ANOVA<\/a>) \u00e0 mesures r\u00e9p\u00e9t\u00e9es repose sur le postulat d’une distribution normale des r\u00e9sidus intra-sujets. Lorsque ce postulat s’effondre, l’estimation des carr\u00e9s moyens et des rapports F s’av\u00e8re biais\u00e9e, entra\u00eenant une distorsion incontr\u00f4l\u00e9e de l’erreur de premi\u00e8re esp\u00e8ce ou une perte dramatique de puissance statistique.<\/p>\nLe test de Friedman contourne cette difficult\u00e9 conceptuelle en substituant aux observations brutes leurs rangs relatifs, calcul\u00e9s exclusivement au sein de chaque bloc exp\u00e9rimental horizontal, c’est-\u00e0-dire au sein de chaque sujet. Cette op\u00e9ration de mise en rang transforme l’espace m\u00e9trique original en une m\u00e9trique ordinale pure. Ainsi, le test s’affranchit totalement de la forme de la distribution d’origine tout en pr\u00e9servant l’ordonnancement intra-individuel des performances \u00e0 travers les conditions exp\u00e9rimentales, neutralisant par l\u00e0 m\u00eame l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des moyennes individuelles.<\/p>\n
1.2 Pertinence du test dans les protocoles exp\u00e9rimentaux en psychologie<\/h3>\n
Dans la recherche contemporaine en psychologie, le test de Friedman trouve une application privil\u00e9gi\u00e9e lors de l’\u00e9valuation longitudinale d’interventions th\u00e9rapeutiques chez un groupe unique de patients. Consid\u00e9rons, \u00e0 titre d’illustration, l’administration s\u00e9quentielle de trois modules de th\u00e9rapie cognitive et comportementale (gestion du stress, restructuration cognitive et exposition gradu\u00e9e) aupr\u00e8s de sujets pr\u00e9sentant un trouble anxieux g\u00e9n\u00e9ralis\u00e9. Chaque individu agissant comme son propre contr\u00f4le, les caract\u00e9ristiques idiosyncrasiques (telles que le niveau socio-\u00e9conomique, la personnalit\u00e9 de base ou la vuln\u00e9rabilit\u00e9 g\u00e9n\u00e9tique) sont m\u00e9caniquement contr\u00f4l\u00e9es par le dispositif en blocs complets.<\/p>\n
Un autre champ d’application critique concerne l’analyse de variables cognitives soumises \u00e0 d’intenses effets de plafond ou de plancher. Lors de t\u00e2ches neuropsychologiques \u00e9valuant les fonctions ex\u00e9cutives, la m\u00e9moire de travail ou l’attention s\u00e9lective, il est fr\u00e9quent qu’une proportion substantielle de participants atteigne le score maximal dans les conditions de faible charge cognitive, ou au contraire \u00e9choue syst\u00e9matiquement dans les conditions de surcharge. Ces saturations rendent les donn\u00e9es non normales et non lin\u00e9aires. L’utilisation des rangs intra-sujets permise par Friedman permet de capturer la d\u00e9gradation ordinale des performances sans subir les distorsions d’\u00e9chelle inh\u00e9rentes aux scores bruts.<\/p>\n
Enfin, les \u00e9chelles psychom\u00e9triques ordinales de type Likert, massivement d\u00e9ploy\u00e9es dans les questionnaires de personnalit\u00e9, de bien-\u00eatre ou d’\u00e9valuation de l’alliance th\u00e9rapeutique, ne poss\u00e8dent pas les propri\u00e9t\u00e9s m\u00e9triques d’intervalles constants. Traiter la distance s\u00e9parant \u00ab tout \u00e0 fait d’accord \u00bb de \u00ab d’accord \u00bb comme strictement \u00e9quivalente \u00e0 celle s\u00e9parant \u00ab neutre \u00bb de \u00ab pas d’accord \u00bb constitue une entorse m\u00e9thodologique majeure. Le test de Friedman traite l\u00e9gitimement ces variables comme de v\u00e9ritables donn\u00e9es ordinales, offrant une robustesse inf\u00e9rentielle in\u00e9gal\u00e9e face \u00e0 la variabilit\u00e9 interindividuelle et aux artefacts de mesure.<\/p>\n
2. Conditions d’application et hypoth\u00e8ses m\u00e9thodologiques pr\u00e9alables<\/h2>\n2.1 Structure du plan exp\u00e9rimental et d\u00e9pendance des observations<\/h3>\n
La validit\u00e9 des conclusions issues du test de Friedman d\u00e9pend de l’ad\u00e9quation formelle du protocole d’\u00e9chantillonnage \u00e0 la structure th\u00e9orique du mod\u00e8le en blocs complets randomis\u00e9s. Ce plan exp\u00e9rimental exige qu’un \u00e9chantillon unique de n<\/em> participants ou unit\u00e9s d’observation soit \u00e9valu\u00e9 de mani\u00e8re r\u00e9p\u00e9t\u00e9e \u00e0 travers l’ensemble des k<\/em> conditions exp\u00e9rimentales ou points temporels retenus, avec k<\/em> sup\u00e9rieur ou \u00e9gal \u00e0 3. Lorsque k<\/em> est \u00e9gal \u00e0 2, le test de Friedman devient math\u00e9matiquement \u00e9quivalent au test des rangs sign\u00e9s de Wilcoxon pour \u00e9chantillons appari\u00e9s.<\/p>\nL’hypoth\u00e8se ma\u00eetresse de ce mod\u00e8le r\u00e9side dans l’ind\u00e9pendance mutuelle stricte entre les diff\u00e9rents blocs ou sujets de l’\u00e9tude. Si les mesures r\u00e9alis\u00e9es au sein d’un m\u00eame individu \u00e0 travers les k<\/em> conditions sont intrins\u00e8quement appari\u00e9es et d\u00e9pendantes, le comportement ou la performance d’un sujet donn\u00e9 ne doit en aucun cas influencer ou contraindre les r\u00e9ponses observ\u00e9es chez un autre participant. Toute contamination interindividuelle, telle qu’une passation en groupe sans contr\u00f4le de l’influence sociale ou un effet de contagion relationnelle, vicie fondamentalement la structure de d\u00e9pendance et invalide le calcul probabiliste.<\/p>\nPar ailleurs, le mod\u00e8le standard de Friedman postule l’absence totale d’interaction statistique entre les blocs et les traitements. Cela signifie math\u00e9matiquement que la hi\u00e9rarchie relative des effets de traitement est pr\u00e9sum\u00e9e constante ou homog\u00e8ne au sein de la population parente, sans qu’un sous-groupe latent d’individus ne r\u00e9agisse de fa\u00e7on diam\u00e9tralement inverse aux autres participants sous l’effet d’une variable mod\u00e9ratrice non contr\u00f4l\u00e9e.<\/p>\n
2.2 Nature des variables et sensibilit\u00e9 de l’\u00e9chelle de mesure<\/h3>\n
La variable d\u00e9pendante analys\u00e9e dans le cadre du test de Friedman doit imp\u00e9rativement poss\u00e9der une \u00e9chelle de mesure au moins ordinale. Elle peut \u00eatre continue (exprim\u00e9e par exemple en temps de r\u00e9action mesur\u00e9 en millisecondes, en concentrations plasmatiques de cortisol salivaire ou en pourcentages d’erreurs) ou discr\u00e8tement ordinale (scores agr\u00e9g\u00e9s d’inventaires d’anxi\u00e9t\u00e9, \u00e9chelles de douleur visuelles analogiques ou r\u00e9ponses \u00e9talonn\u00e9es sur des \u00e9chelles de Likert). L’exigence essentielle r\u00e9side dans la capacit\u00e9 de l’exp\u00e9rimentateur \u00e0 \u00e9tablir un ordre strict ou partiel sans ambigu\u00eft\u00e9 entre les r\u00e9alisations de la variable.<\/p>\n
La variable ind\u00e9pendante, quant \u00e0 elle, repr\u00e9sente le facteur intra-sujet ou traitement. Il s’agit obligatoirement d’une variable nominale ou ordinale \u00e0 niveaux fixes, comportant un minimum de trois modalit\u00e9s distinctes. Ces modalit\u00e9s peuvent refl\u00e9ter une progression temporelle ordonn\u00e9e (par exemple : ligne de base, post-intervention imm\u00e9diate, suivi \u00e0 six mois) ou des conditions qualitatives contrast\u00e9es pr\u00e9sent\u00e9es dans un ordre contrebalanc\u00e9 (par exemple : condition placebo, psychotrope mol\u00e9cule A, psychotrope mol\u00e9cule B).<\/p>\n
