L’analyse des s\u00e9ries temporelles constitue l’un des piliers m\u00e9thodologiques fondamentaux de la recherche quantitative contemporaine. Qu’il s’agisse d’\u00e9valuer l’\u00e9volution s\u00e9rielle de biomarqueurs neurophysiologiques, de quantifier les trajectoires de r\u00e9tablissement psychologique au sein d’\u00e9tudes longitudinales ou d’observer les fluctuations de variables comportementales sous l’effet d’une intervention clinique, la d\u00e9tection rigoureuse d’une d\u00e9rive temporelle repr\u00e9sente un enjeu statistique d\u00e9terminant. Toutefois, les donn\u00e9es empiriques issues des sciences sociales, de la psychom\u00e9trie et de la recherche biom\u00e9dicale d\u00e9rogent fr\u00e9quemment aux exigences strictes impos\u00e9es par la mod\u00e9lisation statistique param\u00e9trique conventionnelle. L’asym\u00e9trie marqu\u00e9e des distributions, la pr\u00e9sence inh\u00e9rente de valeurs extr\u00eames ou aberrantes, la discontinuit\u00e9 des \u00e9chelles de mesure et les ruptures d’homosc\u00e9dasticit\u00e9 compromettent souvent la validit\u00e9 des conclusions issues des approches lin\u00e9aires traditionnelles bas\u00e9es sur les moindres carr\u00e9s ordinaires.<\/p>\n
Face \u00e0 ces contraintes de mod\u00e9lisation, le test de tendance de Mann-Kendall s’est impos\u00e9 au sein de la communaut\u00e9 scientifique internationale comme une r\u00e9f\u00e9rence non param\u00e9trique incontournable. Fond\u00e9 exclusivement sur les rangs relatifs des observations plut\u00f4t que sur leurs magnitudes num\u00e9riques absolues, ce test permet d’\u00e9valuer formellement l’existence d’une tendance monotone ascendante ou descendante, sans exiger la normalit\u00e9 des r\u00e9sidus ni postuler une lin\u00e9arit\u00e9 stricte de la trajectoire observ\u00e9e. Sa r\u00e9silience math\u00e9matique face aux valeurs atypiques et sa compatibilit\u00e9 naturelle avec les variables ordinales en font un outil d’une remarquable puissance pour l’investigation s\u00e9rielle rigoureuse.<\/p>\n
L’\u00e9cosyst\u00e8me open-source du langage de programmation Python<\/a> offre aujourd’hui des biblioth\u00e8ques hautement sp\u00e9cialis\u00e9es, \u00e0 l’instar de pymannkendall<\/em>, permettant de d\u00e9ployer ce cadre inf\u00e9rentiel avec une efficacit\u00e9 informatique et une pr\u00e9cision algorithmique remarquables. Le pr\u00e9sent trait\u00e9 m\u00e9thodologique propose une exploration exhaustive de ce test statistique, depuis ses fondements alg\u00e9briques et ses variantes adapt\u00e9es aux s\u00e9ries autocorr\u00e9l\u00e9es ou saisonni\u00e8res, jusqu’\u00e0 son impl\u00e9mentation programmatique, sa visualisation graphique avanc\u00e9e et son interpr\u00e9tation clinique standardis\u00e9e selon les normes acad\u00e9miques internationales.<\/p>\n Le test de tendance de Mann-Kendall r\u00e9sulte de la convergence historique entre les travaux pionniers de Henry Mann<\/a>, publi\u00e9s en 1945 sous le titre de test non param\u00e9trique contre les tendances, et la formalisation du coefficient de corr\u00e9lation de rang d\u00e9velopp\u00e9e par Maurice Kendall en 1938 puis synth\u00e9tis\u00e9e en 1975. L’ambition fondamentale de ces deux statisticiens \u00e9tait de concevoir un cadre inf\u00e9rentiel capable de statuer sur l’\u00e9volution directionnelle d’un ph\u00e9nom\u00e8ne s\u00e9quentiel sans devoir postuler une distribution probabiliste sous-jacente particuli\u00e8re. Dans le paradigme classique, la recherche d’une tendance impliquait l’ajustement d’un mod\u00e8le param\u00e9trique dont la robustesse s’effondrait d\u00e8s lors que l’\u00e9chantillon empirique s’\u00e9cartait de la loi normale multivari\u00e9e.<\/p>\n La nature non param\u00e9trique du test de Mann-Kendall d\u00e9coule de son m\u00e9canisme d’\u00e9valuation : il op\u00e8re exclusivement sur les positions ordinales relatives des donn\u00e9es chronologiques. En \u00e9liminant toute d\u00e9pendance \u00e0 l’\u00e9gard de la m\u00e9trique absolue des \u00e9carts, la m\u00e9thode s’affranchit de l’hypoth\u00e8se de gaussianit\u00e9 des erreurs stochastiques. Cette caract\u00e9ristique conf\u00e8re au test une robustesse exceptionnelle lors de l’investigation de s\u00e9ries issues d’instruments psychom\u00e9triques standardis\u00e9s, de relev\u00e9s psychophysiologiques ou d’enregistrements comportementaux \u00e0 haute fr\u00e9quence, o\u00f9 les planchers d’\u00e9valuation, les plafonds de mesure et les asym\u00e9tries positives ou n\u00e9gatives constituent la r\u00e8gle empirique plut\u00f4t que l’exception th\u00e9orique.<\/p>\n Il importe d’\u00e9tablir une distinction conceptuelle nette entre la corr\u00e9lation bivari\u00e9e simple et la d\u00e9tection d’une tendance temporelle monotone. Alors qu’un coefficient de corr\u00e9lation lin\u00e9aire conventionnel \u00e9value la force de la covariation proportionnelle entre deux variables al\u00e9atoires sym\u00e9triques, le test de Mann-Kendall traite la variable temporelle comme un ordonnancement d\u00e9terministe strict et non al\u00e9atoire. L’objectif n’est pas de quantifier une proportionnalit\u00e9 constante par unit\u00e9 de temps, mais de d\u00e9terminer si la probabilit\u00e9 qu’une observation future surpasse une observation pass\u00e9e diff\u00e8re significativement de la probabilit\u00e9 inverse, caract\u00e9risant ainsi une dynamique intrins\u00e8quement monotone sur l’ensemble de la trajectoire observ\u00e9e.<\/p>\n L’approche param\u00e9trique standard pour identifier une trajectoire s\u00e9quentielle repose sur la r\u00e9gression lin\u00e9aire simple par la m\u00e9thode des moindres carr\u00e9s ordinaires, o\u00f9 la variable d’int\u00e9r\u00eat est r\u00e9gress\u00e9e sur l’indice temporel. Bien que s\u00e9duisante par sa simplicit\u00e9 conceptuelle et computationnelle, cette m\u00e9thode souffre d’une extr\u00eame vuln\u00e9rabilit\u00e9 face aux donn\u00e9es aberrantes et aux points de levier. Une observation unique, excessivement d\u00e9cal\u00e9e en fin de s\u00e9rie par suite d’un artefact technique ou d’une crise \u00e9motionnelle aigu\u00eb chez un participant, est susceptible d’induire une pente statistiquement significative l\u00e0 o\u00f9 l’ensemble des donn\u00e9es r\u00e9siduelles demeure stationnaire, cr\u00e9ant ainsi un faux positif m\u00e9thodologique majeur.<\/p>\n \u00c0 l’inverse, le test de Mann-Kendall pr\u00e9sente une sensibilit\u00e9 consid\u00e9rablement att\u00e9nu\u00e9e \u00e0 l’\u00e9gard des valeurs atypiques isol\u00e9es et des asym\u00e9tries de distribution. \u00c9tant donn\u00e9 que le calcul repose sur le signe de la diff\u00e9rence entre chaque paire d’observations et non sur l’amplitude num\u00e9rique de cet \u00e9cart, une valeur aberrante extr\u00eame n’exerce pas plus d’influence sur la statistique de test qu’une observation l\u00e9g\u00e8rement sup\u00e9rieure au point pr\u00e9c\u00e9dent. Son point de rupture statistique est notablement plus favorable que celui des moindres carr\u00e9s ordinaires, conf\u00e9rant \u00e0 l’analyste une garantie de stabilit\u00e9 inf\u00e9rentielle face aux perturbations locales et aux h\u00e9t\u00e9rosc\u00e9dasticit\u00e9s temporelles fr\u00e9quentes dans les contextes \u00e9cologiques.