le groupe expérimental et le groupe témoin est égale à zéro. Cependant, sur la base d’études pilotes, les chercheurs formulent une hypothèse alternative ($H_1$) prévoyant un bénéfice moyen d’ampleur modérée, caractérisé par une taille d’effet $d = 0,50$.
Si l’équipe teste 32 patients au total (16 par groupe), les calculs montrent que la distribution alternative pour le test $t$ bilatéral de Student possédera un paramètre de non-centralité $\delta = 0,50 \times \sqrt{16/2} = 1,414$. En projetant cette distribution alternative sur la distribution nulle de référence (qui possède un seuil critique bilatéral à $t = \pm 2,042$ au risque $\alpha = 0,05$), on constate que seulement 27 % environ de l’aire de la distribution alternative dépasse la valeur critique 2,042. Cela signifie que la puissance statistique n’est que de 0,27 et que l’étude a 73 % de risques d’échouer à détecter l’amélioration mnésique, l’immense majorité de la distribution alternative étant piégée dans la zone de non-rejet.
Pour corriger cette faille méthodologique, les investigateurs augmentent la taille d’échantillon à 130 patients (65 par groupe). Le nouveau paramètre de non-centralité devient $\delta = 0,50 \times \sqrt{65/2} \approx 2,85$. La distribution alternative glisse substantiellement vers des valeurs de $t$ plus élevées et voit sa dispersion se resserrer. Dès lors, plus de 80 % de sa courbe dépasse le seuil critique de la distribution nulle : le protocole dispose d’une puissance adéquate ($1 – \beta ge 0,80$), et le risque d’erreur de type II est contenu sous la barre des 20 %.
Un second exemple illustratif émane de la psychométrie appliquée au recrutement organisationnel. Une organisation évalue si un test de jugement situationnel corrèle avec la performance professionnelle à hauteur de $r = 0,30$ ($H_1$), contre une hypothèse de non-validité $r = 0$ ($H_0$). La distribution alternative du coefficient de Pearson après transformation en $z$ de Fisher permet d’établir précisément la courbe de densité des corrélations échantillonnales attendues et d’isoler le nombre minimal de salariés à évaluer pour garantir que les coefficients observés n’aboutissent pas par accident à une conclusion d’inutilité de l’instrument.
9. Mesure et évaluation psychométrique
Dans la boîte à outils du psychologue et du statisticien des données comportementales, la distribution alternative n’est pas directement observable sous la forme d’un score brut ; elle est estimée, modélisée et évaluée au moyen d’algorithmes de calcul spécialisés. L’évaluation repose traditionnellement sur des logiciels d’analyse de puissance a priori, tels que l’outil de référence mondialisé G*Power, ou les bibliothèques computationnelles du langage R (notamment les packages pwr et MBESS).
Ces outils procèdent à l’intégration numérique de la fonction de densité de probabilité non centrale pour délimiter les probabilités exactes sous la courbe. Pour une statistique $t$, l’expression analytique de la distribution alternative intègre la fonction Gamma et s’écrit formellement :
$$f(t; \nu, \delta) = \frac{\nu^{nu/2} e^{-\delta^2 / 2}}{\sqrt{\pi} \Gamma(nu/2) 2^{(nu-1)/2} (\nu + t^2)^{(nu+1)/2}} \int_0^\infty x^\nu e^{-\frac{1}{2}\left(x – \frac{\delta t}{\sqrt{\nu + t^2}}\right)^2} dx$$
L’évaluation rigoureuse de la distribution alternative exige d’alimenter cette équation par des estimations étayées de la taille d’effet. Les chercheurs s’appuient à cette fin sur des méta-analyses antérieures, sur des données issues d’études pilotes méthodologiquement contrôlées, ou sur le concept fondamental de la « plus petite taille d’effet d’intérêt scientifique ou clinique » (Smallest Effect Size of Interest, ou SESOI). Cette dernière approche, préconisée en psychologie computationnelle moderne, évite d’ancrer la distribution alternative sur des espérances irréalistes.
