1. Introduction aux postulats de normalit\u00e9 en psychologie et au test de Jarque-Bera<\/h2>\n1.1 Le postulat de distribution normale en recherche psychologique<\/h3>\n
L’\u00e9difice de la psychologie inf\u00e9rentielle moderne a \u00e9t\u00e9 largement b\u00e2ti sur le mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral. Ce paradigme math\u00e9matique unifi\u00e9, englobant les tests t de Student, les mod\u00e8les d’analyse de variance univari\u00e9e et multivari\u00e9e (ANOVA\/MANOVA), ainsi que les r\u00e9gressions moindres carr\u00e9s ordinaires, postule explicitement que les variables d\u00e9pendantes continues ou les perturbations r\u00e9siduelles suivent une distribution normale dans la population parente. L’importance de la distribution gaussienne d\u00e9coule directement du th\u00e9or\u00e8me central limite<\/a>, qui stipule que la somme d’un grand nombre de variables al\u00e9atoires ind\u00e9pendantes et identiquement distribu\u00e9es converge asymptotiquement vers une loi normale. En vertu de ce principe fondamental, les psychologues ont longtemps pr\u00e9sum\u00e9 que les ph\u00e9notypes complexes, r\u00e9sultant de l’interaction additive d’innombrables d\u00e9terminants g\u00e9n\u00e9tiques et environnementaux, devaient s’incarner empiriquement sous la forme d’une courbe en cloche parfaite.<\/p>\n N\u00e9anmoins, la violation syst\u00e9matique de ce postulat engendre des cons\u00e9quences statistiques non n\u00e9gligeables sur la validit\u00e9 inf\u00e9rentielle des conclusions exp\u00e9rimentales. Lorsqu’une distribution s’\u00e9carte substantiellement de la normalit\u00e9, le taux d’erreur de type I, correspondant \u00e0 la probabilit\u00e9 de rejeter ind\u00fbment une hypoth\u00e8se nulle pourtant vraie, peut \u00eatre substantiellement alt\u00e9r\u00e9, exposant la communaut\u00e9 scientifique \u00e0 des d\u00e9couvertes faussement positives. Inversement, une d\u00e9formation structurelle des distributions peut d\u00e9grader drastiquement la puissance statistique des tests param\u00e9triques, conduisant \u00e0 une inflation du taux d’erreur de type II et \u00e0 l’incapacit\u00e9 de d\u00e9tecter des effets exp\u00e9rimentaux r\u00e9els. Les estimateurs des moindres carr\u00e9s cessent alors de jouir du statut d’estimateurs sans biais de variance minimale garanti par le th\u00e9or\u00e8me de Gauss-Markov.<\/p>\n Cette vuln\u00e9rabilit\u00e9 th\u00e9orique se heurte brutalement \u00e0 la r\u00e9alit\u00e9 concr\u00e8te des mesures psychologiques. Les variables latentes explor\u00e9es dans les laboratoires comportementaux, qu’il s’agisse de traits de personnalit\u00e9, d’aptitudes cognitives spatiales ou de manifestations psychopathologiques, sont saisies \u00e0 travers des instruments imparfaits. Les distributions empiriques observ\u00e9es s’av\u00e8rent tr\u00e8s fr\u00e9quemment tronqu\u00e9es, compress\u00e9es par des seuils de d\u00e9tection ou intrins\u00e8quement asym\u00e9triques. Avant d’engager toute mod\u00e9lisation statistique inf\u00e9rentielle, l’analyste se voit contraint de d\u00e9ployer des tests formels d’ad\u00e9quation de distribution afin de certifier que la structure probabiliste des donn\u00e9es collect\u00e9es tol\u00e8re l’application des proc\u00e9dures param\u00e9triques standards.<\/p>\n D\u00e9velopp\u00e9 initialement \u00e0 la fin des ann\u00e9es 1970 et formalis\u00e9 dans des publications princeps par les \u00e9conom\u00e8tres Carlos Jarque et Anil Bera au d\u00e9but des ann\u00e9es 1980, le test de Jarque-Bera est n\u00e9 du besoin de disposer d’un diagnostic d’ad\u00e9quation omnibus sp\u00e9cifiquement articul\u00e9 autour des perturbations r\u00e9siduelles des mod\u00e8les de r\u00e9gression et des s\u00e9ries temporelles complexes. Alors que l’\u00e9conom\u00e9trie financi\u00e8re cherchait \u00e0 mod\u00e9liser la volatilit\u00e9 des march\u00e9s boursiers face \u00e0 des distributions leptokurtiques notoires, la formulation de Jarque et Bera a apport\u00e9 une r\u00e9ponse analytique \u00e9l\u00e9gante en fondant son m\u00e9canisme de d\u00e9cision exclusivement sur les troisi\u00e8me et quatri\u00e8me moments centr\u00e9s standardis\u00e9s de la distribution empirique.<\/p>\n Au fil des d\u00e9cennies, cette m\u00e9thodologie s’est progressivement diffus\u00e9e hors de sa sph\u00e8re d’origine pour investir les sciences comportementales, la psychiatrie biologique et les neurosciences quantitatives. Dans les protocoles de neuro-imagerie fonctionnelle ou d’\u00e9lectroenc\u00e9phalographie quantitative, o\u00f9 les chercheurs manipulent des signaux continus caract\u00e9ris\u00e9s par des s\u00e9ries chronologiques complexes et des matrices massives de connectivit\u00e9, le recours \u00e0 une m\u00e9trique d’ad\u00e9quation combinant asym\u00e9trie et aplatissement s’est av\u00e9r\u00e9 particuli\u00e8rement pertinent. Cette approche permet de d\u00e9tecter si les bruits physiologiques ou les r\u00e9ponses h\u00e9modynamiques s’\u00e9cartent de la structure gaussienne postul\u00e9e par les mod\u00e8les lin\u00e9aires g\u00e9n\u00e9ralis\u00e9s appliqu\u00e9s \u00e0 l’analyse spatio-temporelle du signal c\u00e9r\u00e9bral.<\/p>\n Dans le paysage des tests de normalit\u00e9, le test de Jarque-Bera occupe une position singuli\u00e8re face aux proc\u00e9dures concurrentes telles que le test de Shapiro-Wilk ou le test de Kolmogorov-Smirnov. Tandis que le test de Kolmogorov-Smirnov souffre d’un manque criant de puissance statistique d\u00e8s lors que les param\u00e8tres de moyenne et de variance de la population parente doivent \u00eatre estim\u00e9s \u00e0 partir de l’\u00e9chantillon lui-m\u00eame, et que le test de Shapiro-Wilk devient hypersensible aux distorsions infinit\u00e9simales au sein des cohortes volumineuses, le test de Jarque-Bera tire sa force de son statut de test asymptotique fond\u00e9 sur le principe du multiplicateur de Lagrange. Il offre ainsi un avantage m\u00e9thodologique remarquable pour l’analyse des grands \u00e9chantillons de donn\u00e9es comportementales issues de passations massives sur Internet.<\/p>\n L’objectif central de ce guide est de fournir une feuille de route op\u00e9ratoire, rigoureuse et enti\u00e8rement reproductible pour l’ex\u00e9cution et l’interpr\u00e9tation du test de Jarque-Bera au sein de l’environnement de programmation R. Ce langage, devenu le standard international de fait en mod\u00e9lisation computationnelle pour la psychologie, offre des capacit\u00e9s analytiques exceptionnelles mais requiert une ma\u00eetrise m\u00e9thodologique solide pour \u00e9viter les \u00e9cueils interpr\u00e9tatifs classiques. Nous nous attacherons \u00e0 d\u00e9passer la simple ex\u00e9cution m\u00e9canique de commandes pour d\u00e9composer minutieusement l’ensemble des \u00e9l\u00e9ments conceptuels sous-jacents aux sorties logicielles fournies par les diff\u00e9rentes biblioth\u00e8ques sp\u00e9cialis\u00e9es.<\/p>\n La compr\u00e9hension approfondie des objets statistiques manipul\u00e9s constitue une comp\u00e9tence indispensable pour tout chercheur en psychologie moderne. Il ne s’agit pas uniquement de juger de la conformit\u00e9 d’une s\u00e9rie de donn\u00e9es au prisme d’une p-valeur dichotomique, mais bien d’analyser la morphologie distributionnelle sous-jacente en articulant la statistique du test avec les m\u00e9triques d’asym\u00e9trie et de voussure. Ce d\u00e9cryptage pas \u00e0 pas permet d’identifier l’origine exacte du rejet \u00e9ventuel de l’hypoth\u00e8se de normalit\u00e9 et d’orienter rationnellement les d\u00e9cisions m\u00e9thodologiques subs\u00e9quentes, qu’il s’agisse de transformer l’\u00e9chelle de mesure ou d’opter pour des estimateurs non param\u00e9triques robustes.<\/p>\n Enfin, ce document s’inscrit r\u00e9solument dans la d\u00e9marche d’Open Science<\/a> et de reproductibilit\u00e9 computationnelle. En adoptant les meilleures pratiques de codage, de gestion des donn\u00e9es manquantes, de manipulation des formats de donn\u00e9es psychom\u00e9triques standards et d’int\u00e9gration au sein de flux de travail script\u00e9s en R Markdown, le lecteur disposera d’un arsenal m\u00e9thodologique complet r\u00e9pondant aux exigences \u00e9ditoriales contemporaines les plus s\u00e9v\u00e8res de la discipline.<\/p>\n L’architecture math\u00e9matique du test de Jarque-Bera repose sur l’\u00e9valuation simultan\u00e9e de deux propri\u00e9t\u00e9s g\u00e9om\u00e9triques fondamentales d’une distribution : son asym\u00e9trie et son aplatissement. D’un point de vue analytique, la statistique de test classique s’exprime au moyen de l’\u00e9quation suivante :<\/p>\n JB = [(n – k + 1) \/ 6] * [S^2 + (0.25 * (C – 3)^2)]<\/em><\/p>\n Dans cette formalisation g\u00e9n\u00e9rale, le param\u00e8tre n<\/em> symbolise l’effectif total de l’\u00e9chantillon d’observations, tandis que le terme k<\/em> repr\u00e9sente le nombre de r\u00e9gresseurs ou de param\u00e8tres explicatifs estim\u00e9s en amont lorsque le test est appliqu\u00e9 aux r\u00e9sidus d’une r\u00e9gression lin\u00e9aire. Dans la situation canonique o\u00f9 le test est mis en \u0153uvre sur une variable univari\u00e9e brute isol\u00e9e sans structure de r\u00e9gression pr\u00e9alable, la valeur de k<\/em> est fix\u00e9e \u00e0 l’unit\u00e9, ce qui simplifie le coefficient d’\u00e9chelle en n \/ 6<\/em>. Le param\u00e8tre S<\/em> d\u00e9signe le coefficient d’asym\u00e9trie empirique de l’\u00e9chantillon, et C<\/em> repr\u00e9sente le coefficient d’aplatissement empirique non centr\u00e9.