Il est en outre indispensable d’assurer l’homog\u00e9n\u00e9it\u00e9 conceptuelle des mesures \u00e0 travers les r\u00e9p\u00e9titions. L’instrument psychom\u00e9trique ou le protocole de recueil doit mesurer scrupuleusement le m\u00eame construit th\u00e9orique sous chaque condition exp\u00e9rimentale. L’introduction subreptice d’un instrument alternatif ou d’une version r\u00e9vis\u00e9e en cours d’exp\u00e9rimentation introduirait une erreur de mesure diff\u00e9rentielle qui compromettrait l’interpr\u00e9tation des rangs intra-blocs.<\/p>\n
2.3 V\u00e9rification des postulats statistiques pr\u00e9alables sous R<\/h3>\n
Avant d’opter formellement pour le test de Friedman, le chercheur doit soumettre ses donn\u00e9es \u00e0 une inspection diagnostique rigoureuse au sein de l’environnement R afin de d\u00e9terminer si l’ANOVA param\u00e9trique \u00e0 mesures r\u00e9p\u00e9t\u00e9es doit \u00eatre rejet\u00e9e. La premi\u00e8re \u00e9tape consiste \u00e0 examiner la normalit\u00e9 de la variable d\u00e9pendante au sein de chaque condition exp\u00e9rimentale, ou pr\u00e9f\u00e9rentiellement la normalit\u00e9 des r\u00e9sidus du mod\u00e8le lin\u00e9aire mixte. L’\u00e9valuation s’effectue au moyen de diagrammes quantile-quantile (Q-Q plots) g\u00e9n\u00e9r\u00e9s via les fonctions qqnorm()<\/code> et qqline()<\/code> du package de base, ou avec ggqqplot()<\/code> du package sp\u00e9cialis\u00e9 ggpubr<\/em>, compl\u00e9t\u00e9s par le test d’ad\u00e9quation de Shapiro-Wilk appliqu\u00e9 par la fonction shapiro_test()<\/code> du package rstatix<\/em>.<\/p>\nLa seconde \u00e9tape diagnostique capitale concerne le postulat de sph\u00e9ricit\u00e9, \u00e9galement nomm\u00e9 condition de circularit\u00e9 de Huynh-Feldt et Box. La sph\u00e9ricit\u00e9 stipule que les variances de l’ensemble des diff\u00e9rences possibles entre chaque paire de conditions exp\u00e9rimentales doivent \u00eatre rigoureusement \u00e9gales. Cette condition est formellement \u00e9prouv\u00e9e sous R \u00e0 l’aide du test de sph\u00e9ricit\u00e9 de Mauchly, impl\u00e9ment\u00e9 par exemple via la fonction anova_test()<\/code> du package rstatix<\/em>.<\/p>\nLorsque le test de Mauchly s’av\u00e8re statistiquement significatif (p inf\u00e9rieur \u00e0 0.05), le postulat de sph\u00e9ricit\u00e9 est formellement r\u00e9fut\u00e9. Si cette violation s’accompagne d’une distribution asym\u00e9trique mise en \u00e9vidence par les diagrammes Q-Q et d’un effectif d’\u00e9chantillon modeste (n inf\u00e9rieur \u00e0 30), les corrections param\u00e9triques usuelles de Greenhouse-Geisser ou de Huynh-Feldt peuvent pr\u00e9senter une puissance statistique m\u00e9diocre ou des biais d’estimation. Dans cette configuration empirique pr\u00e9cise, le basculement vers le test non param\u00e9trique de Friedman s’impose comme la strat\u00e9gie d’analyse la plus parcimonieuse et scientifiquement d\u00e9fendable.<\/p>\n
3. Pr\u00e9paration de l’environnement de travail et structuration des donn\u00e9es sous R<\/h2>\n3.1 Installation et chargement des biblioth\u00e8ques n\u00e9cessaires<\/h3>\n
Pour mener \u00e0 bien l’ensemble du pipeline analytique, depuis le reformatage des matrices brutes jusqu’aux calculs d’effets de taille et visualisations graphiques avanc\u00e9es, il convient de doter la session R des extensions m\u00e9thodologiques appropri\u00e9es. Le moteur statistique de base de R dispose nativement du package stats<\/code>, qui int\u00e8gre la fonction canonique de calcul du test. Cependant, l’enrichissement de l’espace de travail par des packages sp\u00e9cialis\u00e9s garantit une fluidit\u00e9 syntaxique et une conformit\u00e9 aux standards contemporains de la science ouverte.<\/p>\nLe m\u00e9ta-package tidyverse<\/em> constitue la pierre angulaire de la manipulation des structures de donn\u00e9es et de l’ing\u00e9nierie des variables gr\u00e2ce \u00e0 ses composantes dplyr<\/em>, tidyr<\/em> et ggplot2<\/em>. Pour l’inf\u00e9rence non param\u00e9trique sp\u00e9cifique, la biblioth\u00e8que rstatix<\/em> offre des fonctions conviviales compatibles avec les op\u00e9rations de cha\u00eenage (pipe). Parall\u00e8lement, le package coin<\/em> s’av\u00e8re incontournable pour l’estimation de tests exacts et d’approches par permutation en pr\u00e9sence de micro-\u00e9chantillons. Enfin, la biblioth\u00e8que effectsize<\/em> met \u00e0 disposition des estimateurs standardis\u00e9s de magnitude d’effet.<\/p>\nL’initialisation de l’environnement s’effectue classiquement par la commande d’installation install.packages(c(\"tidyverse\", \"rstatix\", \"coin\", \"effectsize\", \"PMCMRplus\"))<\/code>, suivie de leur importation s\u00e9quentielle dans la session active \u00e0 l’aide de la primitive library()<\/code>. Cette pr\u00e9paration m\u00e9thodique pr\u00e9vient tout conflit d’espace de noms et arme le praticien pour l’int\u00e9gralit\u00e9 des \u00e9tapes computationnelles ult\u00e9rieures.<\/p>\n3.2 Formatage des donn\u00e9es : transition du format large au format long<\/h3>\n
L’une des sources majeures d’erreurs d’ex\u00e9cution dans R r\u00e9side dans la confusion entre les formats structurels tabulaires. Historiquement, les fichiers de saisie clinique (issus de logiciels tels que SPSS ou de tableurs comme Excel) adoptent quasi syst\u00e9matiquement le format large, qualifi\u00e9 de wide format<\/em>. Dans cette disposition horizontale, chaque ligne repr\u00e9sente un participant unique, et les colonnes successives mat\u00e9rialisent les mesures r\u00e9p\u00e9t\u00e9es pr\u00e9lev\u00e9es aux diff\u00e9rentes conditions ou \u00e9ch\u00e9ances temporelles.<\/p>\nBien que le format large soit directement accept\u00e9 par certaines signatures syntaxiques vectorielles de base, la grammaire unifi\u00e9e du tidyverse<\/em> et les fonctions analytiques modernes exigent imp\u00e9rativement une structure au format long, ou tidy format<\/em>. Dans un tableau au format long, chaque ligne unitaire correspond \u00e0 une observation singuli\u00e8re. Le jeu de donn\u00e9es se compose alors d’au minimum trois colonnes fondamentales : une colonne d’identification unique du participant ou bloc (par exemple, patient_id<\/code>), une colonne cat\u00e9gorielle codifiant la condition exp\u00e9rimentale ou le temps (par exemple, condition<\/code>), et une colonne num\u00e9rique consignant le score observ\u00e9 (par exemple, score<\/code>).<\/p>\nLa transition op\u00e9ratoire du format large vers le format long s’ex\u00e9cute avec une remarquable \u00e9l\u00e9gance sous R gr\u00e2ce \u00e0 la fonction pivot_longer()<\/code> issue du package tidyr<\/em>. L’analyste y sp\u00e9cifie les colonnes sources \u00e0 regrouper, le nom de la variable destination recevant les \u00e9tiquettes de traitement via l’argument names_to<\/code>, et le vecteur de stockage des valeurs num\u00e9riques via values_to<\/code>. Imm\u00e9diatement apr\u00e8s cette mutation, il est imp\u00e9ratif d’assigner formellement aux variables d’identification et de traitement le type facteur (factor<\/code>), condition sine qua non<\/em> pour que les algorithmes de test reconnaissent ad\u00e9quatement la partition en blocs.<\/p>\n4. Formulation des hypoth\u00e8ses statistiques et principe math\u00e9matique du test<\/h2>\n4.1 D\u00e9finition des hypoth\u00e8ses nulle et alternative<\/h3>\n