<\/p>\n En outre, le test de Mann-Kendall r\u00e9sout avec une grande \u00e9l\u00e9gance la gestion des donn\u00e9es ordinales issues d’\u00e9chelles de Likert ou de questionnaires psychologiques semi-quantitatifs. L’assimilation abusive d’\u00e9chelons cat\u00e9goriels ordonn\u00e9s \u00e0 des grandeurs d’intervalles constants constitue une faiblesse r\u00e9currente des r\u00e9gressions param\u00e9triques appliqu\u00e9es aux sciences humaines. Le test de Mann-Kendall ne requ\u00e9rant qu’une relation d’ordre entre les valeurs, il respecte scrupuleusement la nature math\u00e9matique de ces construits, \u00e9vitant ainsi les biais de troncature et les distorsions inh\u00e9rentes aux transformations non lin\u00e9aires de variables d’\u00e9valuation psychologique.<\/p>\n Dans le domaine des sciences du comportement, l’\u00e9valuation des trajectoires longitudinales individuelles s’est intensifi\u00e9e avec la d\u00e9mocratisation des m\u00e9thodologies d’\u00e9valuation \u00e9cologique instantan\u00e9e, connues sous l’acronyme anglais EMA pour Ecological Momentary Assessment<\/em>. Le suivi \u00e0 haute fr\u00e9quence de marqueurs de d\u00e9tresse psychologique, de l’humeur fluctuante ou de scores d’anxi\u00e9t\u00e9 auto-rapport\u00e9s engendre des jeux de donn\u00e9es denses caract\u00e9ris\u00e9s par une non-normalit\u00e9 substantielle. L’emploi du test de Mann-Kendall permet d’\u00e9tablir formellement si l’\u00e9tat d’un patient \u00e9volue selon une trajectoire d’att\u00e9nuation symptomatique monotone au fil des jours, ind\u00e9pendamment des micro-variations quotidiennes al\u00e9atoires.<\/p>\n Le test d\u00e9montre une pertinence analogue lors de l’\u00e9valuation rigoureuse de l’efficacit\u00e9 d’interventions th\u00e9rapeutiques r\u00e9p\u00e9t\u00e9es dans le temps, notamment dans les protocoles de recherche \u00e0 cas unique ou Single-Case Experimental Designs<\/em> (SCED). Les cliniciens et chercheurs doivent \u00eatre en mesure de certifier que l’am\u00e9lioration observ\u00e9e lors de l’introduction d’un protocole cognitivo-comportemental ne rel\u00e8ve pas d’une simple instabilit\u00e9 stochastique de base, mais d’une d\u00e9rive directionnelle robuste. L’objectivation statistique d’une telle tendance monotone fournit un argument probabiliste solide pour valider l’impact fonctionnel d’un traitement exp\u00e9rimental.<\/p>\n Enfin, l’\u00e9tude des d\u00e9rives comportementales chroniques et du d\u00e9clin cognitif progressif associ\u00e9 au vieillissement normal ou pathologique tire un b\u00e9n\u00e9fice direct de cette m\u00e9thodologie. Qu’il s’agisse du suivi pluriannuel des temps de r\u00e9action psychomoteurs, de scores d’inhibition cognitive ou d’indices de fluidit\u00e9 verbale, le test de Mann-Kendall isole avec pr\u00e9cision les d\u00e9gradations monotones du signal sans \u00eatre pollu\u00e9 par les effets d’apprentissage transitoires ou les fluctuations inter-s\u00e9ances, offrant un estimateur statistique impartial de l’\u00e9volution neuropsychologique au long cours.<\/p>\n Le d\u00e9ploiement du test de tendance de Mann-Kendall repose sur une formalisation rigoureuse de son syst\u00e8me d’hypoth\u00e8ses statistiques. Soit une s\u00e9rie temporelle repr\u00e9sent\u00e9e par un vecteur ordonn\u00e9 d’observations r\u00e9elles index\u00e9es par le temps :<\/p>\n X = (x\u2081, x\u2082, …, x\u2099)<\/em><\/p>\n Dans ce cadre formel, l’hypoth\u00e8se nulle, conventionnellement d\u00e9sign\u00e9e par H\u2080, postule que les observations x\u1d62<\/em> sont des variables al\u00e9atoires ind\u00e9pendantes et identiquement distribu\u00e9es selon une fonction de r\u00e9partition continue inconnue. Sous H\u2080, la s\u00e9rie chronologique ne manifeste aucune tendance monotone temporelle d\u00e9termin\u00e9e ; l’ordonnancement temporel des observations est purement al\u00e9atoire et tous les arrangements factoriels possibles des rangs sont \u00e9quiprobables.<\/p>\n L’hypoth\u00e8se alternative, not\u00e9e H\u2081, affirme que la distribution des observations subit une d\u00e9rive monotone en fonction du temps, caract\u00e9risant la pr\u00e9sence d’une tendance ascendante ou descendante. Selon les objectifs m\u00e9thodologiques de l’exp\u00e9rimentateur et les fondements th\u00e9oriques sous-tendant l’\u00e9tude empirique, le test peut \u00eatre configur\u00e9 selon deux modalit\u00e9s d\u00e9cisionnelles distinctes :<\/p>\n Le choix entre une approche bilat\u00e9rale ou unilat\u00e9rale d\u00e9termine directement la r\u00e9partition de la zone de rejet sur les extr\u00e9mit\u00e9s de la distribution asymptotique de r\u00e9f\u00e9rence, conditionnant ainsi le seuil critique de la valeur de p requise pour rejeter formellement l’absence de tendance temporelle.<\/p>\n Le c\u0153ur algorithmique de la m\u00e9thode repose sur le calcul de la statistique de sommation, commun\u00e9ment d\u00e9sign\u00e9e par la lettre S<\/em>. Cette statistique repr\u00e9sente la somme cumulative des signes des diff\u00e9rences alg\u00e9briques calcul\u00e9es pour l’ensemble des paires possibles d’observations ordonn\u00e9es chronologiquement. Pour une s\u00e9rie comprenant n<\/em> observations, le nombre total de paires form\u00e9es en comparant chaque \u00e9l\u00e9ment ant\u00e9rieur x\u1d62<\/em> \u00e0 un \u00e9l\u00e9ment post\u00e9rieur x\u2c7c<\/em> (avec i < j<\/em>) s’\u00e9l\u00e8ve pr\u00e9cis\u00e9ment \u00e0 n(n – 1) \/ 2<\/em>. La statistique S<\/em> est formellement d\u00e9finie par l’\u00e9quation suivante :<\/p>\n S = \u2211\u1d62\u208c\u2081\u207f\u207b\u00b9 \u2211\u2c7c\u208c\u1d62\u208a\u2081\u207f sgn(x\u2c7c – x\u1d62)<\/em><\/p>\n La fonction signe, not\u00e9e sgn(\u03b8)<\/em>, op\u00e8re une discr\u00e9tisation ternaire de la diff\u00e9rence relative observ\u00e9e entre deux points temporels successifs ou distants, selon la r\u00e8gle alg\u00e9brique d\u00e9terministe :<\/p>\n Une valeur positive substantielle de S<\/em> indique que les observations ult\u00e9rieures sont pr\u00e9f\u00e9rentiellement sup\u00e9rieures aux observations initiales, r\u00e9v\u00e9lant une dynamique globale ascendante, tandis qu’une valeur n\u00e9gative marqu\u00e9e atteste d’une d\u00e9croissance s\u00e9rielle. Sous l’hypoth\u00e8se nulle d’ind\u00e9pendance et en l’absence de valeurs identiques r\u00e9p\u00e9t\u00e9es (liens ou ex \u00e6quo), l’esp\u00e9rance math\u00e9matique de S<\/em> est strictement nulle, et sa variance th\u00e9orique exacte s’exprime par la relation :<\/p>\n Var(S) = [n(n – 1)(2n + 5)] \/ 18<\/em><\/p>\n Cependant, dans la quasi-totalit\u00e9 des s\u00e9ries empiriques psychom\u00e9triques