<\/p>\n L’examen de cette formule met en lumi\u00e8re le m\u00e9canisme de pond\u00e9ration quadratique inh\u00e9rent au test. L’asym\u00e9trie intervient sous la forme de son carr\u00e9, S^2<\/em>, garantissant que toute d\u00e9viation, qu’elle soit positive ou n\u00e9gative, contribue additivement \u00e0 l’accroissement de la statistique globale. De mani\u00e8re analogue, l’\u00e9cart entre le coefficient d’aplatissement observ\u00e9 et la valeur th\u00e9orique de la loi normale (qui vaut exactement 3) est \u00e9lev\u00e9 au carr\u00e9, (C – 3)^2<\/em>, puis pond\u00e9r\u00e9 par un facteur de 0.25. Cette pond\u00e9ration relative refl\u00e8te directement le rapport des variances asymptotiques respectives des estimateurs des moments d’ordre 3 et d’ordre 4 sous l’hypoth\u00e8se nulle de normalit\u00e9. Lorsque la distribution sous-jacente est parfaitement gaussienne, les param\u00e8tres S<\/em> et (C – 3)<\/em> tendent conjointement vers z\u00e9ro, conduisant la statistique globale JB<\/em> \u00e0 osciller \u00e0 proximit\u00e9 imm\u00e9diate de la valeur nulle.<\/p>\n La puissance d’application du test de Jarque-Bera d\u00e9coule directement de son comportement limite lorsque la taille de l’\u00e9chantillon tend vers l’infini. Sous l’hypoth\u00e8se nulle selon laquelle les donn\u00e9es sont issues d’un processus g\u00e9n\u00e9rateur gaussien ind\u00e9pendant et identiquement distribu\u00e9, les estimateurs standardis\u00e9s des moments d’ordre 3 et 4 convergent vers des distributions normales asymptotiques ind\u00e9pendantes. De mani\u00e8re pr\u00e9cise, la quantit\u00e9 racine de n<\/em> multipli\u00e9e par l’asym\u00e9trie S<\/em> converge vers une loi normale centr\u00e9e de variance 6, tandis que la quantit\u00e9 racine de n<\/em> multipli\u00e9e par l’exc\u00e8s de kurtosis (C – 3)<\/em> converge vers une loi normale centr\u00e9e de variance 24.<\/p>\n En cons\u00e9quence, lorsque l’on \u00e9l\u00e8ve au carr\u00e9 ces deux quantit\u00e9s normalis\u00e9es par leurs variances asymptotiques respectives, on obtient deux variables al\u00e9atoires qui convergent individuellement vers des distributions du Chi-deux \u00e0 un degr\u00e9 de libert\u00e9. En vertu du principe de s\u00e9parabilit\u00e9 asymptotique \u00e9tabli par Jarque et Bera, l’asym\u00e9trie et l’aplatissement sont asymptotiquement non corr\u00e9l\u00e9s sous l’hypoth\u00e8se de normalit\u00e9 gaussienne. La somme de deux variables ind\u00e9pendantes suivant une loi du Chi-deux \u00e0 un degr\u00e9 de libert\u00e9 ob\u00e9it rigoureusement \u00e0 une loi du Chi-deux \u00e0 deux degr\u00e9s de libert\u00e9. La statistique de test suit donc asymptotiquement l’expression :<\/p>\n JB ~ Chi-deux(df = 2)<\/em><\/p>\n Toutefois, cette convergence stochastique impose des contraintes m\u00e9thodologiques imp\u00e9ratives quant \u00e0 l’interpr\u00e9tation des r\u00e9sultats sur des donn\u00e9es empiriques restreintes. Sur de tr\u00e8s petits effectifs exp\u00e9rimentaux, typiquement lorsque n<\/em> est inf\u00e9rieur \u00e0 30 ou 40 participants, l’approximation asymptotique par la loi du Chi-deux tend \u00e0 devenir m\u00e9diocre. Dans cette configuration d’\u00e9chantillonnage r\u00e9duit, la distribution r\u00e9elle de la statistique JB sous l’hypoth\u00e8se nulle pr\u00e9sente des queues plus lourdes que la loi th\u00e9orique du Chi-deux, ce qui tend \u00e0 alt\u00e9rer le niveau de signification nominal et justifie l’emploi de corrections d’\u00e9chantillon fini que nous aborderons ult\u00e9rieurement.<\/p>\n Le coefficient d’asym\u00e9trie, couramment d\u00e9sign\u00e9 sous le terme anglo-saxon de skewness<\/a>, correspond au troisi\u00e8me moment centr\u00e9 standardis\u00e9 d’une distribution statistique. Math\u00e9matiquement, pour un \u00e9chantillon de taille n<\/em>, il s’exprime comme l’esp\u00e9rance math\u00e9matique des d\u00e9viations \u00e0 la moyenne \u00e9lev\u00e9es \u00e0 la puissance trois, divis\u00e9e par le cube de l’\u00e9cart-type empirique. Cette grandeur adimensionnelle quantifie le degr\u00e9 d’asym\u00e9trie de la densit\u00e9 de probabilit\u00e9 autour de son esp\u00e9rance. Une distribution rigoureusement sym\u00e9trique pr\u00e9sente un coefficient S<\/em> \u00e9gal \u00e0 z\u00e9ro, signifiant que les observations se r\u00e9partissent de mani\u00e8re \u00e9quilibr\u00e9e de part et d’autre de la moyenne, de la m\u00e9diane et du mode qui se trouvent alors parfaitement confondus.<\/p>\n Dans l’investigation empirique en psychologie, l’asym\u00e9trie positive, caract\u00e9ris\u00e9e par une longue queue de distribution s’\u00e9tirant vers les valeurs \u00e9lev\u00e9es sur la droite de l’abscisse, constitue un ph\u00e9nom\u00e8ne ubiquitaire. Le cas d’\u00e9cole le plus pr\u00e9gnant s’incarne dans les mesures chronom\u00e9triques de temps de r\u00e9action au sein des t\u00e2ches cognitives informatis\u00e9es. Les participants ne pouvant physiologiquement pas r\u00e9pondre en de\u00e7\u00e0 d’un seuil incompressible de traitement moteur et sensoriel (souvent situ\u00e9 autour de 150 \u00e0 200 millisecondes), la distribution des latences se heurte \u00e0 une fronti\u00e8re physique \u00e0 gauche, tandis que les lapses attentionnels occasionnels g\u00e9n\u00e8rent une dispersion \u00e9tendue vers les temps tr\u00e8s longs. De la m\u00eame mani\u00e8re, les scores obtenus \u00e0 des inventaires \u00e9valuant des pathologies au sein de la population g\u00e9n\u00e9rale, tels que le questionnaire de d\u00e9pression de Beck ou l’\u00e9chelle PHQ-9, manifestent une asym\u00e9trie positive massive : la vaste majorit\u00e9 des individus asymptomatiques s’agglom\u00e8re autour des scores nuls ou minimes, tandis qu’une minorit\u00e9 clinique \u00e9tire la tra\u00eene droite de la distribution.<\/p>\n \u00c0 l’inverse, l’asym\u00e9trie n\u00e9gative se manifeste de fa\u00e7on r\u00e9currente dans les \u00e9preuves cognitives ou acad\u00e9miques sujettes \u00e0 un effet de plafonnement. Lorsque les items propos\u00e9s s’av\u00e8rent d’une facilit\u00e9 excessive au regard des comp\u00e9tences de la cohorte \u00e9tudi\u00e9e, une proportion dominante de sujets atteint le score maximal autoris\u00e9, engendrant une concentration de donn\u00e9es \u00e0 droite et une queue s’\u00e9tirant vers les performances d\u00e9ficitaires \u00e0 gauche. Toute d\u00e9viation du coefficient S<\/em> par rapport \u00e0 la valeur nulle se traduisant par un terme S^2<\/em> strictement positif dans l’\u00e9quation de Jarque-Bera, cette distorsion morphologique contribue directement et m\u00e9caniquement au gonflement de la statistique globale du test.<\/p>\n Le coefficient d’aplatissement, ou kurtosis<\/a>, correspond au quatri\u00e8me moment centr\u00e9 standardis\u00e9 d’une distribution. Il se formalise par l’esp\u00e9rance math\u00e9matique des d\u00e9viations \u00e0 la moyenne \u00e9lev\u00e9es \u00e0 la quatri\u00e8me puissance, normalis\u00e9e par le carr\u00e9 de la variance empirique. Il convient de distinguer scrupuleusement le kurtosis brut, dont la valeur th\u00e9orique s’\u00e9l\u00e8ve exactement \u00e0 3 pour une distribution normale gaussienne, de l’exc\u00e8s de kurtosis, calcul\u00e9 en soustrayant 3 au kurtosis brut pour caler le point d’ancrage de la normalit\u00e9 sur z\u00e9ro. L’aplatissement mesure fondamentalement la propension d’une distribution \u00e0 concentrer sa masse de probabilit\u00e9 soit dans ses queues extr\u00eames, soit autour de son centre, r\u00e9gissant directement la fr\u00e9quence des valeurs aberrantes ou extr\u00eames.<\/p>\n Une distribution caract\u00e9ris\u00e9e par un coefficient d’aplatissement sup\u00e9rieur \u00e0 3 est dite leptokurtique. Dans la recherche comportementale, les profils leptokurtiques se traduisent par une pointe centrale tr\u00e8s aigu\u00eb accompagn\u00e9e de queues de distribution \u00e9paisses et lourdes. Ce profil est typique des \u00e9preuves de vigilance continue ou d’impulsivit\u00e9 motrice, au sein desquelles la majorit\u00e9 des r\u00e9ponses gravite avec une extr\u00eame constance autour de la m\u00e9diane, mais o\u00f9 des \u00e9v\u00e9nements transitoires extr\u00eames (distractions massives, erreurs impulsives flagrantes) peuplent les extr\u00e9mit\u00e9s avec une fr\u00e9quence bien plus importante que ce que ne pr\u00e9dit la loi normale. L’\u00e9l\u00e9vation \u00e0 la puissance 4 dans le calcul du kurtosis conf\u00e8re \u00e0 ces observations distales un poids consid\u00e9rable dans le diagnostic statistique.<\/p>\n \u00c0 l’oppos\u00e9, une distribution platykurtique pr\u00e9sente un coefficient d’aplatissement inf\u00e9rieur \u00e0 3, se traduisant par un profil \u00e9cras\u00e9 et des queues de distribution all\u00e9g\u00e9es. En psychom\u00e9trie, cette morphologie \u00e9merge fr\u00e9quemment lorsque des r\u00e9pondants utilisent des \u00e9chelles de Likert d’une mani\u00e8re uniform\u00e9ment distribu\u00e9e ou polaris\u00e9e, sans propension marqu\u00e9e \u00e0 favoriser la modalit\u00e9 neutre centrale. Dans le calcul du test de Jarque-Bera, l’\u00e9cart d’aplatissement est \u00e9valu\u00e9 \u00e0 travers le terme quadratique (C – 3)^2<\/em>. Par cons\u00e9quent, qu’une distribution p\u00e8che par exc\u00e8s ou par d\u00e9faut d’\u00e9paisseur de queue, cette non-conformit\u00e9 par rapport au profil gaussien vient alimenter la valeur de la statistique JB avec une intensit\u00e9 proportionnelle \u00e0 l’amplitude de l’\u00e9cart au carr\u00e9.