La conceptualisation probabiliste du test de Friedman ob\u00e9it \u00e0 une logique rigoureuse centr\u00e9e sur l’homog\u00e9n\u00e9it\u00e9 des positions ordinales. L’hypoth\u00e8se nulle, formellement d\u00e9sign\u00e9e sous le symbole H0, \u00e9nonce qu’il n’existe aucune diff\u00e9rence syst\u00e9matique entre les distributions sous-jacentes de la variable d\u00e9pendante \u00e0 travers les k<\/em> conditions de traitement au sein de la population cible. Sous H0, pour chaque participant, l’ordonnancement des scores \u00e0 travers les k<\/em> conditions r\u00e9sulte uniquement des fluctuations al\u00e9atoires de l’\u00e9chantillonnage ou du bruit de mesure. En d’autres termes, les k<\/em> variables al\u00e9atoires continues appari\u00e9es poss\u00e8dent des fonctions de r\u00e9partition marginales interchangeables, ce qui implique l’\u00e9galit\u00e9 des m\u00e9dianes relatives de rang.<\/p>\n\u00c0 l’inverse, l’hypoth\u00e8se alternative H1 stipule qu’au moins l’une des conditions exp\u00e9rimentales tend syst\u00e9matiquement \u00e0 engendrer des valeurs plus \u00e9lev\u00e9es ou plus faibles que les autres, provoquant un d\u00e9calage horizontal de sa distribution relative. Il est crucial de noter que le test de Friedman est un test omnibus directionnel de position : il ne recherche pas de simples divergences de dispersion ou de kurtosis, mais bien une asym\u00e9trie syst\u00e9matique dans la pr\u00e9dominance stochastique d’au moins un traitement vis-\u00e0-vis d’un autre.<\/p>\n
Le rejet de l’hypoth\u00e8se nulle ne permet en aucun cas d’isoler unilat\u00e9ralement quelle modalit\u00e9 diff\u00e8re de quelle autre. La d\u00e9couverte d’une significativit\u00e9 statistique globale \u00e0 ce stade indique uniquement l’invraisemblance d’une r\u00e9partition al\u00e9atoire uniforme des rangs au sein des blocs, imposant la mise en \u0153uvre ult\u00e9rieure de proc\u00e9dures exploratoires post-hoc.<\/p>\n
4.2 Algorithme de calcul du rang et statistique du Chi-deux<\/h3>\n
Le m\u00e9canisme calculatoire interne du test de Friedman est remarquablement transparent. Soit un plan constitu\u00e9 de n<\/em> sujets (blocs horizontaux) \u00e9valu\u00e9s sous k<\/em> conditions de traitement (colonnes verticales). L’algorithme op\u00e8re de mani\u00e8re purement intra-individuelle : pour chaque bloc i<\/em> (allant de 1 \u00e0 n<\/em>), les k<\/em> observations sont ordonn\u00e9es par ordre croissant et re\u00e7oivent un rang r_ij<\/em> variant de 1 (attribu\u00e9 \u00e0 la valeur la plus faible du sujet) \u00e0 k<\/em> (attribu\u00e9 \u00e0 sa valeur la plus \u00e9lev\u00e9e). Si des \u00e9galit\u00e9s surviennent au sein d’une ligne, on leur conf\u00e8re classiquement le rang moyen correspondant \u00e0 leurs positions virtuelles.<\/p>\nUne fois l’int\u00e9gralit\u00e9 de la matrice transform\u00e9e en rangs intra-sujets, la somme des rangs attribu\u00e9s \u00e0 chaque condition exp\u00e9rimentale j<\/em> (allant de 1 \u00e0 k<\/em>) est calcul\u00e9e et not\u00e9e R_j<\/em>. Sous l’hypoth\u00e8se nulle d’ind\u00e9pendance et d’\u00e9quiprobabilit\u00e9, la somme esp\u00e9r\u00e9e des rangs pour n’importe quelle colonne correspond \u00e0 la constante th\u00e9orique n(k + 1) \/ 2<\/em>. Toute d\u00e9viation observ\u00e9e de R_j<\/em> par rapport \u00e0 cette valeur moyenne centrale t\u00e9moigne d’un effet syst\u00e9matique du traitement.<\/p>\nLa statistique de test standard de Friedman, couramment not\u00e9e Q<\/em> ou Chi-deux de Friedman<\/em>, quantifie l’ampleur quadratique globale de ces \u00e9carts. Elle s’exprime par la formule analytique suivante :<\/p>\nQ = [12 \/ (n * k * (k + 1))] * Somme(R_j^2) – 3 * n * (k + 1)<\/em><\/p>\nLorsque le produit n * k<\/em> est suffisamment grand, la distribution d’\u00e9chantillonnage de la statistique Q<\/em> converge asymptotiquement vers une loi th\u00e9orique du Chi-deux \u00e0 k – 1<\/em> degr\u00e9s de libert\u00e9. C’est sur cette comparaison entre la valeur empirique obtenue de Q<\/em> et le quantile critique de la distribution th\u00e9orique du Chi-deux que repose la d\u00e9rivation de la p-valeur du test.<\/p>\n5. Ex\u00e9cution du test standard avec la fonction native friedman.test()<\/h2>\n5.1 Syntaxe vectorielle directe : friedman.test(y, groups, blocks)<\/h3>\n
L’impl\u00e9mentation originelle du test au sein de l’environnement de base de R r\u00e9side dans la fonction friedman.test()<\/code> h\u00e9berg\u00e9e dans le module fondamental stats<\/code>. Cette fonction offre deux interfaces syntaxiques distinctes. La premi\u00e8re correspond \u00e0 l’approche vectorielle explicite, dans laquelle l’utilisateur fournit les donn\u00e9es d\u00e9compos\u00e9es en trois vecteurs ind\u00e9pendants de m\u00eame longueur.<\/p>\nDans cette signature, le premier param\u00e8tre nomm\u00e9 y<\/code> d\u00e9signe le vecteur num\u00e9rique ou ordinal contenant l’ensemble des scores mesur\u00e9s. Le deuxi\u00e8me param\u00e8tre, groups<\/code>, prend la forme d’un vecteur ou facteur codifiant l’assignation de chaque observation \u00e0 son groupe de traitement ou sa condition temporelle. Enfin, le troisi\u00e8me param\u00e8tre obligatoire, blocks<\/code>, sp\u00e9cifie le vecteur ou facteur identifiant l’unit\u00e9 exp\u00e9rimentale ou le participant ayant fourni la r\u00e9ponse.<\/p>\nBien que cette syntaxe vectorielle soit parfaitement rigoureuse sur le plan computationnel, elle pr\u00e9sente l’inconv\u00e9nient pratique d’exiger la manipulation permanente de vecteurs isol\u00e9s, augmentant le risque d’erreurs d’alignement d’index lors des manipulations pr\u00e9liminaires en m\u00e9moire. Elle demeure n\u00e9anmoins utile dans les environnements algorithmiques automatis\u00e9s o\u00f9 les vecteurs sont g\u00e9n\u00e9r\u00e9s dynamiquement sans transit par un conteneur tabulaire structur\u00e9.<\/p>\n
5.2 Syntaxe par formule : la notation y ~ groups | blocks<\/h3>\n
