Dans la recherche contemporaine en psychologie cognitive, clinique et comportementale, les chercheurs sont constamment confrontés à des distributions de données empiriques qui s’écartent substantiellement des idéaux théoriques imposés par la modélisation statistique classique. La violation des postulats fondamentaux de normalité et d’homogénéité des variances compromet gravement la validité des inférences déduites des modèles linéaires généraux couramment employés dans les sciences du comportement. C’est précisément à cette aporie méthodologique que répond la transformation de Box-Cox, un algorithme d’optimisation paramétrique puissant conçu pour réaligner les métriques observationnelles asymétriques sur les conditions requises pour une inférence rigoureuse et robuste.
Transformation de Box-Cox
1. Définition concise
La transformation de Box-Cox est une famille de transformations paramétriques de puissance qui applique une fonction continue aux données strictement positives dans le but de stabiliser la variance des résidus et d’approcher la loi normale. Introduite en 1964 par les statisticiens George Box et David Cox, cette technique recherche par maximisation de la vraisemblance un exposant mathématique optimal, noté lambda, capable de corriger l’asymétrie distributionnelle d’une variable continue.
Dans le domaine de la psychométrie et de la psychologie expérimentale, cette méthode constitue un instrument méthodologique central pour traiter les variables dépendantes notoirement asymétriques, telles que les temps de réaction, les latences d’inhibition cognitive ou les scores d’intensité symptomatique mesurés sur des échelles cliniques. Plutôt que d’adopter arbitrairement une transformation logarithmique ou une racine carrée intuitive, la procédure Box-Cox estime de manière empirique et formelle le degré exact de courbure géométrique nécessaire pour convertir l’espace des données brutes en un espace d’analyse conforme aux postulats de la modélisation statistique linéaire.
En transformant conjointement l’échelle métrique des scores observés, cette procédure restaure l’homoscédasticité, garantit l’additivité des effets principaux au sein des analyses de variance factorielles et préserve la puissance statistique des tests de significativité psychologique sans nécessiter le recours systématique à des approximations non paramétriques moins sensibles.
2. Étymologie et origines linguistiques
L’appellation « transformation de Box-Cox » dérive d’un éponyme scientifique composé associant les noms de famille des deux statisticiens britanniques pionniers qui l’ont formalisée dans leur article fondateur de 1964 : George Edward Pelham Box (1919–2013) et Sir David Roxbee Cox (1924–2022). Le substantif « transformation » provient du latin transformatio, lui-même dérivé du verbe transformare (composé du préfixe trans- signifiant « au-delà » ou « à travers », et de formare, signifiant « façonner » ou « donner une forme »). Dans le contexte de l’analyse quantitative des comportements, ce terme désigne l’opération algébrique univoque consistant à altérer l’échelle numérique d’une mesure tout en préservant scrupuleusement l’ordre topologique et les relations ordinales fondamentales existant entre les sujets observés.
Sur le plan lexicographique international, le concept est apparu dans la littérature anglophone sous l’expression Box–Cox power transformation, avant d’être naturalisé dans la nomenclature statistique et psychométrique francophone sous la dénomination normalisée de « transformation de Box-Cox » ou parfois « famille de transformations de Box-Cox ». Ce transfert s’est accompagné d’une conceptualisation rigoureuse au sein des départements de sciences humaines, où les notions de puissance (power) et de vraisemblance (likelihood) ont trouvé des équivalents formels dans les paradigmes d’ajustement structurel des données empiriques.
3. Prononciation et forme grammaticale
Sur le plan grammatical, l’expression « transformation de Box-Cox » est une locution nominale féminine singulière. Au pluriel, elle devient « transformations de Box-Cox », les noms propres restant invariables conformément aux règles grammaticales du français moderne. L’adjectif relationnel dérivé utilisé dans les écrits académiques est « box-coxien » ou « box-coxienne », bien que la formulation périphrase « issue de Box-Cox » soit souvent préférée dans les publications internationales de langue française.
