Dans le champ de l’inférence statistique et de la psychologie quantitative, la modélisation rigoureuse de l’incertitude constitue le socle indispensable à la validation des découvertes scientifiques. La distribution d’échantillonnage théorique qui émerge lorsqu’un effet réel existe dans la population représente l’outil mathématique fondamental permettant d’évaluer la probabilité d’observer un résultat probant et d’optimiser les protocoles expérimentaux contemporains.
Distribution sous l’hypothèse alternative
1. Définition concise
La distribution sous l’hypothèse alternative (couramment désignée par la notation de distribution sous H₁) représente la distribution d’échantillonnage théorique d’une statistique de test calculée sous l’hypothèse qu’un effet non nul d’une magnitude spécifique existe réellement au sein de la population étudiée. Contrairement à la distribution nulle, qui postule l’absence absolue de différence ou de corrélation, cette distribution décrit la variabilité stochastique attendue lorsque l’hypothèse de recherche est véritablement vérifiée.
Dans la pratique méthodologique des sciences comportementales, cette distribution permet d’ancrer le calcul formel de la puissance statistique (1 – β) et du taux d’erreur de deuxième espèce (β). Elle ne constitue pas une courbe unique et immuable, mais plutôt une famille infinie de distributions potentielles dont la localisation, la dispersion et la morphologie dépendent directement de la taille d’effet postulée, de la variance d’échantillonnage et de la taille de l’échantillon analysé.
Comprendre la distribution sous l’hypothèse alternative est capital pour tout chercheur en psychologie désireux de dépasser le cadre restrictif du test de signification de l’hypothèse nulle (NHST). Elle offre une perspective prospective et probabiliste indispensable à la planification expérimentale rigoureuse, à la détermination a priori des effectifs et à l’interprétation des résultats non significatifs.
2. Étymologie et origine linguistique
L’expression est une construction syntagmatique issue de plusieurs traditions linguistiques et scientifiques. Le mot « distribution » provient du latin distributio (« division », « répartition »), dérivé du verbe distribuere, traduisant en statistique mathématique la façon dont les probabilités ou les fréquences sont réparties sur les différentes valeurs possibles d’une variable aléatoire.
Le substantif « hypothèse » dérive du grec ancien hypothesis (ὑπόθεσις), formé du préfixe hypo- (« sous ») et du radical thesis (« proposition », « action de poser »), signifiant littéralement une base posée pour un raisonnement ou une conjecture servant de prémisse. L’adjectif « alternative » puise ses racines dans le latin alternativus (lui-même issu de alternare, signifiant « faire alterner » ou « se succéder »), soulignant l’existence d’une seconde possibilité mutuellement exclusive par rapport à la prémisse par défaut.
L’introduction formelle du concept de distribution sous l’hypothèse alternative dans le corpus statistique contemporain remonte aux publications conjointes de Jerzy Neyman et Egon Pearson à la fin des années 1920 et au début des années 1930. Ces auteurs ont théorisé l’alternative (notée H₁) pour contrebalancer la vision unilatérale de l’hypothèse nulle défendue par Ronald Fisher, introduisant ainsi le raisonnement décisionnel fondé sur deux distributions d’échantillonnage concurrentes.
3. Prononciation et forme grammaticale
Sur le plan morphosyntaxique, l’expression « distribution sous l’hypothèse alternative » est un groupe nominal féminin singulier. Les variantes admises dans la littérature francophone incluent « distribution d’échantillonnage sous l’hypothèse alternative », « distribution sous H₁ » ou, plus rarement, « distribution sous hypothèse d’effet ».
L’usage académique impose l’accord de l’adjectif « alternative » avec le substantif féminin « hypothèse ». Lorsqu’elle est abrégée, la notation s’écrit généralement avec la lettre majuscule H indicée par le chiffre 1 (H₁) ou la lettre A (Hₐ). Dans le langage oral savant, les méthodologues prononcent couramment « distribution sous H un » pour désigner cette entité probabiliste.