<\/p>\n La mise en \u0153uvre formelle du test de Jarque-Bera s’articule autour d’un syst\u00e8me d’hypoth\u00e8ses statistiques embo\u00eet\u00e9es sans ambigu\u00eft\u00e9. L’hypoth\u00e8se nulle, not\u00e9e conventionnellement H0<\/em>, postule que les observations observ\u00e9es sont issues d’une population parente dont la distribution sous-jacente est rigoureusement conforme \u00e0 une loi normale. En termes param\u00e9triques restreints, cela \u00e9quivaut \u00e0 formuler une hypoth\u00e8se conjointe stipulant la nullit\u00e9 simultan\u00e9e de l’asym\u00e9trie et de l’exc\u00e8s d’aplatissement :<\/p>\n H0 : S = 0 et C – 3 = 0<\/em><\/p>\n \u00c0 cette formulation correspond une hypoth\u00e8se alternative, not\u00e9e H1<\/em>, qui traduit la n\u00e9gation de cette conjonction de crit\u00e8res. L’hypoth\u00e8se alternative affirme ainsi que la distribution parente s’\u00e9carte de la loi normale, soit en raison d’une asym\u00e9trie non nulle, soit en raison d’un exc\u00e8s de kurtosis non nul, soit sous l’effet combin\u00e9 de ces deux distorsions morphologiques simultan\u00e9es :<\/p>\n H1 : S \u2260 0 ou C – 3 \u2260 0 (ou les deux)<\/em><\/p>\n Il est primordial pour le chercheur de saisir la nature intrins\u00e8quement omnibus du test de Jarque-Bera. Le rejet de l’hypoth\u00e8se nulle atteste irr\u00e9futablement de la non-ad\u00e9quation de la distribution empirique \u00e0 la loi normale univari\u00e9e. En revanche, en raison de la nature sommative de l’\u00e9quation statistique qui agglom\u00e8re l’asym\u00e9trie et l’aplatissement au sein d’une m\u00e9trique unique, la statistique de test ne permet pas, \u00e0 elle seule, de d\u00e9signer quelle composante g\u00e9om\u00e9trique est responsable de l’infraction. Une distribution peut parfaitement afficher une sym\u00e9trie irr\u00e9prochable mais \u00eatre lourdement leptokurtique, ou afficher un aplatissement conventionnel de 3 tout en pr\u00e9sentant une asym\u00e9trie aigu\u00eb, et g\u00e9n\u00e9rer dans les deux cas un rejet massif de l’hypoth\u00e8se nulle. Cette sp\u00e9cificit\u00e9 impose imp\u00e9rativement \u00e0 l’analyste de diss\u00e9quer syst\u00e9matiquement les valeurs num\u00e9riques isol\u00e9es de S<\/em> et de C<\/em> en amont de toute prise de d\u00e9cision.<\/p>\n La r\u00e8gle de d\u00e9cision statistique repose sur la comparaison de la statistique calcul\u00e9e JB<\/em> avec une valeur critique issue de la table de distribution du Chi-deux \u00e0 deux degr\u00e9s de libert\u00e9, pour un seuil de signification fix\u00e9 alpha<\/em>. Dans la pratique conventionnelle de la psychologie empirique, le seuil de signification est traditionnellement arr\u00eat\u00e9 \u00e0 0.05, ce qui correspond \u00e0 une valeur critique seuil d’environ 5.991. Si la valeur observ\u00e9e de la statistique JB exc\u00e8de ce seuil critique, ou de fa\u00e7on parfaitement \u00e9quivalente si la p-valeur associ\u00e9e est inf\u00e9rieure \u00e0 0.05, l’exp\u00e9rimentateur se voit contraint de rejeter formellement l’hypoth\u00e8se nulle au profit de l’hypoth\u00e8se alternative.<\/p>\n N\u00e9anmoins, la gestion des risques statistiques associ\u00e9s \u00e0 cette proc\u00e9dure requiert une grande lucidit\u00e9 m\u00e9thodologique face aux \u00e9volutions des protocoles de recueil de donn\u00e9es. L’erreur de type I consiste ici \u00e0 rejeter l’hypoth\u00e8se de normalit\u00e9 alors que la population \u00e9tudi\u00e9e est authentiquement gaussienne. Dans les contextes exp\u00e9rimentaux contemporains mobilisant des cohortes massives de plusieurs milliers de participants recrut\u00e9s en ligne, le test de Jarque-Bera acquiert une puissance statistique vertigineuse. Dans ces conditions, des d\u00e9viations morphologiques infimes, d\u00e9pourvues de la moindre incidence pratique sur le comportement des mod\u00e8les de r\u00e9gression ult\u00e9rieurs, produiront syst\u00e9matiquement des p-valeurs infinit\u00e9simales conduisant au rejet de H0<\/em>.<\/p>\n \u00c0 l’inverse, l’erreur de type II s’av\u00e8re particuli\u00e8rement insidieuse dans le cadre de recherches pilotes ou exploratoires caract\u00e9ris\u00e9es par des effectifs restreints (typiquement des groupes cliniques rares comptant 15 \u00e0 25 sujets). En pr\u00e9sence d’un faible \u00e9chantillon, la puissance du test de Jarque-Bera s’effondre de mani\u00e8re drastique. Le chercheur court alors le risque majeur d’\u00e9chouer \u00e0 rejeter l’hypoth\u00e8se nulle, non point en vertu d’une v\u00e9ritable conformit\u00e9 gaussienne des observations, mais par simple incapacit\u00e9 de l’appareil statistique \u00e0 d\u00e9celer des asym\u00e9tries pourtant marqu\u00e9es. Ce dilemme souligne la n\u00e9cessit\u00e9 de moduler le niveau de s\u00e9v\u00e9rit\u00e9 alpha et de ne jamais confiner le diagnostic statistique \u00e0 la lecture isol\u00e9e d’un indice probabiliste.<\/p>\n Pour ex\u00e9cuter le test d’ad\u00e9quation de Jarque-Bera dans l’\u00e9cosyst\u00e8me R de fa\u00e7on rigoureuse, la solution la plus largement r\u00e9pandue et valid\u00e9e par la communaut\u00e9 scientifique consiste \u00e0 exploiter la biblioth\u00e8que tseries<\/em>. Con\u00e7ue initialement pour l’analyse computationnelle des s\u00e9ries temporelles et de l’\u00e9conom\u00e9trie financi\u00e8re, cette extension offre une impl\u00e9mentation native particuli\u00e8rement robuste du test \u00e0 travers la fonction d\u00e9di\u00e9e jarque.bera.test<\/em>. Afin de garantir l’interop\u00e9rabilit\u00e9 et la p\u00e9rennit\u00e9 du code au sein des protocoles reproductibles, l’installation de ce paquetage doit \u00eatre g\u00e9r\u00e9e de mani\u00e8re conditionnelle dans vos scripts d’analyse.<\/p>\n Une bonne pratique de d\u00e9veloppement statistique consiste \u00e0 v\u00e9rifier pr\u00e9alablement la pr\u00e9sence de la biblioth\u00e8que dans l’environnement local de la machine avant d’ordonner son t\u00e9l\u00e9chargement depuis les d\u00e9p\u00f4ts officiels du r\u00e9seau CRAN. La commande conditionnelle standard s’articule autour de la fonction requireNamespace<\/em> ou de l’\u00e9valuation logique de installed.packages<\/em>. D\u00e8s lors que l’extension est install\u00e9e, son int\u00e9gration au sein de la session courante s’op\u00e8re classiquement via l’instruction library(tseries)<\/em>. Cette d\u00e9marche pr\u00e9vient l’interruption inopin\u00e9e de l’ex\u00e9cution d’un script complet lors du d\u00e9ploiement de l’analyse sur une infrastructure serveur distante ou sur les ordinateurs d’un comit\u00e9 d’\u00e9valuation scientifique.<\/p>\n La fonction ma\u00eetresse jarque.bera.test<\/em> prend en entr\u00e9e principale un vecteur num\u00e9rique unidimensionnel repr\u00e9sentant la variable comportementale ou psychom\u00e9trique \u00e0 expertiser. Il est important de souligner que cette fonction a \u00e9t\u00e9 programm\u00e9e pour traiter nativement les objets de classe vectorielle continue et applique d’autorit\u00e9 le calcul classique de la statistique JB standard. Dans le cadre de l’int\u00e9gration dans des documents R Markdown, l’analyste veillera \u00e0 configurer les options d’en-t\u00eate du bloc d’instructions de mani\u00e8re \u00e0 consigner scrupuleusement la version exacte de la biblioth\u00e8que employ\u00e9e, pr\u00e9venant ainsi toute d\u00e9rive de reproductibilit\u00e9 computationnelle.<\/p>\n L’application d’un test d’ad\u00e9quation statistique exige un protocole pr\u00e9alable de pr\u00e9paration des donn\u00e9es empiriques particuli\u00e8rement rigoureux. Dans les laboratoires de psychologie, les donn\u00e9es brutes proviennent g\u00e9n\u00e9ralement de plateformes d’exp\u00e9rimentation en ligne sous la forme de fichiers tabulaires d\u00e9limit\u00e9s (fichiers CSV), de sauvegardes natives issues de progiciels propri\u00e9taires d’analyses statistiques (formats SAV issus de SPSS), ou de formats s\u00e9rialis\u00e9s sp\u00e9cifiques \u00e0 l’environnement R (fichiers RDS). L’importation doit s’appuyer sur des biblioth\u00e8ques hautement optimis\u00e9es et pr\u00e9visibles telles que readr<\/em> pour les flux d\u00e9limit\u00e9s ou haven<\/em> pour les fichiers issus de SPSS.<\/p>\n Une fois les structures tabulaires charg\u00e9es au sein d’une structure de donn\u00e9es (data.frame ou tibble), la v\u00e9rification du typage des variables repr\u00e9sente un passage obligatoire. La fonction jarque.bera.test<\/em> refuse cat\u00e9goriquement d’op\u00e9rer sur des vecteurs de cha\u00eenes de caract\u00e8res ou des facteurs discrets. L’analyste doit s’assurer formellement que la variable d’int\u00e9r\u00eat est strictement typ\u00e9e sous une nature num\u00e9rique continue. Cette v\u00e9rification s’op\u00e8re classiquement \u00e0 l’aide des primitives logicielles d’interrogation du type is.numeric<\/em>, assorties si n\u00e9cessaire de coercitions contr\u00f4l\u00e9es au moyen de l’instruction as.numeric<\/em>, en prenant garde \u00e0 ne pas introduire de distorsions accidentelles lors de la conversion d’\u00e9chelles qualitatives ordinales.