ou biom\u00e9dicales, des valeurs identiques surviennent fr\u00e9quemment du fait de la discr\u00e9tisation des \u00e9chelles d’\u00e9valuation. Lorsque de tels ex \u00e6quo sont observ\u00e9s, la variance th\u00e9orique doit imp\u00e9rativement \u00eatre corrig\u00e9e \u00e0 la baisse pour compenser la perte de degr\u00e9s de libert\u00e9 informationnels. Si l’on note g<\/em> le nombre total de groupes de valeurs li\u00e9es distincts et t\u209a<\/em> le nombre d’observations redondantes contenues dans le p<\/em>-i\u00e8me groupe de liens, la formule ajust\u00e9e de la variance de S<\/em> devient :<\/p>\n Var(S) = [n(n – 1)(2n + 5) – \u2211\u209a\u208c\u2081\u1d4d t\u209a(t\u209a – 1)(2t\u209a + 5)] \/ 18<\/em><\/p>\n Cette correction de variance est indispensable : omettre son calcul en pr\u00e9sence d’ex \u00e6quo multiples engendrerait une surestimation de la variance r\u00e9siduelle, r\u00e9duisant artificiellement la statistique standardis\u00e9e et conduisant \u00e0 une perte dommageable de puissance statistique.<\/p>\n D\u00e8s lors que la taille d’\u00e9chantillon n<\/em> est sup\u00e9rieure ou \u00e9gale \u00e0 dix, le th\u00e9or\u00e8me central limite s’applique avec une pr\u00e9cision remarquable \u00e0 la distribution de probabilit\u00e9 discr\u00e8te de S<\/em>. La statistique de sommation converge rapidement vers une distribution normale de moyenne nulle et de variance Var(S)<\/em>. Afin de permettre l’inf\u00e9rence probabiliste sans recourir \u00e0 des tables statistiques combinatoires exhaustives, la variable discr\u00e8te S<\/em> est standardis\u00e9e en un score normalis\u00e9 centr\u00e9 r\u00e9duit, not\u00e9 Z<\/em>.<\/p>\n Dans la mesure o\u00f9 la variable S<\/em> est strictement enti\u00e8re et discr\u00e8te alors que la distribution normale sous-jacente est rigoureusement continue, il est imp\u00e9ratif d’introduire une correction de continuit\u00e9 de Yates de magnitude unitaire (+1 ou -1). Cette transformation permet d’approcher au plus pr\u00e8s la probabilit\u00e9 cumul\u00e9e continue. La formule de standardisation de Z<\/em> est ainsi formul\u00e9e :<\/p>\n Le score Z<\/em> obtenu suit asymptotiquement une loi normale standard N(0, 1)<\/em> sous l’hypoth\u00e8se nulle H\u2080. La d\u00e9rivation de la p-valeur d\u00e9coule directement de la fonction de r\u00e9partition empirique ou th\u00e9orique de la loi normale, not\u00e9e \u03a6(z)<\/em>. Pour une hypoth\u00e8se bilat\u00e9rale exploratoire sans a priori directionnel, la p-valeur s’obtient par le double de l’int\u00e9grale de queue de distribution :<\/p>\n p = 2 \u00d7 [1 – \u03a6(|Z|)]<\/em><\/p>\n Dans le cas d’un test unilat\u00e9ral formulant l’hypoth\u00e8se d’une augmentation monotone, la p-valeur se r\u00e9sume \u00e0 p = 1 – \u03a6(Z)<\/em>, tandis que pour une d\u00e9croissance postul\u00e9e, elle \u00e9quivaut \u00e0 p = \u03a6(Z)<\/em>. La probabilit\u00e9 calcul\u00e9e est subs\u00e9quemment confront\u00e9e aux seuils de d\u00e9cision conventionnels de la statistique inf\u00e9rentielle, usuellement fix\u00e9s \u00e0 0,10 (seuil marginal d’alerte exploratoire), 0,05 (seuil de significativit\u00e9 standard consensuel) ou 0,01 (crit\u00e8re de preuve hautement conservateur). Un rejet de l’hypoth\u00e8se nulle autorise l’analyste \u00e0 affirmer l’existence d’une dynamique temporelle directionnelle non attribuable au seul hasard de l’\u00e9chantillonnage.<\/p>\n Une confusion \u00e9pist\u00e9mologique r\u00e9currente consiste \u00e0 assimiler la d\u00e9tection d’une tendance monotone \u00e0 l’affirmation d’une progression strictement lin\u00e9aire. La lin\u00e9arit\u00e9 impose une contrainte g\u00e9om\u00e9trique forte : le taux de variation marginal entre deux observations successives doit demeurer rigoureusement constant tout au long de la p\u00e9riode d’\u00e9chantillonnage, mat\u00e9rialis\u00e9 par une d\u00e9riv\u00e9e premi\u00e8re invariante par rapport au temps. Une telle r\u00e9gularit\u00e9 arithm\u00e9tique se v\u00e9rifie rarement dans le champ de la psychologie et des sciences humaines, o\u00f9 les processus d’habituation, d’extinction ou d’apprentissage ob\u00e9issent pr\u00e9f\u00e9rentiellement \u00e0 des dynamiques exponentielles, logarithmiques ou sigmo\u00efdales.<\/p>\n Le test de Mann-Kendall \u00e9value quant \u00e0 lui la monotonie, un concept topologique beaucoup plus souple et universel. Une trajectoire est dite strictement monotone ascendante si pour toute paire temporelle t\u1d62 < t\u2c7c<\/em>, l’in\u00e9galit\u00e9 x(t\u1d62) \u2264 x(t\u2c7c)<\/em> est globalement respect\u00e9e \u00e0 travers les rangs, peu importe que la progression soit initialement foudroyante puis asymptotique, ou inversement tr\u00e8s progressive puis acc\u00e9l\u00e9r\u00e9e. Le test capture l’uniformit\u00e9 du sens de progression sans jamais contraindre le profil fonctionnel de cette trajectoire \u00e0 une droite math\u00e9matique rigide.<\/p>\n Cependant, cette propri\u00e9t\u00e9 d\u00e9finit \u00e9galement l’une des limites intrins\u00e8ques majeures du test. Le test standard de Mann-Kendall est fondamentalement aveugle aux dynamiques temporelles non monotones mais hautement structur\u00e9es, telles que les relations curvilignes en U invers\u00e9 illustrant la loi de Yerkes-Dodson (performance optimale sous stress mod\u00e9r\u00e9) ou les oscillations cycliques sinuso\u00efdales. Face \u00e0 une trajectoire parfaitement sym\u00e9trique en d\u00f4me, le nombre de paires ascendantes de la premi\u00e8re moiti\u00e9 \u00e9quilibrera exactement le nombre de paires descendantes de la seconde moiti\u00e9, aboutissant \u00e0 une statistique S<\/em> proche de z\u00e9ro et \u00e0 une conclusion fallacieuse d’absence de tendance. D\u00e8s lors, l’inspection visuelle pr\u00e9alable et syst\u00e9matique des diagrammes de dispersion temporelle demeure un imp\u00e9ratif m\u00e9thodologique incontournable pour v\u00e9rifier la pertinence de l’hypoth\u00e8se de monotonie avant toute ex\u00e9cution algorithmique.<\/p>\n L’hypoth\u00e8se math\u00e9matique la plus critique du test de Mann-Kendall standard r\u00e9side dans le postulat d’ind\u00e9pendance s\u00e9rielle stricte des r\u00e9sidus ou des observations. Cette condition stipule qu’aucune d\u00e9pendance stochastique ne doit lier l’\u00e9tat d’un syst\u00e8me au temps t<\/em> \u00e0 son \u00e9tat au temps t-1<\/em> ou \u00e0 des pas temporels ant\u00e9rieurs. Or, dans les investigations longitudinales contemporaines, en particulier celles exploitant des protocoles intensifs de recueil d’exp\u00e9riences en temps r\u00e9el (EMA\/ESM), cette hypoth\u00e8se d’ind\u00e9pendance est presque syst\u00e9matiquement viol\u00e9e du fait de la viscosit\u00e9 intrins\u00e8que des processus biopsychosociaux.