Au-delà du calcul classique de puissance, l’usage contemporain de la distribution alternative s’est étendu à la construction d’intervalles de confiance non centraux autour des tailles d’effet (comme les bornes de confiance à 95 % de $d$ de Cohen ou du $\eta^2_p$). En inversant la fonction de répartition de la distribution alternative, les algorithmes déterminent les limites exactes des paramètres de non-centralité compatibles avec la statistique d’échantillon observée, offrant une estimation psychométrique infiniment plus informative que le simple verdict binaire d’un rejet de l’hypothèse nulle.
10. Applications et portée pratique
La formalisation de la distribution alternative irrigue les domaines appliqués de la psychologie contemporaine de multiples façons, garantissant la fiabilité des décisions prises tant au laboratoire que sur le terrain clinique ou éducatif :
En psychologie clinique et en psychiatrie de précision, la prise en compte de la distribution alternative gouverne la conception des essais contrôlés randomisés. Lorsqu’il s’agit de valider un traitement contre la dépression sévère, une sous-estimation du déplacement de la distribution alternative conduirait à déclarer inefficace une molécule ou une prise en charge psychologique réellement bénéfique. En ajustant la taille des cohortes pour maximiser l’aire de la distribution alternative au-delà de la valeur critique, les cliniciens minimisent le risque éthique de rejeter des thérapeutiques salvatrices.
Dans le champ de la psychologie scolaire et des apprentissages, la distribution alternative intervient dans l’évaluation de dispositifs pédagogiques compensatoires (comme les remédiations pour enfants dyslexiques ou dyscalculiques). Les éducateurs et décideurs publics s’appuient sur cette distribution pour simuler la probabilité que les gains mesurés dépassent un seuil de rentabilité pédagogique prédéterminé, assurant une allocation responsable des budgets publics d’intervention.
Dans le domaine des sciences organisationnelles et de la psychologie du travail, les spécialistes de l’évaluation du personnel mobilisent la distribution alternative pour tester la validité différentielle des tests de sélection. Cela garantit que les matrices de compétences ou les inventaires de personnalité ne génèrent pas d’inégalités d’embauche indétectables par manque de sensibilité méthodologique.
Enfin, dans le mouvement contemporain de la science ouverte et des plans d’enregistrement préalables (Preregistration et Registered Reports), la simulation de la distribution alternative est devenue un critère formel de recevabilité éditoriale. De prestigieuses revues scientifiques exigent désormais que les chercheurs fournissent une justification a priori complète de leur échantillon étayée par la modélisation explicite de leur distribution alternative avant toute collecte de données empiriques.
11. Recherche et données empiriques
L’exploration empirique des pratiques méthodologiques en psychologie a mis en évidence des carences récurrentes quant à la considération effective de la distribution alternative. Dans une série d’études répliquant les travaux pionniers de Jacob Cohen, des chercheurs comme John Ioannidis ou Joseph Simmons ont révélé que la puissance statistique médiane dans de nombreuses sous-disciplines comportementales stagnait autour de 0,50 pour des tailles d’effet moyennes. Cela démontre que, pendant des décennies, la recherche empirique a opéré sous des distributions alternatives dont la moitié de la surface probabiliste restait submergée sous la zone des résultats faussement négatifs.
Cette situation a culminé avec ce que la communauté nomme désormais la « crise de la réplicabilité » en psychologie. Lorsque des consortiums internationaux, à l’instar de l’Open Science Collaboration en 2015, ont tenté de répliquer 100 expériences canoniques publiées dans les meilleures revues de la discipline, le taux de succès n’a atteint que 36 %. Les réanalyses rétrospectives ont mis en exergue que les études originelles se focalisaient quasi exclusivement sur la distribution nulle pour revendiquer une valeur $p < 0,05$, sans jamais calibrer rigoureusement leur distribution alternative, créant une inflation artificielle des tailles d'effet réelles (le phénomène connu sous le nom de « malédiction du vainqueur »).
