Dans le paysage contemporain de l’analyse des donn\u00e9es quantitatives, la v\u00e9rification des postulats distributionnels constitue une \u00e9tape pr\u00e9liminaire incontournable qui conditionne la validit\u00e9 de toute inf\u00e9rence scientifique. Durant des d\u00e9cennies, les chercheurs form\u00e9s aux protocoles quantitatifs traditionnels ont privil\u00e9gi\u00e9 de mani\u00e8re quasi syst\u00e9matique les tests param\u00e9triques, au premier rang desquels figure le test t de Student pour \u00e9chantillons ind\u00e9pendants ou l’analyse de variance \u00e0 un facteur. Toutefois, la confrontation aux r\u00e9alit\u00e9s empiriques \u2014 qu’il s’agisse de temps de latence cognitive, de concentrations de biomarqueurs, de scores psychom\u00e9triques issus d’\u00e9chelles de Likert ou de distributions \u00e9conomiques fortement asym\u00e9triques \u2014 r\u00e9v\u00e8le avec acuit\u00e9 la vuln\u00e9rabilit\u00e9 intrins\u00e8que de ces outils classiques d\u00e8s lors que l’hypoth\u00e8se de normalit\u00e9 gaussienne des r\u00e9sidus se trouve compromise ou que des observations atypiques s’immiscent dans les cohortes exp\u00e9rimentales.<\/p>\n
Face \u00e0 ces distorsions distributionnelles manifestes, le recours aux m\u00e9thodes statistiques non param\u00e9triques ne rel\u00e8ve pas d’une simple solution de repli par d\u00e9faut, mais proc\u00e8de d’un choix m\u00e9thodologique d\u00e9lib\u00e9r\u00e9 visant \u00e0 pr\u00e9server la robustesse des conclusions tir\u00e9es des protocoles de recherche. Si le test de la somme des rangs de Wilcoxon ou son \u00e9quivalent de Mann-Whitney demeure la r\u00e9f\u00e9rence la plus couramment mobilis\u00e9e dans les publications universitaires, il v\u00e9hicule n\u00e9anmoins une exigence fondamentale souvent m\u00e9connue : l’hypoth\u00e8se d’une forme distributionnelle identique entre les groupes compar\u00e9s. Lorsque deux populations exp\u00e9rimentales pr\u00e9sentent des variances h\u00e9t\u00e9rog\u00e8nes ou des asym\u00e9tries de courbures divergentes, le test de Wilcoxon cesse d’\u00eatre un pur test d’\u00e9galit\u00e9 des tendances centrales pour se muer en un test composite de dominance stochastique, induisant parfois des erreurs d’interpr\u00e9tation substantielles chez les praticiens.<\/p>\n
C’est pr\u00e9cis\u00e9ment dans cette br\u00e8che m\u00e9thodologique que s’inscrit avec une singuli\u00e8re pertinence le test de la m\u00e9diane propos\u00e9 par le statisticien Alexander McFarlane Mood. Con\u00e7u pour \u00e9valuer rigoureusement l’hypoth\u00e8se d’une m\u00e9diane populationnelle commune sans imposer la moindre contrainte quant \u00e0 la dispersion ou \u00e0 la g\u00e9om\u00e9trie interne des distributions sous-jacentes, ce test offre une alternative d’une remarquable \u00e9l\u00e9gance conceptuelle. Dans l’\u00e9cosyst\u00e8me du logiciel statistique open source R, l’ex\u00e9cution de cette proc\u00e9dure b\u00e9n\u00e9ficie d’impl\u00e9mentations particuli\u00e8rement sophistiqu\u00e9es, notamment \u00e0 travers le framework d’inf\u00e9rence conditionnelle offert par l’extension coin<\/a>. Cet article propose une monographie exhaustive d\u00e9di\u00e9e au test de la m\u00e9diane de Mood, couvrant ses soubassements th\u00e9oriques, ses justifications math\u00e9matiques, son impl\u00e9mentation pas \u00e0 pas dans R, ainsi que les protocoles de restitution acad\u00e9mique conformes aux standards internationaux les plus rigoureux.