La seconde interface offerte par friedman.test()<\/code> repose sur le formalisme des formules symboliques de S et R, largement pr\u00e9f\u00e9r\u00e9 par la communaut\u00e9 acad\u00e9mique pour sa clart\u00e9 conceptuelle et son \u00e9l\u00e9gance d’\u00e9criture. Cette syntaxe mobilise l’op\u00e9rateur de conditionnement vertical conditionnel (la barre verticale |<\/code>) pour sp\u00e9cifier la d\u00e9pendance intra-bloc.<\/p>\nLa formule s’articule sous l’expression canonique variable_reponse ~ facteur_traitement | identifiant_sujet<\/code>. L’argument data<\/code> permet d’adjoindre directement le tableau de donn\u00e9es sous-jacent, qu’il s’agisse d’un data frame standard ou d’un tibble manipul\u00e9 sous le tidyverse<\/em>. Cette \u00e9criture isole impeccablement la structure du plan : \u00e0 gauche du tilde figure la r\u00e9ponse continue ou ordinale ; \u00e0 droite, le facteur exp\u00e9rimental principal, suivi de la sp\u00e9cification explicite de la variable de blocage agissant comme facteur de regroupement appari\u00e9.<\/p>\nL’utilisation de cette syntaxe par formule pr\u00e9sente l’immense avantage pr\u00e9ventif d’interdire implicitement toute alt\u00e9ration de l’alignement des lignes et garantit la portabilit\u00e9 imm\u00e9diate des scripts d’analyse au sein de rapports reproductibles sous R Markdown ou Quarto.<\/p>\n
6. Application pratique en psychologie : analyse du temps de r\u00e9action sous quatre traitements<\/h2>\n6.1 Contexte clinique et g\u00e9n\u00e9ration du jeu de donn\u00e9es<\/h3>\n
Afin de concr\u00e9tiser l’apprentissage par un cas empirique r\u00e9aliste, imaginons une \u00e9tude de psychopharmacologie cognitive men\u00e9e aupr\u00e8s d’une cohorte clinique restreinte compos\u00e9e de dix patients souffrant de troubles d\u00e9ficitaires de l’attention avec hyperactivit\u00e9 (TDAH). L’\u00e9quipe de recherche souhaite \u00e9valuer l’impact aigu sur la vitesse de traitement de l’information de quatre mol\u00e9cules psychotropes distinctes administr\u00e9es selon un plan crois\u00e9 contrebalanc\u00e9 : un placebo inerte (Placebo), une mol\u00e9cule dopaminergique standard (DopaStandard), une formulation novatrice \u00e0 lib\u00e9ration prolong\u00e9e (ProlongEx) et une mol\u00e9cule sotoninergique mod\u00e9ratrice (SotoMod).<\/p>\n
La variable d\u00e9pendante retenue est le temps moyen de r\u00e9action (exprim\u00e9 en millisecondes) enregistr\u00e9 lors d’une t\u00e2che d’inhibition motrice de type Go\/No-Go. Compte tenu de la petite taille de l’\u00e9chantillon (n<\/em> = 10) et de la pr\u00e9sence notable d’asym\u00e9tries dans les temps de latence neuropsychologiques, le recours \u00e0 une mod\u00e9lisation non param\u00e9trique s’impose imp\u00e9rativement.<\/p>\nNous instancions ce jeu de donn\u00e9es sous R en construisant un data frame structur\u00e9 directement au format long. Pour garantir la reproductibilit\u00e9 absolue de nos calculs, nous d\u00e9finissons une graine pseudo-al\u00e9atoire via set.seed(123)<\/code>. Les dix sujets sont \u00e9tiquet\u00e9s s\u00e9quentiellement de P01 \u00e0 P10, et chacun traverse successivement les quatre conditions th\u00e9rapeutiques, g\u00e9n\u00e9rant une matrice compl\u00e8te et parfaitement \u00e9quilibr\u00e9e de quarante observations individuelles exemptes de cellules orphelines.<\/p>\n6.2 Mise en \u0153uvre du test pas \u00e0 pas sur le jeu de donn\u00e9es clinique<\/h3>\n
Une fois le tableau clinique g\u00e9n\u00e9r\u00e9 dans l’environnement de travail sous le nom explicite de tdah_data<\/code>, la premi\u00e8re man\u0153uvre analytique consiste \u00e0 inspecter sa structure interne \u00e0 l’aide de la commande str(tdah_data)<\/code>. Cette \u00e9tape v\u00e9rifie imp\u00e9rativement que la colonne patient<\/code> est instanci\u00e9e sous la forme d’un facteur \u00e0 10 niveaux, que la colonne traitement<\/code> est un facteur \u00e0 4 niveaux et que la colonne temps_reaction<\/code> correspond \u00e0 un vecteur num\u00e9rique de nombres r\u00e9els.<\/p>\nL’ex\u00e9cution formelle du test de Friedman est alors d\u00e9clench\u00e9e par l’instruction :<\/p>\n
friedman_resultat <- friedman.test(temps_reaction ~ traitement | patient, data = tdah_data)<\/code><\/p>\nL’assignation explicite du r\u00e9sultat dans un objet d\u00e9di\u00e9 nomm\u00e9 friedman_resultat<\/code> permet de capturer la structure de sortie sous forme de liste statistique enrichie de la classe htest<\/code>. La simple saisie du nom de cet objet dans la console interactive de R provoque l’impression format\u00e9e du rapport d’analyse officiel, d\u00e9taillant le nom du test ex\u00e9cut\u00e9, l’intitul\u00e9 des donn\u00e9es sources, la statistique num\u00e9rique calcul\u00e9e, le nombre de degr\u00e9s de libert\u00e9 associ\u00e9s et la p-valeur exacte d\u00e9riv\u00e9e de l’asymptote.<\/p>\n7. Interpr\u00e9tation acad\u00e9mique et d\u00e9composition des r\u00e9sultats statistiques<\/h2>\n7.1 Compr\u00e9hension de la sortie console de R<\/h3>\n
L’examen minutieux de la sortie textuelle g\u00e9n\u00e9r\u00e9e par l’instruction pr\u00e9c\u00e9dente livre trois informations num\u00e9riques fondamentales qui pr\u00e9sident \u00e0 la prise de d\u00e9cision statistique. Le premier indicateur correspond au Friedman chi-squared<\/em>, qui n’est autre que la r\u00e9alisation empirique de la statistique Q<\/em> d\u00e9taill\u00e9e dans notre section th\u00e9orique. Une valeur \u00e9lev\u00e9e t\u00e9moigne d’un \u00e9cart substantiel entre les sommes de rangs observ\u00e9es sous chaque traitement et la moyenne th\u00e9orique attendue sous l’hypoth\u00e8se d’\u00e9quiprobabilit\u00e9.<\/p>\nLe second param\u00e8tre affich\u00e9 est repr\u00e9sent\u00e9 par les degr\u00e9s de libert\u00e9, abr\u00e9g\u00e9s df<\/code>. Dans le cadre canonique du test de Friedman, cette quantit\u00e9 est strictement born\u00e9e par l’\u00e9galit\u00e9 df = k – 1<\/em>, o\u00f9 k<\/em> repr\u00e9sente le nombre de conditions de traitement \u00e9tudi\u00e9es. Dans notre application neuropsychologique comprenant quatre psychotropes, le syst\u00e8me statistique poss\u00e8de pr\u00e9cis\u00e9ment 4 – 1 = 3<\/em> degr\u00e9s de libert\u00e9.<\/p>\nLe troisi\u00e8me param\u00e8tre, d\u00e9cisif pour l’inf\u00e9rence, est la p-value<\/em>. Cette valeur probabiliste quantifie le risque d’observer une statistique de test au moins aussi extr\u00eame que celle mesur\u00e9e empiriquement sous la supposition formelle que l’hypoth\u00e8se nulle soit strictement vraie. Si cette p-valeur s’av\u00e8re inf\u00e9rieure au seuil conventionnel alpha fix\u00e9 \u00e0 0.05 (ou a fortiori<\/em> \u00e0 0.01 ou 0.001), le chercheur rejette formellement l’hypoth\u00e8se nulle H0 et conclut \u00e0 l’existence d’un effet statistiquement significatif du facteur traitement sur la vitesse de r\u00e9action cognitive des participants.<\/p>\n7.2 Extraction programmatique des \u00e9l\u00e9ments du test<\/h3>\n
Dans un contexte moderne de r\u00e9daction automatis\u00e9e de manuscrits scientifiques, d’int\u00e9gration continue sous Quarto ou de d\u00e9veloppement d’applications analytiques dynamiques avec Shiny, l’analyste ne saurait se satisfaire d’une simple lecture visuelle de la console. Il est essentiel d’extraire programmatiquement les composantes atomiques de l’objet de test.<\/p>\n