La prononciation phonétique en français de référence se transcrit dans l’Alphabet Phonétique International sous la forme /tʁɑ̃s.fɔʁ.ma.sjɔ̃ də bɔks kɔks/. Le tiret reliant les deux patronymes symbolise la co-paternité intellectuelle de la théorie. Lors de son utilisation syntaxique, le terme régit généralement un complément d’objet introduit par la préposition « de » désignant la variable quantitative cible, par exemple : « l’application de la transformation de Box-Cox aux latences motrices a permis de rectifier une asymétrie positive persistante ».
4. Explication conceptuelle détaillée
L’armature théorique de la transformation de Box-Cox repose sur l’hypothèse qu’une variable dépendante observée y, issue d’une collecte de données comportementales, ne s’exprime pas nécessairement sur l’échelle métrique optimale pour satisfaire les exigences des modèles statistiques classiques. En psychologie, de nombreux processus psychophysiques sous-jacents obéissent à des dynamiques non linéaires régies par des mécanismes de saturation, d’amplification exponentielle ou d’épuisement des ressources cognitives. De tels mécanismes génèrent spontanément des distributions fortement asymétriques à droite (étirées vers les valeurs positives extrêmes) ou à gauche, associées à une variance qui fluctue directement en fonction du niveau moyen des performances individuelles.
La transformation de Box-Cox surmonte ces distorsions en définissant une famille paramétrique continue indexée par un paramètre réel, conventionnellement noté lambda (λ). Pour toute valeur strictement positive de la variable d’intérêt, la transformation univariée standard est formellement exprimée par l’équation :
y(λ) = (y^λ – 1) / λ lorsque λ ≠ 0, et y(λ) = ln(y) lorsque λ = 0.
La structure mathématique de cette équation révèle une élégance singulière : le terme -1 au numérateur et la division par λ assurent la continuité rigoureuse de la fonction autour de λ = 0, puisque la limite mathématique de (y^λ – 1) / λ quand λ tend vers 0 correspond précisément au logarithme népérien naturel de y, conformément à la règle de L’Hôpital. Sans cette normalisation différentielle, un saut discontinu séparerait les valeurs positives et négatives de l’exposant, empêchant une recherche continue de l’ajustement parfait.
Le périmètre d’action de cette technique s’articule autour de trois objectifs concomitants mais distincts :
- La normalisation de la distribution des erreurs : Les tests inférentiels paramétriques (comme le test t de Student, l’ANOVA et la régression multiple) supposent que les résidus du modèle suivent une courbe de Gauss. La transformation fléchit l’espace métrique pour réduire le coefficient d’asymétrie (skewness) et régulariser l’aplatissement (kurtosis).
- L’homogénéisation des variances : La condition d’homoscédasticité stipule que la variabilité résiduelle doit rester constante à travers tous les niveaux des facteurs expérimentaux ou des variables prédictives. En stabilisant l’étalement des données aux extrémités de l’échelle, Box-Cox élimine la corrélation pathologique fréquente entre la moyenne d’un groupe et sa variance.
- La linéarisation des relations fonctionnelles et l’additivité : Dans les devis factoriels complexes, des interactions trompeuses peuvent émerger du simple fait d’une compression d’échelle (par exemple, un effet plancher ou plafond). En recalibrant la métrique, la transformation permet aux effets des facteurs d’agir de façon purement additive, prévenant ainsi les fausses interprétations théoriques d’interactions psychologiques artificielles.
5. Développement historique
L’émergence de la transformation de Box-Cox s’inscrit au cœur d’une époque charnière de la statistique appliquée du XXe siècle. Dès les années 1930 et 1940, des figures tutélaires telles que Ronald Fisher, Chester Bliss et Frank Yates recommandaient déjà l’usage d’ajustements ad hoc pour rendre les variances indépendantes des moyennes, préconisant par exemple la transformation angulaire (arcsinus) pour les pourcentages ou la racine carrée pour les comptages de Poisson. Cependant, ces démarches demeuraient heuristiques, fragmentées et dépourvues d’une théorie unifiée d’estimation probabiliste.
