Dans le champ de l’analyse exploratoire des donn\u00e9es, de la psychom\u00e9trie et de la recherche empirique, la tendance centrale d’une distribution ne livre qu’une perspective partielle de la r\u00e9alit\u00e9 sous-jacente. Si la m\u00e9diane ou la moyenne arithm\u00e9tique permettent de localiser le barycentre ou le point d’\u00e9quilibre des observations, elles demeurent aveugles \u00e0 la dynamique de variation qui structure l’\u00e9chantillon. Deux cohortes exp\u00e9rimentales peuvent afficher une m\u00e9diane rigoureusement identique tout en recouvrant des profils cliniques ou comportementaux diam\u00e9tralement oppos\u00e9s : l’une regroupant des individus \u00e9troitement concentr\u00e9s autour de cette valeur de r\u00e9f\u00e9rence, l’autre pr\u00e9sentant une dispersion massive, marqu\u00e9e par des profils h\u00e9t\u00e9rog\u00e8nes et des valeurs extr\u00eames. L’appr\u00e9hension de la variabilit\u00e9 n’est donc pas un simple compl\u00e9ment descriptif ; elle constitue le c\u0153ur m\u00eame du diagnostic distributionnel.<\/p>\n
Pourtant, la quantification de la variabilit\u00e9 est trop fr\u00e9quemment r\u00e9duite \u00e0 l’usage syst\u00e9matique de l’\u00e9cart-type et de la variance, instruments cardinaux de la statistique param\u00e9trique classique. Si l’\u00e9l\u00e9gance math\u00e9matique de ces indices s’av\u00e8re indiscutable dans le cadre strict d’une loi normale, leur pertinence s’effondre d\u00e8s lors que les donn\u00e9es empiriques violent les postulats de sym\u00e9trie et de m\u00e9socurticit\u00e9. Dans les sciences humaines, biologiques ou m\u00e9dicales, les distributions exhibent de mani\u00e8re quasi universelle des asym\u00e9tries prononc\u00e9es, des planchers de mesure, des queues de distribution \u00e9paisses et des valeurs aberrantes issues de la variabilit\u00e9 intrins\u00e8que du vivant. Dans ces configurations r\u00e9elles, l’\u00e9cart-type est lourdement distordu par les observations p\u00e9riph\u00e9riques, produisant une estimation artificielle et trompeuse de la dispersion typique.<\/p>\n
C’est pr\u00e9cis\u00e9ment \u00e0 cette faille m\u00e9thodologique que r\u00e9pond l’\u00e9cart interquartile<\/strong> (souvent d\u00e9sign\u00e9 par le sigle IQR<\/em>, pour Interquartile Range<\/em>). Mesure de dispersion non param\u00e9trique par excellence, l’IQR s’affranchit de l’influence d\u00e9stabilisatrice des valeurs extr\u00eames en focalisant son estimation sur les 50 % centraux de la distribution. En combinant robustesse statistique, r\u00e9sistance computationnelle et interpr\u00e9tabilit\u00e9 intuitive, il offre un cadre analytique fondamental pour caract\u00e9riser l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des scores, diagnostiquer l’asym\u00e9trie sous-jacente et d\u00e9tecter rigoureusement les donn\u00e9es atypiques. Ce guide complet explore les fondements th\u00e9oriques, les modalit\u00e9s de calcul, les applications psychom\u00e9triques concr\u00e8tes et les crit\u00e8res d\u00e9cisionnels qui gouvernent l’usage expert de l’\u00e9cart interquartile.