<\/p>\n L’existence d’une autocorr\u00e9lation s\u00e9rielle positive, o\u00f9 une valeur \u00e9lev\u00e9e \u00e0 un instant donn\u00e9 tend naturellement \u00e0 \u00eatre suivie d’une valeur \u00e9lev\u00e9e \u00e0 l’instant suivant ind\u00e9pendamment de toute force directrice externe, produit un impact d\u00e9l\u00e9t\u00e8re sur l’inf\u00e9rence statistique. Cette d\u00e9pendance temporelle r\u00e9duit artificiellement le nombre effectif de degr\u00e9s de libert\u00e9 ind\u00e9pendants au sein de la s\u00e9rie chronologique. En cons\u00e9quence, la formule classique de la variance de S<\/em> sous-estime drastiquement la dispersion empirique r\u00e9elle de la statistique, ce qui engendre une inflation exponentielle du score normalis\u00e9 Z<\/em> et un abaissement artificiel de la p-valeur.<\/p>\n Ce ph\u00e9nom\u00e8ne d’inflation du taux d’erreur de type I (faux positifs) constitue un pi\u00e8ge classique pour le chercheur non averti, qui conclura \u00e0 tort \u00e0 l’existence d’une tendance de fond statistiquement significative l\u00e0 o\u00f9 n’op\u00e8re en r\u00e9alit\u00e9 qu’une d\u00e9rive stochastique induite par une forte m\u00e9moire s\u00e9rielle \u00e0 court terme. Pour pr\u00e9venir cet \u00e9cueil majeur, l’analyste se doit d’\u00e9valuer scrupuleusement la structure de d\u00e9pendance temporelle de la s\u00e9rie par l’examen syst\u00e9matique du corr\u00e9logramme empirique, via la fonction d’autocorr\u00e9lation (ACF, pour Autocorrelation Function<\/em>), avant d’opter pour la variante appropri\u00e9e du test.<\/p>\n Bien que l’approximation normale de la statistique S<\/em> par le score standardis\u00e9 Z<\/em> soit g\u00e9n\u00e9ralement consid\u00e9r\u00e9e comme satisfaisante d\u00e8s que la taille d’\u00e9chantillon atteint n \u2265 10<\/em>, la puissance statistique globale du test de Mann-Kendall d\u00e9pend \u00e9troitement de la longueur de la s\u00e9quence temporelle analys\u00e9e. Pour des s\u00e9ries ultra-courtes comportant moins de dix observations s\u00e9quentielles, l’approximation asymptotique devient instable et impr\u00e9cise. Dans ces conditions de petit \u00e9chantillon, l’analyste doit imp\u00e9rativement privil\u00e9gier l’estimation exacte de la distribution combinatoire de S<\/em>, disponible dans certains sous-modules sp\u00e9cialis\u00e9s, sous peine de distorsion d\u00e9cisionnelle.<\/p>\n Les investigations psychologiques longitudinales sont par ailleurs constamment confront\u00e9es \u00e0 la probl\u00e9matique des donn\u00e9es manquantes (attrition exp\u00e9rimentale, oubli de notification chez le participant, d\u00e9faillance technique des capteurs ambulatoires). Contrairement \u00e0 certains mod\u00e8les autor\u00e9gressifs stricts imposant un maillage temporel rigoureusement \u00e9quidistant sans aucune discontinuit\u00e9, le calcul de la statistique de Mann-Kendall peut techniquement s’op\u00e9rer sur une s\u00e9quence incompl\u00e8te simplement en ignorant les paires contenant une valeur manquante. Toutefois, si l’absence d’observation n’est pas distribu\u00e9e de mani\u00e8re compl\u00e8tement al\u00e9atoire (m\u00e9canisme Missing Completely at Random<\/em>, MCAR), mais corr\u00e9l\u00e9e \u00e0 l’\u00e9tat psychologique sous-jacent (par exemple, un patient d\u00e9pressif cessant de r\u00e9pondre aux \u00e9valuations lors des phases aigu\u00ebs de d\u00e9t\u00e9rioration), un biais d’\u00e9chantillonnage s\u00e9v\u00e8re alt\u00e9rera irr\u00e9m\u00e9diablement la validit\u00e9 de la trajectoire estim\u00e9e.<\/p>\n Enfin, l’accumulation excessive d’ex \u00e6quo r\u00e9sultant d’effets de plancher ou de plafond sur des instruments d’auto-\u00e9valuation tronqu\u00e9s alt\u00e8re la puissance du test en compressant la variabilit\u00e9 interne du signal. L’incorporation rigoureuse du terme correctif li\u00e9 aux groupes d’ex \u00e6quo dans le calcul de la variance de S<\/em> neutralise le risque d’erreur de type I, mais r\u00e9duit m\u00e9caniquement la capacit\u00e9 du test \u00e0 rejeter l’hypoth\u00e8se nulle en pr\u00e9sence d’une tendance discr\u00e8te mais r\u00e9elle. Le chercheur doit ainsi veiller \u00e0 s\u00e9lectionner des m\u00e9triques psychom\u00e9triques pr\u00e9sentant une granularit\u00e9 d’\u00e9chelle suffisante pour autoriser une discrimination ordinale fine au fil du temps.<\/p>\n Au sein de l’\u00e9cosyst\u00e8me open-source Python d\u00e9di\u00e9 \u00e0 l’analyse de donn\u00e9es scientifiques et \u00e0 la mod\u00e9lisation statistique, plusieurs approches permettent d’impl\u00e9menter l’algorithme de Mann-Kendall. Bien qu’il soit conceptuellement envisageable de coder manuellement les doubles sommations combinatoires via des boucles it\u00e9ratives sous NumPy<\/a> ou d’adapter des proc\u00e9dures g\u00e9n\u00e9riques de rang issues de SciPy<\/a>, l’utilisation d’une biblioth\u00e8que sp\u00e9cialis\u00e9e, test\u00e9e par les pairs et optimis\u00e9e au niveau computationnel s’impose pour toute recherche acad\u00e9mique reproductible.<\/p>\n La biblioth\u00e8que pymannkendall<\/a>, initialement formalis\u00e9e et publi\u00e9e par Md Manjurul Hussain et Ishtiaq Mahmud en 2019, repr\u00e9sente incontestablement la r\u00e9f\u00e9rence m\u00e9thodologique la plus aboutie en Python. Con\u00e7ue sp\u00e9cifiquement pour combler le vide fonctionnel entourant les s\u00e9ries temporelles non param\u00e9triques, elle impl\u00e9mente nativement non seulement le test standard historique, mais \u00e9galement l’ensemble des corrections d’autocorr\u00e9lation contemporaines ainsi que les mod\u00e9lisations saisonni\u00e8res multivari\u00e9es. Son architecture logicielle s’int\u00e8gre harmonieusement avec les structures de structures de donn\u00e9es conventionnelles, acceptant indiff\u00e9remment des listes Python natives, des tableaux multidimensionnels NumPy ou des objets de s\u00e9ries temporelles index\u00e9es sous Pandas<\/a>.<\/p>\n L’int\u00e9gration de la biblioth\u00e8que au sein d’un environnement de calcul scientifique s’effectue ais\u00e9ment par l’interm\u00e9diaire du gestionnaire officiel de paquets pip. Afin de garantir l’int\u00e9grit\u00e9 de la cha\u00eene de traitement et de pr\u00e9venir d’\u00e9ventuels conflits de versions entre les d\u00e9pendances sous-jacentes, il est fortement recommand\u00e9 d’isoler l’espace de travail au sein d’un environnement virtuel d\u00e9di\u00e9, configur\u00e9 via l’utilitaire venv<\/em> ou par le gestionnaire d’environnements Conda.<\/p>\n La proc\u00e9dure d’installation s’op\u00e8re par l’ex\u00e9cution de la commande suivante dans l’interface de commande textuelle :<\/p>\n pip install pymannkendall<\/p>\n Cette instruction d\u00e9clenche l’installation automatique de pymannkendall<\/em> ainsi que la r\u00e9solution de ses d\u00e9pendances calculatoires fondamentales, qui incluent obligatoirement :<\/p>\n Une fois l’environnement configur\u00e9, il convient d’\u00e9tablir un script d’initialisation standardis\u00e9 au sein de l’environnement d’analyse (qu’il s’agisse d’un script Python autonome structur\u00e9 ou d’une session interactive sous Jupyter Notebook \/ JupyterLab). Ce mod\u00e8le d’initialisation garantit la tra\u00e7abilit\u00e9 des versions logicielles et met en place les alias d’importation conventionnels adopt\u00e9s par la communaut\u00e9 scientifique.