L’objet de classe htest<\/code> produit par friedman.test()<\/code> est une liste ordonn\u00e9e dont les \u00e9l\u00e9ments internes sont directement adressables \u00e0 l’aide de l’op\u00e9rateur dollar $<\/code>. Ainsi, l’expression friedman_resultat$statistic<\/code> extrait vectoriellement la valeur scalaire de la statistique du Chi-deux. De fa\u00e7on analogue, friedman_resultat$parameter<\/code> restitue les degr\u00e9s de libert\u00e9, tandis que friedman_resultat$p.value<\/code> fournit la p-valeur brute sous forme d’un flottant double pr\u00e9cision.<\/p>\nCette modularit\u00e9 logicielle permet d’injecter ces scalaires directement au sein de fonctions de formatage textuel automatis\u00e9es telles que sprintf()<\/code> ou le package glue<\/em>, \u00e9radiquant tout risque d’erreur humaine de transcription manuelle lors de la finalisation des sections de r\u00e9sultats empiriques.<\/p>\n8. Analyses post-hoc et ajustement des comparaisons multiples<\/h2>\n8.1 N\u00e9cessit\u00e9 des tests a posteriori apr\u00e8s un test global significatif<\/h3>\n
L’obtention d’un r\u00e9sultat omnibus statistiquement significatif lors de l’ex\u00e9cution du test de Friedman constitue une \u00e9tape d’\u00e9tape indispensable mais fondamentalement incompl\u00e8te. En rejetant l’hypoth\u00e8se nulle d’homog\u00e9n\u00e9it\u00e9 globale des distributions, le chercheur sait qu’au moins une condition exp\u00e9rimentale diverge de l’une des autres, sans disposer de la moindre information sur l’architecture pr\u00e9cise de ces contrastes. Est-ce la mol\u00e9cule ProlongEx qui acc\u00e9l\u00e8re significativement les r\u00e9ponses par rapport au Placebo ? La mol\u00e9cule DopaStandard se distingue-t-elle de SotoMod ?<\/p>\n
Toutefois, la conduite d\u00e9sordonn\u00e9e de comparaisons par paires expose l’exp\u00e9rimentateur \u00e0 un p\u00e9ril m\u00e9thodologique redoutable : l’inflation exponentielle du risque d’erreur de premi\u00e8re esp\u00e8ce (l’erreur de type I). Pour k<\/em> conditions exp\u00e9rimentales, le nombre total de comparaisons bilat\u00e9rales possibles s’\u00e9l\u00e8ve \u00e0 C = k * (k – 1) \/ 2<\/em>. Dans notre protocole clinique \u00e0 quatre traitements, six comparaisons par paires doivent \u00eatre men\u00e9es de front.<\/p>\nSi chaque test individuel est ex\u00e9cut\u00e9 au seuil de signification standard alpha de 0.05 sans correction protectrice, le risque global cumul\u00e9 d’observer au moins un faux positif (le Family-Wise Error Rate<\/em> ou FWER) grimpe drastiquement selon la loi 1 – (1 – 0.05)^6<\/em>, atteignant environ 26.5 %. La mise en \u0153uvre de proc\u00e9dures de contr\u00f4le et d’ajustement statistique a posteriori constitue donc un imp\u00e9ratif de rigueur d\u00e9ontologique et scientifique incontournable.<\/p>\n8.2 Test des rangs sign\u00e9s de Wilcoxon appari\u00e9 avec correction<\/h3>\n
L’approche post-hoc la plus intuitive et couramment adopt\u00e9e dans la litt\u00e9rature psychologique consiste \u00e0 appliquer de mani\u00e8re s\u00e9quentielle le test non param\u00e9trique des rangs sign\u00e9s de Wilcoxon pour mesures appari\u00e9es sur chacune des paires de conditions envisageables, en y adjoignant un algorithme d’ajustement de la p-valeur. Sous R, cette op\u00e9ration s’ex\u00e9cute avec fluidit\u00e9 via la commande pairwise.wilcox.test()<\/code> en fixant obligatoirement l’argument bool\u00e9en paired = TRUE<\/code>.<\/p>\nPlusieurs strat\u00e9gies de contr\u00f4le de l’erreur globale peuvent \u00eatre sp\u00e9cifi\u00e9es via l’argument p.adjust.method<\/code>. La m\u00e9thode de Bonferroni repr\u00e9sente l’approche la plus classique et conservatrice : elle consiste \u00e0 multiplier chaque p-valeur individuelle observ\u00e9e par le nombre total de contrastes C<\/em>, ou \u00e0 abaisser le seuil de d\u00e9cision critique \u00e0 alpha \/ C<\/em>. Bien qu’elle garantisse un contr\u00f4le herm\u00e9tique du FWER, son extr\u00eame s\u00e9v\u00e9rit\u00e9 tend \u00e0 laminer la puissance statistique, augmentant consid\u00e9rablement le risque d’erreur de seconde esp\u00e8ce (erreur de type II).<\/p>\nPour parer \u00e0 ce conservatisme excessif, la proc\u00e9dure s\u00e9quentielle descendante de Holm (souvent appel\u00e9e m\u00e9thode de Holm-Bonferroni) est universellement recommand\u00e9e par les m\u00e9thodologistes. Elle ordonne hi\u00e9rarchiquement les p-valeurs obtenues de la plus petite \u00e0 la plus grande et ajuste le crit\u00e8re de rejet de fa\u00e7on dynamique \u00e9tape par \u00e9tape, offrant un contr\u00f4le tout aussi infaillible du risque de faux positif tout en pr\u00e9servant substantiellement la sensibilit\u00e9 de d\u00e9tection. Enfin, dans les contextes exploratoires \u00e0 grand nombre de modalit\u00e9s, l’ajustement de Benjamini-Hochberg (contr\u00f4le du taux de fausse d\u00e9couverte ou False Discovery Rate<\/em>, FDR) peut constituer un arbitrage judicieux.<\/p>\n8.3 Approches post-hoc sp\u00e9cifiques : tests de Conover et de Nemenyi<\/h3>\n
En d\u00e9pit de sa popularit\u00e9, l’encha\u00eenement de tests de Wilcoxon appari\u00e9s isol\u00e9s souffre d’un d\u00e9faut th\u00e9orique : chaque test de Wilcoxon r\u00e9assigne de nouveaux rangs sur la base exclusive de la paire de conditions examin\u00e9e, ignorant la structure globale de rangs pr\u00e9alablement \u00e9tablie sur l’ensemble de l’exp\u00e9rience par le test omnibus de Friedman. Pour pallier cette rupture d’invariance, des proc\u00e9dures post-hoc d\u00e9volues sp\u00e9cifiquement aux plans en blocs ont \u00e9t\u00e9 d\u00e9velopp\u00e9es, au premier rang desquelles figurent les tests de Nemenyi et de Conover.<\/p>\n
Le test post-hoc de Nemenyi, accessible sous R via la fonction frdManyOneDurbinTest()<\/code> ou kwManyOneConoverTest()<\/code> du package sp\u00e9cialis\u00e9 PMCMRplus<\/em>, \u00e9value les diff\u00e9rences absolues observ\u00e9es entre les sommes globales de rangs des traitements en s’appuyant sur la distribution de l’\u00e9tendue studentis\u00e9e. Tr\u00e8s conservateur, il s’av\u00e8re particuli\u00e8rement indiqu\u00e9 lorsque l’analyste compare toutes les conditions deux \u00e0 deux dans un plan rigoureusement \u00e9quilibr\u00e9.<\/p>\n\u00c0 l’oppos\u00e9, le test post-hoc de Conover (impl\u00e9ment\u00e9 via la fonction frdAllPairsConoverTest()<\/code> du package PMCMRplus<\/em>) r\u00e9utilise la variance r\u00e9siduelle de la matrice globale des rangs de Friedman pour formuler une statistique distribu\u00e9e selon une loi de Student. Il en r\u00e9sulte un gain notable de puissance statistique, autorisant la mise en lumi\u00e8re de contrastes fins que la rudesse de Bonferroni ou de Nemenyi aurait laiss\u00e9s dans l’ombre. L’analyste rigoureux prendra soin d’expliciter le choix de son test post-hoc dans son rapport de recherche en justifiant l’\u00e9quilibre recherch\u00e9 entre puissance et conservatisme.<\/p>\n9. Calcul et interpr\u00e9tation de la taille d’effet : le W de Kendall<\/h2>\n9.1 Importance de quantifier la magnitude de l’effet en psychologie<\/h3>\n