<\/p>\n L’architecture th\u00e9orique de l’\u00e9cart interquartile repose sur le concept de quantification positionnelle, introduit pour scinder une distribution univari\u00e9e ordonn\u00e9e en sous-ensembles d’effectifs rigoureusement \u00e9quivalents. Dans le cadre de la th\u00e9orie des quantiles, formalis\u00e9e notamment dans les travaux de statistique non param\u00e9trique r\u00e9pertori\u00e9s par le National Institute of Standards and Technology<\/a>, les quartiles constituent les trois points de coupure qui partitionnent un ensemble d’observations pr\u00e9alablement tri\u00e9es en quatre segments renfermant chacun exactement 25 % de la masse empirique totale. Ce d\u00e9coupage ob\u00e9it \u00e0 une logique ordinale ind\u00e9pendante des distances absolues qui s\u00e9parent les scores cons\u00e9cutifs, conf\u00e9rant imm\u00e9diatement \u00e0 la m\u00e9thode une immunit\u00e9 structurelle face aux \u00e9tirements d’\u00e9chelle.<\/p>\n Le premier quartile, universellement not\u00e9 $Q_1$<\/span> ou $q_{0,25}$<\/span>, correspond au 25e<\/sup> centile de la distribution. Sur le plan formel, $Q_1$<\/span> est d\u00e9fini comme la plus petite valeur d’observation telle qu’au moins 25 % des donn\u00e9es de l’\u00e9chantillon lui soient inf\u00e9rieures ou \u00e9gales, et qu’au moins 75 % lui soient sup\u00e9rieures ou \u00e9gales. En psychom\u00e9trie ou en \u00e9conomie, $Q_1$<\/span> mat\u00e9rialise le seuil d’entr\u00e9e dans le quart inf\u00e9rieur de la population \u00e9tudi\u00e9e : il d\u00e9limite le contingent des scores les plus bas ou les plus s\u00e9v\u00e8res selon la polarit\u00e9 de la variable.<\/p>\n \u00c0 l’autre extr\u00e9mit\u00e9 du spectre central se positionne le troisi\u00e8me quartile, d\u00e9sign\u00e9 par $Q_3$<\/span> ou $q_{0,75}$<\/span>, qui incarne le 75e<\/sup> centile de la distribution. De mani\u00e8re analogue, il s’agit de la valeur seuil sous laquelle se concentrent 75 % des observations de l’\u00e9chantillon, laissant les 25 % restants au-del\u00e0 de sa fronti\u00e8re sup\u00e9rieure. Entre ces deux balises s’ins\u00e8re le deuxi\u00e8me quartile, $Q_2$<\/span>, plus commun\u00e9ment qualifi\u00e9 de m\u00e9diane<\/em> ($Mdn$<\/span> ou $q_{0,50}$<\/span>). Pivot absolu de l’architecture distributionnelle, la m\u00e9diane s\u00e9pare la distribution en deux moiti\u00e9s \u00e9gales. L’agencement relatif de $Q_1$<\/span>, de la m\u00e9diane et de $Q_3$<\/span> constitue l’armature fondamentale \u00e0 partir de laquelle s’\u00e9value non seulement la dispersion, mais \u00e9galement l’\u00e9quilibre g\u00e9om\u00e9trique de la distribution des donn\u00e9es.<\/p>\n La formulation alg\u00e9brique de l’\u00e9cart interquartile s’exprime avec une limpidit\u00e9 trompeuse sous l’\u00e9quation classique :<\/p>\n $$\\text{IQR} = Q_3 – Q_1$$<\/span><\/p>\n Bien que cette op\u00e9ration arithm\u00e9tique \u00e9l\u00e9mentaire consiste \u00e0 soustraire la valeur scalaire du premier quartile \u00e0 celle du troisi\u00e8me, sa port\u00e9e \u00e9pist\u00e9mologique est profonde. L’IQR repr\u00e9sente la longueur de l’intervalle n\u00e9cessaire pour agr\u00e9ger les observations situ\u00e9es entre le 25e<\/sup> et le 75e<\/sup> centile. Sur le plan m\u00e9trologique, l’IQR est une mesure absolue : il s’exprime rigoureusement dans la m\u00eame unit\u00e9 physique ou psychom\u00e9trique que la variable d’origine (qu’il s’agisse de millisecondes pour un temps de r\u00e9action, de points sur une \u00e9chelle d’anxi\u00e9t\u00e9 ou de microgrammes par millilitre dans un dosage pharmacologique). Contrairement aux transformations standardis\u00e9es comme les scores $Z$<\/span>, l’interpr\u00e9tation de l’\u00e9cart interquartile conserve ainsi une relation directe et concr\u00e8te avec l’instrument de mesure.