<\/p>\n L’histoire de l’inf\u00e9rence statistique non param\u00e9trique a connu un essor d\u00e9terminant au milieu du vingti\u00e8me si\u00e8cle, p\u00e9riode durant laquelle les statisticiens ont cherch\u00e9 \u00e0 \u00e9manciper la mod\u00e9lisation quantitative du carcan impos\u00e9 par les lois de probabilit\u00e9s analytiques strictes. C’est dans ce contexte effervescent qu’Alexander McFarlane Mood publie en 1950 son trait\u00e9 s\u00e9minal intitul\u00e9 Introduction to the Theory of Statistics<\/em>, au sein duquel il formalise une proc\u00e9dure ing\u00e9nieuse permettant d’\u00e9prouver l’\u00e9galit\u00e9 des m\u00e9dianes entre plusieurs populations ind\u00e9pendantes sans pr\u00e9supposer la normalit\u00e9 des erreurs ni l’homog\u00e9n\u00e9it\u00e9 des variances. Ce test, d\u00e9sormais consacr\u00e9 sous l’appellation de test de la m\u00e9diane de Mood, s’affranchit totalement de l’estimation de param\u00e8tres distributionnels tels que l’esp\u00e9rance math\u00e9matique ou l’\u00e9cart-type, se focalisant exclusivement sur la fr\u00e9quence relative des observations situ\u00e9es de part et d’autre d’une valeur seuil centrale.<\/p>\n Le principe fondamental sous-jacent repose sur la r\u00e9duction de l’information quantitative continue en une structure de comptage binaire dichotomique. En fusionnant l’int\u00e9gralit\u00e9 des \u00e9chantillons exp\u00e9rimentaux au sein d’un ensemble unique, le chercheur d\u00e9termine la m\u00e9diane globale de la population combin\u00e9e. D\u00e8s lors que cette fronti\u00e8re num\u00e9rique est \u00e9tablie, chaque observation individuelle issue de chaque groupe est class\u00e9e selon une partition \u00e9l\u00e9mentaire : sa valeur se situe-t-elle strictement au-dessus de la m\u00e9diane globale, ou bien inf\u00e9rieure ou \u00e9gale \u00e0 celle-ci ? Si l’hypoth\u00e8se selon laquelle les diff\u00e9rentes cohortes proviennent de populations pr\u00e9sentant une tendance centrale rigoureusement identique s’av\u00e8re exacte, la proportion d’individus surpassant cette m\u00e9diane globale devrait \u00eatre statistiquement \u00e9quivalente au sein de chacun des sous-groupes examin\u00e9s.<\/p>\n L’objectif ultime de cette d\u00e9marche analytique consiste ainsi \u00e0 transformer un probl\u00e8me complexe de comparaison de lois de probabilit\u00e9s continues en une question classique d’analyse de table de contingence. Par cette transformation, le test de la m\u00e9diane de Mood contourne les \u00e9cueils inh\u00e9rents aux fonctions de densit\u00e9 m\u00e9connues ou intraitables sur le plan computationnel. Il offre une grille de lecture \u00e9pur\u00e9e, fond\u00e9e sur les fr\u00e9quences d’apparition d’\u00e9v\u00e9nements ordinaux, garantissant une invariance absolue par rapport \u00e0 toute transformation monotone croissante des \u00e9chelles de mesure originales, propri\u00e9t\u00e9 fondamentale qui en assure la g\u00e9n\u00e9ralisabilit\u00e9 dans les contextes exp\u00e9rimentaux les plus h\u00e9t\u00e9rog\u00e8nes.<\/p>\n Pour appr\u00e9hender l’utilit\u00e9 clinique et m\u00e9thodologique du test de Mood, il convient de r\u00e9examiner les propri\u00e9t\u00e9s respectives de la moyenne arithm\u00e9tique et de la m\u00e9diane d’un point de vue de la th\u00e9orie de l’estimation robuste. La moyenne arithm\u00e9tique, bien qu’optimale au sens de l’efficacit\u00e9 asymptotique sous l’hypoth\u00e8se de distributions strictement gaussiennes, souffre d’un point de rupture th\u00e9orique nul, not\u00e9 formellement z\u00e9ro pour cent. Cette vuln\u00e9rabilit\u00e9 math\u00e9matique implique qu’une seule observation contamin\u00e9e, qu’elle r\u00e9sulte d’une erreur d’encodage, d’une d\u00e9faillance instrumentale ou d’un ph\u00e9nom\u00e8ne biologique extr\u00eame, poss\u00e8de le pouvoir d’attirer ind\u00e9finiment la moyenne vers des grandeurs aberrantes, faussant irr\u00e9m\u00e9diablement l’estimation de la tendance centrale du collectif analys\u00e9.