Le tournant paradigmatique s’est opéré en 1964 lors de la présentation d’une communication mémorable devant la Royal Statistical Society par George Box et David Cox. Leur article conjoint, intitulé « An Analysis of Transformations », proposait une conceptualisation mathématique audacieuse : traiter le choix de la transformation non plus comme une décision arbitraire préalable guidée par de simples intuitions visuelles, mais comme un paramètre statistique formel à estimer au sein du modèle probabiliste lui-même, à l’aide de la méthode du maximum de vraisemblance.
Dans les décennies qui suivirent, le modèle initial suscita d’intenses débats méthodologiques. Dès les années 1970, des mathématiciens et des économètres mirent en évidence certaines fragilités de la méthode, notamment sa vulnérabilité face aux données aberrantes (outliers) et son incapacité originelle à traiter les nombres nuls ou négatifs. Pour combler cette dernière restriction, Box et Cox avaient brièvement esquissé une version à deux paramètres incluant un décalage scalaire, qui fut plus tard raffinée et formalisée par d’autres théoriciens. En 2000, la statisticienne In-Kwon Yeo et Richard Johnson introduisirent la transformation de Yeo-Johnson, une extension généralisée qui permet d’appliquer la philosophie de Box-Cox aux valeurs négatives et nulles sans nécessiter de constantes additives arbitraires.
Dans le domaine des sciences psychologiques, l’adoption s’est accélérée à mesure que la révolution informatique et la diffusion de progiciels statistiques (comme SAS, SPSS, puis R et Python) ont automatisé le calcul itératif du profil de vraisemblance, hissant cette technique au rang d’outil méthodologique de référence dans l’évaluation psychométrique et neurocognitive.
6. Fondements théoriques
Les fondations conceptuelles de la transformation de Box-Cox reposent sur l’inférence par la fonction de maximum de vraisemblance et le calcul différentiel appliqué aux densités de probabilité. Lorsque l’on transforme une variable aléatoire continue y en une nouvelle variable y(λ), la fonction de densité de probabilité conjointe ne peut se résumer à une simple substitution géométrique. Elle doit impérativement intégrer le jacobien de la transformation afin de maintenir l’invariance de l’aire sous la courbe de probabilité totale.
Pour un échantillon indépendant de n observations, le jacobien de la transformation de Box-Cox s’exprime par le produit des dérivées partielles de chaque observation transformée par rapport à sa valeur d’origine. Box et Cox ont résolu cette contrainte géométrique en formulant la variable transformée normalisée par la moyenne géométrique de l’échantillon. Cette élégante formulation permet de ramener la recherche du paramètre optimal à une procédure opérationnelle simple : la minimisation de la somme des carrés des résidus du modèle linéaire ajusté sur les données transformées mises à l’échelle.
Sur le plan épistémologique, la démarche box-coxienne s’ancre dans le postulat réaliste et pragmatique selon lequel la « normalité » n’est pas nécessairement une vérité intrinsèque de la nature psychologique, mais un système de coordonnées commode. En psychophysique et en théorie de la mesure, la relation entre un stimulus physique et sa perception subjective obéit à la loi de Weber-Fechner (logarithmique) ou à la loi de puissance de Stevens. Le cadre théorique de Box-Cox offre ainsi une passerelle idéale reliant les lois formelles de la mesure sensorielle aux structures mathématiques de l’analyse statistique inférentielle.
7. Composantes clés, variantes et dimensions
L’implémentation opérationnelle de la transformation de Box-Cox s’articule autour de composantes mathématiques précises et se décline en plusieurs variantes méthodologiques :
- Le paramètre d’ajustement lambda (λ) : Représente l’exposant de puissance qui détermine la nature et l’intensité de la courbure infligée à l’échelle métrique. Des valeurs typiques incluent :
- λ = 1 : Absence de transformation géométrique (identité fonctionnelle, maintien de l’échelle linéaire d’origine).