<\/p>\n L’importation idiomatique s’articule autour des instructions programmatiques suivantes :<\/p>\n import numpy as np Pour s’assurer de l’ad\u00e9quation de la version install\u00e9e et certifier la reproductibilit\u00e9 future des r\u00e9sultats num\u00e9riques, il est judicieux d’adjoindre une v\u00e9rification dynamique de la version du paquet par l’inspection de l’attribut sp\u00e9cial mk.__version__<\/em>. Cette pr\u00e9caution \u00e9l\u00e9mentaire \u00e9vite les d\u00e9convenues li\u00e9es \u00e0 l’obsolescence d’arguments fonctionnels ou \u00e0 des modifications algorithmiques internes lors de l’ex\u00e9cution sur des plateformes de calcul partag\u00e9es ou des serveurs de calcul haute performance.<\/p>\n La premi\u00e8re phase d’une analyse de tendance rigoureuse consiste \u00e0 structurer les observations empiriques au sein d’un vecteur s\u00e9quentiel unifi\u00e9. Bien que la fonction d’analyse de pymannkendall<\/em> puisse recevoir une liste Python \u00e9l\u00e9mentaire ou un tableau unidimensionnel numpy.ndarray<\/em>, la structuration des donn\u00e9es au sein d’un objet pandas.Series<\/em> pourvu d’un index temporel explicite constitue la pratique m\u00e9thodologique la plus robuste et la plus lisible.<\/p>\n Consid\u00e9rons, \u00e0 titre d’illustration op\u00e9rationnelle, une s\u00e9quence longitudinale de scores de d\u00e9tresse psychologique mesur\u00e9s de mani\u00e8re hebdomadaire chez un individu au cours d’un suivi de vingt semaines cons\u00e9cutives :<\/p>\n scores_detresse = [28, 29, 26, 27, 25, 24, 25, 23, 22, 21, 23, 20, 19, 18, 19, 17, 16, 17, 15, 14]<\/p>\n La conversion de cette s\u00e9quence brute en une structure Pandas enrichie s’effectue en assignant un index de type DatetimeIndex<\/em> \u00e0 intervalles r\u00e9guliers :<\/p>\n dates = pd.date_range(start=’2024-01-01′, periods=len(scores_detresse), freq=’W-MON’) Pr\u00e9alablement \u00e0 l’appel de l’algorithme inf\u00e9rentiel, un contr\u00f4le strict de la coh\u00e9rence de la chronologie doit \u00eatre op\u00e9r\u00e9. Il est indispensable de s’assurer que l’index temporel est rigoureusement tri\u00e9 par ordre chronologique ascendant. En outre, la d\u00e9tection des valeurs manquantes ou ind\u00e9finies de type NaN<\/em> (Not a Number) doit \u00eatre r\u00e9solue, soit par \u00e9limination explicite des enregistrements invalides via l’instruction serie_temporelle.dropna()<\/em>, soit par des m\u00e9thodes d’imputation adapt\u00e9es aux s\u00e9ries non stationnaires si le protocole exp\u00e9rimental le requiert formellement.<\/p>\n Le d\u00e9ploiement du test de tendance non param\u00e9trique standard s’op\u00e8re par l’invocation de la m\u00e9thode principale original_test()<\/em> disponible au niveau sup\u00e9rieur du module pymannkendall<\/em>. Cette m\u00e9thode ex\u00e9cute l’ensemble du pipeline th\u00e9orique explicit\u00e9 pr\u00e9c\u00e9demment : calcul matriciel des diff\u00e9rences relatives, d\u00e9termination de la somme des signes S<\/em>, identification exhaustive des groupes d’ex \u00e6quo, ajustement correctif de la variance, application de la correction de continuit\u00e9 et d\u00e9rivation de la statistique Z<\/em> et de sa p-valeur associ\u00e9e.<\/p>\n La syntaxe canonique d’appel requiert au minimum la sp\u00e9cification du vecteur s\u00e9riel et autorise l’ajustement explicite du seuil de significativit\u00e9 statistique alpha<\/em> :<\/p>\n resultat = mk.original_test(serie_temporelle, alpha=0.05)<\/p>\n Par d\u00e9faut, si l’argument alpha<\/em> n’est pas explicit\u00e9 par le programmeur, la m\u00e9thode applique la valeur conventionnelle de 0,05. L’objet resultat<\/em> retourn\u00e9 par l’algorithme n’est pas un simple tuple de chiffres d\u00e9sincarn\u00e9s, mais une instance de structure nomm\u00e9e hautement organis\u00e9e de type Mann_Kendall_Test<\/em>, encapsulant l’ensemble des grandeurs inf\u00e9rentielles n\u00e9cessaires \u00e0 une interpr\u00e9tation biom\u00e9dicale ou psychologique exhaustive.<\/p>\n L’objet r\u00e9sultant de l’ex\u00e9cution encapsule neuf attributs informatiques fondamentaux qu’il convient de savoir interroger et manipuler. Ces champs statistiques sont configur\u00e9s comme suit :<\/p>\n Afin d’int\u00e9grer \u00e9l\u00e9gamment ces m\u00e9triques au sein de cha\u00eenes de traitement automatis\u00e9es ou de g\u00e9n\u00e9rer des tableaux de synth\u00e8se pour des rapports d’essais cliniques, il est d’usage de convertir cet objet nomm\u00e9 en un dictionnaire standardis\u00e9 ou en une ligne de tableau Pandas :<\/p>\n rapport_resultats = pd.DataFrame([{ Cette structuration tabulaire permet une s\u00e9rialisation imm\u00e9diate des r\u00e9sultats vers des formats p\u00e9rennes (CSV, bases de donn\u00e9es SQL ou formats d’\u00e9change scientifiques) pour des m\u00e9ta-analyses ou des audits de r\u00e9plication m\u00e9thodologique.<\/p>\n L’exploitation inf\u00e9rentielle de la sortie du test de Mann-Kendall exige une compr\u00e9hension \u00e9pist\u00e9mologique fine de la relation unissant le bool\u00e9en de d\u00e9cision h<\/em> et la probabilit\u00e9 p<\/em>. Le statut h = True<\/em> mat\u00e9rialise l’existence d’une divergence suffisamment prononc\u00e9e entre la distribution observ\u00e9e des paires ordonn\u00e9es et ce que pr\u00e9dirait le seul hasard stochastique sous l’hypoth\u00e8se nulle. Cette d\u00e9cision formelle implique que la p-valeur calcul\u00e9e se situe strictement en de\u00e7\u00e0 du seuil nominal alpha<\/em> pr\u00e9d\u00e9termin\u00e9 par l’exp\u00e9rimentateur (soit p < 0,05<\/em> dans la configuration usuelle).<\/p>\n Toutefois, le praticien de la recherche quantitative doit imp\u00e9rativement se pr\u00e9munir contre l’illusion binaire d’un seuil statistique arbitraire. Dans une perspective de science ouverte et de reproductibilit\u00e9, la p-valeur ne doit jamais \u00eatre interpr\u00e9t\u00e9e comme une mesure de l’amplitude du ph\u00e9nom\u00e8ne clinique ou comportemental \u00e9tudi\u00e9. Une valeur de p = 0,0001<\/em> ne refl\u00e8te pas une am\u00e9lioration clinique deux fois plus importante qu’une valeur de p = 0,049<\/em> ; elle atteste simplement d’une force de preuve probabiliste sup\u00e9rieure contre l’hypoth\u00e8se nulle dans les conditions d’\u00e9chantillonnage donn\u00e9es.<\/p>\n Dans un contexte de recherche confirmatoire, guid\u00e9 par un protocole clinique formel d\u00e9pos\u00e9 pr\u00e9alablement, le rejet de l’hypoth\u00e8se nulle (h = True<\/em>) autorise la conclusion l\u00e9gitime d’une efficacit\u00e9 th\u00e9rapeutique ordinale. \u00c0 l’inverse, dans un cadre exploratoire de criblage de multiples signaux comportementaux \u00e0 grande \u00e9chelle, une p-valeur marginalement significative (par exemple, p = 0,042<\/em>) doit \u00eatre accueillie avec r\u00e9serve, en tenant compte des corrections pour comparaisons multiples (telles que les ajustements de Bonferroni ou du taux de fausse d\u00e9couverte de Benjamini-Hochberg) afin d’\u00e9viter la prolif\u00e9ration de faux signaux au sein de la litt\u00e9rature scientifique.