n<\/em> est restreint, produisant m\u00eame parfois des bornes aberrantes situ\u00e9es hors de l’espace param\u00e9trique [0, 1]. D’autres alternatives comme l’intervalle du score de Wilson ou l’intervalle d’Agresti-Coull procurent d’excellentes propri\u00e9t\u00e9s d’approximation, mais seul l’intervalle de Clopper-Pearson garantit math\u00e9matiquement que la probabilit\u00e9 de capture du param\u00e8tre inconnu \u03c0 est strictement sup\u00e9rieure ou \u00e9gale au niveau de confiance nominal sp\u00e9cifi\u00e9, scellant son caract\u00e8re de standard protecteur contre les erreurs de g\u00e9n\u00e9ralisation.<\/p>\n3. Pr\u00e9requis m\u00e9thodologiques et conditions d’application en psychologie<\/h2>\n3.1 Nature dichotomique de la variable d\u00e9pendante<\/h3>\n
L’administration valide du test binomial repose en premier lieu sur la structure de mesure de la variable d\u00e9pendante, laquelle doit imp\u00e9rativement pr\u00e9senter une nature nominale dichotomique. Chaque observation collect\u00e9e doit appartenir de mani\u00e8re non ambigu\u00eb \u00e0 l’une des deux modalit\u00e9s d\u00e9finies par le protocole exp\u00e9rimental, ces deux cat\u00e9gories devant \u00eatre rigoureusement mutuellement exclusives (aucun \u00e9v\u00e9nement ne peut appartenir simultan\u00e9ment aux deux classes) et collectivement exhaustives (chaque \u00e9v\u00e9nement mesur\u00e9 doit obligatoirement \u00eatre class\u00e9 dans l’une des deux cat\u00e9gories). En psychologie exp\u00e9rimentale, cette condition est satisfaite par des designs standardis\u00e9s de type d\u00e9cision binaire (reconnaissance oui\/non, choix entre deux cibles perceptuelles A et B, classification d’un stimulus comme familier ou in\u00e9dit).<\/p>\n
Cependant, une d\u00e9rive m\u00e9thodologique fr\u00e9quente consiste \u00e0 dichotomiser artificiellement des variables continues initialement mesur\u00e9es sur des \u00e9chelles d’intervalles, au moyen de s\u00e9parations par la m\u00e9diane ou de coupures arbitraires de scores psychom\u00e9triques. Cette pratique de dichotomisation artificielle est universellement condamn\u00e9e par les m\u00e9thodologistes de la recherche comportementale, car elle entra\u00eene une d\u00e9perdition massive de puissance statistique, une perte d’information quant \u00e0 la variabilit\u00e9 intra-individuelle et un risque accru de d\u00e9tection de faux effets de corr\u00e9lation fallacieux. Le test binomial ne doit jamais \u00eatre utilis\u00e9 pour analyser des scores continus d\u00e9coup\u00e9s a posteriori, mais doit demeurer strictement r\u00e9serv\u00e9 aux variables dont la nature conceptuelle intrins\u00e8que est indiscutablement binaire.<\/p>\n
De surcro\u00eet, le chercheur doit exercer un contr\u00f4le s\u00e9mantique et proc\u00e9dural strict sur l’\u00e9quivalence psychologique des modalit\u00e9s de r\u00e9ponse. Lors de l’administration de questionnaires ou de t\u00e2ches informatis\u00e9es, la sym\u00e9trie cognitive des options de r\u00e9ponse (par exemple la polarit\u00e9 d’attribution d’une touche de clavier pour le \u00ab\u00a0Oui\u00a0\u00bb versus le \u00ab\u00a0Non\u00a0\u00bb) doit \u00eatre neutralis\u00e9e par des proc\u00e9dures de contrebalancement syst\u00e9matique entre les participants afin d’\u00e9viter qu’un biais moteur syst\u00e9matique ne vienne alt\u00e9rer l’orthogonalit\u00e9 de la mesure binaire.<\/p>\n
3.2 Ind\u00e9pendance stricte des observations<\/h3>\n
L’ind\u00e9pendance statistique des observations repr\u00e9sente la condition sine qua non de validit\u00e9 du mod\u00e8le binomial. Math\u00e9matiquement, cette condition exige que l’issue d’un essai exp\u00e9rimental donn\u00e9 ne fournisse aucune information pr\u00e9dictive quant \u00e0 l’issue des essais subs\u00e9quents, ce qui se traduit par la nullit\u00e9 des covariances conditionnelles entre l’ensemble des paires d’observations formant l’\u00e9chantillon. Dans les sciences du comportement, cette hypoth\u00e8se d’ind\u00e9pendance est particuli\u00e8rement vuln\u00e9rable et fr\u00e9quemment viol\u00e9e lors de l’application du test sur des protocoles \u00e0 mesures r\u00e9p\u00e9t\u00e9es ou des s\u00e9ries chronologiques d’essais psychophysiques.<\/p>\n
Lorsque le test binomial est calcul\u00e9 en agr\u00e9geant l’ensemble des essais d’un unique participant soumis \u00e0 une batterie de stimulations successives, divers processus psychologiques dynamiques sont susceptibles d’induire une d\u00e9pendance s\u00e9quentielle majeure. Les ph\u00e9nom\u00e8nes de fatigue cognitive, les effets d’apprentissage implicite au fil des blocs exp\u00e9rimentaux, les strat\u00e9gies de pers\u00e9v\u00e9ration de r\u00e9ponse (tendance \u00e0 r\u00e9p\u00e9ter la m\u00eame option motrice ind\u00e9pendamment de la stimulation) ou les biais de r\u00e9cence constituent des sources massives d’autocorr\u00e9lation temporelle. Si un participant tend \u00e0 corriger spontan\u00e9ment sa r\u00e9ponse pr\u00e9c\u00e9dente sur la base d’une heuristique de joueur (croyance fallacieuse que le hasard doit s’\u00e9quilibrer localement), les \u00e9preuves ne sont plus ind\u00e9pendantes et la variance r\u00e9elle de l’\u00e9chantillon s’\u00e9carte substantiellement de la variance binomiale th\u00e9orique formul\u00e9e par n \u03c0 (1 – \u03c0)<\/em>.<\/p>\nPour pr\u00e9venir cette violation d\u00e9stabilisatrice, l’exp\u00e9rimentateur doit mettre en \u0153uvre des strat\u00e9gies de randomisation temporelle rigoureuse, ins\u00e9rer des intervalles inter-stimulus variables pour d\u00e9synchroniser les anticipations rythmiques et v\u00e9rifier par des tests d’autocorr\u00e9lation (tels que le test des suites ou des mod\u00e8les autor\u00e9gressifs) l’absence de structure s\u00e9quentielle avant de condenser les donn\u00e9es en vue du test binomial. Lorsque l’analyse est conduite au niveau du groupe, chaque unit\u00e9 statistique doit provenir d’un participant distinct pr\u00e9lev\u00e9 ind\u00e9pendamment au sein de la population cible, proscrivant formellement l’agr\u00e9gation aveugle d’essais intra-sujets au sein d’un pool d’\u00e9chantillonnage unique.<\/p>\n