- λ = 0,5 : Transformation par racine carrée, particulièrement adaptée aux distributions issues de processus de comptage discrets présentant une dispersion proportionnelle à la moyenne.
- λ = 0 : Transformation logarithmique népérienne, solution idéale pour les distributions fortement étirées vers la droite avec asymétrie positive marquée.
- λ = -0,5 : Transformation par l’inverse de la racine carrée.
- λ = -1 : Transformation inverse pure (réciproque), fréquente dans la modélisation des vitesses de traitement psychologique à partir des durées d’exécution motrice.
- La transformation de Box-Cox à deux paramètres : Conçue pour traiter les séries comprenant des valeurs nulles ou négatives, elle incorpore un second paramètre λ₂ qui agit comme un seuil de translation constant : y(λ₁, λ₂) = ((y + λ₂)^λ₁ – 1) / λ₁, sous la condition stricte que y + λ₂ > 0 pour chaque individu de la cohorte.
- L’intervalle de confiance du profil de vraisemblance : La détermination du paramètre optimal ne s’effectue pas comme un point isolé arbitraire, mais s’accompagne d’un intervalle de confiance déduit du test du rapport de vraisemblance, permettant au chercheur de sélectionner une valeur de λ théoriquement intelligible et interprétable (comme 0 ou 0,5) si cette dernière est englobée dans les limites de confiance à 95 %.
- La variante de Yeo-Johnson : Une extension mathématique majeure supprimant l’exigence de stricte positivité tout en conservant les vertus stabilisatrices de l’algorithme initial de Box et Cox grâce à une formulation conditionnelle par morceaux sur les valeurs positives et négatives.
8. Exemples et cas illustratifs
Pour illustrer la portée concrète de cette méthode, examinons une étude neurocognitive standard portant sur le coût attentionnel de la flexibilité mentale, mesuré via le paradigme de Stroop chez 120 adultes sains. La variable dépendante principale est le temps de réaction (TR), consigné en millisecondes, lors de la condition d’incongruence sémantique.
Sur les données brutes, la distribution des temps de réaction affiche une asymétrie positive prononcée (coefficient d’asymétrie = +1,85 ; aplatissement = 6,40), avec une moyenne de 780 ms, une médiane de 710 ms et une traînée de scores atteignant 1 650 ms chez certains participants plus lents. L’application directe d’une régression linéaire montre que la variance résiduelle augmente exponentiellement avec la moyenne des groupes, violant de manière critique le principe d’homoscédasticité. En exécutant une procédure de Box-Cox, le profil de vraisemblance révèle un lambda optimal estimé à λ = -0,88, avec un intervalle de confiance à 95 % compris entre -1,15 et -0,60.
Puisque la valeur entière λ = -1 est contenue au sein de cet intervalle de confiance, le chercheur retient une transformation inverse (1 / TR), qui possède une validité théorique transparente en psychologie : elle convertit une durée temporelle brute (millisecondes par essai) en une vitesse cognitive de traitement de l’information (essais complétés par seconde). Sur cette échelle transformée, le coefficient d’asymétrie tombe à -0,08, l’aplatissement se stabilise à 3,02, et l’homoscédasticité des résidus est restaurée, conférant aux tests d’hypothèses subséquents une validité inférentielle irréprochable.
Un second exemple pertinent concerne la mesure des biomarqueurs salivaires de l’axe hypothalamo-hypophyso-surrénalien, tels que le taux de cortisol lors d’un protocole d’exposition au stress social de Trier. Les concentrations de cortisol basal présentent fréquemment une asymétrie extrême avec un plancher physiologique proche de zéro. L’application d’un lambda optimal proche de λ = 0,20 permet de normaliser les écarts interindividuels et d’analyser sans distorsion l’interaction entre les traumatismes vécus dans l’enfance et la réactivité au stress chez des patients souffrant de troubles de l’humeur.
9. Mesure, estimation et évaluation
La recherche du paramètre λ requiert l’estimation numérique du maximum d’une fonction de log-vraisemblance concentrée. En pratique computationnelle, les algorithmes de recherche unidimensionnelle procèdent par balayage d’une grille de valeurs prédéterminée, typiquement comprise entre -3,0 et +3,0 avec des incréments fins de 0,05 ou 0,01.