<\/p>\n Au-del\u00e0 de la d\u00e9cision binaire de rejet de l’hypoth\u00e8se d’invariance temporelle, il est fondamental de quantifier avec pr\u00e9cision la directionnalit\u00e9 et la consistance de la tendance observ\u00e9e. Le score standardis\u00e9 Z<\/em> fournit imm\u00e9diatement le sens vectoriel du mouvement s\u00e9quentiel par son signe alg\u00e9brique : une valeur positive traduit une progression temporelle globale vers des \u00e9tats sup\u00e9rieurs, tandis qu’une valeur n\u00e9gative signe une trajectoire d’att\u00e9nuation ou de r\u00e9duction continue.<\/p>\n Pour mesurer la force de cette association temporelle ind\u00e9pendamment de la taille de l’\u00e9chantillon, la m\u00e9trique de choix est le coefficient Tau de Kendall (sp\u00e9cifiquement le Tau-b ajust\u00e9 pour les ex \u00e6quo), born\u00e9 th\u00e9oriquement sur l’intervalle bidirectionnel [-1, +1]. Cette grandeur pr\u00e9sente une interpr\u00e9tation probabiliste directe particuli\u00e8rement \u00e9l\u00e9gante : elle correspond \u00e0 la diff\u00e9rence exacte entre la probabilit\u00e9 que deux observations tir\u00e9es au hasard dans le temps pr\u00e9sentent une trajectoire concordante (croissante) et la probabilit\u00e9 qu’elles manifestent une trajectoire discordante (d\u00e9croissante). Un Tau de +0,60 signifie que les paires d’observations concordantes d\u00e9passent les paires discordantes de 60 points de pourcentage sur l’ensemble de la s\u00e9rie chronologique.<\/p>\n Le coefficient Tau de Kendall soutient avantageusement la comparaison avec le coefficient rho de Spearman, fr\u00e9quemment employ\u00e9 dans les \u00e9tudes corr\u00e9lationnelles longitudinales. Bien que les deux indices mesurent l’association de rangs, les estimations du Tau de Kendall convergent plus fid\u00e8lement vers les propri\u00e9t\u00e9s de la population d’origine et poss\u00e8dent une variance d’\u00e9chantillonnage significativement plus stable. En psychom\u00e9trie computationnelle, un coefficient Tau oscillant entre 0,10 et 0,30 refl\u00e8te g\u00e9n\u00e9ralement une tendance modeste mais perceptible, entre 0,30 et 0,50 une tendance d’intensit\u00e9 substantielle, et au-del\u00e0 de 0,50 une r\u00e9gularit\u00e9 de d\u00e9rive temporelle majeure, t\u00e9moignant d’une mutation directionnelle quasi ininterrompue du comportement \u00e9tudi\u00e9.<\/p>\n Une limitation intrins\u00e8que du test de Mann-Kendall et de son coefficient Tau r\u00e9side dans leur incapacit\u00e9 \u00e0 exprimer la magnitude physique ou psychom\u00e9trique du changement temporel. Un coefficient Tau de +0,90 peut r\u00e9sulter aussi bien d’une hausse imperceptible mais strictement r\u00e9guli\u00e8re de 0,01 point par mois sur une \u00e9chelle clinique que d’une augmentation massive de 15 points par mois. Pour quantifier la v\u00e9locit\u00e9 effective du ph\u00e9nom\u00e8ne dans l’unit\u00e9 de mesure d’origine du signal, le test de Mann-Kendall est traditionnellement coupl\u00e9 \u00e0 l’estimateur de pente non param\u00e9trique de Sen, \u00e9galement d\u00e9sign\u00e9 sous le nom de pente m\u00e9diane de Theil-Sen.<\/p>\n D\u00e9velopp\u00e9 initialement par Henri Theil en 1950 et \u00e9tendu par Pranab Kumar Sen en 1968, cet estimateur robuste calcule la pente lin\u00e9aire \u00e9l\u00e9mentaire s\u00e9parant chaque paire possible de points temporels (x\u1d62, x\u2c7c)<\/em> pour lesquels i < j<\/em> :<\/p>\n Q\u2096 = (x\u2c7c – x\u1d62) \/ (j – i)<\/em><\/p>\n Pour l’ensemble des N = n(n – 1) \/ 2<\/em> pentes \u00e9l\u00e9mentaires ainsi d\u00e9riv\u00e9es, l’estimateur global de Sen correspond strictement \u00e0 la m\u00e9diane arithm\u00e9tique de cet ensemble ordonn\u00e9 de valeurs. L’attribut slope<\/em> retourn\u00e9 par la biblioth\u00e8que pymannkendall<\/em> mat\u00e9rialise cette m\u00e9diane statistique. L’ordonn\u00e9e \u00e0 l’origine (attribut intercept<\/em>) est ensuite d\u00e9termin\u00e9e en extrayant la m\u00e9diane des r\u00e9sidus calcul\u00e9s par la soustraction de la pente m\u00e9diane multipli\u00e9e par le temps \u00e0 chaque observation empirique.<\/p>\n L’estimation de Theil-Sen poss\u00e8de un point de rupture statistique de 29,3 %, signifiant que pr\u00e8s d’un tiers des observations de la s\u00e9rie peuvent \u00eatre totalement corrompues ou aberrantes sans que la trajectoire m\u00e9diane estim\u00e9e ne bascule de mani\u00e8re incoh\u00e9rente. Sur le plan pratique, si une \u00e9tude \u00e9value un score de d\u00e9pression sur l’\u00e9chelle PHQ-9 au cours d’un protocole d’hospitalisation de jour et r\u00e9v\u00e8le une pente de Sen de -0,45 (avec intercept<\/em> \u00e0 18,2), cette m\u00e9trique indique sans ambigu\u00eft\u00e9 une diminution m\u00e9diane de 0,45 point de score par unit\u00e9 temporelle (par exemple par semaine), fournissant au m\u00e9decin ou au chercheur une quantification intelligible et directement traduisible de la cin\u00e9tique du changement th\u00e9rapeutique.<\/p>\n L’observation s\u00e9quentielle prolong\u00e9e d’un m\u00eame organisme vivant engendre in\u00e9vitablement des ph\u00e9nom\u00e8nes d’inertie syst\u00e9mique. En neurobiologie, en \u00e9thologie et en psychologie clinique, l’humeur, la fatigue cognitive ou les r\u00e9ponses du syst\u00e8me nerveux autonome ne se r\u00e9initialisent pas de mani\u00e8re ind\u00e9pendante \u00e0 chaque seconde ou \u00e0 chaque heure. Cette propri\u00e9t\u00e9 psychophysiologique, souvent mod\u00e9lis\u00e9e sous le concept d’inertie \u00e9motionnelle ou de m\u00e9moire s\u00e9rielle \u00e0 court terme, se traduit math\u00e9matiquement par une d\u00e9pendance autor\u00e9gressive de premier ordre, not\u00e9e AR(1)<\/em>, au sein de la s\u00e9rie chronologique.<\/p>\n Lorsqu’un processus autor\u00e9gressif positif op\u00e8re sur une s\u00e9rie d’\u00e9valuations temporelles, la pr\u00e9sence transitoire d’une s\u00e9quence de chocs al\u00e9atoires cons\u00e9cutivement \u00e9lev\u00e9s ou bas peut mimer l’apparence d’une d\u00e9rive ordinale prolong\u00e9e. Dans ces circonstances, la statistique S<\/em> du test de Mann-Kendall classique s’\u00e9l\u00e8ve de mani\u00e8re fallacieuse, tandis que sa variance non corrig\u00e9e demeure artificiellement restreinte. L’application du test standard \u00e0 un tel signal conduit \u00e0 un taux d’erreurs de type I pouvant atteindre 30 % \u00e0 50 % pour un seuil nominal th\u00e9orique fix\u00e9 \u00e0 5 %, d\u00e9truisant toute fiabilit\u00e9 inf\u00e9rentielle.