<\/p>\n Le second enjeu fondamental r\u00e9side dans le traitement des observations manquantes, d\u00e9sign\u00e9es sous le symbole g\u00e9n\u00e9rique NA<\/em> dans R. Dans les passations de tests psychom\u00e9triques longs, l’omission de r\u00e9ponses par n\u00e9gligence ou lassitude constitue un fait routinier. La fonction jarque.bera.test<\/em> ne proc\u00e8de pas \u00e0 une imputation magique : la pr\u00e9sence d’une valeur manquante ou d’une valeur infinie non r\u00e9solue au sein du vecteur fourni se soldera in\u00e9vitablement par un message d’erreur ou par la production d’une statistique ind\u00e9termin\u00e9e. Il incombe donc au chercheur de statuer m\u00e9thodologiquement sur ce point en recourant \u00e0 une extraction s\u00e9curis\u00e9e via la fonction na.omit<\/em>, ou en justifiant l’application d’un algorithme formel d’imputation multiple si la structure des donn\u00e9es manquantes ne rel\u00e8ve pas d’un m\u00e9canisme al\u00e9atoire pur.<\/p>\n Pour appr\u00e9hender le comportement empirique du test de Jarque-Bera sous des conditions de validit\u00e9 th\u00e9orique absolue, la m\u00e9thode la plus didactique consiste \u00e0 g\u00e9n\u00e9rer par simulation stochastique un \u00e9chantillon artificiel rigoureusement conforme \u00e0 la loi normale. L’environnement R dispose d’un g\u00e9n\u00e9rateur de nombres pseudo-al\u00e9atoires de classe mondiale au travers de sa fonction primitive rnorm<\/em>. Dans le but imp\u00e9ratif d’assurer la stricte reproductibilit\u00e9 de la d\u00e9monstration, il convient de figer au pr\u00e9alable l’\u00e9tat initial du g\u00e9n\u00e9rateur algorithmique en invoquant l’instruction set.seed<\/em> assortie d’une constante arbitraire.<\/p>\n Consid\u00e9rons la simulation d’un \u00e9chantillon fictif de 100 observations issues d’une population normale pr\u00e9sentant une moyenne th\u00e9orique fix\u00e9e \u00e0 50 et un \u00e9cart-type de 10, ce qui correspond classiquement \u00e0 l’\u00e9talonnage de scores T en psychom\u00e9trie standardis\u00e9e. L’instruction R correspondante s’articule ainsi : donnees_normales <- rnorm(n = 100, mean = 50, sd = 10)<\/em>. Une fois ce vecteur num\u00e9rique allou\u00e9 en m\u00e9moire vive, l’ex\u00e9cution du test d’ad\u00e9quation s’effectue simplement en adressant l’objet \u00e0 la fonction d\u00e9di\u00e9e issue de la biblioth\u00e8que pr\u00e9alablement charg\u00e9e : resultat_jb <- jarque.bera.test(donnees_normales)<\/em>.<\/p>\n L’affichage dans la console standard R r\u00e9v\u00e8le une structure de sortie textuelle normalis\u00e9e. Les deux premi\u00e8res lignes identifient la nature de la proc\u00e9dure computationnelle ex\u00e9cut\u00e9e : \u00ab Jarque Bera Test \u00bb. La ligne suivante indique le nom de la variable vectorielle soumise \u00e0 l’expertise. Le c\u0153ur du diagnostic statistique se d\u00e9voile imm\u00e9diatement sous la forme d’un alignement de trois grandeurs num\u00e9riques cl\u00e9s : la valeur calcul\u00e9e de la statistique de test \u00e9tiquet\u00e9e \u00ab X-squared \u00bb, le nombre de degr\u00e9s de libert\u00e9 associ\u00e9 not\u00e9 \u00ab df \u00bb (qui s’\u00e9l\u00e8ve invariablement \u00e0 2 pour cette sp\u00e9cification univari\u00e9e classique), et enfin la \u00ab p-value \u00bb asymptotique d\u00e9duite de la fonction de r\u00e9partition de la loi du Chi-deux. Pour un \u00e9chantillon gaussien simul\u00e9 de cette taille, la valeur X-squared oscille g\u00e9n\u00e9ralement autour de valeurs faibles (inf\u00e9rieures \u00e0 2), g\u00e9n\u00e9rant une p-valeur tr\u00e8s largement sup\u00e9rieure au seuil d’exclusion de 0.05, confirmant formellement la non-violation de l’hypoth\u00e8se nulle.<\/p>\n Afin de mettre en exergue la r\u00e9activit\u00e9 imm\u00e9diate de la statistique de Jarque-Bera face \u00e0 une infraction morphologique caract\u00e9ris\u00e9e, examinons \u00e0 pr\u00e9sent le comportement du test face \u00e0 une variable fortement asym\u00e9trique. Dans les protocoles exp\u00e9rimentaux de psychologie cognitive, les donn\u00e9es chronom\u00e9triques brutes ne se conforment jamais \u00e0 un sch\u00e9ma gaussien sym\u00e9trique mais \u00e9pousent typiquement une distribution log-normale ou une loi gamma. Nous pouvons ais\u00e9ment simuler une telle structure de temps de r\u00e9action en faisant appel \u00e0 la fonction rlnorm<\/em>, en g\u00e9n\u00e9rant par exemple 100 observations avec un param\u00e8tre d’\u00e9chelle log-moyenne de 3 et une log-variance de 0.5 : temps_reaction <- rlnorm(n = 100, meanlog = 3, sdlog = 0.5)<\/em>.<\/p>\n L’application de la commande jarque.bera.test(temps_reaction)<\/em> sur ce vecteur empirique produit une modification spectaculaire de la sortie logicielle. En raison de l’\u00e9tirement prononc\u00e9 de la distribution vers les valeurs de latence \u00e9lev\u00e9es, le coefficient d’asym\u00e9trie empirique s’\u00e9carte radicalement de z\u00e9ro, tandis que la concentration des r\u00e9ponses rapides conjugu\u00e9e aux quelques observations tardives induit un exc\u00e8s d’aplatissement marqu\u00e9. Dans l’\u00e9quation de test, ces \u00e9carts g\u00e9om\u00e9triques sont \u00e9lev\u00e9s \u00e0 la puissance deux et amplifi\u00e9s par le coefficient d’\u00e9chantillonnage.<\/p>\n Il en r\u00e9sulte une statistique de test \u00ab X-squared \u00bb qui atteint fr\u00e9quemment des valeurs consid\u00e9rables, souvent comprises entre 25 et plus d’une centaine d’unit\u00e9s selon les tirages d’\u00e9chantillonnage. En miroir de cette explosion de la valeur de test, la p-valeur affich\u00e9e plonge bien en de\u00e7\u00e0 des seuils conventionnels les plus restrictifs, s’exprimant sous forme de notation scientifique (par exemple p-value < 2.2e-16<\/em>). La comparaison directe de ces deux exp\u00e9rimentations num\u00e9riques illustre avec nettet\u00e9 la sensibilit\u00e9 discriminante de la statistique de Jarque-Bera : l\u00e0 o\u00f9 l’\u00e9chantillon gaussien laissait l’hypoth\u00e8se H0<\/em> intacte, la moindre d\u00e9formation structurelle entra\u00eene une r\u00e9cusation univoque et cat\u00e9gorique du postulat de normalit\u00e9.<\/p>\n Dans le cadre d’analyses de donn\u00e9es psychologiques avanc\u00e9es, les praticiens ne peuvent se satisfaire d’une simple lecture manuelle et isol\u00e9e des sorties textuelles dans la console. L’automatisation des diagnostics, l’ex\u00e9cution d’analyses de sensibilit\u00e9 en boucle sur des dizaines d’\u00e9chelles psychom\u00e9triques ou la construction de tableaux r\u00e9capitulatifs automatis\u00e9s exigent d’extraire de mani\u00e8re dynamique et programmatique les grandeurs num\u00e9riques encapsul\u00e9es au sein de l’objet produit par l’interpr\u00e9teur R.<\/p>\n L’appel de la commande jarque.bera.test<\/em> retourne un objet complexe appartenant \u00e0 la classe g\u00e9n\u00e9rique htest<\/em> (abr\u00e9viation standardis\u00e9e d\u00e9signant les objets d’hypoth\u00e8ses de tests statistiques en langage R). Cette structure interne, assimilable \u00e0 une liste nomm\u00e9e d’attributs math\u00e9matiques, peut \u00eatre explor\u00e9e au moyen de la fonction native names<\/em> ou str<\/em>. L’acc\u00e8s aux attributs cardinaux s’op\u00e8re de mani\u00e8re directe et transparente au moyen de l’op\u00e9rateur dollar $<\/em> :<\/p>\n La ma\u00eetrise de cette architecture objet offre une fluidit\u00e9 op\u00e9rationnelle incomparable. L’analyste est en mesure de concevoir des fonctions personnalis\u00e9es capables d’it\u00e9rer l’\u00e9valuation de la normalit\u00e9 sur l’ensemble des colonnes continues d’une base de donn\u00e9es complexe, de filtrer dynamiquement les indices litigieux et d’exporter des comptes rendus synth\u00e9tiques conformes aux attentes d’un pipeline de traitement reproductible moderne.<\/p>\n Bien que l’extension tseries<\/em> repr\u00e9sente la r\u00e9f\u00e9rence pratique conventionnelle, la bo\u00eete \u00e0 outils statistique R dispose d’autres biblioth\u00e8ques sp\u00e9cialis\u00e9es offrant une transparence th\u00e9orique accrue quant au calcul d\u00e9taill\u00e9 des moments g\u00e9om\u00e9triques. Au premier rang de celles-ci figure le paquetage moments<\/em>, d\u00e9velopp\u00e9 par Lukasz Komsta et Frederick Novomestky. Cette biblioth\u00e8que est hautement pris\u00e9e dans l’enseignement m\u00e9thodologique car elle fournit des fonctions autonomes d\u00e9di\u00e9es \u00e0 l’\u00e9valuation explicite de chaque moment d’ordre sup\u00e9rieur avant de proc\u00e9der \u00e0 l’agr\u00e9gation finale du test.<\/p>\n Apr\u00e8s installation et chargement par l’instruction library(moments)<\/em>, le chercheur a imm\u00e9diatement acc\u00e8s aux primitives skewness<\/em> et kurtosis<\/em>. Contrairement aux fonctions g\u00e9n\u00e9riques qui dissimulent souvent leurs formules d’ajustement, la fonction skewness<\/em> de ce package calcule sans artifice l’estimateur classique du moment d’ordre 3 centr\u00e9 et standardis\u00e9. De mani\u00e8re identique, la fonction kurtosis<\/em> retourne le quatri\u00e8me moment brut sans soustraire la valeur de 3. Cette transparence permet \u00e0 l’\u00e9tudiant ou au chercheur d’inspecter visuellement et num\u00e9riquement si l’\u00e9chantillon s’\u00e9carte des grandeurs nominales canoniques (0 pour l’asym\u00e9trie, 3 pour l’aplatissement brut) pr\u00e9alablement au calcul formel de l’ad\u00e9quation.