<\/p>\n \u00c0 l’inverse, la m\u00e9diane statistique se caract\u00e9rise par un point de rupture de cinquante pour cent, soit la valeur maximale th\u00e9oriquement atteignable pour tout estimateur univari\u00e9 de localisation. Cela signifie concr\u00e8tement que la m\u00e9diane demeure parfaitement stable et repr\u00e9sentative de la majorit\u00e9 de la distribution tant que la moiti\u00e9 des donn\u00e9es observ\u00e9es n’a pas \u00e9t\u00e9 alt\u00e9r\u00e9e par des perturbations extr\u00eames. Face \u00e0 des distributions hautement dissym\u00e9triques, caract\u00e9ris\u00e9es par un \u00e9talement prononc\u00e9 de la queue de distribution vers les valeurs positives ou n\u00e9gatives, la m\u00e9diane conserve une signification descriptive fid\u00e8le du point d’\u00e9quilibre probabiliste, scindant l’\u00e9chantillon en deux proportions d’exactement cinquante pour cent d’observations inf\u00e9rieures et sup\u00e9rieures.<\/p>\n Dans les champs disciplinaires tels que la psychopathologie, la psychom\u00e9trie comportementale ou l’\u00e9valuation clinique, cette propri\u00e9t\u00e9 de r\u00e9sistance est primordiale. Les scores issus d’\u00e9chelles d’anxi\u00e9t\u00e9, de d\u00e9pression ou d’inventaires de d\u00e9tresse psychologique ne pr\u00e9sentent presque jamais de sym\u00e9trie parfaite au sein de la population g\u00e9n\u00e9rale, mais se concentrent massivement vers les valeurs planchers, avec une minorit\u00e9 de patients rapportant des intensit\u00e9s symptomatiques s\u00e9v\u00e8res. R\u00e9sumer ces distributions par des moyennes conduit immanquablement \u00e0 sur\u00e9valuer le niveau moyen de s\u00e9v\u00e9rit\u00e9 de l’\u00e9chantillon. La m\u00e9diane offre une traduction pragmatique imm\u00e9diatement interpr\u00e9table par les praticiens : elle mat\u00e9rialise le score pour lequel la probabilit\u00e9 qu’un individu pris au hasard dans le groupe pr\u00e9sente une valeur sup\u00e9rieure est rigoureusement \u00e9gale \u00e0 un demi.<\/p>\n L’exp\u00e9rimentation en sciences cognitives, en neurosciences et en psychologie exp\u00e9rimentale confronte quotidiennement les analystes \u00e0 des contraintes op\u00e9rationnelles qui rendent l’emploi des statistiques param\u00e9triques hautement contestable. L’un des exemples les plus embl\u00e9matiques r\u00e9side dans le traitement chronom\u00e9trique des temps de r\u00e9action lors de t\u00e2ches d’attention s\u00e9lective ou d’inhibition motrice, telles que la t\u00e2che de Stroop ou le paradigme de Simon. Les latences de r\u00e9ponse humaine \u00e9pousent syst\u00e9matiquement des lois asym\u00e9triques positives, fr\u00e9quemment mod\u00e9lis\u00e9es par des distributions ex-gaussiennes ou de Wald, caract\u00e9ris\u00e9es par un plancher physiologique incompressible et une queue tra\u00eenante d’essais anormalement lents imputables \u00e0 des d\u00e9crochages attentionnels transitoires.