Dans la recherche contemporaine en psychologie et en sciences comportementales, la seule d\u00e9claration de la significativit\u00e9 statistique via la p-valeur est jug\u00e9e notoirement insuffisante. La p-valeur informe uniquement sur la plausibilit\u00e9 de l’hypoth\u00e8se nulle au regard des donn\u00e9es recueillies, mais elle demeure visc\u00e9ralement d\u00e9pendante de la taille de l’\u00e9chantillon. Un \u00e9chantillon de tr\u00e8s grande taille peut r\u00e9v\u00e9ler une diff\u00e9rence statistiquement significative pour un effet dont l’amplitude pratique ou clinique est rigoureusement n\u00e9gligeable. Inversement, une \u00e9tude portant sur un effectif clinique r\u00e9duit mais investiguant une intervention d’une efficacit\u00e9 spectaculaire peut \u00e9chouer \u00e0 atteindre le seuil de 0.05 par simple manque de puissance.<\/p>\n
Face \u00e0 cette aporie, les comit\u00e9s de lecture internationaux et le manuel \u00e9ditorial de l’APA imposent la communication syst\u00e9matique d’une mesure standardis\u00e9e de la magnitude de l’effet. L’estimation de la taille d’effet offre une mesure m\u00e9trique universelle de l’impact substantiel du traitement, autorisant la comparaison directe des r\u00e9sultats \u00e0 travers diff\u00e9rents protocoles et fournissant le substrat indispensable aux futures m\u00e9ta-analyses quantitatives.<\/p>\n
9.2 Calcul du coefficient de concordance W de Kendall sous R<\/h3>\n
Dans l’architecture non param\u00e9trique des plans \u00e0 mesures r\u00e9p\u00e9t\u00e9es, l’estimateur de taille d’effet standard d\u00e9volu au test de Friedman est le coefficient de concordance W<\/em> de Kendall. Cet indice statistique capture l’harmonie ou le degr\u00e9 d’accord manifest\u00e9 par l’ensemble des n<\/em> blocs (les participants) quant au classement ordonn\u00e9 des k<\/em> traitements exp\u00e9rimentaux.<\/p>\nLe coefficient W<\/em> de Kendall se d\u00e9duit de mani\u00e8re limpide de la statistique du Chi-deux de Friedman Q<\/em> selon la formulation alg\u00e9brique exacte suivante :<\/p>\nW = Q \/ (n * (k – 1))<\/em><\/p>\nL’indice W<\/em> est ainsi naturellement born\u00e9 au sein de l’intervalle continu allant de 0 \u00e0 1. Une valeur de 0 indique une absence absolue de concordance entre les participants (les classements individuels se r\u00e9partissent de mani\u00e8re chaotique et al\u00e9atoire, chaque traitement ayant une probabilit\u00e9 identique d’\u00eatre class\u00e9 premier ou dernier). \u00c0 l’extr\u00eame oppos\u00e9, une valeur de 1 mat\u00e9rialise une unanimit\u00e9 parfaite et invariable (l’ensemble unanime des participants classe les traitements dans un ordre strictement identique).<\/p>\nSous l’environnement R, le calcul de cet indice s’ex\u00e9cute de mani\u00e8re \u00e9l\u00e9gante et automatis\u00e9e gr\u00e2ce \u00e0 la fonction friedman_effsize()<\/code> mise \u00e0 disposition par le package rstatix<\/em>. Cette fonction prend en charge les formules de m\u00eame structure que le test omnibus et peut en outre g\u00e9n\u00e9rer un intervalle de confiance robuste \u00e0 95 % par r\u00e9\u00e9chantillonnage non param\u00e9trique (proc\u00e9dure de bootstrapping<\/em>) en sp\u00e9cifiant l’argument ci = TRUE<\/code>.<\/p>\n9.3 Grille d’interpr\u00e9tation clinique et psychom\u00e9trique<\/h3>\n
La qualification qualitative de la magnitude du coefficient de concordance W<\/em> de Kendall repose sur des rep\u00e8res conventionnels h\u00e9rit\u00e9s des travaux de Jacob Cohen et adapt\u00e9s par les statisticiens non param\u00e9triques. Ces seuils de r\u00e9f\u00e9rence guident le jugement diagnostique du psychologue dans l’appr\u00e9ciation de son effet exp\u00e9rimental :<\/p>\n\n- Effet n\u00e9gligeable :<\/strong> W<\/em> strictement inf\u00e9rieur \u00e0 0.10. Les classements intra-sujets divergent profond\u00e9ment et l’effet th\u00e9rapeutique s’av\u00e8re ind\u00e9tectable en pratique clinique courante.<\/li>\n
- Effet de faible amplitude :<\/strong> W<\/em> compris entre 0.10 et 0.29. Une tendance ordinale commence \u00e0 \u00e9merger au sein de la cohorte, mais la variabilit\u00e9 des r\u00e9ponses individuelles reste pr\u00e9pond\u00e9rante.<\/li>\n
- Effet mod\u00e9r\u00e9 :<\/strong> W<\/em> compris entre 0.30 et 0.49. L’alignement des classements individuels est substantiel ; une proportion significative de la trajectoire clinique est directement gouvern\u00e9e par la nature des traitements.<\/li>\n
- Effet de forte amplitude :<\/strong> W<\/em> sup\u00e9rieur ou \u00e9gal \u00e0 0.50. Il existe une concordance majeure entre les participants quant \u00e0 la hi\u00e9rarchie des conditions exp\u00e9rimentales, attestant d’une efficacit\u00e9 ou d’une toxicit\u00e9 diff\u00e9rentielle massive.<\/li>\n<\/ul>\n
L’interpr\u00e9tation de ces seuils doit n\u00e9anmoins toujours \u00eatre modul\u00e9e en fonction du contexte disciplinaire. Dans les recherches exploratoires sur des construits de personnalit\u00e9 stables ou des troubles psychiatriques complexes et r\u00e9fractaires, l’observation d’un W<\/em> mod\u00e9r\u00e9 de 0.35 peut repr\u00e9senter une avanc\u00e9e clinique remarquable, tandis que lors de tests psychophysiques \u00e9l\u00e9mentaires hautement contr\u00f4l\u00e9s en laboratoire, un W<\/em> de 0.60 constituera un pr\u00e9requis standard de validation interne.<\/p>\n10. Visualisation graphique avanc\u00e9e des r\u00e9sultats sous R<\/h2>\n10.1 Bo\u00eetes \u00e0 moustaches enrichies avec trajectoires individuelles<\/h3>\n
La communication scientifique des r\u00e9sultats d’un plan \u00e0 mesures r\u00e9p\u00e9t\u00e9es analys\u00e9 par le test de Friedman ne saurait se limiter \u00e0 de simples tableaux d’effectifs ou \u00e0 des graphiques \u00e0 barres agr\u00e9g\u00e9s. Ces derniers occultent la sp\u00e9cificit\u00e9 nodale du protocole : le couplage intra-individuel des observations. Pour rendre compte de la distribution ordinale tout en r\u00e9v\u00e9lant la dynamique longitudinale propre \u00e0 chaque participant, la bo\u00eete \u00e0 moustaches (boxplot<\/em>) enrichie des trajectoires individuelles constitue le standard de visualisation d’excellence sous la biblioth\u00e8que ggplot2<\/em>.<\/p>\nDans ce dispositif graphique \u00e9labor\u00e9, la bo\u00eete \u00e0 moustaches centrale mat\u00e9rialise pour chaque traitement les trois quartiles cardinaux (m\u00e9diane, 25e et 75e centiles) ainsi que les limites de dispersion de Tukey. Par-dessus cette armature descriptive, les points de donn\u00e9es brutes individuels sont superpos\u00e9s \u00e0 l’aide de la couche geom_point()<\/code>. L’\u00e9l\u00e9ment d\u00e9terminant r\u00e9side dans l’adjonction de segments continus reliant les scores d’un m\u00eame patient \u00e0 travers les quatre conditions au moyen de l’instruction geom_line(aes(group = patient), alpha = 0.4, linetype = \"dashed\")<\/code>.<\/p>\nCette visualisation permet au lecteur de constater imm\u00e9diatement si le basculement d’une condition \u00e0 l’autre induit une \u00e9l\u00e9vation ou un abaissement unanime de la trajectoire chez l’ensemble des sujets, ou si au contraire certains profils cliniques atypiques pr\u00e9sentent une r\u00e9sistance paradoxale au traitement, \u00e9clairant visuellement la valeur obtenue pour le W<\/em> de Kendall.<\/p>\n10.2 Graphiques de rangs moyens et profils de variations<\/h3>\n