<\/p>\n Le package int\u00e8gre sa propre impl\u00e9mentation du test d’ad\u00e9quation via la commande jarque.test<\/em>. Il est extr\u00eamement instructif de confronter les r\u00e9sultats g\u00e9n\u00e9r\u00e9s par cette fonction avec ceux issus de tseries<\/em>. \u00c0 titre de validation p\u00e9dagogique absolue, l’analyste peut reconstituer manuellement la statistique JB au moyen d’une seule ligne de code arithm\u00e9tique :<\/p>\n n <- length(x) ; S <- skewness(x) ; C <- kurtosis(x)<\/em> Cette v\u00e9rification algorithmique directe dissipe toute opacit\u00e9 math\u00e9matique. Elle d\u00e9montre sans ambigu\u00eft\u00e9 la parfaite \u00e9quivalence th\u00e9orique entre le formalisme publi\u00e9 par Carlos Jarque et Anil Bera et les routines computationnelles automatis\u00e9es ex\u00e9cut\u00e9es en arri\u00e8re-plan par l’interpr\u00e9teur R.<\/p>\n L’une des critiques m\u00e9thodologiques les plus substantielles formul\u00e9es \u00e0 l’encontre de la version originelle du test de Jarque-Bera r\u00e9side dans la lenteur de sa convergence asymptotique. Comme nous l’avons pr\u00e9cis\u00e9, sur des effectifs limit\u00e9s fr\u00e9quemment rencontr\u00e9s en neuropsychologie clinique ou en imagerie c\u00e9r\u00e9brale (par exemple n<\/em> compris entre 15 et 50), l’approximation par la loi du Chi-deux tend \u00e0 sous-estimer l’\u00e9paisseur r\u00e9elle des queues de la distribution d’\u00e9chantillonnage de la statistique JB sous l’hypoth\u00e8se nulle. Il en d\u00e9coule un ph\u00e9nom\u00e8ne de sur-rejet ou de distorsion de l’erreur de type I r\u00e9elle par rapport au seuil nominal th\u00e9orique.<\/p>\n Pour rem\u00e9dier \u00e0 cette faille structurelle, le package sp\u00e9cialis\u00e9 normtest<\/em> met \u00e0 disposition de la communaut\u00e9 scientifique un ensemble exhaustif de d\u00e9clinaisons corrig\u00e9es du test, parmi lesquelles se distingue tout particuli\u00e8rement la variante ajust\u00e9e d\u00e9velopp\u00e9e par Carlos Urz\u00faa en 1996. Urz\u00faa a d\u00e9montr\u00e9 analytiquement que l’estimateur empirique de la variance de l’asym\u00e9trie et du kurtosis d\u00e9viait de mani\u00e8re sensible des constantes 6 et 24 d\u00e8s lors que la taille d’\u00e9chantillon demeurait modeste. La fonction ajb.norm.test<\/em> impl\u00e9mente ainsi le test de Jarque-Bera ajust\u00e9, en substituant aux facteurs asymptotiques simplifi\u00e9s des estimateurs exacts des esp\u00e9rances et variances des moments pour \u00e9chantillons finis.<\/p>\n En pratique, l’application conjointe de jb.norm.test<\/em> (version standard) et de ajb.norm.test<\/em> (version corrig\u00e9e d’Urz\u00faa) issues de la biblioth\u00e8que normtest<\/em> permet au chercheur d’\u00e9valuer la stabilit\u00e9 de son diagnostic face aux al\u00e9as de la taille d’\u00e9chantillonnage. Lorsque la cohorte est volumineuse (n<\/em> sup\u00e9rieur \u00e0 plusieurs centaines de cas), les p-valeurs retourn\u00e9es par les deux formulations sont rigoureusement indiscernables. En revanche, face \u00e0 une cohorte exp\u00e9rimentale modeste, la formulation ajust\u00e9e d’Urz\u00faa apporte une garantie de rigueur inf\u00e9rentielle indiscutable, pr\u00e9venant les d\u00e9ductions erron\u00e9es induites par un recours dogmatique et aveugle \u00e0 des lois asymptotiques non atteintes.<\/p>\n Lorsque le traitement d’une variable psychom\u00e9trique via le test de Jarque-Bera aboutit \u00e0 une probabilit\u00e9 critique sup\u00e9rieure au seuil pr\u00e9d\u00e9termin\u00e9 (par exemple p > 0.05<\/em>), la r\u00e8gle de d\u00e9cision formelle impose d’\u00e9chouer \u00e0 rejeter l’hypoth\u00e8se nulle. Cette formulation rigoureuse, issue de l’orthodoxie m\u00e9thodologique neyman-pearsonienne, ne doit sous aucun pr\u00e9texte \u00eatre assimil\u00e9e \u00e0 une acceptation d\u00e9finitive et triomphante de la normalit\u00e9 parfaite. En \u00e9pist\u00e9mologie des statistiques, il existe un gouffre fondamental entre l’absence de preuve d’un effet et la preuve formelle de l’absence de cet effet.<\/p>\n Dans un contexte d’application concr\u00e8te, l’\u00e9chec de rejet signifie simplement que les d\u00e9viations conjointes d’asym\u00e9trie et d’aplatissement observ\u00e9es au sein de l’\u00e9chantillon ne pr\u00e9sentent pas une magnitude suffisante pour que l’on puisse exclure avec une certitude statistique raisonnable qu’elles r\u00e9sultent du simple bruit d’\u00e9chantillonnage al\u00e9atoire. D\u00e8s lors, le chercheur dispose d’une autorisation m\u00e9thodologique provisoire pour engager ses mod\u00e9lisations lin\u00e9aires classiques (ANOVA, r\u00e9gressions param\u00e9triques, calcul de coefficients de corr\u00e9lation de Pearson). Les conditions d’optimalit\u00e9 op\u00e9rationnelle des estimateurs sont r\u00e9put\u00e9es satisfaites au sens pragmatique du terme.<\/p>\n Cependant, cette validation par d\u00e9faut impose une prudence accrue lorsque l’effectif global de l’\u00e9tude est modeste. Comme nous l’avons soulign\u00e9, sur un groupe restreint de participants, la puissance statistique du test s’av\u00e8re consid\u00e9rablement d\u00e9grad\u00e9e. Une p-valeur \u00e9tablie \u00e0 0.18 sur un groupe clinique de 20 sujets ne garantit en rien la nature gaussienne de la distribution parente : elle refl\u00e8te bien souvent l’impuissance structurelle du test \u00e0 discriminer les anomalies morphologiques r\u00e9elles en pr\u00e9sence d’un signal trop bruit\u00e9. L’analyste se doit alors de corroborer imp\u00e9rativement ce r\u00e9sultat num\u00e9rique neutre par une inspection graphique fine des quantiles.<\/p>\n L’observation d’une p-valeur rigoureusement inf\u00e9rieure au seuil alpha conventionnel (par exemple p < 0.001<\/em> ou p < 0.05<\/em>) scelle le rejet d\u00e9finitif de l’hypoth\u00e8se nulle. Ce verdict indique que l’\u00e9cart s\u00e9parant la distribution empirique observ\u00e9e d’un mod\u00e8le gaussien th\u00e9orique est statistiquement significatif et ne peut \u00eatre imput\u00e9 aux seules fluctuations d’\u00e9chantillonnage. Le postulat de normalit\u00e9 univari\u00e9e se trouve alors formellement viol\u00e9, interdisant au chercheur de poursuivre aveugl\u00e9ment son protocole param\u00e9trique sans proc\u00e9der \u00e0 des ajustements m\u00e9thodologiques raisonn\u00e9s.<\/p>\n L’analyste confront\u00e9 \u00e0 ce constat ne doit pas se confiner au rejet binaire, mais doit imm\u00e9diatement entreprendre une d\u00e9marche d’investigation \u00e9tiologique. Il s’agit d’isoler la racine g\u00e9om\u00e9trique de cette infraction en inspectant s\u00e9par\u00e9ment les valeurs calcul\u00e9es de l’asym\u00e9trie et de l’aplatissement. Une variable manifestant un coefficient d’aplatissement de 3.1 mais une asym\u00e9trie de 2.4 pr\u00e9sente un profil clinique et th\u00e9orique radicalement distinct d’une variable sym\u00e9trique affichant un aplatissement d\u00e9mesur\u00e9 de 8.5. La nature des distorsions constat\u00e9es oriente directement les mesures correctives \u00e0 d\u00e9ployer au sein de l’espace analytique.<\/p>\n De surcro\u00eet, le chercheur avis\u00e9 veillera scrupuleusement \u00e0 dissocier la significativit\u00e9 statistique brute de l’ampleur de la d\u00e9viation empirique. Au sein des m\u00e9ga-cohortes contemporaines (regroupant 5 000 \u00e0 50 000 participants dans les banques de donn\u00e9es g\u00e9nomiques ou comportementales internationales), la statistique de Jarque-Bera est susceptible de s’envoler vers des valeurs hautement significatives pour une asym\u00e9trie d\u00e9risoire de 0.08 et un aplatissement de 3.09. Bien que la p-valeur affiche une suite de z\u00e9ros impressionnante, l’impact r\u00e9el d’une telle micro-d\u00e9viation sur la distribution d’\u00e9chantillonnage des moyennes ou des coefficients de r\u00e9gression est absolument n\u00e9gligeable en pratique. L’interpr\u00e9tation de la statistique JB ne doit donc jamais s’op\u00e9rer dans un vacuum d\u00e9sincarn\u00e9, mais doit constamment \u00eatre confront\u00e9e \u00e0 la taille effective de la cohorte et aux indices morphologiques bruts.<\/p>\n Une confusion \u00e9pist\u00e9mologique particuli\u00e8rement tenace dans la litt\u00e9rature psychologique consiste \u00e0 vouloir tester \u00e0 tout prix la normalit\u00e9 des variables observ\u00e9es brutes (variables d\u00e9pendantes et ind\u00e9pendantes) pr\u00e9alablement \u00e0 la conduite d’un mod\u00e8le de r\u00e9gression lin\u00e9aire ou d’une analyse de variance factorielle. Or, les postulats math\u00e9matiques du mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral ne requi\u00e8rent en aucune mani\u00e8re que la variable d\u00e9pendante globale soit marginalement distribu\u00e9e selon une loi gaussienne. L’exigence de normalit\u00e9 conditionnelle porte exclusivement et rigoureusement sur les termes d’erreurs stochastiques r\u00e9siduelles non observables, estim\u00e9es \u00e0 travers les r\u00e9sidus empiriques du mod\u00e8le ajust\u00e9.<\/p>\n En langage R, l’\u00e9valuation de la normalit\u00e9 des r\u00e9sidus s’articule selon un flux op\u00e9rationnel d’une grande limpidit\u00e9. Le chercheur ajuste pr\u00e9alablement son mod\u00e8le lin\u00e9aire au moyen de la fonction standard lm<\/em> : modele_psy <- lm(score_bien_etre ~ stress_percu + soutien_social, data = base_donnees)<\/em>. D\u00e8s lors que le mod\u00e8le est estim\u00e9 en m\u00e9moire, l’extraction des r\u00e9sidus s’op\u00e8re formellement via la fonction g\u00e9n\u00e9rique residuals<\/em> ou par l’acc\u00e8s direct aux r\u00e9sidus standardis\u00e9s au moyen de rstandard<\/em> : residus_modele <- residuals(modele_psy)<\/em>.