<\/p>\n Recourir au test t de Student sur de telles donn\u00e9es impose souvent d’appliquer des transformations logarithmiques ou inverses dont l’interpr\u00e9tabilit\u00e9 psychologique s’av\u00e8re malais\u00e9e, ou d’exclure arbitrairement des observations situ\u00e9es au-del\u00e0 de deux ou trois \u00e9carts-types, pratique discutable qui r\u00e9duit artificiellement la variance \u00e9cologique. Le test de Mood r\u00e9sout \u00e9l\u00e9gamment cette tension en admettant directement la distribution brute des temps de r\u00e9ponse, autorisant une comparaison impartiale de la vitesse de traitement m\u00e9diane sans exiger la censure syst\u00e9matique des essais p\u00e9riph\u00e9riques. Il en va de m\u00eame pour les r\u00e9ponses collect\u00e9es par le biais d’\u00e9chelles de Likert ordinales \u00e0 cinq ou sept points, o\u00f9 l’intervalle subjectif s\u00e9parant deux modalit\u00e9s successives ne saurait \u00eatre pr\u00e9sum\u00e9 rigoureusement \u00e9quidistant.<\/p>\n Par ailleurs, la recherche translationnelle et la neuropsychologie clinique op\u00e8rent fr\u00e9quemment sur de petites cohortes de sujets, en raison de la raret\u00e9 de certaines pathologies neurod\u00e9g\u00e9n\u00e9ratives, de l\u00e9sions c\u00e9r\u00e9brales focales ou de syndromes g\u00e9n\u00e9tiques sp\u00e9cifiques. Sous de tels r\u00e9gimes d’\u00e9chantillonnage r\u00e9duit, o\u00f9 les effectifs oscillent r\u00e9guli\u00e8rement entre huit et quinze patients par condition, l’\u00e9valuation de la normalit\u00e9 des r\u00e9sidus par le biais de tests de Shapiro-Wilk manque cruellement de puissance statistique, tandis que le th\u00e9or\u00e8me central limite ne peut d\u00e9ployer ses effets protecteurs. Le test de la m\u00e9diane de Mood, exploit\u00e9 conjointement avec les m\u00e9thodes de calcul exact par permutation, fournit alors une assise probabiliste infaillible permettant d’\u00e9valuer la divergence des positions m\u00e9dianes sans encourir l’inflation incontr\u00f4l\u00e9e du risque d’erreur de premi\u00e8re esp\u00e8ce.<\/p>\n L’\u00e9dification de tout protocole d’inf\u00e9rence repose sur une formalisation math\u00e9matique univoque des \u00e9tats de la nature mis en concurrence. Dans le cadre g\u00e9n\u00e9ral du test de la m\u00e9diane de Mood comparant k groupes exp\u00e9rimentaux mutuellement exclusifs, not\u00e9s arbitrairement de 1 \u00e0 k, l’hypoth\u00e8se nulle, d\u00e9sign\u00e9e conventionnellement par la notation H0, postule l’\u00e9galit\u00e9 parfaite et simultan\u00e9e des m\u00e9dianes des k populations sous-jacentes d’o\u00f9 sont extraits les \u00e9chantillons observ\u00e9s. Si l’on note Theta_i la m\u00e9diane populationnelle th\u00e9orique de la i-\u00e8me condition, l’hypoth\u00e8se nulle s’\u00e9nonce selon l’expression formelle : H0 : Theta_1 = Theta_2 = … = Theta_k. Sous cette hypoth\u00e8se nulle, l’appartenance d’une observation \u00e0 un groupe exp\u00e9rimental d\u00e9termin\u00e9 n’exerce aucune influence sur sa probabilit\u00e9 de surpasser la m\u00e9diane g\u00e9n\u00e9rale de la macro-population.<\/p>\n \u00c0 l’oppos\u00e9, l’hypoth\u00e8se alternative omnibus, d\u00e9sign\u00e9e par la notation H1, rejette cette constance absolue de la tendance centrale et pose qu’au moins une paire de populations pr\u00e9sente des m\u00e9dianes discordantes. L’\u00e9nonc\u00e9 se formalise alors comme suit : H1 : Il existe au moins deux indices i et j compris entre 1 et k, avec i diff\u00e9rent de j, tels que Theta_i soit diff\u00e9rent de Theta_j. Dans sa formulation bilat\u00e9rale canonique, le test de Mood n’impose aucun ordre hi\u00e9rarchique pr\u00e9d\u00e9termin\u00e9 quant \u00e0 la direction de la divergence, englobant aussi bien des d\u00e9calages positifs que des d\u00e9calages n\u00e9gatifs de la m\u00e9diane d’un sous-groupe par rapport aux autres composantes du dispositif factoriel.