L’expression fonctionne principalement comme complément de nom ou comme sujet dans les phrases décrivant le comportement des statistiques inférentielles : « La distribution sous l’hypothèse alternative se décale vers la droite lorsque la taille de l’effet augmente », ou encore « L’aire sous la courbe de la distribution sous H₁ délimitée par la valeur critique définit la puissance du test ».
4. Explication conceptuelle détaillée
Pour appréhender en profondeur la distribution sous l’hypothèse alternative, il convient de replacer l’inférence statistique dans son paradigme d’échantillonnage répété. Lorsque l’on extrait un échantillon aléatoire d’une population afin d’évaluer, par exemple, l’efficacité d’une psychothérapie sur les scores de dépression, la moyenne observée fluctuera inévitablement d’un échantillon à un autre en raison de l’erreur d’échantillonnage. Si l’intervention thérapeutique a un impact réel d’une certaine intensité, la moyenne théorique des statistiques de test calculées sur une infinité d’échantillons hypothétiques ne sera pas centrée sur zéro, mais sur une valeur paramétrique positive ou négative.
Cette distribution d’échantillonnage modélise avec précision l’ensemble des valeurs possibles que la statistique de test (qu’il s’agisse d’un test t de Student, d’un F de Snedecor ou d’un test z) est susceptible de prendre si le phénomène psychologique postulé est véridique. Sa position sur l’axe des abscisses est déterminée par le paramètre de non-centralité (souvent noté δ ou λ), lequel combine l’amplitude de l’effet dans la population et la taille globale de l’échantillon recueilli.
La frontière opérationnelle entre la distribution nulle (H₀) et la distribution alternative (H₁) est établie par le seuil de décision statistique, matérialisé par la valeur critique (déterminée par le niveau de signification α, usuellement fixé à 0,05). Tout échantillon issu de la distribution sous l’hypothèse alternative dont la statistique dépasse cette valeur critique tombe dans la région de rejet de l’hypothèse nulle. La proportion de l’aire sous la courbe de la distribution sous H₁ située au-delà de cette frontière représente la puissance statistique (1 – β). Inversement, la proportion de l’aire sous la courbe qui échoue à franchir cette limite constitue l’erreur de type II (β), c’est-à-dire l’incapacité à détecter un effet psychologique bien réel.
Contrairement à une conception naïve qui décrirait la distribution sous H₁ comme une simple translation rigide de la distribution sous H₀, sa forme exacte peut diverger de façon substantielle. Dans le cas de nombreuses statistiques paramétriques courantes, la distribution sous l’hypothèse alternative adopte une géométrie non centrale (comme la distribution t non centrale ou la distribution F non centrale), caractérisée par une asymétrie marquée qui s’accentue avec la grandeur du paramètre de non-centralité.
Il apparaît ainsi que la distribution sous l’hypothèse alternative n’est pas une entité statique, mais une fonction paramétrée : pour chaque valeur hypothétique concevable de la taille de l’effet (exprimée par exemple en d de Cohen, en r de Pearson ou en η²), il existe une distribution sous H₁ distincte. L’investigateur doit donc spécifier une valeur a priori pertinente ou cliniquement significative pour matérialiser cette distribution dans ses analyses de puissance prospective.
5. Développement historique
L’histoire de la distribution sous l’hypothèse alternative est intimement liée à l’une des controverses fondatrices les plus passionnées des sciences exactes et sociales : le débat épistémologique entre Ronald Aylmer Fisher d’un côté, et Jerzy Neyman associé à Egon Sharpe Pearson de l’autre.
Au début des années 1920, Ronald Fisher élabore le concept de test de signification fondé exclusivement sur l’hypothèse nulle (H₀). Selon sa doctrine, le chercheur formule une hypothèse qu’il cherche à réfuter ; si les données observées s’avèrent trop improbables sous cette hypothèse nulle (valeur de p inférieure au seuil conventionnel), elle est rejetée. Dans le système fisherien, il n’existe aucune distribution explicite pour une hypothèse concurrente, car Fisher considérait que l’on ne pouvait attribuer une distribution de probabilité rigoureuse à une hypothèse indéterminée.