Puisque le m\u00e9canisme d\u00e9cisionnel du test de Friedman op\u00e8re exclusivement sur les rangs relatifs et non sur les valeurs m\u00e9triques directes, il est m\u00e9thodologiquement pertinent de construire un graphique repr\u00e9sentant les rangs moyens assign\u00e9s \u00e0 chaque condition exp\u00e9rimentale. Ce type de figure offre une fid\u00e9lit\u00e9 g\u00e9om\u00e9trique parfaite au fonctionnement math\u00e9matique interne du mod\u00e8le non param\u00e9trique.<\/p>\n
Pour concr\u00e9tiser cette restitution, les donn\u00e9es sont pr\u00e9alablement transform\u00e9es par bloc afin d’extraire le rang intra-sujet de chaque observation via la fonction rank()<\/code> au sein d’une instruction group\u00e9e de dplyr<\/em>. Les rangs moyens et leurs intervalles de dispersion associ\u00e9s (tels que l’\u00e9cart-type des rangs ou l’\u00e9cart interquartile) sont ensuite agr\u00e9g\u00e9s sous forme de coordonn\u00e9es discr\u00e8tes. L’utilisation conjointe des fonctions geom_point(size = 4)<\/code> et geom_errorbar(width = 0.2)<\/code> permet de mat\u00e9rialiser \u00e9l\u00e9gamment la position relative de chaque modalit\u00e9.<\/p>\nEnfin, l’incorporation d’annotations statistiques directes sur le canevas graphique, synth\u00e9tisant la statistique globale de Friedman (valeur de Q<\/em>, degr\u00e9s de libert\u00e9 et p-valeur) ainsi que les accolades signalant les paires statistiquement discrimin\u00e9es par les analyses post-hoc (r\u00e9alisables via le package compl\u00e9mentaire ggpubr<\/em> ou ggsignif<\/em>), conf\u00e8re \u00e0 la figure une autonomie documentaire conforme aux exigences des publications scientifiques de premier plan.<\/p>\n11. Gestion des cas particuliers et \u00e9cueils m\u00e9thodologiques<\/h2>\n11.1 Traitement des ex-\u00e6quo dans l’attribution des rangs<\/h3>\n
La d\u00e9rivation math\u00e9matique fondamentale du test de Friedman postule la continuit\u00e9 absolue de la variable d\u00e9pendante sous-jacente, ce qui devrait th\u00e9oriquement exclure l’\u00e9mergence de valeurs parfaitement identiques au sein d’un m\u00eame bloc. Dans la r\u00e9alit\u00e9 empirique des laboratoires de psychologie, la pr\u00e9sence de scores ex-\u00e6quo (commun\u00e9ment d\u00e9sign\u00e9s sous le vocable anglais de ties<\/em>) est extr\u00eamement fr\u00e9quente, que ce soit en raison de la discr\u00e9tisation impos\u00e9e par les \u00e9chelles de Likert ou de l’impr\u00e9cision inh\u00e9rente aux appareils de mesure chronom\u00e9trique.<\/p>\nLorsque deux ou plusieurs observations d’un m\u00eame participant pr\u00e9sentent des valeurs num\u00e9riques rigoureusement identiques, la proc\u00e9dure conventionnelle leur attribue le rang moyen des rangs qu’elles auraient occup\u00e9s si elles avaient \u00e9t\u00e9 distinctes. Par exemple, si les deux valeurs les plus basses d’un individu sont \u00e0 \u00e9galit\u00e9, elles occupent virtuellement les positions 1 et 2, recevant chacune le rang moyen de (1 + 2) \/ 2 = 1.5<\/em>.<\/p>\nL’existence d’ex-\u00e6quo a pour cons\u00e9quence m\u00e9canique de r\u00e9duire la variance totale de la distribution d’\u00e9chantillonnage des rangs. Si la proportion d’\u00e9galit\u00e9s est substantielle et qu’aucune correction n’est appliqu\u00e9e, la statistique de test standard Q<\/em> sous-estime l’\u00e9cart r\u00e9el et conduit \u00e0 une p-valeur artificiellement conservatrice. Heureusement, la fonction friedman.test()<\/code> de R int\u00e8gre automatiquement un coefficient d’ajustement qui divise l’expression de la statistique par un facteur r\u00e9ducteur d\u00e9pendant de la somme des cubes des multiplicit\u00e9s d’\u00e9galit\u00e9s au sein de chaque bloc. Ce m\u00e9canisme automatique garantit la robustesse du seuil d\u00e9cisionnel tant que la proportion d’\u00e9galit\u00e9s ne sature pas la quasi-totalit\u00e9 de l’espace d’observation.<\/p>\n11.2 Gestion des donn\u00e9es manquantes et plans incomplets<\/h3>\n
Une limitation fonctionnelle majeure de la fonction native friedman.test()<\/code> r\u00e9side dans son intransigeance face aux valeurs manquantes. L’algorithme exige imp\u00e9rativement un plan en blocs complets et \u00e9quilibr\u00e9s : si un seul participant omet de renseigner une condition sur les quatre propos\u00e9es, la moindre valeur NA<\/code> provoque le rejet complet du bloc ou l’avortement de l’ex\u00e9cution.<\/p>\nFace \u00e0 des d\u00e9perditions d’\u00e9chantillon (ph\u00e9nom\u00e8ne de drop-out<\/em> fr\u00e9quent lors de suivis th\u00e9rapeutiques longitudinaux), l’analyste ne doit pas recourir \u00e0 l’amputation aveugle de tous les patients incomplets (analyse de cas complets), ce qui amputerait drastiquement la puissance statistique et introduirait de redoutables biais d’attrition. La solution m\u00e9thodologique non param\u00e9trique la plus \u00e9l\u00e9gante consiste \u00e0 recourir au test de Skillings-Mack<\/strong>.<\/p>\nLe test de Skillings-Mack repr\u00e9sente une g\u00e9n\u00e9ralisation math\u00e9matique du test de Friedman sp\u00e9cifiquement con\u00e7ue pour accommoder les plans en blocs incomplets randomis\u00e9s comportant des donn\u00e9es manquantes compl\u00e8tement al\u00e9atoires (MCAR) ou al\u00e9atoires (MAR). Cette m\u00e9thode applique une pond\u00e9ration diff\u00e9rentielle aux blocs selon le nombre de mesures effectivement valid\u00e9es par chaque sujet. Sous R, cette proc\u00e9dure robuste s’ex\u00e9cute ais\u00e9ment via le package sp\u00e9cialis\u00e9 Skillings.Mack<\/em> \u00e0 l’aide de la commande \u00e9ponyme Ski.Mack()<\/code>, fournissant une statistique de type Chi-deux parfaitement interpr\u00e9table sans recourir \u00e0 des proc\u00e9dures d’imputation artificielle hasardeuses.<\/p>\n11.3 Approches exactes versus asymptotiques pour tr\u00e8s petits \u00e9chantillons<\/h3>\n