<\/p>\n C’est sur ce vecteur sp\u00e9cifique de perturbations r\u00e9siduelles que le test de Jarque-Bera doit \u00eatre d\u00e9ploy\u00e9 : jarque.bera.test(residus_modele)<\/em>. Lors de cette op\u00e9ration, la prise en compte du param\u00e8tre k<\/em> (repr\u00e9sentant ici le nombre de coefficients de r\u00e9gression estim\u00e9s dans le mod\u00e8le, incluant la constante) devient th\u00e9oriquement pertinente, conform\u00e9ment \u00e0 la formulation princeps d\u00e9taill\u00e9e en section 2.1. Le rejet de la normalit\u00e9 sur les r\u00e9sidus signale que les intervalles de confiance associ\u00e9s aux coefficients b\u00eata et que les tests d’inf\u00e9rence t et F associ\u00e9s risquent d’\u00eatre fauss\u00e9s. Ce constat impose alors de s’interroger sur l’omission d’une variable mod\u00e9ratrice cl\u00e9, sur la pr\u00e9sence d’une non-lin\u00e9arit\u00e9 fondamentale dans la relation psychologique mod\u00e9lis\u00e9e, ou sur la pr\u00e9sence sous-jacente d’une h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 perturbatrice au sein de l’espace exp\u00e9rimental.<\/p>\n Afin d’ancrer ces d\u00e9veloppements th\u00e9oriques dans la r\u00e9alit\u00e9 concr\u00e8te de l’exp\u00e9rimentation comportementale, analysons un jeu de donn\u00e9es issu d’une t\u00e2che d’attention soutenue de type SART (Sustained Attention to Response Task). Dans cette \u00e9preuve cognitive, 250 participants adultes ont \u00e9t\u00e9 confront\u00e9s \u00e0 une s\u00e9rie de stimuli visuels rapides o\u00f9 ils devaient presser une touche m\u00e9canique le plus rapidement possible face \u00e0 des cibles pr\u00e9d\u00e9finies. La variable d\u00e9pendante continue correspond \u00e0 la latence moyenne de r\u00e9ponse correcte enregistr\u00e9e avec une pr\u00e9cision millim\u00e9trique. Nous importons les donn\u00e9es tabulaires et isolons la variable vectorielle tr_ms<\/em>.<\/p>\n L’ex\u00e9cution imm\u00e9diate du diagnostic statistique par la commande jarque.bera.test(base_sart$tr_ms)<\/em> produit un r\u00e9sultat sans \u00e9quivoque. La console R affiche une statistique \u00ab X-squared \u00bb culminant \u00e0 342.18, avec un degr\u00e9 de libert\u00e9 de 2 et une p-valeur asymptotique inf\u00e9rieure \u00e0 2.2e-16<\/em>. L’exploration compl\u00e9mentaire des moments au moyen de la biblioth\u00e8que moments<\/em> r\u00e9v\u00e8le un coefficient d’asym\u00e9trie empirique massif \u00e9tabli \u00e0 S = 1.84<\/em>, accompagn\u00e9 d’un aplatissement brut s’\u00e9levant \u00e0 C = 7.12<\/em> (soit un exc\u00e8s de kurtosis de plus de 4 unit\u00e9s par rapport au standard gaussien). La morphologie distributionnelle t\u00e9moigne d’une asym\u00e9trie droite marqu\u00e9e, ponctu\u00e9e de quelques latences particuli\u00e8rement lentes traduisant des \u00e9pisodes transitoires de d\u00e9crochage attentionnel.<\/p>\n Face \u00e0 une infraction d’une telle amplitude, le maintien des donn\u00e9es sous leur forme m\u00e9trique brute au sein d’une ANOVA ou d’un test t constituerait une r\u00e9gression m\u00e9thodologique s\u00e9v\u00e8re. L’analyste se tourne alors rationnellement vers des strat\u00e9gies de transformation d’\u00e9chelle non lin\u00e9aires stabilisatrices. Deux approches classiques s’affrontent en psychologie cognitive : la transformation logarithmique n\u00e9p\u00e9rienne, mod\u00e9lis\u00e9e sous R par tr_log <- log(base_sart$tr_ms)<\/em>, et la transformation inverse de vitesse, formul\u00e9e via tr_inv <- -1000 \/ base_sart$tr_ms<\/em>. La r\u00e9application imm\u00e9diate du test de Jarque-Bera sur le vecteur transform\u00e9 tr_log<\/em> engendre une m\u00e9tamorphose statistique compl\u00e8te : la statistique JB s’effondre \u00e0 3.12, s’accompagnant d’une probabilit\u00e9 critique de p = 0.210<\/em>. L’hypoth\u00e8se de normalit\u00e9 ne pouvant plus \u00eatre rejet\u00e9e, le chercheur dispose d’une m\u00e9trique reconfigur\u00e9e, pleinement habilit\u00e9e \u00e0 subir les traitements inf\u00e9rentiels param\u00e9triques les plus rigoureux.<\/p>\n Le second cas pratique aborde le domaine de l’\u00e9valuation psychom\u00e9trique standardis\u00e9e. Consid\u00e9rons une cohorte de 400 \u00e9tudiants universitaires ayant compl\u00e9t\u00e9 l’inventaire d’anxi\u00e9t\u00e9 \u00e9tat-trait de Spielberger (STAI), compos\u00e9 d’une vingtaine d’\u00e9nonc\u00e9s cot\u00e9s sur des \u00e9chelles d’accord ordinales de type Likert en 4 points (variant de 1 : \u00ab Pas du tout \u00bb \u00e0 4 : \u00ab Tout \u00e0 fait \u00bb). Le score global univari\u00e9, mat\u00e9rialis\u00e9 par la variable composite somm\u00e9e score_stai<\/em>, oscille th\u00e9oriquement dans un intervalle ferm\u00e9 compris entre 20 et 80 unit\u00e9s m\u00e9triques.<\/p>\n L’application de la routine jarque.bera.test(base_psy$score_stai)<\/em> retourne une statistique de test de 18.74, assortie de df = 2<\/em> et d’une p-valeur \u00e9tablie \u00e0 p = 8.52e-05<\/em>, scellant le rejet statistiquement significatif de la normalit\u00e9. Cependant, l’examen isol\u00e9 des d\u00e9compositions g\u00e9om\u00e9triques apporte un \u00e9clairage substantiellement distinct de celui observ\u00e9 sur les temps de r\u00e9action. En effet, l’asym\u00e9trie se r\u00e9v\u00e8le extr\u00eamement discr\u00e8te avec une magnitude mod\u00e9r\u00e9e de S = 0.14<\/em>, t\u00e9moignant d’une distribution remarquablement \u00e9quilibr\u00e9e entre les scores bas et \u00e9lev\u00e9s au sein de cette population d’\u00e9tudiants non cliniques. En revanche, le coefficient d’aplatissement s’\u00e9tablit \u00e0 C = 2.11<\/em>, signalant un exc\u00e8s de kurtosis n\u00e9gatif marqu\u00e9 de -0.89<\/em>.<\/p>\n Nous sommes ici en pr\u00e9sence d’une distribution manifestement platykurtique. Les r\u00e9pondants ont mobilis\u00e9 les options de r\u00e9ponse d’une fa\u00e7on dispers\u00e9e et uniforme, sans concentration majeure de la masse de probabilit\u00e9 autour du score m\u00e9dian, aplatissant le sommet de la courbe de Gauss th\u00e9orique et all\u00e9geant consid\u00e9rablement les extr\u00e9mit\u00e9s. Ce cas de figure pose un arbitrage m\u00e9thodologique de premier ordre : contrairement \u00e0 l’asym\u00e9trie unilat\u00e9rale qui fausse gravement l’estimation des moyennes et des erreurs-types, une d\u00e9viation platykurtique sym\u00e9trique mod\u00e9r\u00e9e n’alt\u00e8re que de fa\u00e7on marginale la robustesse des mod\u00e8les de r\u00e9gression lin\u00e9aire sous de telles tailles d’\u00e9chantillons. L’analyste se trouve alors pleinement l\u00e9gitim\u00e9, soit \u00e0 conserver ses donn\u00e9es en int\u00e9grant des erreurs-types robustes dites de sandwich (estimateurs de Huber-White), soit \u00e0 bifurquer vers des mod\u00e8les d’\u00e9quations structurelles dot\u00e9s d’estimateurs robustes aux infractions de kurtosis, tels que le maximum de vraisemblance avec correction de Satorra-Bentler (MLM).<\/p>\n Aucun test statistique d’ad\u00e9quation, aussi sophistiqu\u00e9 soit-il sur le plan math\u00e9matique, ne devrait \u00eatre interpr\u00e9t\u00e9 dans l’isolement le plus complet sans \u00eatre syst\u00e9matiquement confront\u00e9 \u00e0 une inspection visuelle directe des structures g\u00e9om\u00e9triques de distribution. En statistique appliqu\u00e9e, le diagramme quantile-quantile (couramment d\u00e9sign\u00e9 sous l’acronyme de Q-Q plot) repr\u00e9sente le dispositif de visualisation le plus puissant et le plus universellement recommand\u00e9 pour ausculter la concordance empirique d’une variable continue avec la fonction de distribution th\u00e9orique gaussienne.<\/p>\n Dans l’environnement de base R, la g\u00e9n\u00e9ration d’un diagramme quantile-quantile s’ex\u00e9cute avec une remarquable \u00e9conomie de code gr\u00e2ce \u00e0 la conjugaison fonctionnelle de deux commandes historiques : qqnorm(variable)<\/em>, qui projette les quantiles empiriques observ\u00e9s en ordonn\u00e9e contre les quantiles th\u00e9oriques issus de la loi normale centr\u00e9e r\u00e9duite en abscisse, imm\u00e9diatement suivie de qqline(variable, col = \u00ab\u00a0red\u00a0\u00bb, lwd = 2)<\/em>, qui superpose en surbrillance une droite de r\u00e9f\u00e9rence passant pr\u00e9cis\u00e9ment par le premier et le troisi\u00e8me quartile des donn\u00e9es.<\/p>\n Pour la r\u00e9alisation de figures destin\u00e9es \u00e0 l’\u00e9dition scientifique et aux revues internationales \u00e0 comit\u00e9 de lecture, l’emploi de l’\u00e9cosyst\u00e8me graphique ggplot2<\/a> s’impose comme le standard de qualit\u00e9 incontournable. La construction du graphique s’articule alors autour des fonctions g\u00e9om\u00e9triques sp\u00e9cialis\u00e9es stat_qq()<\/em> et stat_qq_line()<\/em>. L’int\u00e9gration dans un canevas th\u00e9matique \u00e9pur\u00e9 (tel que theme_minimal()<\/em>) garantit une lisibilit\u00e9 maximale :<\/p>\n ggplot(data = base_donnees, aes(sample = variable_psy)) +<\/em> L’art de l’analyste r\u00e9side ensuite dans la s\u00e9miologie graphique de cette repr\u00e9sentation. Si les points exp\u00e9rimentaux s’alignent avec fluidit\u00e9 le long du vecteur lin\u00e9aire oblique, le postulat de normalit\u00e9 est pleinement corrobor\u00e9 visuellement. En revanche, des d\u00e9viations morphologiques typiques trahissent instantan\u00e9ment la nature des violations d\u00e9cel\u00e9es par le test de Jarque-Bera. Une courbure en forme de parabole montante ou descendante signale imm\u00e9diatement une asym\u00e9trie prononc\u00e9e (la concavit\u00e9 refl\u00e9tant la direction de la tra\u00eene). Une d\u00e9formation sigmo\u00efdale en \u00ab S \u00bb invers\u00e9 d\u00e9nonce formellement une distribution leptokurtique aux queues \u00e9paisses, o\u00f9 les quantiles extr\u00eames d\u00e9crochent spectaculairement de part et d’autre de la trajectoire th\u00e9orique rectiligne. Cette lecture conjointe offre une synergie m\u00e9thodologique parfaite, adossant le verdict chiffr\u00e9 du test JB \u00e0 une compr\u00e9hension visuelle intime de la topologie des donn\u00e9es.