3.3 Constance de la probabilit\u00e9 de succ\u00e8s et repr\u00e9sentativit\u00e9<\/h3>\n
Le troisi\u00e8me pr\u00e9requis fondamental du mod\u00e8le binomial postule l’invariance temporelle et contextuelle du param\u00e8tre latent \u03c0 tout au long de la phase de recueil des donn\u00e9es. Ce crit\u00e8re de stationnarit\u00e9 impose que la probabilit\u00e9 th\u00e9orique de succ\u00e8s demeure strictement constante d’un essai \u00e0 l’autre et d’un individu \u00e0 l’autre au sein de l’\u00e9chantillon analys\u00e9. Si la probabilit\u00e9 sous-jacente fluctue au gr\u00e9 des essais sous l’effet de fluctuations d’attention, de variations de la luminosit\u00e9 ambiante dans le laboratoire, ou de disparit\u00e9s d’\u00e9talonnage des appareils de mesure, le mod\u00e8le g\u00e9n\u00e9r\u00e9 n’est plus une distribution binomiale standard, mais une distribution binomiale de Poisson ou une distribution b\u00eata-binomiale caract\u00e9ris\u00e9e par un ph\u00e9nom\u00e8ne de surdispersion.<\/p>\n
L’\u00e9valuation des biais de passation prend ici toute son importance en exp\u00e9rimentation humaine. L’exp\u00e9rimentateur doit veiller \u00e0 une standardisation absolue des consignes verbales ou \u00e9crites, \u00e0 l’homog\u00e9n\u00e9it\u00e9 des interfaces mat\u00e9rielles et au contr\u00f4le des variables parasites environnementales (bruit ambiant, temp\u00e9rature, heure de passation en relation avec les rythmes circadiens de vigilance). Dans les paradigmes d’apprentissage o\u00f9 la performance s’am\u00e9liore structurellement de bloc en bloc, le param\u00e8tre \u03c0 \u00e9volue de fa\u00e7on croissante au cours du temps, interdisant le recours au test binomial sur l’ensemble de la session globale au profit d’analyses par tranches temporelles stabilis\u00e9es ou de mod\u00e8les de r\u00e9gression logistique \u00e0 effets mixtes.<\/p>\n
Enfin, la repr\u00e9sentativit\u00e9 de l’\u00e9chantillon vis-\u00e0-vis de la population parente conditionne l’extrapolabilit\u00e9 externe de l’inf\u00e9rence. Bien que le test binomial conserve une validit\u00e9 math\u00e9matique interne exacte quelle que soit la taille n<\/em> retenue, m\u00eame minime, la port\u00e9e th\u00e9orique des conclusions tir\u00e9es d\u00e9pend de la s\u00e9lection non biais\u00e9e des sujets exp\u00e9rimentaux. Un \u00e9chantillon restreint mais exempt de biais de s\u00e9lection fournira, gr\u00e2ce au test exact, une quantification inf\u00e9rentielle indiscutable des probabilit\u00e9s d’erreur associ\u00e9es au rejet de l’hypoth\u00e8se nulle.<\/p>\n4. Syntaxe et structure de la fonction binom.test() dans l’environnement R<\/h2>\n4.1 D\u00e9composition exhaustive des arguments de binom.test()<\/h3>\n
L’environnement statistique R impl\u00e9mente le test binomial exact par le biais de la fonction native issue du package de base de statistiques : binom.test()<\/strong>. Con\u00e7ue pour offrir une interface algorithmique simple mais exhaustive, cette routine mobilise cinq arguments principaux permettant de sp\u00e9cifier l’int\u00e9gralit\u00e9 des param\u00e8tres de mod\u00e9lisation math\u00e9matique du test exact. La signature standardis\u00e9e de la fonction se pr\u00e9sente sous la forme g\u00e9n\u00e9rale : binom.test(x, n, p = 0.5, alternative = \u00ab\u00a0two.sided\u00a0\u00bb, conf.level = 0.95)<\/strong>.<\/p>\nL’argument x<\/strong> re\u00e7oit les donn\u00e9es relatives aux occurrences du succ\u00e8s empirique. Il peut \u00eatre instanci\u00e9 soit sous la forme d’un entier scalaire unique repr\u00e9sentant le nombre total d’\u00e9v\u00e9nements positifs d\u00e9nombr\u00e9s, soit sous la forme d’un vecteur binaire \u00e0 deux \u00e9l\u00e9ments contenant respectivement le nombre de succ\u00e8s et le nombre d’\u00e9checs. Dans cette derni\u00e8re configuration vectorielle, l’argument compl\u00e9mentaire n<\/strong> devient parfaitement optionnel puisque le nombre total d’essais est directement d\u00e9duit par la somme des deux composantes vectorielles. Si x<\/strong> est un entier scalaire unique, l’argument n<\/strong> doit imp\u00e9rativement \u00eatre explicit\u00e9 sous la forme d’un entier strictly positif repr\u00e9sentant l’effectif global des essais observ\u00e9s.<\/p>\nLe param\u00e8tre p<\/strong> correspond \u00e0 la probabilit\u00e9 de succ\u00e8s postul\u00e9e sous l’hypoth\u00e8se nulle H0<\/em>. Sa valeur par d\u00e9faut est fix\u00e9e \u00e0 0.5, ce qui refl\u00e8te l’hypoth\u00e8se classique d’\u00e9quivalence entre deux alternatives \u00e9quiprobables (mod\u00e9lisant le hasard absolu dans une t\u00e2che dichotomique sym\u00e9trique). Le chercheur peut toutefois attribuer \u00e0 p<\/strong> n’importe quelle valeur r\u00e9elle appartenant \u00e0 l’intervalle ouvert ]0, 1[ pour refl\u00e9ter des taux de base th\u00e9oriques ou des probabilit\u00e9s de fausse alarme asym\u00e9triques. L’argument alternative<\/strong> accepte une cha\u00eene de caract\u00e8res d\u00e9finissant l’orientation de l’hypoth\u00e8se de recherche, parmi les trois options formelles : \u00ab\u00a0two.sided\u00a0\u00bb<\/em> (test bilat\u00e9ral, option activ\u00e9e par d\u00e9faut), \u00ab\u00a0greater\u00a0\u00bb<\/em> (test unilat\u00e9ral de sup\u00e9riorit\u00e9 testant si \u03c0 > p), et \u00ab\u00a0less\u00a0\u00bb<\/em> (test unilat\u00e9ral d’inf\u00e9riorit\u00e9 testant si \u03c0 < p). Enfin, l'argument conf.level<\/strong> stipule le niveau de confiance nominal pour la d\u00e9rivation de l’intervalle exact de Clopper-Pearson, initialis\u00e9 conventionnellement \u00e0 0.95 pour un taux d’erreur bilat\u00e9ral de cinq pour cent.<\/p>\n4.2 Pr\u00e9paration et nettoyage des donn\u00e9es dans R<\/h3>\n