Comme explicit\u00e9 dans la section math\u00e9matique, la conversion de la statistique Q<\/em> en une p-valeur d\u00e9cisionnelle repose sur l’hypoth\u00e8se d’une convergence asymptotique vers une loi th\u00e9orique du Chi-deux. Cette approximation gaussienne n’est formellement valide que lorsque la taille de l’\u00e9chantillon n<\/em> et le nombre de modalit\u00e9s k<\/em> sont suffisamment imposants. Lorsque les \u00e9tudes portent sur des micro-\u00e9chantillons cliniques (par exemple, n<\/em> inf\u00e9rieur \u00e0 8 avec k<\/em> \u00e9gal \u00e0 3 ou 4), la distribution empirique exacte s’\u00e9carte notablement de la courbe th\u00e9orique du Chi-deux, augmentant consid\u00e9rablement le risque d’erreurs inf\u00e9rentielles.<\/p>\nDans ce contexte de raret\u00e9 d’observations, l’analyste doit abandonner l’approximation asymptotique au profit d’un test exact fond\u00e9 sur le calcul combinatoire exhaustif de toutes les permutations conditionnelles possibles des rangs au sein des blocs. L’environnement R permet cette transition computationnelle de haut niveau gr\u00e2ce \u00e0 la biblioth\u00e8que d’inf\u00e9rence conditionnelle coin<\/em> (abr\u00e9viation de Conditional Inference Procedures in R<\/em>).<\/p>\nAu travers de la fonction friedman_test()<\/code> issue de ce package, l’utilisateur a la facult\u00e9 de sp\u00e9cifier le param\u00e8tre distribution = \"exact\"<\/code> (pour un d\u00e9nombrement combinatoire complet) ou distribution = approximate(nresample = 100000)<\/code> (pour une approximation par permutations de Monte Carlo \u00e0 tr\u00e8s haute r\u00e9solution). Cette d\u00e9marche garantit une rigueur m\u00e9thodologique irr\u00e9prochable et prot\u00e8ge les conclusions de la publication contre toute remise en cause relative \u00e0 la repr\u00e9sentativit\u00e9 asymptotique de l’\u00e9chantillon.<\/p>\n12. R\u00e9daction des r\u00e9sultats selon les normes de l’APA et bonnes pratiques<\/h2>\n12.1 Directives de r\u00e9daction selon la 7e \u00e9dition de l’APA<\/h3>\n
La r\u00e9daction de la section des r\u00e9sultats statistiques au sein d’un manuscrit soumis aux revues de psychologie r\u00e9gies par l’American Psychological Association (APA, 7e \u00e9dition) ob\u00e9it \u00e0 un protocole standardis\u00e9 strict. La transparence et la compl\u00e9tude m\u00e9thodologique exigent de ne jamais dissocier la significativit\u00e9 statistique de sa magnitude descriptive et de sa port\u00e9e d’effet.<\/p>\n
Pour un test de Friedman, le formalisme prescrit impose de rapporter explicitement :<\/p>\n
\n- L’indicateur de tendance centrale appropri\u00e9 pour chaque modalit\u00e9 exp\u00e9rimentale (compte tenu de la nature ordinale ou asym\u00e9trique des donn\u00e9es, il s’agit obligatoirement de la m\u00e9diane accompagn\u00e9e de l’\u00e9cart interquartile, ou alternativement de la moyenne des rangs) ;<\/li>\n
- La lettre grecque stylis\u00e9e ou la d\u00e9signation textuelle de la statistique de test, not\u00e9e Chi-deux de Friedman<\/em> ou classiquement Chi-deux<\/em> avec en indice ses degr\u00e9s de libert\u00e9 entre parenth\u00e8ses ;<\/li>\n
- La taille de l’\u00e9chantillon de blocs N<\/em> inclus dans l’analyse finale ;<\/li>\n
- La valeur num\u00e9rique exacte de la statistique de test arrondie \u00e0 deux d\u00e9cimales ;<\/li>\n
- La p-valeur exacte arrondie \u00e0 trois d\u00e9cimales (sauf lorsqu’elle est inf\u00e9rieure \u00e0 0.001, auquel cas elle est formul\u00e9e sous la mention p < .001<\/em>, sans z\u00e9ro pr\u00e9liminaire conform\u00e9ment aux r\u00e8gles anglo-saxonnes si le texte est en anglais, ou avec z\u00e9ro selon l’adaptation francophone) ;<\/li>\n
- L’indice de taille d’effet standardis\u00e9 (le W<\/em> de Kendall), accompagn\u00e9 le cas \u00e9ch\u00e9ant de son intervalle de confiance \u00e0 95 % ;<\/li>\n
- La description explicite de la m\u00e9thode d’ajustement employ\u00e9e pour neutraliser l’inflation de l’erreur de type I lors des comparaisons multiples post-hoc (par exemple, la correction de Holm ou de Bonferroni).<\/li>\n<\/ul>\n
12.2 Exemple de paragraphe r\u00e9dig\u00e9 pour une publication scientifique<\/h3>\n
Pour mat\u00e9rialiser ces prescriptions normatives en situation r\u00e9elle, voici un exemple cl\u00e9 en main de paragraphe r\u00e9dig\u00e9, directement transposable dans la section R\u00e9sultats d’un article acad\u00e9mique ou d’une th\u00e8se de doctorat en psychologie :<\/p>\n
\u00ab Afin d’\u00e9valuer l’impact diff\u00e9rentiel des quatre conditions pharmacologiques sur la vitesse de traitement de l’information, un test de Friedman pour mesures r\u00e9p\u00e9t\u00e9es a \u00e9t\u00e9 conduit sur les temps de r\u00e9action des participants. L’analyse r\u00e9v\u00e8le une variation statistiquement significative des performances cognitives entre les diff\u00e9rents traitements, Chi-deux(3, N = 10) = 18.84, p < .001, attestant d’une magnitude d’effet tr\u00e8s \u00e9lev\u00e9e avec un coefficient de concordance de Kendall W = 0.63, IC 95 % [0.38, 0.86]. Les temps m\u00e9dians de r\u00e9action s’\u00e9levaient respectivement \u00e0 485.5 ms (EIQ = 42.0) pour le Placebo, 412.0 ms (EIQ = 35.5) pour la mol\u00e9cule SotoMod, 360.5 ms (EIQ = 28.0) pour DopaStandard, et 315.0 ms (EIQ = 24.5) pour la formulation ProlongEx.<\/em><\/p>\nLes comparaisons post-hoc par paires, ex\u00e9cut\u00e9es au moyen de tests des rangs sign\u00e9s de Wilcoxon pour \u00e9chantillons appari\u00e9s et assorties de la correction s\u00e9quentielle de Holm pour comparaisons multiples, d\u00e9montrent que le traitement ProlongEx induit une r\u00e9duction statistiquement significative du temps de r\u00e9action par rapport au Placebo (p_ajust\u00e9 = .012) ainsi que par rapport \u00e0 SotoMod (p_ajust\u00e9 = .036). De surcro\u00eet, la mol\u00e9cule DopaStandard se d\u00e9marque significativement du Placebo (p_ajust\u00e9 = .024). En revanche, la diff\u00e9rence observ\u00e9e entre DopaStandard et ProlongEx n’atteint pas le seuil de significativit\u00e9 apr\u00e8s ajustement conservateur (p_ajust\u00e9 = .148). L’ensemble de ces profils est illustr\u00e9 \u00e0 la Figure 1. \u00bb<\/em><\/p>\n12.3 Garantie de reproductibilit\u00e9 avec R Markdown et Quarto<\/h3>\n
La crise contemporaine de la reproductibilit\u00e9 scientifique a conduit la communaut\u00e9 des chercheurs en sciences humaines \u00e0 r\u00e9viser en profondeur leurs cha\u00eenes de traitement statistique. La juxtaposition manuelle d’un logiciel de statistiques, d’un tableur interm\u00e9diaire et d’un traitement de texte bureautique constitue le vecteur principal d’erreurs mat\u00e9rielles, d’incoh\u00e9rences de signalement et de perte de tra\u00e7abilit\u00e9 des analyses.<\/p>\n
L’adoption des syst\u00e8mes de publication computationnelle reproductible tels que Quarto<\/a> et R Markdown r\u00e9sout d\u00e9finitivement cette fragilit\u00e9. En amalgamant au sein d’un document source unique le code ex\u00e9cutable R, la prose explicative et les appels directs aux variables dynamiques en ligne (inline R code<\/em>), l’exp\u00e9rimentateur s’assure que chaque chiffre figurant dans son manuscrit d\u00e9coule directement et sans m\u00e9diation de la base de donn\u00e9es brute.<\/p>\nPour sanctifier cette rigueur m\u00e9thodologique, plusieurs bonnes pratiques s’imposent :<\/p>\n
\n- Fixation explicite des graines al\u00e9atoires :<\/strong> Toute proc\u00e9dure computationnelle faisant intervenir un r\u00e9\u00e9chantillonnage stochastique (notamment le bootstrap pour les intervalles de confiance ou les tests de permutations de Monte Carlo) doit imp\u00e9rativement \u00eatre pr\u00e9c\u00e9d\u00e9e de la commande
set.seed()<\/code> afin de permettre la r\u00e9plication rigoureusement identique des r\u00e9sultats \u00e0 la d\u00e9cimale pr\u00e8s par les r\u00e9viseurs ;<\/li>\n