Jerzy Neyman et Egon Pearson identifient rapidement une lacune majeure dans la logique fisherienne : rejeter une hypothèse sans considérer l’alternative logique laisse la décision statistique vulnérable à l’arbitraire et empêche toute quantification du risque de ne pas détecter un effet réel. Dans une série d’articles séminaux publiés entre 1928 et 1933, notamment « On the Use and Interpretation of Certain Test Criteria for Purposes of Statistical Inference », ils introduisent le paradigme du test d’hypothèses binaires.
Neyman et Pearson démontrent mathématiquement qu’une prise de décision optimale exige de confronter la distribution sous l’hypothèse nulle à une distribution sous l’hypothèse alternative clairement définie. C’est à partir de cette conceptualisation que naissent les notions symétriques d’erreur de première espèce (rejet erroné de H₀) et d’erreur de seconde espèce (acceptation erronée de H₀, ou plus exactement non-rejet erroné). La distribution sous l’hypothèse alternative devient alors le support géométrique indispensable pour définir l’erreur β et la puissance du test.
Durant la seconde moitié du vingtième siècle, l’adoption de ce formalisme en psychologie s’est heurtée à une hybridation maladroite des doctrines de Fisher et de Neyman-Pearson dans les manuels d’enseignement, phénomène fréquemment dénoncé par des historiens des statistiques comme Gerd Gigerenzer. Ce n’est qu’avec le plaidoyer infatigable de Jacob Cohen dans les années 1960 à 1980, culminant avec son ouvrage de référence Statistical Power Analysis for the Behavioral Sciences, que la distribution sous l’hypothèse alternative a retrouvé sa juste place au cœur de la méthodologie empirique en psychologie.
6. Fondements théoriques
La formalisation mathématique de la distribution sous l’hypothèse alternative repose sur le théorème central limite et la théorie des distributions de probabilité non centrales. Dans un cadre univarié où l’on compare une moyenne observée à une valeur théorique, la statistique de Student standard suit, sous l’hypothèse nulle d’absence d’effet, une loi t centrale à ν degrés de liberté. En revanche, sous l’hypothèse alternative selon laquelle l’espérance mathématique de la population diffère de la valeur nulle d’une quantité δ*, la statistique suit une loi t non centrale, notée t(ν, δ).
Le paramètre de non-centralité, généralement désigné par la lettre grecque delta (δ), exprime le degré d’éloignement de la distribution par rapport à la centralité nulle. Pour une comparaison de deux moyennes indépendantes avec des tailles d’échantillon égales à n par groupe, le paramètre s’exprime formellement par la relation :
δ = d × √(n / 2)
où d représente le d de Cohen dans la population. Cette formule fondamentale met en lumière l’interdépendance structurelle qui gouverne la distribution sous l’hypothèse alternative : pour un effet psychologique intrinsèque constant (d), l’accroissement de la taille de l’échantillon (n) amplifie directement le paramètre de non-centralité, repoussant ainsi la distribution sous H₁ vers des valeurs de statistiques de test plus élevées et plus éloignées de zéro.
Sur le plan géométrique et probabiliste, la loi t non centrale présente une propriété cruciale : contrairement à la loi t centrale symétrique, elle souffre d’une asymétrie positive ou négative selon le signe de δ. Sa densité de probabilité s’étale davantage du côté opposé à zéro, ce qui implique que les calculs de puissance exacte ne peuvent pas reposer sur de simples approximations gaussiennes standardisées lorsque les échantillons sont de taille modeste ou lorsque les degrés de liberté sont restreints.
Dans le cas de l’analyse de variance univariée ou multivariée (ANOVA et MANOVA), la distribution sous l’hypothèse alternative de la statistique F obéit à une loi de Fisher-Snedecor non centrale, paramétrée par les degrés de liberté du numérateur, les degrés de liberté du dénominateur, et un paramètre de non-centralité quadratique noté lambda (λ). Cette formulation théorique généralise le comportement sous H₁ à des modèles linéaires complexes et à des analyses factorielles fréquemment employées en psychologie cognitive et sociale.