<\/p>\n En compl\u00e9ment des diagrammes quantile-quantile, l’histogramme de fr\u00e9quences combin\u00e9 \u00e0 une estimation non param\u00e9trique de densit\u00e9 constitue le second pilier du diagnostic graphique de distribution. Contrairement \u00e0 l’histogramme classique qui d\u00e9coupe arbitrairement la variable en intervalles disjoints, l’estimation de densit\u00e9 par noyau (kernel density estimation) g\u00e9n\u00e8re une courbe continue lisse mod\u00e9lisant fid\u00e8lement la fonction de densit\u00e9 empirique de la variable comportementale sans imposer de pr\u00e9suppos\u00e9 param\u00e9trique rigide.<\/p>\n Sous R, l’approche la plus efficiente consiste \u00e0 utiliser la biblioth\u00e8que ggplot2<\/em> pour superposer, sur un m\u00eame plan g\u00e9om\u00e9trique, trois couches informatives compl\u00e9mentaires : l’histogramme des fr\u00e9quences normalis\u00e9 sous forme de densit\u00e9s de probabilit\u00e9 via l’argument after_stat(density)<\/em>, la courbe liss\u00e9e empirique produite par geom_density<\/em>, et enfin la courbe gaussienne th\u00e9orique id\u00e9ale param\u00e9tr\u00e9e strictement \u00e0 partir de la moyenne et de l’\u00e9cart-type de l’\u00e9chantillon au moyen de la fonction stat_function(fun = dnorm, …)<\/em>.<\/p>\n Cette mise en regard visuelle met imm\u00e9diatement en lumi\u00e8re les singularit\u00e9s topologiques responsables de l’inflation de la statistique de Jarque-Bera. Le chercheur identifie instantan\u00e9ment si le rejet du test statistique est orchestr\u00e9 par un d\u00e9calage asym\u00e9trique du pic modal, par un amincissement pathologique du sommet de distribution, ou par la pr\u00e9sence d’observations aberrantes isol\u00e9es venant \u00e9tirer artificiellement la queue empirique \u00e0 plusieurs \u00e9carts-types de la moyenne. De plus, cette repr\u00e9sentation graphique s’av\u00e8re absolument indispensable pour d\u00e9tecter d’\u00e9ventuelles distributions multimodales. En effet, en pr\u00e9sence de sous-populations cliniques distinctes (par exemple une sous-cohorte d’individus totalement r\u00e9fractaires \u00e0 un traitement psychotrope et une sous-cohorte de r\u00e9pondeurs massifs), la distribution empirique peut pr\u00e9senter un profil bimodal. Le test de Jarque-Bera rejettera massivement la normalit\u00e9 face \u00e0 ce patron, mais seul le recours \u00e0 l’histogramme de densit\u00e9 permettra d’identifier la bimodalit\u00e9 sous-jacente et de pr\u00e9venir une interpr\u00e9tation erron\u00e9e qui r\u00e9duirait le ph\u00e9nom\u00e8ne \u00e0 un simple probl\u00e8me de kurtosis.<\/p>\n L’\u00e9valuation critique de tout outil statistique exige d’en cerner avec lucidit\u00e9 les vuln\u00e9rabilit\u00e9s structurelles. Dans le cas du test de Jarque-Bera, la sensibilit\u00e9 exacerb\u00e9e face aux donn\u00e9es aberrantes isol\u00e9es constitue indiscutablement son talon d’Achille le plus document\u00e9 dans la litt\u00e9rature m\u00e9thodologique. Cette fragilit\u00e9 intrins\u00e8que d\u00e9coule directement de la formulation analytique des moments d’ordre sup\u00e9rieur expos\u00e9e en section 2.1.<\/p>\n Dans le calcul du coefficient d’asym\u00e9trie, l’\u00e9cart s\u00e9parant chaque observation de la moyenne g\u00e9n\u00e9rale est \u00e9lev\u00e9 \u00e0 la puissance 3, tandis que dans le calcul de l’aplatissement, cet \u00e9cart est \u00e9lev\u00e9 \u00e0 la puissance 4. En vertu de cette m\u00e9canique exponentielle, une observation marginale unique, r\u00e9sultant par exemple d’une erreur de saisie exp\u00e9rimentale au clavier ou d’un artefact moteur isol\u00e9, situ\u00e9e \u00e0 4 ou 5 \u00e9carts-types de la moyenne arithm\u00e9tique, exercera un effet de levier destructeur sur le calcul global des moments. Un seul point aberrant peut ainsi d\u00e9multiplier \u00e0 lui seul la valeur de la statistique JB, faisant basculer une p-valeur d’un statut parfaitement non significatif (par exemple p = 0.35<\/em>) vers un rejet hautement significatif (p < 0.001<\/em>), sans que la structure distributionnelle fondamentale des 99 % d’observations restantes ne s’\u00e9carte le moins du monde du sch\u00e9ma gaussien.<\/p>\n Cette vuln\u00e9rabilit\u00e9 math\u00e9matique impose \u00e0 l’analyste un devoir absolu de pr\u00e9-traitement. Avant d’engager le test d’ad\u00e9quation, il est indispensable de scruter syst\u00e9matiquement la pr\u00e9sence d’observations influentes anormales \u00e0 travers l’inspection des bo\u00eetes \u00e0 moustaches de Tukey, l’\u00e9valuation des scores Z standardis\u00e9s ou le calcul des distances de Mahalanobis. Face \u00e0 des jeux de donn\u00e9es hautement bruit\u00e9s, certains m\u00e9thodologistes pr\u00e9conisent d’ailleurs le recours \u00e0 des variantes robustes du test de Jarque-Bera. Ces formulations alternatives substituent aux estimateurs fragiles des moments polynomiaux des m\u00e9triques de dispersion et d’asym\u00e9trie robustes fond\u00e9es sur les m\u00e9dianes et l’\u00e9cart absolu m\u00e9dian (MAD, pour Median Absolute Deviation), neutralisant ainsi le pouvoir de nuisance des points singuliers.<\/p>\n Dans l’arsenal des tests de normalit\u00e9 disponibles sous R, le praticien se trouve confront\u00e9 \u00e0 un choix m\u00e9thodologique pluriel. Chacune des proc\u00e9dures concurrentes repose sur des axiomes probabilistes sp\u00e9cifiques qui en d\u00e9limitent le domaine de validit\u00e9 pr\u00e9f\u00e9rentiel au sein des sciences comportementales :<\/p>\n De cette confrontation critique \u00e9merge une matrice de d\u00e9cision claire pour le psychologue quantitativiste : pour les cohortes de laboratoire restreintes (n < 50<\/em>), la proc\u00e9dure de Shapiro-Wilk ou la variante ajust\u00e9e d’Urz\u00faa du test de Jarque-Bera doivent \u00eatre syst\u00e9matiquement privil\u00e9gi\u00e9es. En revanche, d\u00e8s lors que l’\u00e9tude implique des cohortes massives issues de panels en ligne ou de neuro-imagerie (n > 300<\/em>), le test standard de Jarque-Bera s’impose comme l’outil diagnostique le plus naturel, le plus v\u00e9loce sur le plan algorithmique et le plus intelligible th\u00e9oriquement pour quantifier les \u00e9carts d’ad\u00e9quation.<\/p>\n Lorsque le d\u00e9ploiement du test de Jarque-Bera et des diagnostics graphiques associ\u00e9s conclut formellement \u00e0 une violation irr\u00e9versible du postulat de normalit\u00e9 gaussienne, l’analyste ne se retrouve pas d\u00e9muni. Plusieurs voies de rem\u00e9diation m\u00e9thodologique rigoureusement \u00e9tablies s’offrent \u00e0 lui pour pr\u00e9server la validit\u00e9 de ses inf\u00e9rences :<\/p>\n La premi\u00e8re voie, d’inspiration classique mais exigeante, consiste \u00e0 op\u00e9rer des transformations math\u00e9matiques univari\u00e9es sur l’\u00e9chelle de mesure initiale. Outre les fonctions logarithmiques, racines carr\u00e9es et inverses d\u00e9j\u00e0 \u00e9voqu\u00e9es, l’arsenal contemporain permet de recourir \u00e0 des familles param\u00e9triques de transformations unifi\u00e9es, \u00e0 l’instar de la transformation de Box-Cox (adapt\u00e9e aux valeurs strictement positives) ou de la transformation de Yeo-Johnson (capable de traiter nativement les valeurs n\u00e9gatives ou nulles). Ces algorithmes estiment par maximisation de vraisemblance le param\u00e8tre lambda optimal permettant de courber la distribution empirique au plus pr\u00e8s de la sym\u00e9trie gaussienne.<\/p>\n La seconde alternative r\u00e9side dans l’adoption des tests non param\u00e9triques de rangs, tels que le test de la somme des rangs de Wilcoxon-Mann-Whitney pour les comparaisons de deux groupes ind\u00e9pendants, ou le test de Kruskal-Wallis pour les comparaisons plurifactorielles. Ces m\u00e9thodes ont l’immense m\u00e9rite de s’affranchir totalement de tout pr\u00e9suppos\u00e9 quant \u00e0 la forme de la distribution sous-jacente. N\u00e9anmoins, elles entra\u00eenent une perte notable d’informations m\u00e9triques en r\u00e9duisant les grandeurs quantitatives \u00e0 de simples positions ordinales relatives, et ne s’adaptent que difficilement \u00e0 la mod\u00e9lisation d’interactions factorielles complexes.<\/p>\n La troisi\u00e8me approche, hautement recommand\u00e9e dans la recherche moderne, s’articule autour des techniques computationnelles de r\u00e9\u00e9chantillonnage par bootstrap<\/a> non param\u00e9trique. En tirant plusieurs milliers de sous-\u00e9chantillons avec remise au sein des donn\u00e9es observ\u00e9es, le bootstrap reconstitue empiriquement la v\u00e9ritable distribution d’\u00e9chantillonnage de n’importe quel estimateur (moyenne, coefficient de corr\u00e9lation, param\u00e8tre de m\u00e9diation) sans postuler la moindre normalit\u00e9 th\u00e9orique. L’extraction d’intervalles de confiance ajust\u00e9s par la m\u00e9thode des percentiles corrig\u00e9s du biais et acc\u00e9l\u00e9r\u00e9s (BCa) garantit des inf\u00e9rences robustes et inattaquables.