Des enquêtes bibliométriques récentes attestent toutefois d’une mutation substantielle des mœurs scientifiques. L’adoption croissante de protocoles d’équivalence (tels que le formalisme Two One-Sided Tests ou TOST), introduits par Daniël Lakens dans le sillage des sciences psychologiques, a réorienté les projecteurs sur la distribution alternative. Dans ces approches, c’est l’hypothèse d’absence d’effet signifiant qui devient l’hypothèse alternative à prouver mathématiquement, ce qui impose une maîtrise calculatoire absolue de la distribution alternative pour attester de l’invariabilité ou de la similitude réelle de deux profils cognitifs.
12. Considérations culturelles et contextuelles
Bien que les lois probabilistes régissant la distribution alternative relèvent des mathématiques universelles, leur application dans l’investigation empirique est fortement modulée par les contextes culturels, linguistiques et sociologiques des populations étudiées. Pendant des décennies, la vaste majorité des participants recrutés dans les recherches psychologiques provenaient de sociétés dites WEIRD (Western, Educated, Industrialized, Rich, Democratic). Transposer sans précaution les paramètres d’une distribution alternative calibrée sur des étudiants occidentaux à des populations issues du Sud global engendre des distorsions méthodologiques majeures.
La variance intragroupe d’un trait psychologique ou d’une attitude socioculturelle varie notablement selon les normes de socialisation, les styles parentaux ou les représentations culturelles de la conformité. Or, la forme et la position de la distribution alternative dépendent étroitement de cette variance par le biais de l’erreur type. Si la diversité des réponses est plus large dans une culture donnée en raison de nuances sémantiques propres à la langue de passation, le dénominateur de la statistique de test s’accroît, comprimant artificiellement le paramètre de non-centralité et décalant défavorablement la distribution alternative vers la gauche.
Dans la recherche transculturelle rigoureuse, la construction de la distribution alternative impose donc une vérification préalable de l’invariance de mesure à travers l’équivalence factorielle et métrique des instruments de mesure. Sans cette contextualisation attentive, ce qui apparaît sous une distribution alternative comme une incapacité à rejeter l’hypothèse nulle d’un effet psychologique ne traduit souvent qu’une mauvaise calibration du bruit de mesure lié à l’inadéquation contextuelle de l’outil d’évaluation.
13. Critiques, controverses et limites
La mobilisation pratique de la distribution alternative dans le paradigme fréquentiste orthodoxe fait l’objet de vives controverses depuis plusieurs décennies. La principale pierre d’achoppement réside dans le caractère fondamentalement hypothétique de la taille d’effet requise pour la paramétrer. Alors que la distribution sous $H_0$ possède l’avantage d’une simplicité mathématique absolue — l’effet étant généralement postulé comme strictement nul —, la distribution alternative exige que le chercheur postule a priori la valeur précise de l’effet qu’il cherche justement à découvrir. Fixer arbitrairement un $d = 0,50$ relève parfois d’un acte de divination méthodologique dénué de fondement épistémologique réel.
Une seconde dérive très documentée est l’usage trompeur de la « puissance post-hoc » (post-hoc power) ou « puissance observée ». Confrontés à un résultat statistiquement non significatif ($p > 0,05$), de nombreux auteurs calculent rétrospectivement la distribution alternative en y injectant la taille d’effet observée dans leur petit échantillon pour expliquer l’absence de résultat par un manque de puissance. Les statisticiens ont formellement démontré que cette pratique est circulaire et invalide : la puissance post-hoc n’est qu’une fonction directe et redondante de la valeur $p$ obtenue et ne renseigne en rien sur la véritable distribution alternative populationnelle.
D’autres critiques proviennent de l’école de l’inférence bayésienne. Les représentants de ce courant, tels que Harold Jeffreys ou plus récemment Eric-Jan Wagenmakers, soulignent que le concept même de distribution alternative de Neyman-Pearson demeure prisonnier de données imaginaires jamais observées (toutes les trajectoires d’échantillons hypothétiques qui auraient pu être recueillies). Ils soutiennent qu’il est intellectuellement plus cohérent d’attribuer des distributions de probabilité a priori directement aux paramètres d’intérêt plutôt qu’à des statistiques de test conditionnelles, privilégiant ainsi les densités a posteriori et les facteurs de Bayes aux fonctions de non-centralité complexes.