Pour chaque valeur candidate de λ :
- La variable dépendante brute y est convertie selon la formule géométrique standardisée.
- Un modèle de régression linéaire est estimé par la méthode des moindres carrés ordinaires.
- La variance résiduelle correspondante est extraite pour calculer la valeur du log-vraisemblance associé.
La valeur qui maximise cette surface définit le λ optimal au sens du maximum de vraisemblance. L’évaluation de la qualité de la transformation s’effectue ensuite au moyen d’indicateurs quantitatifs complémentaires rigoureux :
- Les tests d’hypothèse de normalité résiduelle : L’administration conjointe du test de Shapiro-Wilk ou du test d’Anderson-Darling sur les résidus du modèle avant et après transformation permet de quantifier formellement le gain d’ajustement distributionnel.
- Les diagrammes quantile-quantile (Q-Q plots) : L’inspection graphique des résidus standardisés projetés contre les quantiles théoriques de la loi normale permet de vérifier visuellement l’alignement des points le long de la bissectrice, particulièrement aux deux extrémités de la distribution.
- Les tests d’homogénéité des variances : Le test de Levene (basé sur la médiane) ou le test de Breusch-Pagan valide le rétablissement de la constance de la variance résiduelle à travers l’ensemble des conditions expérimentales.
10. Applications et portée pratique
Dans l’écosystème vaste de la psychologie contemporaine, la transformation de Box-Cox déploie son utilité opérationnelle dans plusieurs branches spécialisées :
En psychométrie et développement d’outils diagnostiques, de nombreux inventaires évaluant des dimensions psychopathologiques (comme l’anxiété sévère, les comportements autolytiques ou les manifestations compulsives) présentent des effets de plancher massifs au sein d’échantillons non cliniques. L’emploi d’une transformation paramétrique adaptée permet d’agréger valablement ces scores symptomatiques dans des modèles factoriels confirmatoires ou des équations structurelles sans biaiser l’estimation des erreurs de mesure standardisées.
En neurosciences cognitives et neuroimagerie fonctionnelle, l’analyse des amplitudes de potentiels évoqués (ERP) ou des densités spectrales de puissance de l’électroencéphalographie (EEG) se heurte à des fluctuations physiologiques non stationnaires. La transformation de Box-Cox intervient pour stabiliser les distributions des puissances spectrales oscillatoires avant leur incorporation dans des modèles linéaires à effets mixtes (LMM) comparant des populations cliniques et des témoins.
Dans le secteur de la psychologie organisationnelle et du travail, les données relatives au taux d’absentéisme, au roulement du personnel (turnover) ou aux volumes de vente individuelle s’écartent drastiquement de la symétrie gaussienne. L’ajustement des métriques de productivité par l’algorithme de Box-Cox garantit des évaluations prédictives équitables en atténuant l’impact artificiel des valeurs exceptionnellement élevées dans les régressions hiérarchiques.
11. Recherche et données empiriques
Une abondante littérature méthodologique corrobore les bénéfices inférentiels de la transformation de Box-Cox tout en documentant ses limites empiriques. Les travaux fondamentaux de Sakia (1992) ont synthétisé trois décennies d’utilisation pratique à travers un large éventail disciplinaire, concluant que la procédure de Box-Cox améliore substantiellement la puissance des tests F dans l’analyse de variance, tout en préservant le taux d’erreur de première espèce (alpha) face à des distributions sous-jacentes asymétriques ou hétéroscédastiques.
Dans une série de simulations quantitatives influentes orientées vers la psychologie expérimentale, Osborne (2010) a démontré que la normalisation préalable des variables fortement asymétriques via la famille Box-Cox réduisait notablement le taux d’erreurs d’inférence de type I et II dans les régressions multiples, comparativement à l’utilisation brute de données non symétriques ou à l’application uniforme et non testée d’une transformation logarithmique. L’auteur a prouvé que forcer aveuglément une transformation log(y) lorsque la véritable forme distributionnelle requiert une racine carrée ou une puissance inverse peut dégrader la structure d’association entre prédicteurs plutôt que de la clarifier.