<\/p>\n Enfin, la migration vers les Mod\u00e8les Lin\u00e9aires G\u00e9n\u00e9ralis\u00e9s (GLM) et les Mod\u00e8les Lin\u00e9aires G\u00e9n\u00e9ralis\u00e9s \u00e0 Effets Mixtes (GLMM) constitue la solution royale en mod\u00e9lisation avanc\u00e9e. Plut\u00f4t que de contraindre arbitrairement des variables empiriques asym\u00e9triques ou h\u00e9t\u00e9rosc\u00e9dastiques \u00e0 entrer de force dans le moule \u00e9troit de la loi normale, les GLM permettent de sp\u00e9cifier explicitement une fonction de distribution parente appartenant \u00e0 la famille exponentielle adapt\u00e9e \u00e0 la nature intrins\u00e8que des donn\u00e9es : loi de Poisson ou quasi-Poisson pour les donn\u00e9es de comptage, loi gamma pour les temps de latence chronom\u00e9triques continus, ou loi binomiale pour les r\u00e9ponses binaires alternatives.<\/p>\n Afin de pr\u00e9munir les chercheurs contre l’improvisation m\u00e9thodologique et de renforcer la rigueur des \u00e9tudes quantitatives, il est imp\u00e9ratif d’adopter un protocole d\u00e9cisionnel s\u00e9quentiel standardis\u00e9 lors de la v\u00e9rification de l’ad\u00e9quation distributionnelle. Ce cheminement chronologique structure l’ensemble des v\u00e9rifications pr\u00e9alables sous la forme d’un flux de travail unifi\u00e9 :<\/p>\n La communication scientifique des analyses statistiques doit se conformer rigoureusement aux pr\u00e9ceptes typographiques et r\u00e9dactionnels \u00e9dict\u00e9s par le manuel de publication de l’American Psychological Association (APA, 7e \u00e9dition). Trop souvent, les manuscrits soumis se contentent de mentions elliptiques et \u00e9vasives affirmant que \u00ab la normalit\u00e9 a \u00e9t\u00e9 v\u00e9rifi\u00e9e \u00bb, sans documenter formellement les param\u00e8tres d’\u00e9valuation statistique. L’analyste se doit de rapporter explicitement l’appellation exacte du test, la valeur num\u00e9rique de la statistique de test arrondie \u00e0 deux d\u00e9cimales, le nombre de degr\u00e9s de libert\u00e9 associ\u00e9s entre parenth\u00e8ses, et la p-valeur exacte.<\/p>\n Dans l’hypoth\u00e8se o\u00f9 le test de Jarque-Bera confirme l’ad\u00e9quation gaussienne des observations, permettant d’engager sereinement une analyse param\u00e9trique standard, la r\u00e9daction acad\u00e9mique au sein de la section des r\u00e9sultats m\u00e9thodologiques pourra s’articuler selon le mod\u00e8le formel suivant :<\/p>\n \u00ab L’ad\u00e9quation de la distribution des scores composites d’estime de soi au postulat de normalit\u00e9 univari\u00e9e a \u00e9t\u00e9 \u00e9valu\u00e9e au moyen du test d’ad\u00e9quation de Jarque-Bera. Les analyses statistiques indiquent que la distribution empirique ne d\u00e9vie pas de mani\u00e8re significative d’un mod\u00e8le gaussien th\u00e9orique, JB(2) = 1.42, p = .492. L’inspection conjointe du diagramme quantile-quantile et des coefficients d’asym\u00e9trie (S = 0.08) et d’aplatissement (C = 2.91) atteste d’une parfaite pr\u00e9servation des propri\u00e9t\u00e9s distributionnelles requises pour l’application subs\u00e9quente du mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral. \u00bb<\/em><\/p>\n \u00c0 l’inverse, dans le cas de figure o\u00f9 le test de Jarque-Bera met en lumi\u00e8re une violation manifeste du postulat, la formulation r\u00e9dactionnelle se doit de documenter la non-conformit\u00e9 avec pr\u00e9cision, d’en expliciter la morphologie g\u00e9om\u00e9trique, et de justifier rationnellement la transition vers une m\u00e9thode inf\u00e9rentielle alternative robuste :<\/p>\n \u00ab L’examen de la normalit\u00e9 de la distribution des temps de r\u00e9action moyens lors de la t\u00e2che d’attention soutenue a mis en \u00e9vidence une violation hautement significative du postulat d’ad\u00e9quation gaussienne, JB(2) = 284.19, p < .001. La d\u00e9composition des moments d’ordre sup\u00e9rieur r\u00e9v\u00e8le une asym\u00e9trie positive marqu\u00e9e (S = 1.67) conjugu\u00e9e \u00e0 une structure fortement leptokurtique (C = 6.48), confirm\u00e9e visuellement par le d\u00e9crochage sigmo\u00efdal des observations sur le diagramme quantile-quantile. En cons\u00e9quence, afin de pallier la perte de robustesse inh\u00e9rente aux proc\u00e9dures param\u00e9triques standards face \u00e0 de telles anomalies de queues de distribution, les param\u00e8tres d’inf\u00e9rence ont \u00e9t\u00e9 estim\u00e9s par r\u00e9\u00e9chantillonnage bootstrap non param\u00e9trique (10 000 it\u00e9rations), assortis d’intervalles de confiance corrig\u00e9s du biais et acc\u00e9l\u00e9r\u00e9s (BCa \u00e0 95 %). \u00bb<\/em><\/p>\n En adoptant ces standards de formalisation r\u00e9dactionnelle et computationnelle, le chercheur conf\u00e8re \u00e0 ses travaux une rigueur d\u00e9monstrative irr\u00e9prochable, assurant une parfaite translucidit\u00e9 m\u00e9thodologique entre l’univers math\u00e9matique abstrait des fonctions R et l’ar\u00e8ne acad\u00e9mique internationale de la psychologie scientifique.<\/p>\n1.2 Origine historique et r\u00f4le du test d’ad\u00e9quation de Jarque-Bera<\/h3>\n
1.3 Objectifs p\u00e9dagogiques et organisation du protocole sous R<\/h3>\n
2. Fondements th\u00e9oriques et formulation math\u00e9matique de la statistique JB<\/h2>\n
2.1 D\u00e9composition de la formule statistique de Jarque-Bera<\/h3>\n
2.2 Loi asymptotique du Chi-deux et degr\u00e9s de libert\u00e9<\/h3>\n
3. L’asym\u00e9trie et l’aplatissement appliqu\u00e9s aux donn\u00e9es psychologiques<\/h2>\n
3.1 Le coefficient d’asym\u00e9trie (Skewness) dans les mesures comportementales<\/h3>\n
3.2 Le coefficient d’aplatissement (Kurtosis) et l’\u00e9paisseur des queues de distribution<\/h3>\n
4. Formulation formelle des hypoth\u00e8ses statistiques du test<\/h2>\n
4.1 D\u00e9finition de l’hypoth\u00e8se nulle (H0) et de l’hypoth\u00e8se alternative (H1)<\/h3>\n
4.2 Seuils de d\u00e9cision, seuil alpha et risques statistiques associ\u00e9s<\/h3>\n
5. Pr\u00e9paration de l’environnement R et gestion des paquets n\u00e9cessaires<\/h2>\n
5.1 Installation et chargement de la biblioth\u00e8que tseries<\/h3>\n
5.2 Importation et nettoyage pr\u00e9alable du jeu de donn\u00e9es psychologiques<\/h3>\n
6. Proc\u00e9dure pas \u00e0 pas : R\u00e9alisation du test de Jarque-Bera avec tseries<\/h2>\n
6.1 Simulation d’une distribution gaussienne id\u00e9ale et ex\u00e9cution du test<\/h3>\n
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/jarqueBera.jpg\")
<\/figure>\n6.2 Application sur une distribution non normale asym\u00e9trique<\/h3>\n
6.3 Extraction programmatique des composantes du r\u00e9sultat<\/h3>\n
\n
7. Approches alternatives sous R : Utilisation des packages moments et normtest<\/h2>\n
7.1 Calcul explicite des moments et test JB via le package moments<\/h3>\n
\nJB_manuel <- (n \/ 6) * (S^2 + 0.25 * ((C – 3)^2))<\/em><\/p>\n7.2 Exploration du package normtest et variantes pour petits \u00e9chantillons<\/h3>\n
8. Interpr\u00e9tation statistique approfondie de la p-valeur et de la statistique JB<\/h2>\n
8.1 R\u00e8gles d\u00e9cisionnelles face \u00e0 une p-valeur sup\u00e9rieure au seuil critique<\/h3>\n
8.2 R\u00e8gles d\u00e9cisionnelles en cas de rejet significatif (p < alpha)<\/h3>\n
8.3 R\u00e9gression lin\u00e9aire : Application du test de Jarque-Bera sur les r\u00e9sidus<\/h3>\n
9. Cas pratiques en psychologie : Donn\u00e9es de temps de r\u00e9action et scores psychom\u00e9triques<\/h2>\n
9.1 \u00c9tude de cas 1 : Temps de r\u00e9action \u00e0 une t\u00e2che d’attention soutenue<\/h3>\n
9.2 \u00c9tude de cas 2 : Scores d’anxi\u00e9t\u00e9 sur une \u00e9chelle de Likert somm\u00e9e<\/h3>\n
10. Diagnostic graphique compl\u00e9mentaire de la normalit\u00e9 avec R<\/h2>\n
10.1 Construction et lecture des diagrammes quantile-quantile (Q-Q plots)<\/h3>\n
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/jarqueBera2.jpg\")
<\/figure>\n
\nstat_qq(color = \u00ab\u00a0#2b5c8f\u00a0\u00bb, alpha = 0.6) +<\/em>
\nstat_qq_line(color = \u00ab\u00a0#d95f02\u00a0\u00bb, linewidth = 1) +<\/em>
\nlabs(x = \u00ab\u00a0Quantiles th\u00e9oriques gaussiens\u00a0\u00bb, y = \u00ab\u00a0Quantiles empiriques observ\u00e9s\u00a0\u00bb) +<\/em>
\ntheme_minimal()<\/em><\/p>\n10.2 Histogrammes de densit\u00e9 empirique et superposition de la courbe normale<\/h3>\n
11. Limites m\u00e9thodologiques du test de Jarque-Bera et tests concurrents<\/h2>\n
11.1 Vuln\u00e9rabilit\u00e9 face aux valeurs aberrantes extr\u00eames (outliers)<\/h3>\n
11.2 Comparaison critique : Jarque-Bera, Shapiro-Wilk et D’Agostino-Pearson<\/h3>\n
\n
11.3 Solutions m\u00e9thodologiques face au rejet d\u00e9finitif de l’hypoth\u00e8se de normalit\u00e9<\/h3>\n
12. Guide des meilleures pratiques et r\u00e9daction des r\u00e9sultats selon les normes APA<\/h2>\n
12.1 Protocole d\u00e9cisionnel standardis\u00e9 pour l’analyste de donn\u00e9es en psychologie<\/h3>\n
\n
12.2 Formulation formelle des r\u00e9sultats selon les standards de l’APA (7e \u00e9dition)<\/h3>\n
R\u00e9f\u00e9rences<\/h2>\n
\n