<\/p>\n Il importe de clarifier une distinction conceptuelle majeure, trop souvent occult\u00e9e par des confusions s\u00e9mantiques dans les publications empiriques : l’\u00e9cart interquartile ($\\text{IQR}$<\/span>) ne doit pas \u00eatre confondu avec l’intervalle interquartile<\/em>. L’intervalle interquartile renvoie \u00e0 l’entit\u00e9 ensembliste $[Q_1, Q_3]$<\/span>, c’est-\u00e0-dire au segment d\u00e9limit\u00e9 par les deux bornes quartiliques. \u00c0 l’inverse, l’\u00e9cart interquartile est la mesure de distance, le scalaire qui quantifie la largeur de cet intervalle. L’intervalle situe la zone de concentration dans l’espace des variables (par exemple, un intervalle d’anxi\u00e9t\u00e9 de 35 \u00e0 55 points), tandis que l’\u00e9cart interquartile r\u00e9sume l’amplitude de cette concentration (soit un $\\text{IQR}$<\/span> de 20 points).<\/p>\n La finalit\u00e9 premi\u00e8re de l’\u00e9cart interquartile r\u00e9side dans l’isolation d\u00e9lib\u00e9r\u00e9e du c\u0153ur de la distribution. En \u00e9liminant m\u00e9thodiquement les 25 % des observations les plus faibles et les 25 % des observations les plus \u00e9lev\u00e9es, l’analyste neutralise l’impact des queues de distribution pour circonscrire son examen au groupe des 50 % de sujets ou d’items les plus typiques de l’\u00e9chantillon. Cette focalisation r\u00e9pond au principe de repr\u00e9sentativit\u00e9 m\u00e9diane, particuli\u00e8rement crucial dans les sciences du comportement et la recherche clinique o\u00f9 les extr\u00e9mit\u00e9s d’une distribution sont couramment satur\u00e9es par du bruit de mesure, des artefacts techniques ou des profils pathologiques hautement singuliers.<\/p>\n L’IQR \u00e9value directement la densit\u00e9 observationnelle autour de la m\u00e9diane. Si les 50 % centraux des donn\u00e9es sont comprim\u00e9s dans une bande num\u00e9rique \u00e9troite, l’IQR sera faible, t\u00e9moignant d’une forte coh\u00e9sion du comportement typique de l’\u00e9chantillon. Inversement, si cette masse centrale s’\u00e9tire sur une vaste portion de l’\u00e9chelle, l’IQR cro\u00eetra en proportion, r\u00e9v\u00e9lant une importante variabilit\u00e9 interindividuelle au sein m\u00eame de la population de r\u00e9f\u00e9rence. En isolant ce sous-ensemble m\u00e9dian, l’analyste obtient un barom\u00e8tre \u00e9pur\u00e9 de la variabilit\u00e9 structurale, garantissant que l’indice de dispersion refl\u00e8te fid\u00e8lement la r\u00e9alit\u00e9 de la majorit\u00e9 et non les caprices d’une poign\u00e9e d’observations marginales.<\/p>\n L’indicateur le plus rudimentaire de dispersion demeure l’\u00e9tendue brute (ou range<\/em>), d\u00e9finie par la simple diff\u00e9rence entre le maximum et le minimum observ\u00e9s : $\\text{\u00c9tendue} = X_{\\max} – X_{\\min}$<\/span>. Si sa simplicit\u00e9 computationnelle est attrayante, sa fragilit\u00e9 statistique en restreint drastiquement la validit\u00e9 scientifique. Par nature, l’\u00e9tendue globale d\u00e9pend exclusivement de deux points d’\u00e9chantillonnage : les deux plus extr\u00eames. Par cons\u00e9quent, une unique erreur de frappe (par exemple, la saisie d’un score de 999 au lieu de 99) ou la pr\u00e9sence accidentelle d’un sujet affichant une r\u00e9ponse aberrante suffit \u00e0 gonfler artificiellement l’\u00e9tendue, donnant une impression trompeuse d’hyper-dispersion pour un groupe en r\u00e9alit\u00e9 homog\u00e8ne.