Dans la pratique contemporaine de la recherche en psychologie, les donn\u00e9es brutes proviennent rarement d’une saisie manuelle de compteurs agr\u00e9g\u00e9s, mais sont g\u00e9n\u00e9r\u00e9es de mani\u00e8re massive et d\u00e9sagr\u00e9g\u00e9e par des logiciels de passation exp\u00e9rimentale tels que PsychoPy, OpenSesame, Gorilla Experiment Builder ou Qualtrics. Ces plateformes d\u00e9livrent des fichiers tabulaires (fichiers au format CSV ou TSV) au sein desquels chaque ligne mat\u00e9rialise un essai \u00e9l\u00e9mentaire r\u00e9alis\u00e9 par un participant donn\u00e9, avec des colonnes codant l’exactitude de la r\u00e9ponse sous forme textuelle ou num\u00e9rique.<\/p>\n
L’\u00e9tape pr\u00e9liminaire sous R consiste \u00e0 importer le jeu de donn\u00e9es au sein d’une structure native de type data.frame<\/em> ou de type tibble<\/em> (au sein du standard moderne du tidyverse) et \u00e0 transformer la variable d’int\u00e9r\u00eat en un vecteur binaire propre. Supposons une colonne textuelle nomm\u00e9e reponse_correcte<\/em> contenant les cha\u00eenes \u00ab\u00a0correct\u00a0\u00bb et \u00ab\u00a0incorrect\u00a0\u00bb. L’analyste proc\u00e8de \u00e0 une vectorisation logique ou num\u00e9rique en traduisant cette modalit\u00e9 par des valeurs bool\u00e9ennes TRUE<\/em> et FALSE<\/em> ou par les entiers binaires 1 et 0. Les fonctions de base du langage permettent d’extraire les grandeurs requises sans recourir \u00e0 des boucles imp\u00e9ratives co\u00fbteuses.<\/p>\nL’extraction automatis\u00e9e des compteurs de succ\u00e8s s’op\u00e8re directement par l’application de la fonction de sommation arithm\u00e9tique sum()<\/strong> appliqu\u00e9e sur le vecteur logique, laquelle exploite le m\u00e9canisme d’\u00e9valuation automatique de R convertissant les bool\u00e9ens TRUE<\/em> en entiers unitaires : nombre_succes <- sum(donnees$reponse_correcte == \u00ab\u00a0correct\u00a0\u00bb, na.rm = TRUE)<\/strong>. Parall\u00e8lement, l’effectif total n<\/strong> des essais valides non manquants est extrait \u00e0 l’aide de la fonction d’interrogation de longueur vectorielle length()<\/strong> ou par le comptage des valeurs d\u00e9finies : nombre_total <- sum(!is.na(donnees$reponse_correcte))<\/strong>. Ces deux scalaires alimentent ensuite directement les arguments x<\/strong> et n<\/strong> de l’algorithme d’inf\u00e9rence binomiale.<\/p>\n4.3 Gestion des objets de sortie cr\u00e9\u00e9s par la fonction<\/h3>\n
L’ex\u00e9cution de la commande binom.test()<\/strong> ne produit pas une simple cha\u00eene de caract\u00e8res affich\u00e9e dans la console R, mais retourne un objet computationnel structur\u00e9 hautement standardis\u00e9 appartenant formellement \u00e0 la classe S3 nomm\u00e9e htest<\/strong> (acronyme de hypothesis test<\/em>). Cette architecture orient\u00e9e objet encapsule l’ensemble des m\u00e9triques inf\u00e9rentielles, statistiques et descriptives calcul\u00e9es par la fonction, permettant une interrogation programmatique automatis\u00e9e particuli\u00e8rement puissante lors de la g\u00e9n\u00e9ration dynamique de rapports scientifiques reproductibles.<\/p>\nPour exploiter pleinement la sortie, l’utilisateur assigne le r\u00e9sultat de l’ex\u00e9cution \u00e0 une variable nomm\u00e9e au sein de son environnement de travail : resultat_test <- binom.test(x = 18, n = 24, p = 0.5)<\/strong>. Une inspection de la structure interne au moyen de la fonction native names(resultat_test)<\/strong> ou de la commande r\u00e9flexive str(resultat_test)<\/strong> r\u00e9v\u00e8le que cet objet de classe htest<\/strong> est structur\u00e9 sous la forme d’une liste de param\u00e8tres indic\u00e9s par des identifiants s\u00e9mantiques stricts. Chaque composante peut ainsi \u00eatre extraite \u00e0 l’aide de l’op\u00e9rateur d’indexation mon\u00e9taire habituel du langage R.<\/p>\nParmi les attributs cl\u00e9s figurent : resultat_test$statistic<\/strong>, qui contient la valeur scalaire du nombre de succ\u00e8s observ\u00e9s (x<\/em>) ; resultat_test$parameter<\/strong>, renseignant le nombre total d’essais r\u00e9alis\u00e9s (n<\/em>) ; resultat_test$p.value<\/strong>, isolant la valeur flottante exacte de la p-valeur calcul\u00e9e ; resultat_test$conf.int<\/strong>, qui se compose d’un vecteur num\u00e9rique \u00e0 deux \u00e9l\u00e9ments renfermant respectivement la borne inf\u00e9rieure et la borne sup\u00e9rieure de l’intervalle de Clopper-Pearson, tout en portant un attribut m\u00e9tadonn\u00e9e conf.level<\/em> indiquant le seuil de couverture retenu ; resultat_test$estimate<\/strong>, explicitant la proportion empirique d’\u00e9chantillon k\/n<\/em> ; resultat_test$null.value<\/strong>, rappelant la probabilit\u00e9 p0<\/em> assign\u00e9e \u00e0 l’hypoth\u00e8se nulle ; et enfin resultat_test$method<\/strong> et resultat_test$alternative<\/strong>, d\u00e9crivant textuellement l’algorithme exact employ\u00e9 et le type de contraste directionnel appliqu\u00e9. Cette granularit\u00e9 permet de concat\u00e9ner programmatiquement des centaines de tests au sein de matrices de r\u00e9sultats pour des analyses \u00e0 haut d\u00e9bit.<\/p>\n5. Mise en \u0153uvre d’un test binomial bilat\u00e9ral sous R : Cas pratique guid\u00e9<\/h2>\n5.1 Pr\u00e9sentation du protocole exp\u00e9rimental : T\u00e2che de perception subliminale<\/h3>\n
Afin de contextualiser concr\u00e8tement la d\u00e9marche d’analyse, consid\u00e9rons un protocole exp\u00e9rimental standard issu du champ de la psychologie cognitive de la conscience et de la psychophysique visuelle. Le paradigme s’int\u00e9resse \u00e0 la discrimination visuelle inconsciente par le biais d’un protocole de masquage visuel r\u00e9troactif \u00e0 forte contrainte temporelle. Un participant unique est install\u00e9 face \u00e0 un tachistoscope calibr\u00e9 ou un \u00e9cran \u00e0 haut taux de rafra\u00eechissement. \u00c0 chaque essai, un stimulus visuel g\u00e9om\u00e9trique simple (soit un cercle parfait, soit un carr\u00e9 parfait de surface \u00e9quiluminante) est pr\u00e9sent\u00e9 au centre du champ visuel pendant une dur\u00e9e de 16 millisecondes, imm\u00e9diatement suivie d’un masque visuel textur\u00e9 dynamique d’une dur\u00e9e de 250 millisecondes annihilant la sensation visuelle consciente ph\u00e9nom\u00e9nologique.<\/p>\n