Par ailleurs, les études de psychophysique computationnelle comparant les latences de décision sensorielle ont souligné que l’estimation empirique de λ permet souvent de discriminer les modèles cognitifs concurrents de la prise de décision. Par exemple, une convergence robuste vers λ = -1 fournit un étayage empirique direct aux modèles d’accumulation balistique (Ballistic Accumulator Models), confirmant que l’inversion temporelle correspond fidèlement à la vitesse latente de traitement neural requise pour franchir un seuil d’activation corticale.
12. Considérations culturelles et contextuelles
Si la formule algébrique de Box-Cox possède une universalité mathématique indépendante du contexte d’application, ses implications méthodologiques varient grandement selon les contextes socioculturels de collecte des données psychologiques. Dans les études transculturelles utilisant des échelles de Likert pour mesurer le bien-être subjectif ou l’individualisme-collectivisme, les styles de réponse dépendent étroitement de normes de communication propres à chaque groupe socioculturel.
Certaines populations manifestent une forte tendance à l’évitement des extrêmes (biais de modération), générant des distributions resserrées au centre de l’échelle, tandis que d’autres cultures favorisent des réponses polarisées (extrêmes affirmatifs ou négatifs). L’application aveugle d’une transformation de Box-Cox distincte à chaque sous-échantillon culturel comporte le risque de fausser l’équivalence de mesure (measurement invariance). En imposant un lambda différent au groupe A et au groupe B, le chercheur modifie la distance métrique relative entre les échelons des questionnaires, rendant les comparaisons directes de moyennes transculturelles caduques ou trompeuses.
Par conséquent, les méthodologues recommandent d’estimer un paramètre λ commun ou, mieux encore, de vérifier si l’asymétrie résulte d’une véritable propriété psychologique ou d’un artefact méthodologique lié au format de passation avant de modifier la géométrie des scores comparatifs internationaux.
13. Critiques, débats et limites
Malgré sa formidable utilité, la transformation de Box-Cox fait l’objet de réserves notables et suscite des controverses persistantes au sein de la communauté des statisticiens et psychologues quantitatifs :
La première critique majeure concerne l’interprétabilité des coefficients régressifs. Lorsqu’une variable dépendante y est transformée en (y^0,37 – 1) / 0,37, l’unité de mesure d’origine (par exemple des millisecondes, des points sur une échelle d’humeur ou des décibels) est oblitérée. Les pentes de régression estimées ne reflètent plus des variations marginales directes dans l’espace psychologique naturel, rendant la communication des tailles d’effet et le calcul des intervalles de confiance extrêmement complexes pour les praticiens non statisticiens. Pour pallier cet inconvénient, il est souvent nécessaire d’effectuer une retransformation inverse fastidieuse vers l’échelle d’origine, opération qui réintroduit elle-même un biais mathématique sur la moyenne prédite.
Le deuxième écueil réside dans l’extrême sensibilité aux valeurs aberrantes (outliers). Bickel et Doksum (1981) ont démontré avec acuité que l’estimation simultanée des paramètres de régression et de lambda augmente considérablement l’instabilité asymptotique des variances d’échantillonnage lorsque des points atypiques influent lourdement sur la courbure de la vraisemblance. Un seul individu aberrant peut faire basculer l’estimation d’un lambda de 0 (logarithme) vers -1 (inverse), altérant radicalement les conclusions théoriques de l’étude.
Enfin, l’essor contemporain de paradigmes statistiques alternatifs — tels que les modèles linéaires généralisés (GLM) et les modèles de régression robuste — a conduit de nombreux psychologues à remettre en cause la nécessité même de transformer les données. En spécifiant directement une distribution adéquate (comme la loi Gamma pour les temps de réaction ou la loi log-normale) associée à une fonction de lien idoine, les GLM permettent de modéliser directement la variable dépendante sur son échelle naturelle d’origine sans distorsion métrique artificielle.