<\/p>\n Au-del\u00e0 de cette vuln\u00e9rabilit\u00e9 aux anomalies, l’\u00e9tendue globale souffre d’un d\u00e9faut th\u00e9orique majeur : elle constitue un estimateur non stable qui tend \u00e0 cro\u00eetre m\u00e9caniquement avec la taille de l’\u00e9chantillon $N$<\/span>. Plus le nombre d’observations augmente, plus la probabilit\u00e9 d’\u00e9chantillonner des valeurs situ\u00e9es dans les queues infinit\u00e9simales de la distribution s’\u00e9l\u00e8ve, augmentant l’esp\u00e9rance math\u00e9matique de la distance entre le minimum et le maximum. De surcro\u00eet, l’\u00e9tendue ne fournit aucune information sur la structure interne de l’\u00e9chantillon : elle est totalement insensible au fait que 98 % des donn\u00e9es soient tass\u00e9es \u00e0 gauche, \u00e0 droite ou r\u00e9parties uniform\u00e9ment entre les bornes. L’IQR r\u00e9sout ces \u00e9cueils en ignorant les valeurs limites pour se concentrer sur des seuils statistiques stables.<\/p>\n Dans le paradigme param\u00e9trique, l’\u00e9cart-type ($\\sigma$<\/span> au niveau populationnel, $s$<\/span> ou $SD$<\/span> au niveau \u00e9chantillonnal) r\u00e8gne sans partage. Ancr\u00e9 dans la minimisation des moindres carr\u00e9s, il mesure la dispersion quadratique moyenne des donn\u00e9es autour de la moyenne arithm\u00e9tique :<\/p>\n $$s = \\sqrt{\\frac{1}{N-1}\\sum_{i=1}^{N}(X_i – \\bar{X})^2}$$<\/span><\/p>\n Cette formulation math\u00e9matique lie inextricablement l’\u00e9cart-type \u00e0 la moyenne arithm\u00e9tique ($\\bar{X}$<\/span>). Or, d\u00e8s lors qu’une distribution s’\u00e9carte du mod\u00e8le gaussien th\u00e9orique, cette d\u00e9pendance devient une vuln\u00e9rabilit\u00e9 critique. Dans une distribution fortement asym\u00e9trique ou contamin\u00e9e par des donn\u00e9es aberrantes, la moyenne est irr\u00e9m\u00e9diablement d\u00e9port\u00e9e vers la queue lourde de la distribution. L’\u00e9cart-type subit une distorsion encore plus s\u00e9v\u00e8re en raison de l’\u00e9l\u00e9vation au carr\u00e9 des \u00e9carts $(X_i – \\bar{X})^2$<\/span>. Une observation situ\u00e9e \u00e0 dix \u00e9carts-types de la moyenne p\u00e8se cent fois plus lourd dans le calcul de la variance qu’une observation situ\u00e9e \u00e0 un \u00e9cart-type, induisant une surestimation dramatique de la dispersion r\u00e9elle pour le reste de l’\u00e9chantillon.<\/p>\n Lorsque le postulat de normalit\u00e9 est viol\u00e9, l’application machinale de la r\u00e8gle empirique associant $\\bar{X} \\pm 1 SD$<\/span> \u00e0 68 % des observations devient fausse et erron\u00e9e. L’\u00e9cart-type perd alors sa signification probabiliste intuitive et peut projeter des intervalles th\u00e9oriques aberrants, englobant par exemple des scores n\u00e9gatifs sur des \u00e9chelles cliniques qui n’admettent que des valeurs strictement positives.<\/p>\n Face aux limites inh\u00e9rentes \u00e0 l’\u00e9tendue et \u00e0 l’\u00e9cart-type, l’\u00e9cart interquartile se distingue par une propri\u00e9t\u00e9 m\u00e9thodologique primordiale : la robustesse statistique<\/em>. En statistique robuste, la r\u00e9sistance d’un estimateur s’\u00e9value par son point de rupture<\/strong> (ou breakdown point<\/em>), qui d\u00e9signe la proportion maximale d’observations arbitrairement corrompues qu’un estimateur peut tol\u00e9rer avant de produire une valeur infiniment fausse ou d\u00e9g\u00e9n\u00e9r\u00e9e. Alors que la moyenne et l’\u00e9cart-type poss\u00e8dent un point de rupture nul ($\\epsilon^* = 0$<\/span>), signifiant qu’une seule valeur infinie suffit \u00e0 d\u00e9truire l’estimation, l’\u00e9cart interquartile b\u00e9n\u00e9ficie d’un point de rupture remarquable de 25 % ($\\epsilon^* = 0,25$<\/span>).