La t\u00e2che requise du participant rel\u00e8ve du choix forc\u00e9 : bien qu’il rapporte syst\u00e9matiquement l’impression subjective de ne percevoir qu’un flash lumineux informe ou le motif du masque, il est contraint d’indiquer si le stimulus masqu\u00e9 \u00e9tait un cercle ou un carr\u00e9 en pressant l’un des deux commutateurs d\u00e9di\u00e9s. En l’absence totale de d\u00e9tection perceptive (c’est-\u00e0-dire sous l’empire de la th\u00e9orie stipulant l’impossibilit\u00e9 d’un traitement s\u00e9mantique ou morphologique sans conscience d’acc\u00e8s), le sujet op\u00e8re une devinette aveugle. D\u00e8s lors, la probabilit\u00e9 th\u00e9orique de classification correcte par pur hasard est rigoureusement \u00e9gale \u00e0 p0 = 0.50<\/em>, le protocole pr\u00e9sentant un nombre rigoureusement \u00e9gal d’essais arborant des cercles et des carr\u00e9s distribu\u00e9s selon un ordre pseudo-al\u00e9atoire sans remise.<\/p>\nLe protocole comporte une s\u00e9rie critique restreinte de 24 essais discriminatifs. Au terme de cette session hautement contr\u00f4l\u00e9e, le d\u00e9pouillement informatique des enregistrements comportementaux r\u00e9v\u00e8le que le participant a fourni une r\u00e9ponse correcte lors de 18 essais sur 24. L’exp\u00e9rimentateur souhaite d\u00e9terminer si cette performance empirique, \u00e9quivalant \u00e0 un taux de succ\u00e8s apparent de 75 %, constitue une d\u00e9viation statistiquement significative par rapport au niveau de chance th\u00e9orique, ou si une telle observation demeure raisonnablement attribuable aux fluctuations al\u00e9atoires inh\u00e9rentes \u00e0 l’\u00e9chantillonnage de Bernoulli.<\/p>\n
5.2 Ex\u00e9cution pas \u00e0 pas du code R pour l’analyse bilat\u00e9rale<\/h3>\n
L’analyse est men\u00e9e sous l’angle d’une hypoth\u00e8se bilat\u00e9rale. Ce choix \u00e9pist\u00e9mologique est dict\u00e9 par le fait qu’en psychophysique subliminale, un \u00e9cart statistiquement significatif au-dessus du hasard signe une capacit\u00e9 discriminative r\u00e9siduelle non consciente (ph\u00e9nom\u00e8ne de vision aveugle ou blindsight), tandis qu’un \u00e9cart statistiquement significatif en dessous du hasard (performance anormalement m\u00e9diocre) pourrait r\u00e9v\u00e9ler un processus de censure cognitive active, un biais de compensation motrice ou un ph\u00e9nom\u00e8ne d’inhibition perceptive inconsciente. D\u00e8s lors, les deux queues de la distribution probabiliste poss\u00e8dent une signification conceptuelle majeure.<\/p>\n
Dans l’\u00e9diteur de script R, le chercheur documente sa d\u00e9marche selon les pr\u00e9ceptes de la science ouverte en d\u00e9finissant explicitement les variables empiriques avant l’appel \u00e0 la fonction inf\u00e9rentielle :<\/p>\n
nb_succes <- 18<\/strong>
\nnb_essais <- 24<\/strong>
\nprob_nulle <- 0.50<\/strong>
\nanalyse_perception <- binom.test(x = nb_succes, n = nb_essais, p = prob_nulle, alternative = \u00ab\u00a0two.sided\u00a0\u00bb, conf.level = 0.95)<\/strong>
\nprint(analyse_perception)<\/strong><\/p>\nL’ex\u00e9cution de cette s\u00e9quence dans la console de programmation R d\u00e9clenche imm\u00e9diatement l’\u00e9valuation exacte des probabilit\u00e9s combinatoires sans mobiliser aucune approximation continue. Le r\u00e9sultat produit est instantan\u00e9 et d\u00e9terministe, garantissant une reproductibilit\u00e9 num\u00e9rique absolue d’une machine \u00e0 l’autre sans aucune sensibilit\u00e9 aux graines de g\u00e9n\u00e9rateurs de nombres pseudo-al\u00e9atoires, le test exact ne reposant pas sur des m\u00e9thodes de r\u00e9\u00e9chantillonnage de Monte Carlo mais sur la r\u00e9solution analytique des \u00e9quations polynomiales discr\u00e8tes de Bernoulli.<\/p>\n
5.3 Explication s\u00e9quentielle de la sortie textuelle g\u00e9n\u00e9r\u00e9e<\/h3>\n
L’affichage g\u00e9n\u00e9r\u00e9 par la console R suite \u00e0 l’ex\u00e9cution de la commande standard se d\u00e9compose en un bloc de texte structur\u00e9 et standardis\u00e9 que tout analyste doit savoir d\u00e9crypter avec acuit\u00e9. La premi\u00e8re ligne sp\u00e9cifie le titre formel de la proc\u00e9dure appliqu\u00e9e : Exact binomial test<\/em>, attestant sans ambigu\u00eft\u00e9 qu’aucun ajustement asymptotique n’a \u00e9t\u00e9 substitu\u00e9 aux calculs factoriels r\u00e9els. La ligne imm\u00e9diatement inf\u00e9rieure r\u00e9capitule les donn\u00e9es empiriques saisies sous la forme : data: 18 and 24<\/em>, confirmant le nombre de succ\u00e8s (18) et le volume total d’\u00e9preuves (24).<\/p>\nLa ligne ma\u00eetresse de la sortie inf\u00e9rentielle indique : number of successes = 18, number of trials = 24, p-value = 0.02256<\/em>. La valeur de probabilit\u00e9 ainsi d\u00e9riv\u00e9e s’\u00e9tablit \u00e0 approximativement p = 0.023<\/em>. En confrontant cette p-valeur exacte au seuil de significativit\u00e9 conventionnel fix\u00e9 a priori \u00e0 \u03b1 = 0.05, l’exp\u00e9rimentateur constate formellement que p < \u03b1<\/em>. En cons\u00e9quence, l’hypoth\u00e8se nulle H0 : \u03c0 = 0.50<\/em> doit \u00eatre rejet\u00e9e avec confiance au profit de l’hypoth\u00e8se alternative HA : \u03c0 \u2260 0.50<\/em>. L’assertion statistique selon laquelle le sujet a r\u00e9pondu selon les seules lois du hasard \u00e9quiprobable est donc empiriquement intenable.