14. Termes connexes et distinctions
Pour clarifier l’ancrage de la transformation de Box-Cox au sein de la boîte à outils statistique, il convient de la situer par rapport aux concepts adjacents :
- Transformation de Yeo-Johnson : Variante généralisée de la famille de puissance autorisant directement des valeurs nulles et négatives, contrairement à la formule classique de Box-Cox qui impose une stricte positivité stricte (y > 0).
- Transformation logarithmique : Cas particulier spécifique de la famille de Box-Cox correspondant rigoureusement à la limite où le paramètre lambda tend vers zéro (λ = 0).
- Modèles linéaires généralisés (GLM) : Cadre analytique alternatif qui modélise explicitement la relation entre la moyenne et la variance via une fonction de lien et une distribution de la famille exponentielle, préservant la métrique originale de la variable là où Box-Cox transforme la variable elle-même pour l’ajuster de force au moule gaussien.
- Normalisation par rangs (Rank-based inverse normal transformation) : Approche non paramétrique qui convertit les rangs d’observations en percentiles théoriques d’une distribution normale standard, détruisant totalement les distances métriques initiales entre observations, à la différence de Box-Cox qui applique une transformation continue et différentiable préservant la morphologie relative des écarts.
- Homoscédasticité : Propriété de constance de la variance des résidus d’un modèle statistique à travers les strates de covariables, condition sine qua non que la procédure de Box-Cox vise prioritairement à rétablir conjointement avec la normalité.
15. Résumé et points clés
La transformation de Box-Cox constitue un paradigme algorithmique fondamental de l’analyse statistique moderne en psychologie et en sciences comportementales. Ses attributs cardinaux peuvent être résumés comme suit :
- Elle identifie mathématiquement, par maximisation de la vraisemblance, l’exposant de puissance optimal (λ) destiné à corriger l’asymétrie distributionnelle d’une variable continue strictement positive.
- Elle répond simultanément à trois exigences structurales de la modélisation linéaire : la normalisation de la distribution d’erreurs, l’égalisation des variances résiduelles (homoscédasticité) et la linéarisation des relations fonctionnelles inter-variables.
- Les valeurs les plus fréquentes de lambda s’interprètent aisément comme des opérations géométriques classiques : λ = 1 (absence d’altération), λ = 0,5 (racine carrée), λ = 0 (logarithme naturel) et λ = -1 (inverse multiplicatif).
- Ses applications prépondérantes s’observent dans le traitement des latences chronométriques, des données psychophysiques, des concentrations de marqueurs neurobiologiques et des scores d’inventaires psychopathologiques asymétriques.
- Bien que rendue parfois accessoire par l’avènement des modèles linéaires généralisés, elle demeure une solution élégante et scientifiquement éprouvée pour sécuriser la puissance et la robustesse des tests paramétriques dans les devis de recherche expérimentale.
Références
- Bickel, P. J., & Doksum, K. A. (1981). An analysis of transformations revisited. Journal of the American Statistical Association, 76(374), 296–311. https://doi.org/10.1080/01621459.1981.10477649
- Box, G. E. P., & Cox, D. R. (1964). An analysis of transformations. Journal of the Royal Statistical Society: Series B (Methodological), 26(2), 211–243. https://doi.org/10.1111/j.2517-6161.1964.tb00553.x
- Osborne, J. W. (2010). Improving your data transformations: Applying the Box-Cox transformation. Practical Assessment, Research, and Evaluation, 15(12), 1–9. https://doi.org/10.7275/qbpc-gk17
- Sakia, R. M. (1992). The Box-Cox transformation technique: A review. The Statistician, 41(2), 169–178. https://doi.org/10.2307/2348250
- Yeo, I. K., & Johnson, R. A. (2000). A new family of power transformations to improve normality or symmetry. Biometrika, 87(4), 954–959. https://doi.org/10.1093/biomet/87.4.954