<\/p>\n Concr\u00e8tement, jusqu’\u00e0 25 % des observations les plus basses et 25 % des observations les plus hautes peuvent \u00eatre modifi\u00e9es, corrompues ou projet\u00e9es \u00e0 l’infini sans que la valeur scalaire de l’IQR n’en soit alt\u00e9r\u00e9e d’une seule unit\u00e9. Cette r\u00e9silience exceptionnelle conf\u00e8re \u00e0 l’IQR une stabilit\u00e9 d’estimation exemplaire dans les contextes de mod\u00e9lisation non param\u00e9trique. En psychologie clinique, en sociologie du travail ou en \u00e9conomie comportementale, o\u00f9 les jeux de donn\u00e9es comportent in\u00e9vitablement des distributions leptocurtiques, des effets de seuil ou des contaminations d’\u00e9chantillonnage, l’IQR s’impose comme l’estimateur de r\u00e9f\u00e9rence pour refl\u00e9ter la v\u00e9ritable variabilit\u00e9 structurelle des populations \u00e9tudi\u00e9es.<\/p>\n Le calcul de l’\u00e9cart interquartile exige imp\u00e9rativement une \u00e9tape pr\u00e9paratoire incontournable : le tri croissant exhaustif de l’ensemble des observations. Contrairement aux calculs de moyenne et d’\u00e9cart-type qui exploitent des sommes arithm\u00e9tiques commutatives ind\u00e9pendantes de la position des donn\u00e9es, l’estimation des quantiles rel\u00e8ve de la statistique d’ordre. Soit un \u00e9chantillon de taille $N$<\/span> not\u00e9 ${X_1, X_2, dots, X_N}$<\/span>, la premi\u00e8re op\u00e9ration algorithmique consiste \u00e0 g\u00e9n\u00e9rer la suite ordonn\u00e9e des statistiques de rang :<\/p>\n $$X_{(1)} le X_{(2)} le dots le X_{(N)}$$<\/span><\/p>\n Dans cette notation indicielle parenth\u00e9s\u00e9e, $X_{(1)}$<\/span> repr\u00e9sente la valeur minimale observ\u00e9e dans l’\u00e9chantillon, tandis que $X_{(N)}$<\/span> d\u00e9signe le score maximal. Chaque observation se voit attribuer un rang hi\u00e9rarchique $k$<\/span> compris entre $1$ et $N$<\/span>. La gestion des ex \u00e6quo (ou ties<\/em>) requiert une rigueur m\u00e9thodique particuli\u00e8re : lorsque plusieurs sujets obtiennent des scores strictement identiques, ils partagent des rangs cons\u00e9cutifs dans la s\u00e9rie ordonn\u00e9e. Ces fr\u00e9quences cumul\u00e9es modifient la fonction de r\u00e9partition empirique par paliers, ce qui impose une d\u00e9finition pr\u00e9cise de la m\u00e9thode d’interpolation lorsque le rang th\u00e9orique d’un quartile ne correspond pas \u00e0 un entier naturel strict.<\/p>\n1. Fondements th\u00e9oriques et d\u00e9finition math\u00e9matique de l’\u00e9cart interquartile (IQR)<\/h2>\n
1.1 D\u00e9finition formelle des quartiles et division distributionnelle<\/h3>\n
1.2 La formule fondamentale : IQR = Q3 – Q1<\/h3>\n
1.3 La capture des 50 % centraux de la population observ\u00e9e<\/h3>\n
2. Utilit\u00e9 statistique de l’IQR : comparaison avec l’\u00e9tendue et l’\u00e9cart-type<\/h2>\n
2.1 Les faiblesses structurelles de l’\u00e9tendue globale<\/h3>\n
2.2 L’\u00e9cart-type face aux distributions non gaussiennes<\/h3>\n
2.3 La robustesse statistique de l’\u00e9cart interquartile<\/h3>\n
3. M\u00e9thodologie rigoureuse de calcul de l’\u00e9cart interquartile<\/h2>\n
3.1 Ordonnancement et classement hi\u00e9rarchique des donn\u00e9es<\/h3>\n
3.2 Algorithmes de d\u00e9termination de Q1 et Q3<\/h3>\n