7. Composantes clés, types et dimensions
La compréhension opérationnelle de la distribution sous l’hypothèse alternative implique de disséquer ses différentes caractéristiques fondamentales et ses variantes méthodologiques :
- Paramètre de non-centralité (NCP / δ ou λ) : Déterminant fondamental de la translation de la distribution. Il quantifie l’ampleur du signal empirique attendu en combinant l’effet théorique postulé et la précision métrologique apportée par l’effectif expérimental.
- Distribution ponctuelle sous H₁ : Modélisation dans laquelle l’hypothèse alternative est spécifiée sous la forme d’une valeur exacte unique (par exemple, H₁ : d = 0,50). Ce modèle est le plus fréquemment utilisé dans les analyses de puissance a priori conventionnelles.
- Distribution composite sous H₁ : Modélisation plus réaliste où l’hypothèse alternative englobe un spectre continu de valeurs (par exemple, H₁ : d > 0). Dans cette perspective, la distribution sous H₁ devient une famille continue de courbes dépendant de la distribution de probabilité a priori assignée à la taille de l’effet.
- Asymétrie et aplatissement non centraux : Propriétés morphologiques spécifiques aux lois de Student, du Chi-deux et de Fisher non centrales, induisant une déformation de la courbe à mesure que le paramètre de non-centralité augmente.
- Région d’intersection critique : Zone de chevauchement géométrique entre la distribution nulle et la distribution alternative. C’est dans cet espace que se négocie le compromis inhérent entre l’erreur de type I (α) et l’erreur de type II (β).
- Directionnalité du test : Selon que le test d’hypothèse est unilatéral ou bilatéral, la zone critique sous la distribution alternative se focalise sur une seule queue ou doit composer avec une probabilité résiduelle négligeable dans la queue opposée.
8. Exemples et cas illustratifs
Pour illustrer concrètement le fonctionnement de la distribution sous l’hypothèse alternative, considérons une recherche en neuropsychologie cognitive évaluant les bénéfices d’un programme d’entraînement de la mémoire de travail chez des personnes âgées présentant un déclin cognitif léger. L’équipe formule l’hypothèse d’une amélioration des performances standardisées après six semaines d’intervention.
Supposons que le chercheur postule, en se basant sur la littérature méta-analytique antérieure, un effet modéré correspondant à un d de Cohen de 0,50. Il recrute deux groupes de 30 participants (groupe d’entraînement versus groupe témoin passif), soit un échantillon total de 60 individus. Sous l’hypothèse nulle (H₀ : d = 0), la statistique t suit une loi t centrale à 58 degrés de liberté, dont la valeur critique bilatérale pour α = 0,05 est d’environ 2,00. Sous l’hypothèse alternative (H₁ : d = 0,50), le paramètre de non-centralité est égal à δ = 0,50 × √(30 / 2) ≈ 1,936. La distribution sous H₁ est alors une loi t non centrale t(58, 1,936). L’intégration mathématique de cette distribution au-delà du seuil de 2,00 révèle une puissance statistique de seulement 0,48 : l’expérience a moins d’une chance sur deux de détecter l’effet postulé si celui-ci existe réellement.
Dans un second scénario illustratif en psychologie clinique, un chercheur teste l’efficacité d’une nouvelle thérapie cognitive et comportementale sur l’anxiété sociale. Conscient du risque de sous-puissance, il réalise une analyse prospective pour ajuster la distribution sous H₁. En augmentant l’effectif à 86 participants par groupe (total N = 172) pour détecter ce même effet de d = 0,50, le paramètre de non-centralité passe à δ = 0,50 × √(86 / 2) ≈ 3,278. Cette augmentation déplace l’intégralité de la distribution sous l’hypothèse alternative vers des valeurs supérieures. L’aire sous la courbe située au-delà de la valeur critique de 1,97 atteint alors 0,90, garantissant une puissance d’expérimentation hautement satisfaisante.