<\/p>\n Face \u00e0 cette menace m\u00e9thodologique, la communaut\u00e9 statistique a d\u00e9velopp\u00e9 des modifications adaptatives du test originel. Deux grandes m\u00e9thodologies d’ajustement dominent la litt\u00e9rature contemporaine : l’approche par correction empirique de la variance formul\u00e9e par Hamed et Rao, et l’approche par pr\u00e9-blanchiment de la tendance formalis\u00e9e par Yue et Wang. Ces deux proc\u00e9dures sont rigoureusement impl\u00e9ment\u00e9es au sein du paquet pymannkendall<\/em> et doivent \u00eatre mobilis\u00e9es d\u00e8s que l’autocorr\u00e9lation r\u00e9siduelle contamine le signal.<\/p>\n L’approche con\u00e7ue par Khaled Hamed et A. Ramachandra Rao en 1998 repose sur le postulat d’une adaptation analytique de la variance de la statistique S<\/em> prenant explicitement en consid\u00e9ration la d\u00e9pendance s\u00e9rielle entre les observations de rang. Plut\u00f4t que de modifier la s\u00e9rie chronologique elle-m\u00eame, Hamed et Rao conservent la statistique S<\/em> brute issue des rangs, mais appliquent un facteur d’inflation correctif \u00e0 sa variance th\u00e9orique :<\/p>\n Var*(S) = Var(S) \u00d7 [n \/ n*\u2091]<\/em><\/p>\n Dans cette formulation, le rapport n \/ n*\u2091<\/em> repr\u00e9sente le facteur d’inflation de la variance, o\u00f9 n*\u2091<\/em> d\u00e9signe la taille d’\u00e9chantillon effective corrig\u00e9e de l’autocorr\u00e9lation. Ce facteur est estim\u00e9 \u00e0 partir des coefficients de corr\u00e9lation de rang calcul\u00e9s pour l’ensemble des d\u00e9calages temporels (lags) k<\/em> possibles. L’\u00e9l\u00e9gance m\u00e9thodologique de l’algorithme de Hamed et Rao r\u00e9side dans le fait qu’il n’int\u00e8gre dans le facteur multiplicateur que les coefficients d’autocorr\u00e9lation de rang qui s’av\u00e8rent statistiquement significatifs au seuil pr\u00e9d\u00e9termin\u00e9, \u00e9vitant ainsi de bruiter la variance par des corr\u00e9lations r\u00e9siduelles al\u00e9atoires dues aux d\u00e9calages temporels \u00e9loign\u00e9s.<\/p>\n L’impl\u00e9mentation de cette variante modifi\u00e9e sous Python s’av\u00e8re particuli\u00e8rement concise :<\/p>\n resultat_hr = mk.hamed_rao_modification_test(serie_temporelle, alpha=0.05)<\/p>\n Lorsque cette m\u00e9thode est ex\u00e9cut\u00e9e sur une s\u00e9rie psychologique dense pr\u00e9sentant une forte inertie s\u00e9rielle, la variance de S<\/em> ajust\u00e9e (var_s<\/em>) est substantiellement augment\u00e9e par rapport \u00e0 celle d’un test classique. En cons\u00e9quence, le d\u00e9nominateur de la fraction de standardisation cro\u00eet, le score z<\/em> r\u00e9sultant est temp\u00e9r\u00e9 et la p-valeur augmente m\u00e9caniquement. Cette r\u00e9gulation neutralise l’inflation des faux positifs et assure au chercheur que la tendance r\u00e9siduelle d\u00e9tect\u00e9e ne peut \u00eatre imput\u00e9e \u00e0 la simple m\u00e9moire autor\u00e9gressive du syst\u00e8me biologique ou comportemental.<\/p>\n Bien que l’ajustement de Hamed et Rao offre une solution solide, Sheng Yue et Chun Yuan Wang ont d\u00e9montr\u00e9 en 2004 que la pr\u00e9sence simultan\u00e9e d’une v\u00e9ritable tendance d\u00e9terministe et d’une d\u00e9pendance s\u00e9rielle perturbe l’estimation non param\u00e9trique des coefficients d’autocorr\u00e9lation. Une tendance prononc\u00e9e gonfle artificiellement l’estimation de l’autocorr\u00e9lation de premier ordre, ce qui conduit le test de Hamed et Rao \u00e0 surcorriger la variance et \u00e0 entra\u00eener, dans certains contextes, une perte regrettable de puissance statistique (erreurs de type II).<\/p>\n Pour r\u00e9soudre ce dilemme d’interf\u00e9rence mutuelle, Yue et Wang ont formalis\u00e9 la technique du pr\u00e9-blanchiment sans tendance, connue sous la d\u00e9signation anglo-saxonne de Trend-Free Pre-Whitening<\/em> (TFPW). L’algorithme se d\u00e9roule en plusieurs \u00e9tapes s\u00e9quentielles rigoureuses :<\/p>\n Cette proc\u00e9dure sophistiqu\u00e9e s’ex\u00e9cute de mani\u00e8re enti\u00e8rement transparente sous pymannkendall<\/em> :<\/p>\n resultat_yw = mk.yue_wang_modification_test(serie_temporelle, alpha=0.05)<\/p>\n La recommandation m\u00e9thodologique moderne pr\u00e9conise l’utilisation pr\u00e9f\u00e9rentielle du test de Yue et Wang lorsque la s\u00e9rie temporelle manifeste une tendance directionnelle puissante et visible, susceptible de corrompre l’identification de l’autocorr\u00e9lation r\u00e9siduelle. Inversement, l’algorithme de Hamed et Rao demeure hautement recommand\u00e9 pour des s\u00e9ries bruit\u00e9es \u00e0 signaux subtils o\u00f9 l’inertie s\u00e9rielle constitue le bruit dominant \u00e0 neutraliser.<\/p>\n Les donn\u00e9es longitudinales collect\u00e9es sur des p\u00e9riodes temporelles \u00e9tendues sont fr\u00e9quemment soumises \u00e0 l’influence de forces p\u00e9riodiques endog\u00e8nes ou exog\u00e8nes. Dans l’investigation des comportements humains et des pathologies psychiatriques, ces fluctuations cycliques se manifestent \u00e0 de multiples \u00e9chelles temporelles : variations nycth\u00e9m\u00e9rales du rythme veille-sommeil et de la s\u00e9cr\u00e9tion de cortisol, oscillations hebdomadaires de l’humeur (marqu\u00e9es par l’effet r\u00e9current du week-end) ou rythmes saisonniers annuels influen\u00e7ant le trouble affectif saisonnier et la r\u00e9activit\u00e9 d\u00e9pressive.<\/p>\n La superposition d’une oscillation saisonni\u00e8re de grande amplitude sur une d\u00e9rive temporelle de fond introduit une perturbation analytique majeure. Si le test de Mann-Kendall standard est appliqu\u00e9 directement \u00e0 une telle s\u00e9rie sans diff\u00e9renciation p\u00e9riodique, la comparaison indiscrimin\u00e9e de points temporels appartenant \u00e0 des phases cycliques antagonistes (par exemple, comparer syst\u00e9matiquement le creux symptomatique estival \u00e0 la d\u00e9gradation hivernale) engendre un bruit massif dans le calcul de la statistique S<\/em>, occultant l’\u00e9mergence d’une v\u00e9ritable tendance monotone pluriannuelle.<\/p>\n L’identification empirique de la fr\u00e9quence fondamentale ou de la p\u00e9riode du cycle, traditionnellement not\u00e9e m<\/em>, constitue donc une exigence pr\u00e9alable incontournable. Pour des donn\u00e9es hebdomadaires sur plusieurs ann\u00e9es, la p\u00e9riode sera fix\u00e9e \u00e0 m = 52<\/em> ; pour des observations journali\u00e8res subissant un cycle hebdomadaire de sept jours, la p\u00e9riodicit\u00e9 s’\u00e9tablit \u00e0 m = 7<\/em> ; pour des bilans mensuels de sant\u00e9 publique, elle correspond \u00e0 m = 12<\/em>.<\/p>\n Pour s’affranchir de l’influence de ces oscillations cycliques r\u00e9guli\u00e8res sans recourir \u00e0 des proc\u00e9dures de lissage artificielles, Robert M. Hirsch, James R. Slack et Richard A. Smith ont d\u00e9velopp\u00e9 en 1982 l’extension du test connue sous le nom de test de Mann-Kendall saisonnier. Le principe directeur de cette m\u00e9thodologie repose sur une partition stricte du signal : les observations ne sont compar\u00e9es qu’entre \u00e9l\u00e9ments appartenant rigoureusement \u00e0 une m\u00eame phase saisonni\u00e8re ou cyclique au fil des ann\u00e9es ou des p\u00e9riodes successives.