<\/p>\n N\u00e9anmoins, dans le cas particulier de la comparaison restreinte \u00e0 deux groupes ind\u00e9pendants, d\u00e9sign\u00e9s par exemple comme groupe exp\u00e9rimental (E) et groupe t\u00e9moin (C), le chercheur peut d\u00e9tenir des pr\u00e9suppos\u00e9s th\u00e9oriques solides justifiant la sp\u00e9cification d’hypoth\u00e8ses unilat\u00e9rales orient\u00e9es. L’hypoth\u00e8se alternative directionnelle peut alors s’\u00e9crire soit H1 : Theta_E > Theta_C si une sup\u00e9riorit\u00e9 syst\u00e9matique de la m\u00e9diane du groupe trait\u00e9 est postul\u00e9e, soit H1 : Theta_E < Theta_C si le traitement vise express\u00e9ment \u00e0 diminuer le niveau de la m\u00e9diane observ\u00e9e, comme dans le cadre d’un protocole pharmacologique \u00e9valuant l’att\u00e9nuation de seuils nociceptifs ou la r\u00e9duction de d\u00e9lais d’acquisition motrice.<\/p>\n Bien que le test de la m\u00e9diane de Mood s’affranchisse de toute hypoth\u00e8se quant \u00e0 la forme analytique de la distribution des variables al\u00e9atoires, sa validit\u00e9 n’en demeure pas moins subordonn\u00e9e au respect scrupuleux de conditions m\u00e9thodologiques et architecturales fondamentales. La premi\u00e8re condition, absolument ind\u00e9rogeable, concerne l’ind\u00e9pendance statistique mutuelle entre l’ensemble des observations composant le jeu de donn\u00e9es. Chaque mesure doit d\u00e9river d’une unit\u00e9 exp\u00e9rimentale distincte et autonome. L’existence de mesures r\u00e9p\u00e9t\u00e9es sur les m\u00eames participants, de structures d’\u00e9chantillonnage en grappes non contr\u00f4l\u00e9es ou de corr\u00e9lations s\u00e9rielles temporelles entre les sujets invalide les propri\u00e9t\u00e9s stochastiques du test, conduisant \u00e0 une distorsion du taux d’erreur nominal de premi\u00e8re esp\u00e8ce.<\/p>\n La deuxi\u00e8me condition a trait \u00e0 la nature intrins\u00e8que de l’\u00e9chelle de mesure assign\u00e9e \u00e0 la variable d\u00e9pendante. Celle-ci doit \u00eatre mesur\u00e9e au minimum sur une \u00e9chelle ordinale dot\u00e9e d’une granularit\u00e9 suffisante, ou de pr\u00e9f\u00e9rence sur une \u00e9chelle d’intervalles ou de rapports continus. L’op\u00e9ration fondamentale de bipartition autour de la m\u00e9diane exige en effet que l’on puisse classer sans ambigu\u00eft\u00e9 les observations selon une relation d’ordre binaire transitive. Si la variable d\u00e9pendante ne comporte qu’un nombre d\u00e9risoire de cat\u00e9gories nominales ou ordinales grossi\u00e8res (par exemple une \u00e9chelle \u00e0 trois modalit\u00e9s seulement), l’identification de la m\u00e9diane globale devient instable, provoquant des effets d’agglom\u00e9ration massifs qui p\u00e9nalisent la proc\u00e9dure de scission.<\/p>\n Enfin, la validit\u00e9 de l’inf\u00e9rence exige un protocole d’\u00e9chantillonnage garantissant que chaque groupe soit issu d’un tirage probabiliste ou d’une randomisation contr\u00f4l\u00e9e repr\u00e9sentative des populations cibles. Bien que le test tol\u00e8re des effectifs asym\u00e9triques entre les diff\u00e9rents bras du protocole, les performances de l’approximation asymptotique classique d\u00e9pendent du respect des seuils d’effectifs th\u00e9oriques dans les sous-cat\u00e9gories de la table de contingence g\u00e9n\u00e9r\u00e9e. Si des \u00e9chantillons minuscules sont employ\u00e9s, le recours aux calculs exacts combinatoires devient imp\u00e9ratif pour \u00e9viter l’\u00e9cueil des approximations continues mal calibr\u00e9es.