À l’inverse, l’absence de considération pour la forme de la distribution sous H₁ explique pourquoi tant d’études pilotes de petite taille (par exemple n = 10 par condition) aboutissent à des échecs de réplication. Dans ces conditions de surdispersion, la distribution alternative s’écrase et chevauche massivement la distribution nulle, rendant toute distinction empirique semblable à la détection d’un signal acoustique discret au milieu d’un vacarme assourdissant.
9. Mesure et évaluation
La détermination empirique et computationnelle de la distribution sous l’hypothèse alternative ne fait pas l’objet d’un recueil direct sur le terrain, mais résulte d’une modélisation mathématique rigoureuse opérée à l’aide d’outils statistiques dédiés. Dans la recherche psychologique contemporaine, cette modélisation est majoritairement effectuée via des logiciels spécialisés d’analyse de puissance tels que G*Power, le package pwr dans le langage R, ou les modules intégrés d’environnements comme JASP et Jamovi.
Pour évaluer et paramétrer correctement la distribution sous H₁, le psychologue quantitatif doit renseigner plusieurs variables clés interconnectées :
- La taille d’effet minimale présentant un intérêt théorique ou clinique (SESOI – Smallest Effect Size of Interest). Éviter de calibrer la distribution sous H₁ sur des tailles d’effet empiriques surévaluées issues d’échantillons réduits (biais de publication) est indispensable.
- Le plan factoriel expérimental (mesures répétées, groupes indépendants, régression multiple), qui dicte la famille formelle de la distribution d’échantillonnage (t, F, Chi-deux ou z).
- Le seuil de significativité nominal α, qui fige la borne inférieure d’intégration sur la distribution nulle.
- Les degrés de liberté du modèle, calculés à partir de la taille d’échantillon envisagée.
Une fois ces paramètres instanciés, les algorithmes calculent les intégrales de la fonction de densité de probabilité non centrale afin de renvoyer la puissance statistique exacte. Des approches contemporaines de simulation de Monte-Carlo sont de plus en plus privilégiées lorsque les postulats de normalité, d’homoscédasticité ou de sphéricité sont violés, permettant de générer empiriquement une distribution sous H₁ personnalisée et robuste face aux imperfections des données comportementales réelles.
10. Applications et portée pratique
La modélisation de la distribution sous l’hypothèse alternative déploie des retombées fondamentales dans de nombreux secteurs de la psychologie théorique et appliquée :
En psychologie clinique et pharmacopsychologie, la distribution sous H₁ est le pilier des essais contrôlés randomisés (ECR). Déterminer si un nouveau protocole psychothérapeutique surpasse significativement un placebo ou une thérapie standard requiert de garantir que l’échantillon soit suffisant pour que la distribution alternative ne se confonde pas avec le hasard. Une mauvaise calibration expose à un abandon prématuré de thérapies pourtant bénéfiques en raison d’erreurs de type II.
Dans le domaine de la psychologie du travail et des organisations, les praticiens utilisent les distributions sous H₁ pour estimer le retour sur investissement et l’efficacité prédictive d’outils de sélection du personnel. Lorsqu’on évalue si une batterie de tests d’intelligence émotionnelle accroît la validité incrémentielle par rapport à un inventaire de personnalité généraliste, positionner la distribution alternative permet de savoir avec quelle probabilité ce gain prédictif modeste mais substantiel pourra être confirmé statistiquement.
En neurosciences cognitives et neuroimagerie fonctionnelle, la correction des comparaisons multiples (par exemple lors de l’analyse voxel par voxel en IRMf) impose des seuils alpha extrêmement rigoureux (ex. p < 0,00001). Dans un tel contexte, la valeur critique est repoussée très loin sur l’axe des abscisses. Comprendre la forme de la distribution sous l’hypothèse alternative est alors capital pour concevoir des paradigmes avec un nombre suffisant de répétitions par sujet, sous peine de voir la puissance de détection s’effondrer dramatiquement.
11. Recherche et données empiriques
La distribution sous l’hypothèse alternative s’est retrouvée au centre des débats entourant la crise de la reproductibilité en psychologie au cours de la décennie 2010. L’initiative collective menée par le Center for Open Science et publiée en 2015 par l’Open Science Collaboration a révélé que seul un tiers environ des études publiées dans des revues prestigieuses de psychologie ont pu être répliquées avec succès.