14. Termes associés et distinctions conceptuelles
Pour clarifier sans ambiguïté la place de la distribution alternative dans la modélisation statistique, il convient de la discriminer soigneusement des notions voisines :
- Distribution nulle ($H_0$) : Distribution théorique d’une statistique sous la condition stricte d’absence d’effet. La distribution alternative se différencie en ce qu’elle intègre un paramètre de non-centralité reflétant une taille d’effet non nulle dans la population cible.
- Distribution d’échantillonnage : Concept générique embrassant toute distribution probabiliste d’une statistique calculée sur une infinité d’échantillons de même taille. La distribution alternative est une instanciation particulière de cette loi globale, conditionnée spécifiquement par la véracité du modèle $H_1$.
- Distribution de probabilité de la population : Répartition réelle des valeurs d’une variable psychologique parmi l’ensemble des individus constitutifs d’une population. La distribution alternative ne concerne pas les scores individuels bruts, mais bien la statistique de synthèse (moyenne, différence de moyennes, etc.) calculée au niveau des échantillons.
- Paramètre de non-centralité : Constante mathématique scalaire gouvernant le déplacement et la morphologie de la distribution alternative. Il ne doit pas être confondu avec la distribution elle-même, dont il n’est que le vecteur déterminant.
- Distribution a posteriori bayésienne : En épistémologie bayésienne, fonction de densité actualisée d’un paramètre psychométrique combinant l’information a priori et la vraisemblance des observations. Contrairement à la distribution alternative fréquentiste, elle quantifie l’incertitude sur la valeur même du paramètre dans le monde réel plutôt que sur le comportement stochastique d’une statistique répétée.
15. Synthèse et points clés à retenir
En récapitulation des éléments fondamentaux présentés, plusieurs constats cardinaux doivent être retenus :
- La distribution alternative formalise la loi probabiliste d’une statistique de test lorsque l’hypothèse nulle est rejetée et qu’un effet réel prévaut au sein de la population.
- Elle se structure le plus souvent sous la forme de distributions mathématiques non centrales ($t$, $F$, $\chi^2$), paramétrées par la conjonction de la taille d’effet attendue et de la taille d’échantillon mobilisée.
- Elle constitue l’unique instrument mathématique permettant de mesurer, de borner et d’optimiser l’erreur de type II ($\beta$) et son complémentaire vertueux, la puissance statistique ($1 – \beta$).
- La solidité, la reproductibilité et la validité externe des découvertes en sciences psychologiques sont tributaires d’une calibration rigoureuse a priori de cette distribution, prévenant les illusions de résultats non significatifs issus d’échantillons sous-dimensionnés.
- Face aux dérives historiques de l’expérimentation inductive, la prise en compte intégrale de la distribution alternative dans les plans pré-enregistrés rétablit une exigence d’honnêteté et de rigueur méthodologique fondamentale pour les sciences du comportement.
Références
- Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2e éd.). Lawrence Erlbaum Associates. https://www.routledge.com/Statistical-Power-Analysis-for-the-Behavioral-Sciences/Cohen/p/book/9780805802832
- Lakens, D. (2017). Equivalence testing for psychological research: A tutorial. Social Psychological and Personality Science, 8(4), 355–362. https://doi.org/10.1177/1948550617697177
- Neyman, J., & Pearson, E. S. (1933). On the problem of the most efficient tests of statistical hypotheses. Philosophical Transactions of the Royal Society of London. Series A, 231(694-706), 289–337. https://doi.org/10.1098/rsta.1933.0009
- Open Science Collaboration. (2015). Estimating the reproducibility of psychological science. Science, 349(6251), aac4716. https://doi.org/10.1126/science.aac4716
- Wagenmakers, E.-J., Marsman, M., Jamil, T., Ly, A., Verhagen, J., Love, J., Selker, R., Gronau, Q. F., Šmíra, M., Epskamp, S., Derks, K., Rouder, J. N., & Morey, R. D. (2018). Bayesian inference for psychology. Part I: Theoretical advantages and practical ramifications. Psychonomic Bulletin & Review, 25(1), 35–57. https://doi.org/10.3758/s13423-017-1343-3