<\/p>\n Ainsi, pour une s\u00e9rie mensuelle sur une d\u00e9cennie (m = 12<\/em>), les observations de janvier sont exclusivement compar\u00e9es aux observations des mois de janvier ult\u00e9rieurs, les mesures de f\u00e9vrier aux mesures de f\u00e9vrier, et ainsi de suite jusqu’\u00e0 d\u00e9cembre. Une statistique de sommation ind\u00e9pendante S\u2096<\/em> et sa variance th\u00e9orique respective Var(S\u2096)<\/em> sont alors calcul\u00e9es de mani\u00e8re autonome pour chacune des m<\/em> saisons constitutives. La statistique globale de Mann-Kendall saisonni\u00e8re, not\u00e9e S_tot<\/em>, est obtenue par la sommation arithm\u00e9tique des statistiques intra-saisonni\u00e8res :<\/p>\n S_tot = \u2211\u2096\u208c\u2081\u1d50 S\u2096<\/em><\/p>\n En formulant l’hypoth\u00e8se que les diff\u00e9rentes saisons constituent des r\u00e9alisations stochastiques mutuellement ind\u00e9pendantes, la variance globale du test saisonnier correspond simplement \u00e0 la somme directe des variances saisonni\u00e8res :<\/p>\n Var(S_tot) = \u2211\u2096\u208c\u2081\u1d50 Var(S\u2096)<\/em><\/p>\n La statistique standardis\u00e9e Z<\/em> est subs\u00e9quemment d\u00e9duite selon la r\u00e8gle conventionnelle de correction de continuit\u00e9, permettant l’extraction de la p-valeur globale. Au sein de pymannkendall<\/em>, l’appel de cette proc\u00e9dure s’op\u00e8re via la fonction seasonal_test()<\/em>, en prenant imp\u00e9rativement soin de param\u00e9trer l’argument d’amplitude p\u00e9riodique period<\/em> :<\/p>\n resultat_saisonnier = mk.seasonal_test(serie_temporelle, period=7, alpha=0.05)<\/p>\n La pente globale de Theil-Sen retourn\u00e9e par le test saisonnier refl\u00e8te la m\u00e9diane arithm\u00e9tique de l’ensemble des pentes \u00e9l\u00e9mentaires calcul\u00e9es exclusivement au sein des saisons homog\u00e8nes. Cette m\u00e9trique isole ainsi avec une remarquable puret\u00e9 la progression monotone sous-jacente du ph\u00e9nom\u00e8ne, compl\u00e8tement \u00e9mancip\u00e9e des fluctuations saisonni\u00e8res saisonni\u00e8res p\u00e9riodiques.<\/p>\n L’hypoth\u00e8se d’ind\u00e9pendance mutuelle entre les diff\u00e9rentes saisons postul\u00e9e par le test saisonnier classique de Hirsch s’av\u00e8re fr\u00e9quemment id\u00e9alis\u00e9e. Dans de nombreux sc\u00e9narios biom\u00e9dicaux, l’\u00e9tat psychophysiologique d’un participant au cours d’un trimestre donn\u00e9 exerce une influence r\u00e9manente sur son \u00e9tat au cours du trimestre imm\u00e9diatement cons\u00e9cutif. Lorsque les saisons adjacentes manifestent une corr\u00e9lation crois\u00e9e substantielle, la simple sommation des variances Var(S\u2096)<\/em> sous-estime la dispersion de la statistique combin\u00e9e, r\u00e9introduisant le spectre de l’inflation de l’erreur de type I.<\/p>\n Pour neutraliser ce risque, Richard M. Hirsch et James R. Slack ont formalis\u00e9 en 1984 une extension sophistiqu\u00e9e, souvent d\u00e9sign\u00e9e sous le vocable de test saisonnier corr\u00e9l\u00e9 ou d’ajustement de covariance r\u00e9gionale. Cette approche enrichit le calcul de la variance globale en y int\u00e9grant formellement les termes de covariance crois\u00e9e entre les statistiques saisonni\u00e8res distinctes S\u2096<\/em> et S\u2097<\/em> :<\/p>\n Var(S_tot) = \u2211\u2096\u208c\u2081\u1d50 Var(S\u2096) + 2 \u2211\u2096\u208c\u2081\u1d50\u207b\u00b9 \u2211\u2097\u208c\u2096\u208a\u2081\u1d50 Cov(S\u2096, S\u2097)<\/em><\/p>\n L’estimation non param\u00e9trique des termes de covariance crois\u00e9e repose sur le calcul des discordances et concordances crois\u00e9es entre les rangs des diff\u00e9rentes saisons au sein des m\u00eames blocs temporels pluriannuels. Dans l’\u00e9cosyst\u00e8me Python, cette adaptation se d\u00e9ploie par l’interm\u00e9diaire de la m\u00e9thode sp\u00e9cialis\u00e9e 1. Introduction aux tests de tendance non param\u00e9triques pour s\u00e9ries temporelles<\/h2>\n
1.1 D\u00e9finition et pertinence du test de Mann-Kendall<\/h3>\n
1.2 Comparaison avec les approches param\u00e9triques classiques<\/h3>\n
1.3 Applications de recherche en sciences du comportement et psychom\u00e9trie<\/h3>\n
2. Cadre th\u00e9orique et formulations math\u00e9matiques du test<\/h2>\n
2.1 D\u00e9finition formelle des hypoth\u00e8ses statistiques<\/h3>\n
\n
2.2 Calcul de la statistique S et de sa variance<\/h3>\n
\n
2.3 Calcul de la statistique standardis\u00e9e Z et de la p-valeur<\/h3>\n
\n
3. Conditions d’application, hypoth\u00e8ses sous-jacentes et limites<\/h2>\n
3.1 Monotonie versus lin\u00e9arit\u00e9 de la trajectoire<\/h3>\n
3.2 Ind\u00e9pendance des observations et probl\u00e8me de l’autocorr\u00e9lation<\/h3>\n
3.3 Gestion de la taille d’\u00e9chantillon et des donn\u00e9es manquantes<\/h3>\n
4. Configuration de l’environnement de d\u00e9veloppement Python<\/h2>\n
4.1 Choix de la biblioth\u00e8que pymannkendall<\/h3>\n
4.2 Proc\u00e9dure d’installation et r\u00e9solution des d\u00e9pendances<\/h3>\n
\n
4.3 V\u00e9rification de l’environnement et importation des modules<\/h3>\n
\nimport pandas as pd
\nimport scipy as sp
\nimport pymannkendall as mk<\/p>\n5. Impl\u00e9mentation pas-\u00e0-pas du test de Mann-Kendall standard<\/h2>\n
5.1 Pr\u00e9paration et structuration du jeu de donn\u00e9es<\/h3>\n
\nserie_temporelle = pd.Series(data=scores_detresse, index=dates, name=’Score_Detresse’)<\/p>\n5.2 Ex\u00e9cution de la fonction original_test()<\/h3>\n
5.3 D\u00e9composition programmatique de la sortie de test<\/h3>\n
\n
\n ‘Tendance’: resultat.trend,
\n ‘Rejet_H0’: resultat.h,
\n ‘P_Valeur’: resultat.p,
\n ‘Score_Z’: resultat.z,
\n ‘Tau_Kendall’: resultat.Tau,
\n ‘Statistique_S’: resultat.s,
\n ‘Variance_S’: resultat.var_s,
\n ‘Pente_Sen’: resultat.slope,
\n ‘Ordonnee_Origine’: resultat.intercept
\n}])<\/p>\n6. Analyse d\u00e9taill\u00e9e et interpr\u00e9tation quantitative des m\u00e9triques<\/h2>\n
6.1 Interpr\u00e9tation conjointe de la p-valeur et du bool\u00e9en h<\/h3>\n
6.2 Interpr\u00e9tation du Tau de Kendall et de la statistique normalis\u00e9e Z<\/h3>\n
6.3 \u00c9valuation de l’ampleur de la tendance : la pente de Sen<\/h3>\n
7. Variantes pour s\u00e9ries autocorr\u00e9l\u00e9es : tests de Mann-Kendall modifi\u00e9s<\/h2>\n
7.1 Probl\u00e9matique du bruit s\u00e9riel en recherche psychologique<\/h3>\n
7.2 Approche de Hamed et Rao (hamed_rao_modification_test)<\/h3>\n
7.3 Approche de Yue et Wang et pr\u00e9-blanchiment (yue_wang_modification_test)<\/h3>\n
\n
8. Traitement de la p\u00e9riodicit\u00e9 : Test de Mann-Kendall saisonnier<\/h2>\n
8.1 Saisonnalit\u00e9 et cycles temporels dans les comportements<\/h3>\n
8.2 Impl\u00e9mentation du test saisonnier (seasonal_test)<\/h3>\n
8.3 Cas des variations corr\u00e9l\u00e9es : Test r\u00e9gional\/saisonnier ajust\u00e9<\/h3>\n