Une analyse approfondie de ce phénomène démontre que la cause première réside dans la sous-puissance chronique des études originelles. En s’appuyant sur des échantillons trop réduits, les chercheurs opéraient avec des distributions sous H₁ très proches de la distribution nulle, n’offrant souvent qu’une puissance statistique médiane oscillant entre 30 % et 50 % pour des effets de taille moyenne. Comme l’ont formalisé des statisticiens et méthodologues tels que John Ioannidis dans son article séminal « Why Most Published Research Findings Are False », un champ scientifique fonctionnant avec des distributions alternatives aplaties et sous-dimensionnées produit inévitablement une majorité de découvertes fallacieuses en raison de l’inflation de l’erreur de type I induite par le biais de publication.
De surcroît, les travaux de psychologues quantitatifs comme Daniël Lakens ont démontré l’importance de formaliser la distribution sous l’hypothèse alternative dans le cadre des tests d’équivalence (TOST – Two One-Sided Tests). Pour prouver l’absence d’un effet psychologique théoriquement postulé, le chercheur doit inverser la logique traditionnelle et positionner des distributions sous H₁ autour des bornes d’équivalence préalablement stipulées, ouvrant ainsi la voie à une réfutation rigoureuse des théories pseudo-scientifiques.
12. Considérations culturelles et transcuturelles
Bien que les lois de probabilités sous-jacentes à la distribution sous l’hypothèse alternative relèvent des mathématiques universelles, leur application dans la recherche transcuturelle soulève des défis conceptuels et empiriques majeurs.
En psychologie transculturelle, la variabilité interindividuelle et l’erreur de mesure augmentent souvent de manière substantielle en raison des difficultés inhérentes à la traduction d’échelles psychométriques, des biais d’acquiescement différentiels ou des variations contextuelles d’interprétation des items. Cette inflation de la variance d’échantillonnage élargit l’erreur-type du modèle. Par conséquent, la distribution sous l’hypothèse alternative s’aplatit et se rapproche de la distribution nulle, ce qui dégrade la puissance statistique à taille d’échantillon égale.
De plus, la taille de l’effet dans la population (qui détermine le paramètre de non-centralité) n’est que rarement invariante d’une culture à une autre. Un phénomène comportemental robuste observé dans des sociétés industrielles, éduquées, riches et démocratiques (dites populations WEIRD) peut ne présenter qu’une magnitude très affaiblie, voire nulle, lorsqu’il est examiné dans des cultures traditionnelles ou collectivistes. Présumer a priori d’une distribution sous H₁ unique et universelle sans réétalonnage local expose les chercheurs à des erreurs d’inférence systématiques et à des généralisations abusives.
13. Critiques, débats et limites
Malgré son rôle clé dans l’orthodoxie méthodologique, la distribution sous l’hypothèse alternative fait l’objet de critiques persistantes au sein de la communauté scientifique, particulièrement de la part des tenants de l’inférence bayésienne.
La première critique majeure concerne l’incertitude ontologique entourant la vraie valeur de l’effet. Dans le cadre fréquentiste de Neyman-Pearson, la distribution sous H₁ exige la fixation arbitraire d’un paramètre ponctuel unique (par exemple d = 0,40). Or, dans la réalité de l’exploration psychologique, la véritable amplitude du phénomène est par définition inconnue avant la collecte des données. Sélectionner une distribution alternative optimiste conduit fréquemment à surestimer massivement la puissance réelle de l’étude. Si l’effet réel est de d = 0,25 au lieu des 0,40 anticipés, la distribution sous H₁ effective se retrouve bien plus proche de l’origine, plongeant l’investigateur dans une sous-puissance sévère dont il n’a pas conscience.