<\/p>\n L’un des avantages les plus remarquables et sous-estim\u00e9s du test de la m\u00e9diane de Mood r\u00e9side dans son insensibilit\u00e9 quasi totale \u00e0 la violation de l’hypoth\u00e8se de pure translation distributionnelle (ou hypoth\u00e8se d’homog\u00e9n\u00e9it\u00e9 de forme). Les manuels de statistique \u00e9l\u00e9mentaire commettent fr\u00e9quemment l’impr\u00e9cision de pr\u00e9senter le test de Wilcoxon-Mann-Whitney comme un test direct d’\u00e9galit\u00e9 des m\u00e9dianes. Or, cette all\u00e9gation n’est rigoureusement exacte que si les distributions compar\u00e9es poss\u00e8dent des formes absolument superposables, impliquant une \u00e9galit\u00e9 stricte de leurs variances et de leurs coefficients d’asym\u00e9trie. D\u00e8s lors que l’une des distributions pr\u00e9sente une dispersion double ou une kurtosis diff\u00e9rente de l’autre, le test de Wilcoxon \u00e9value en r\u00e9alit\u00e9 un m\u00e9lange complexe d’\u00e9carts de dispersion et de d\u00e9calages de position.<\/p>\n Le test de Mood n’impose aucunement que les lois de distribution sous-jacentes partagent la m\u00eame morphologie. Une population peut \u00eatre caract\u00e9ris\u00e9e par une asym\u00e9trie droite aigu\u00eb tandis que la seconde suit une loi sym\u00e9trique ou bimodale, et que leurs variances diff\u00e8rent de plusieurs ordres de grandeur : si leurs m\u00e9dianes th\u00e9oriques sont rigoureusement identiques, la probabilit\u00e9 asymptotique pour une observation de franchir la m\u00e9diane conjointe demeure invariable et \u00e9gale \u00e0 un demi au sein de chacune des populations. En ce sens, Mood offre un v\u00e9ritable test de localisation pure, l\u00e0 o\u00f9 d’autres proc\u00e9dures non param\u00e9triques confondent la tendance centrale avec les moments d’ordre sup\u00e9rieur de la distribution empirique.<\/p>\n Il existe n\u00e9anmoins un ph\u00e9nom\u00e8ne num\u00e9rique sp\u00e9cifique qui requiert une attention m\u00e9thodologique particuli\u00e8re lors de l’application pratique : le traitement des observations strictement \u00e9gales \u00e0 la m\u00e9diane globale (fr\u00e9quemment qualifi\u00e9es d’ex aequo ou de ties<\/em> dans la litt\u00e9rature anglo-saxonne). Lorsque la variable mesur\u00e9e pr\u00e9sente un caract\u00e8re discret ou des arrondis de mesure substantiels, plusieurs sujets peuvent afficher un score rigoureusement identique \u00e0 la valeur m\u00e9diane calcul\u00e9e. La convention pr\u00e9conis\u00e9e par Mood et impl\u00e9ment\u00e9e dans les packages sp\u00e9cialis\u00e9s consiste g\u00e9n\u00e9ralement \u00e0 incorporer ces observations dans le contingent des valeurs inf\u00e9rieures ou \u00e9gales \u00e0 la m\u00e9diane, bien que des variantes puissent choisir de les exclure purement et simplement ou de les r\u00e9partir proportionnellement. Si le volume d’ex aequo devient excessivement volumineux par rapport \u00e0 la taille totale de l’\u00e9chantillon, la variance th\u00e9orique de la statistique de test doit subir un ajustement afin de maintenir un seuil alpha nominal pr\u00e9cis.