<\/p>\nLa ligne textuelle suivante explicite la nature de la conjecture alternative retenue : alternative hypothesis: true probability of success is not equal to 0.5<\/em>. En dessous, le bloc d’estimation renseigne l’intervalle de confiance calcul\u00e9 selon la formulation de Clopper-Pearson : 95 percent confidence interval: 0.5326744 0.9022646<\/em>. Cet intervalle indique que la proportion r\u00e9elle de d\u00e9tection du participant dans la population th\u00e9orique d’essais infinis se situe, avec un niveau de confiance garanti de 95 %, entre 53,27 % et 90,23 %. La borne inf\u00e9rieure de cet intervalle exact \u00e9tant strictement sup\u00e9rieure \u00e0 la valeur de r\u00e9f\u00e9rence de 0.50, l’intervalle corrobore sans ambigu\u00eft\u00e9 le rejet de l’hypoth\u00e8se nulle. Enfin, la derni\u00e8re section de l’affichage livre l’estimation ponctuelle empirique du param\u00e8tre latent sous l’en-t\u00eate sample estimates: probability of success: 0.75<\/em>, correspondant au ratio exact de 18 divis\u00e9 par 24.<\/p>\n6. Mise en \u0153uvre des tests binomiaux unilat\u00e9raux sous R : Sup\u00e9riorit\u00e9 et inf\u00e9riorit\u00e9<\/h2>\n6.1 Test de sup\u00e9riorit\u00e9 (alternative = ‘greater’)<\/h3>\n
Dans de multiples configurations d’investigation exp\u00e9rimentale, la th\u00e9orie psychologique sous-jacente interdit conceptuellement l’hypoth\u00e8se d’une d\u00e9t\u00e9rioration sous le niveau du hasard ou conf\u00e8re une importance exclusive \u00e0 l’acquisition d’une habilet\u00e9 positive. C’est typiquement le cas dans l’\u00e9valuation des paradigmes d’apprentissage implicite, de rem\u00e9diation cognitive ou de transfert de comp\u00e9tences motrices. Prenons l’illustration d’une t\u00e2che d’apprentissage proc\u00e9dural implicite \u00e0 quatre alternatives de choix \u00e9quiprobables. \u00c0 chaque essai, une cible appara\u00eet dans l’un des quatre quadrants d’un moniteur. Le niveau th\u00e9orique de r\u00e9ponse correcte par pur hasard est d\u00e8s lors de p0 = 1\/4 = 0.25<\/em>.<\/p>\nUn chercheur \u00e9value un participant apr\u00e8s une phase intensive d’entra\u00eenement sensorimoteur dissimul\u00e9 en lui soumettant 20 essais probes critiques. Le sujet r\u00e9ussit 15 de ces 20 essais. L’hypoth\u00e8se de travail postule de mani\u00e8re unilat\u00e9rale stricte que l’apprentissage ne peut que majorer le taux de r\u00e9ussite au-del\u00e0 de 25 %, l’hypoth\u00e8se d’une performance inf\u00e9rieure n’ayant aucune recevabilit\u00e9 conceptuelle dans le mod\u00e8le de plasticit\u00e9 c\u00e9r\u00e9brale test\u00e9. L’analyste programme l’\u00e9valuation sous R en param\u00e9trant l’argument alternative = \u00ab\u00a0greater\u00a0\u00bb<\/strong> :<\/p>\nresultat_superiorite <- binom.test(x = 15, n = 20, p = 0.25, alternative = \u00ab\u00a0greater\u00a0\u00bb)<\/strong>
\nprint(resultat_superiorite)<\/strong><\/p>\nLa console renvoie une p-valeur unilat\u00e9rale infinit\u00e9simale de l’ordre de p = 4.79e-07<\/em>, conduisant \u00e0 un rejet indiscutable de l’hypoth\u00e8se nulle. Une propri\u00e9t\u00e9 fondamentale de la sortie unilat\u00e9rale \u00e0 droite concerne la structure de l’intervalle de confiance de Clopper-Pearson g\u00e9n\u00e9r\u00e9. Contrairement au test bilat\u00e9ral qui produit un intervalle born\u00e9 des deux c\u00f4t\u00e9s, le test de sup\u00e9riorit\u00e9 calcule un intervalle de confiance unilat\u00e9ral unifi\u00e9 dont la borne sup\u00e9rieure est contrainte par d\u00e9finition \u00e0 l’unit\u00e9 absolue (1.0000000). La sortie indique ainsi un intervalle s’\u00e9tendant de 0.5487771 \u00e0 1.0000000 \u00e0 un niveau de confiance de 95 %. Cela signifie que l’analyste peut affirmer avec 95 % de confiance statistique que la proportion r\u00e9elle d’apprentissage latent exc\u00e8de au minimum 54,88 %, confirmant spectaculairement la sup\u00e9riorit\u00e9 de la performance par rapport au seuil critique initial de 0.25.<\/p>\n6.2 Test d’inf\u00e9riorit\u00e9 ou d’inhibition (alternative = ‘less’)<\/h3>\n
\u00c0 l’oppos\u00e9 structural des \u00e9preuves d’acquisition, de nombreux protocoles en psychopathologie exp\u00e9rimentale, en psychopharmacologie cognitive et dans l’\u00e9tude des fonctions ex\u00e9cutives examinent des m\u00e9canismes d’inhibition comportementale active ou d’extinction de r\u00e9flexes conditionn\u00e9s. Dans ces paradigmes, le succ\u00e8s exp\u00e9rimental r\u00e9side dans la r\u00e9duction massive d’une r\u00e9ponse ind\u00e9sirable en dessous d’un taux d’occurrence de r\u00e9f\u00e9rence. Supposons une recherche portant sur l’extinction d’un r\u00e9flexe de sursaut d\u00e9fensif conditionn\u00e9 chez des sujets pr\u00e9sentant un trouble de stress post-traumatique soumis \u00e0 une th\u00e9rapie d’exposition assist\u00e9e par r\u00e9alit\u00e9 virtuelle.<\/p>\n
Le taux \u00e9pid\u00e9miologique r\u00e9siduel document\u00e9 de r\u00e9activit\u00e9 involontaire en pr\u00e9sence d’un stimulus d\u00e9clencheur standardis\u00e9 est de p0 = 0.30<\/em> (soit 30 % de d\u00e9clenchements r\u00e9flexes au sein de cette cohorte clinique). Apr\u00e8s administration du protocole th\u00e9rapeutique, un patient est expos\u00e9 \u00e0 25 pr\u00e9sentations critiques du stimulus ambiant et ne manifeste une r\u00e9action symptomatique que lors de 3 pr\u00e9sentations seulement. L’investigateur cherche \u00e0 d\u00e9montrer statistiquement que le taux d’activation phobique a \u00e9t\u00e9 significativement restreint sous le seuil critique de 30 %. L’analyse sous R est formul\u00e9e \u00e0 l’aide du param\u00e8tre d’inf\u00e9riorit\u00e9 unilat\u00e9rale :<\/p>\nresultat_inhibition <- binom.test(x = 3, n = 25, p = 0.30, alternative = \u00ab\u00a0less\u00a0\u00bb)<\/strong>
\nprint(resultat_inhibition)<\/strong><\/p>\nLe traitement algorithmique d\u00e9livre une p-valeur exacte unilat\u00e9rale de p = 0.03324<\/em>. Cette valeur demeurant inf\u00e9rieure au seuil alpha critique usuel de 0.05, l’exp\u00e9rimentateur conclut \u00e0 une extinction symptomatique statistiquement significative. Dans cette configuration d’inf\u00e9riorit\u00e9, l’intervalle de confiance unilat\u00e9ral exact fourni par R ancre invariablement sa borne inf\u00e9rieure \u00e0 z\u00e9ro (0.0000000) et formalise une borne sup\u00e9rieure de confiance \u00e9gale \u00e0 0.2706334. L’interpr\u00e9tation scientifique certifie ainsi, au seuil de confiance de 95 %, que la probabilit\u00e9 r\u00e9elle de d\u00e9clenchement du comportement symptomatique ne d\u00e9passe pas 27,06 %, se situant donc r\u00e9solument en de\u00e7\u00e0 du taux de r\u00e9f\u00e9rence de base de 30 %.<\/p>\n6.3 Dilemmes statistiques li\u00e9s au choix de l’unilat\u00e9ralit\u00e9<\/h3>\n