La seconde critique fondamentale découle de l’épistémologie bayésienne. Les détracteurs du paradigme fréquentiste soulignent que la distribution sous l’hypothèse alternative demeure une modélisation contrefactuelle fondée sur des données imaginaires qui auraient pu être observées mais ne l’ont pas été (le principe d’échantillonnage infini répété). Les statisticiens bayésiens proposent de remplacer cette dichotomie H₀/H₁ par le calcul de facteurs de Bayes (Bayes Factor), où l’hypothèse alternative est modélisée non pas par une courbe fixe issue d’une valeur ponctuelle, mais par une distribution de probabilité a priori sur l’ensemble des valeurs plausibles du paramètre. Cette approche permet de quantifier le degré de vraisemblance relative des données réelles en faveur de l’une ou l’autre théorie sans devoir figer une distribution alternative déterministe.
Enfin, une limite pratique réside dans la difficulté cognitive qu’éprouvent de nombreux étudiants et praticiens à appréhender la nature non centrale de ces distributions. La persistance d’enseignements simplistes traitant la distribution sous H₁ comme une réplique gaussienne symétrique décalée de la distribution sous H₀ continue d’alimenter des confusions conceptuelles quant à l’interprétation des intervalles de confiance et de la puissance post hoc.
14. Termes associés et distinctions
Pour naviguer avec rigueur dans la littérature méthodologique, il est capital de distinguer la distribution sous l’hypothèse alternative de concepts adjacents avec lesquels elle est fréquemment confondue :
- Distribution sous l’hypothèse nulle (H₀) : Modélise la statistique de test dans le cas où aucun effet n’existe dans la population (effet égal à zéro). Elle est centrale, invariable pour des degrés de liberté donnés, et sert exclusivement à fixer la valeur critique en fonction du risque α.
- Puissance statistique (1 – β) : Ce n’est pas la distribution elle-même, mais la proportion de l’aire sous la courbe de la distribution sous l’hypothèse alternative qui dépasse le seuil critique défini par l’hypothèse nulle.
- Erreur de type II (β) : Représente l’aire résiduelle sous la courbe de la distribution alternative située en deçà du seuil critique, correspondant à la probabilité d’obtenir un faux négatif.
- Distribution a priori (Bayésienne) : Contrairement à la distribution sous H₁ qui est une distribution d’échantillonnage fréquentiste de statistiques de test pour une valeur paramétrique donnée, la distribution a priori exprime l’état de croyance ou de connaissance probabiliste préalable sur le paramètre de la population lui-même.
- Paramètre de non-centralité : Valeur scalaire mathématique qui dicte le degré de déplacement et de distorsion de la distribution sous H₁ par rapport à son homologue centrale sous H₀.
15. Résumé et points clés à retenir
La distribution sous l’hypothèse alternative (H₁) incarne le versant positif et constructif de l’inférence statistique décisionnelle formalisée par Neyman et Pearson. Loin d’être un simple artifice mathématique, elle constitue le fondement géométrique sans lequel aucune planification expérimentale sérieuse n’est possible.
Sa position et sa morphologie sont régies conjointement par l’ampleur véritable de l’effet investigué au sein de la population et par la taille de l’échantillon recruté, synthétisées sous la forme du paramètre de non-centralité. Dans la grande majorité des tests paramétriques, elle emprunte la voie de distributions asymétriques non centrales (t, F, Chi-deux non centraux).
Pour la psychologie scientifique, maîtriser les propriétés de la distribution sous H₁ constitue le meilleur rempart contre les illusions méthodologiques de la sous-puissance, garantissant que les protocoles de recherche disposent de la sensibilité empirique indispensable pour faire progresser la connaissance du fonctionnement de l’esprit humain.
Références
- Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum Associates. https://www.worldcat.org/title/statistical-power-analysis-for-the-behavioral-sciences/oclc/17877467
- Gigerenzer, G. (2004). Mindless statistics. The Journal of Socio-Economics, 33(5), 587-606. https://doi.org/10.1016/j.socec.2004.09.033
- Lakens, D. (2017). Equivalence testing for psychological research: A tutorial. Advances in Methods and Practices in Psychological Science, 1(2), 259-269. https://doi.org/10.1177/2515245918770963
- 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