Bien que l’argument math\u00e9matique en faveur des tests unilat\u00e9raux r\u00e9side dans un gain m\u00e9canique de puissance statistique (l’int\u00e9gralit\u00e9 du risque de premier type \u03b1 \u00e9tant concentr\u00e9e dans une seule queue de la distribution sans division par deux), leur utilisation soul\u00e8ve d’immenses dilemmes d\u00e9ontologiques, statistiques et \u00e9pist\u00e9mologiques dans la recherche contemporaine. L’\u00e9cueil m\u00e9thodologique majeur r\u00e9side dans la tentation de s\u00e9lectionner l’hypoth\u00e8se unilat\u00e9rale de mani\u00e8re post-hoc, c’est-\u00e0-dire apr\u00e8s avoir constat\u00e9 visuellement la direction de l’effet dans les donn\u00e9es recueillies. Une telle pratique double subrepticement le taux d’erreur de type I r\u00e9el, violant l’int\u00e9grit\u00e9 de la m\u00e9thode de Neyman-Pearson et participant directement \u00e0 la crise de la reproductibilit\u00e9 en psychologie.<\/p>\n
Si un test bilat\u00e9ral appliqu\u00e9 aux donn\u00e9es du paragraphe pr\u00e9c\u00e9dent avait produit une p-valeur de 0.06648 (non significative au seuil classique de 5 %), d\u00e9cider r\u00e9troactivement de basculer vers un argument alternative = \u00ab\u00a0less\u00a0\u00bb<\/strong> pour faire artificiellement franchir \u00e0 la p-valeur le seuil symbolique de 0.05 constitue une falsification m\u00e9thodologique connue sous le terme de p-hacking. D’un point de vue \u00e9pist\u00e9mologique, un test unilat\u00e9ral rend le chercheur math\u00e9matiquement aveugle \u00e0 toute d\u00e9couverte inattendue survenant dans la direction oppos\u00e9e : si le traitement th\u00e9rapeutique avait massivement exacerb\u00e9 le r\u00e9flexe conditionn\u00e9 en le portant \u00e0 95 % de r\u00e9activit\u00e9, le test unilat\u00e9ral d’inf\u00e9riorit\u00e9 aurait math\u00e9matiquement retourn\u00e9 une p-valeur proche de 1.0, concluant paradoxalement \u00e0 l’absence de tout rejet de H0<\/em> malgr\u00e9 une alt\u00e9ration comportementale majeure.<\/p>\nEn vertu des standards \u00e9ditoriaux de l’American Psychological Association<\/a> et des consortiums de science ouverte, l’usage d’un test binomial unilat\u00e9ral sous R n’est m\u00e9thodologiquement admissible que si le protocole exp\u00e9rimental et l’orientation exacte du contraste directionnel ont fait l’objet d’un pr\u00e9-enregistrement formel et public (par exemple sur le registre de l’Open Science Framework) pr\u00e9alablement au recueil de la moindre donn\u00e9e observationnelle.<\/p>\n7. Interpr\u00e9tation acad\u00e9mique et d\u00e9composition des sorties R<\/h2>\n7.1 Signification statistique versus pertinence th\u00e9orique<\/h3>\n
L’une des distinctions les plus cardinales que l’analyste de donn\u00e9es doit op\u00e9rer lors de la restitution des r\u00e9sultats issus de la fonction binom.test()<\/strong> r\u00e9side dans la disjonction conceptuelle entre significativit\u00e9 statistique et ampleur ou pertinence clinique et th\u00e9orique du ph\u00e9nom\u00e8ne mesur\u00e9. L’obtention d’une p-valeur inf\u00e9rieure au seuil alpha nominal (typiquement p < 0.05<\/em>) autorise formellement le rejet de l’hypoth\u00e8se nulle d’\u00e9quiprobabilit\u00e9 ou de conformit\u00e9, mais ne fournit, par nature math\u00e9matique, aucune m\u00e9trique directe quant \u00e0 la grandeur psychologique de l’effet exp\u00e9rimental.<\/p>\nLa p-valeur exacte d\u00e9pend intrins\u00e8quement de deux facteurs conjoints : la magnitude de la d\u00e9viation r\u00e9elle du param\u00e8tre \u03c0 par rapport \u00e0 la valeur postul\u00e9e p0<\/em>, et la taille globale de l’\u00e9chantillon n<\/em>. Au sein de volumineuses bases de donn\u00e9es num\u00e9riques (issues par exemple de collectes en ligne sur des foules d’utilisateurs regroupant des milliers d’observations), une d\u00e9viation microscopique et trivialement d\u00e9pourvue de signification cognitive (par exemple une proportion empirique de succ\u00e8s de 0.505 compar\u00e9e \u00e0 une chance th\u00e9orique de 0.500 sur un \u00e9chantillon de n = 100 000<\/em> essais) produira une p-valeur hautement significative (p < 0.001<\/em>). L’analyste na\u00eff conclurait ind\u00fbment \u00e0 la manifestation d’une capacit\u00e9 cognitive exceptionnelle, alors que l’effet ne repr\u00e9sente qu’un bruit de mesure imperceptible.<\/p>\n\u00c0 l’inverse, sur des \u00e9chantillons restreints inh\u00e9rents aux protocoles de cas cliniques (par exemple 7 succ\u00e8s sur 8 essais), la proportion observ\u00e9e est spectaculaire (87.5 %), t\u00e9moignant d’une d\u00e9viation clinique massive, mais le test binomial bilat\u00e9ral retournera une p-valeur exacte de p = 0.0703<\/em>, \u00e9chouant de peu \u00e0 franchir le couperet conventionnel de la significativit\u00e9 \u00e0 5 %. Il est d\u00e8s lors imp\u00e9ratif de dissocier la d\u00e9cision de rejet de l’hypoth\u00e8se nulle de l’estimation ponctuelle du param\u00e8tre extrait (fourni par resultat$estimate<\/strong>), lequel constitue l’estimateur sans biais du maximum de vraisemblance de l’efficacit\u00e9 intrins\u00e8que du processus psychologique sous investigation.<\/p>\n7.2 D\u00e9cryptage de l’intervalle de confiance de Clopper-Pearson<\/h3>\n
L’analyse approfondie de l’intervalle de confiance de Clopper-Pearson d\u00e9livr\u00e9 par l’attribut resultat$conf.int<\/strong> constitue le rempart m\u00e9thodologique le plus efficace contre les errements interpr\u00e9tatifs induits par la seule lecture m\u00e9canique de la p-valeur. La caract\u00e9ristique fondamentale de cet intervalle exact r\u00e9side dans son conservatisme structurel : sa probabilit\u00e9 de couverture th\u00e9orique est rigoureusement garantie comme \u00e9tant sup\u00e9rieure ou \u00e9gale au niveau nominal sp\u00e9cifi\u00e9 (par exemple 95 %), compensant ainsi les effets de discr\u00e9tisation de la fonction de masse binomiale sous-jacente.<\/p>\nUne attention analytique particuli\u00e8re doit \u00eatre port\u00e9e \u00e0 l’asym\u00e9trie marqu\u00e9e de l’intervalle de Clopper-Pearson lorsque la proportion observ\u00e9e s’\u00e9loigne de la sym\u00e9trie centrale de 0.50 pour se rapprocher des fronti\u00e8res physiques de l’espace des probabilit\u00e9s (0 ou 1). Consid\u00e9rons un protocole de diagnostic neuropsychologique o\u00f9 un patient n’\u00e9choue \u00e0 aucun des 15 tests administr\u00e9s (15 succ\u00e8s sur 15 essais, soit une proportion observ\u00e9e de 1.00). L’application de la fonction binom.test(15, 15, p = 0.5)<\/strong> g\u00e9n\u00e8re un intervalle de confiance bilat\u00e9ral \u00e0 95 % compris entre 0.7820718 et 1.0000000. Cet intervalle d\u00e9montre que malgr\u00e9 un taux d’efficacit\u00e9 empirique parfait de 100 %, l’incertitude d’\u00e9chantillonnage induite par la petitesse de n<\/em> demeure compatible avec une proportion r\u00e9elle de r\u00e9ussite sous-jacente pouvant descendre jusqu’\u00e0 78,21 %.<\/p>\nL’intervalle de confiance fournit ainsi une visualisation directe et continue de la pr\u00e9cision d’estimation du param\u00e8tre latent. Sa largeur globale renseigne sur l’incertitude \u00e9pist\u00e9mique du chercheur : plus l’\u00e9chantillon n<\/em> augmente, plus l’intervalle se resserre sym\u00e9triquement autour de l’estimation ponctuelle. Dans la pratique de la restitution acad\u00e9mique, l’intervalle de confiance doit syst\u00e9matiquement suppl\u00e9er la p-valeur afin d’\u00e9clairer la plausibilit\u00e9 des tailles d’effet r\u00e9elles compatibles avec le protocole exp\u00e9rimental conduit.<\/p>\n7.3 Mesures de taille d’effet associ\u00e9es \u00e0 la proportion binomiale<\/h3>\n
Conform\u00e9ment aux recommandations \u00e9ditoriales de la communaut\u00e9 scientifique internationale, la publication d’un test statistique inf\u00e9rentiel doit imp\u00e9rativement \u00eatre adoss\u00e9e \u00e0 une m\u00e9trique standardis\u00e9e de la taille d’effet (effect size). Dans le cadre du test de conformit\u00e9 d’une proportion, l’indice standardis\u00e9 universellement reconnu en psychom\u00e9trie est le h<\/em> de Cohen, th\u00e9oris\u00e9 par Jacob Cohen dans ses trait\u00e9s canoniques sur l’analyse de puissance statistique.<\/p>\nLa m\u00e9trique du h<\/em> de Cohen quantifie l’\u00e9cart directionnel entre deux proportions en proc\u00e9dant \u00e0 une transformation non lin\u00e9aire pr\u00e9alable de stabilisation de la variance, appel\u00e9e transformation arc-sinus racine carr\u00e9e. La formule analytique fondamentale stipule que :<\/p>\nh = 2 \u00d7 arcsin(\u221a\u03c0_observ\u00e9e) – 2 \u00d7 arcsin(\u221ap_th\u00e9orique)<\/em><\/p>\nL’int\u00e9r\u00eat math\u00e9matique cardinal de cette transformation g\u00e9om\u00e9trique angulaire r\u00e9side dans le fait que la variance d’une diff\u00e9rence brute entre deux proportions varie consid\u00e9rablement selon que les proportions se situent au centre de la distribution (proches de 0.50) ou \u00e0 ses extr\u00e9mit\u00e9s (proches de 0 ou de 1). L’application de la fonction trigonom\u00e9trique stabilise la m\u00e9trique d’\u00e9chelle, conf\u00e9rant \u00e0 une valeur unitaire de h<\/em> une magnitude identique quelle que soit la position des proportions sur le spectre probabiliste.<\/p>\nAu sein de l’environnement R, le calcul informatis\u00e9 de cette taille d’effet standardis\u00e9e s’op\u00e8re commod\u00e9ment gr\u00e2ce \u00e0 la biblioth\u00e8que sp\u00e9cialis\u00e9e pwr<\/strong>, t\u00e9l\u00e9chargeable depuis le d\u00e9p\u00f4t central du CRAN. La routine d\u00e9di\u00e9e s’intitule ES.h()<\/strong> :<\/p>\nlibrary(pwr)<\/strong>
\ntaille_effet_h <- ES.h(p1 = 0.75, p2 = 0.50)<\/strong>
\nprint(taille_effet_h)<\/strong><\/p>\nDans cet exemple issu de notre t\u00e2che de perception subliminale (proportion empirique de 0.75 oppos\u00e9e au hasard de 0.50), l’\u00e9valuation num\u00e9rique d\u00e9livre une grandeur de h = 0.5236<\/em>. Selon les rep\u00e8res heuristiques \u00e9tablis par Jacob Cohen pour les sciences sociales et comportementales, une valeur absolue de h<\/em> avoisinant 0.20 signale un effet de faible magnitude ; une valeur comprise autour de 0.50 traduit un effet d’ampleur moyenne ; enfin, un indice \u00e9gal ou sup\u00e9rieur \u00e0 0.80 refl\u00e8te un effet de grande magnitude. L’analyste peut ainsi documenter rigoureusement que le sujet manifeste une discrimination perceptive subliminale d’une ampleur moyenne \u00e0 forte, transcendant la simple affirmation dichotomique de sa significativit\u00e9 statistique.<\/p>\n8. Comparaison entre le test binomial exact et les alternatives asymptotiques<\/h2>\n8.1 Le test d’approximation normale : prop.test() dans R<\/h3>\n
Il est courant dans la litt\u00e9rature m\u00e9thodologique de voir substituer au test binomial exact le test d’ajustement de proportion bas\u00e9 sur l’approximation normale continue, mat\u00e9rialis\u00e9 sous R par la fonction prop.test()<\/strong>. Cette routine repose conceptuellement sur le th\u00e9or\u00e8me de Moivre-Laplace, une d\u00e9clinaison historique sp\u00e9cifique du th\u00e9or\u00e8me central limite affirmant que lorsque le nombre d’essais n<\/em> tend vers l’infini, la distribution binomiale discr\u00e8te converge asymptotiquement en loi vers une distribution normale continue de moyenne \u03bc = n p0<\/em> et de variance \u03c3\u00b2 = n p0 (1 – p0)<\/em>.<\/p>\nLa statistique de test calcul\u00e9e par prop.test()<\/strong> prend la forme d’un score de d\u00e9viance du khi-deux \u00e0 un degr\u00e9 de libert\u00e9 (strictement \u00e9quivalent au carr\u00e9 du score standardis\u00e9 normal z\u00b2<\/em>). Par d\u00e9faut, la routine applique sur le num\u00e9rateur du calcul la correction de continuit\u00e9 de Frank Yates (activ\u00e9e par le param\u00e8tre interne correct = TRUE<\/strong>), laquelle consiste \u00e0 retrancher 0.5 \u00e0 la valeur absolue de l’\u00e9cart empirique afin d’att\u00e9nuer l’erreur d’ajustement g\u00e9om\u00e9trique r\u00e9sultant de l’approximation d’une fonction de masse discr\u00e8te en escalier par une courbe continue de densit\u00e9 gaussienne.<\/p>\nUne comparaison computationnelle directe sous R entre binom.test()<\/strong> et prop.test()<\/strong> sur un m\u00eame jeu de donn\u00e9es \u00e0 effectif mod\u00e9r\u00e9 (par exemple x = 18<\/em>, n = 24<\/em>, p = 0.50<\/em>) illustre la divergence des sorties math\u00e9matiques. L’ex\u00e9cution de la commande prop.test(x = 18, n = 24, p = 0.5, correct = TRUE)<\/strong> g\u00e9n\u00e8re une statistique X-squared = 4.1667<\/em> associ\u00e9e \u00e0 une p-valeur de p = 0.04123<\/em>. Bien que concordante sur le rejet de l’hypoth\u00e8se nulle au seuil de 5 %, cette valeur s’\u00e9carte substantiellement de la p-valeur exacte d\u00e9livr\u00e9e par le test binomial, qui s’\u00e9l\u00e8ve rigoureusement \u00e0 p = 0.02256<\/em>. De surcro\u00eet, l’intervalle de confiance calcul\u00e9 par prop.test()<\/strong> repose sur l’inversion du test du score de Wilson, diff\u00e9rant structurellement des bornes strictes de Clopper-Pearson.<\/p>\n8.2 Crit\u00e8res d’admissibilit\u00e9 des tests asymptotiques (R\u00e8gle de Cochran)<\/h3>\n
L’emploi du test asymptotique normal prop.test()<\/strong> est conditionn\u00e9 par la validation de r\u00e8gles de d\u00e9cision formelles stipulant les effectifs minimaux admissibles au sein des cellules th\u00e9oriques de comptage. La r\u00e8gle la plus universellement consacr\u00e9e dans la pratique statistique est la r\u00e8gle d’admissibilit\u00e9 de Cochran, qui exige que le produit de la taille d’\u00e9chantillon par la probabilit\u00e9 th\u00e9orique soit suffisant :<\/p>\nn \u00d7 p0 \u2265 5<\/em> et n \u00d7 (1 – p0) \u2265 5<\/em><\/p>\nDe nombreux statisticiens contemporains pr\u00e9conisent d’\u00e9lever ce seuil de tol\u00e9rance \u00e0 une valeur minimale de 10 \u00e9v\u00e9nements attendus par classe, particuli\u00e8rement lorsque la proportion nulle p0<\/em> est fortement asym\u00e9trique (tr\u00e8s \u00e9loign\u00e9e de 0.50). Si cette condition n’est pas rigoureusement satisfaite, la distribution d’\u00e9chantillonnage de la statistique de test d\u00e9vie consid\u00e9rablement de la distribution th\u00e9orique du khi-deux, entra\u00eenant une invalidation massive du contr\u00f4le de l’erreur de type I. Le taux r\u00e9el de fausses alarmes peut alors exploser ou, \u00e0 l’inverse, s’effondrer selon la configuration des param\u00e8tres, ruinant la cr\u00e9dibilit\u00e9 inf\u00e9rentielle de la recherche.<\/p>\nDans la mesure o\u00f9 l’interpr\u00e9teur R int\u00e8gre la routine native exacte binom.test()<\/strong> dont le co\u00fbt algorithmique est totalement n\u00e9gligeable sur les ordinateurs contemporains (le calcul ne r\u00e9clamant que quelques microsecondes pour des valeurs de n<\/em> s’\u00e9levant \u00e0 plusieurs dizaines de milliers d’essais), la recommandation m\u00e9thodologique moderne en psychologie quantitative est cat\u00e9gorique : il n’existe aucune justification scientifique valable pour recourir \u00e0 l’approximation de prop.test()<\/strong> pour le test d’une proportion unique. Le test binomial exact de Clopper-Pearson doit demeurer l’unique algorithme s\u00e9lectionn\u00e9 par le chercheur, \u00e9liminant par essence tout risque d’artefact asymptotique.<\/p>\n8.3 Sensibilit\u00e9 aux donn\u00e9es extr\u00eames (z\u00e9ro succ\u00e8s ou z\u00e9ro \u00e9chec)<\/h3>\n
La vuln\u00e9rabilit\u00e9 majeure des approximations asymptotiques \u00e9clate au grand jour lors de la survenue de configurations empiriques extr\u00eames, caract\u00e9ris\u00e9es par l’absence totale d’\u00e9v\u00e9nements dans l’une des modalit\u00e9s de r\u00e9ponse (soit z\u00e9ro succ\u00e8s k = 0<\/em>, soit z\u00e9ro \u00e9chec k = n<\/em>). De tels sc\u00e9narios sont r\u00e9guliers en psychophysique visuelle \u00e0 contraste supra-liminaire ou dans les \u00e9tudes d’adh\u00e9sion clinique \u00e0 des protocoles contraignants, o\u00f9 tous les sujets r\u00e9pondent de mani\u00e8re unanime.<\/p>\nConfront\u00e9 \u00e0 une situation o\u00f9 k = 20<\/em> succ\u00e8s sont enregistr\u00e9s sur n = 20<\/em> essais, l’estimateur de Wald s’effondre en calculant une variance d’\u00e9chantillonnage nulle : (1.0 \u00d7 0.0) \/ 20 = 0<\/em>. L’intervalle de confiance asymptotique standard d\u00e9g\u00e9n\u00e8re en un point d’une largeur nulle [1.00 ; 1.00], affirmant de mani\u00e8re absurde l’absence de toute incertitude de mesure. La commande prop.test()<\/strong> \u00e9prouve des difficult\u00e9s \u00e0 mod\u00e9liser la correction de continuit\u00e9 aux fronti\u00e8res de l’espace admissible, g\u00e9n\u00e9rant des messages d’avertissement quant \u00e0 la convergence algorithmique.<\/p>\n\u00c0 l’oppos\u00e9, le test binomial exact binom.test(20, 20, p = 0.5)<\/strong> maintient une stabilit\u00e9 analytique et computationnelle absolue. En vertu de la r\u00e9solution exacte des int\u00e9grales de la loi B\u00eata, l’algorithme sous-jacent d\u00e9rive instantan\u00e9ment un intervalle de Clopper-Pearson valide [0.8315664 ; 1.0000000] et une p-valeur bilat\u00e9rale exacte de p = 1.907e-06<\/em>. L’exactitude des calculs combinatoires garantit ainsi une transition fluide vers les bornes limites de l’espace param\u00e9trique, sans produire la moindre ind\u00e9termination num\u00e9rique.<\/p>\n9. Calcul de la puissance statistique et dimensionnement d’\u00e9chantillon sous R<\/h2>\n