<\/p>\n L’opposition entre le test de la m\u00e9diane de Mood et le test t de Student pour \u00e9chantillons ind\u00e9pendants illustre de fa\u00e7on paradigmatique l’arbitrage fondamental entre l’efficacit\u00e9 statistique sous hypoth\u00e8ses id\u00e9ales et la robustesse face aux violations du monde r\u00e9el. Lorsque les donn\u00e9es satisfont scrupuleusement le postulat d’une distribution normale gaussienne et d’homosc\u00e9dasticit\u00e9 parfaite, le test t de Student constitue le test uniform\u00e9ment le plus puissant (test UMP). Dans ce cadre th\u00e9orique parfait, l’efficacit\u00e9 asymptotique relative (ARE) du test de Mood par rapport au test t n’est que de 2\/pi, soit approximativement 63,7 %. Cela implique que, sous normalit\u00e9 stricte, le test de Mood r\u00e9clame un \u00e9chantillon sup\u00e9rieur d’environ 57 % pour atteindre une puissance statistique \u00e9quivalente \u00e0 celle d\u00e9ploy\u00e9e par le test t de Student.<\/p>\n Cependant, cette sup\u00e9riorit\u00e9 th\u00e9orique de l’approche param\u00e9trique s’effondre avec une extr\u00eame rapidit\u00e9 d\u00e8s lors que l’on s’\u00e9carte de la gaussienne par l’introduction de distributions \u00e0 queues lourdes ou de valeurs contaminatrices. Dans les situations o\u00f9 les distributions sous-jacentes pr\u00e9sentent une kurtosis \u00e9lev\u00e9e \u2014 comme c’est le cas pour la loi logistique, la loi de Cauchy ou les lois exponentielles bilat\u00e9rales (dites de Laplace) \u2014, la variance empirique employ\u00e9e au d\u00e9nominateur de la statistique t de Student explose, ce qui r\u00e9duit drastiquement sa valeur calcul\u00e9e et an\u00e9antit sa capacit\u00e9 \u00e0 d\u00e9celer des d\u00e9calages de position r\u00e9els. Le test de Mood, en isolant le d\u00e9nombrement autour du pivot m\u00e9dian, conserve une puissance stable et ne subit aucun affaissement d\u00fb \u00e0 l’\u00e9cartement spatial des points extr\u00eames.<\/p>\n De surcro\u00eet, le test de Mood et le test t n’interrogent pas les m\u00eames concepts fondamentaux. Le test de Student \u00e9value l’\u00e9galit\u00e9 des barycentres g\u00e9om\u00e9triques des cohortes exp\u00e9rimentales, une quantit\u00e9 qui peut ne correspondre \u00e0 la r\u00e9alit\u00e9 v\u00e9cue d’aucun sujet d\u00e8s lors que la distribution est multimodale ou tronqu\u00e9e. Le test de Mood porte sur le point de scission probabiliste m\u00e9dian, garantissant que cinquante pour cent de la population \u00e9tudi\u00e9e se situe structurellement au-del\u00e0 de cette fronti\u00e8re, conf\u00e9rant aux inf\u00e9rences une port\u00e9e descriptive bien plus intuitive et cliniquement transparente pour les acteurs de terrain.<\/p>\n Dans la bo\u00eete \u00e0 outils courante des chercheurs, le test de Wilcoxon-Mann-Whitney repr\u00e9sente incontestablement l’alternative non param\u00e9trique pr\u00e9dominante pour la comparaison de deux groupes continus. En substituant aux valeurs brutes le rang ordonn\u00e9 de chaque observation au sein de l’\u00e9chantillon fusionn\u00e9, le test de Wilcoxon pr\u00e9serve une fraction bien plus substantielle de l’information quantitative que la simple dichotomisation binaire op\u00e9r\u00e9e par le test de Mood. En cons\u00e9quence de cette meilleure conservation de la granularit\u00e9, l’efficacit\u00e9 asymptotique relative de Wilcoxon face au test t de Student sous l’hypoth\u00e8se de normalit\u00e9 s’\u00e9l\u00e8ve \u00e0 3\/pi, soit environ 95,5 %, conf\u00e9rant \u00e0 cette m\u00e9thode un avantage manifeste de puissance face au test de Mood lorsque les distributions sont de formes sym\u00e9triques et parall\u00e8les.<\/p>\n Toutefois, ce gain de puissance s’accompagne d’un co\u00fbt m\u00e9thodologique que les praticiens ont trop souvent tendance \u00e0 occulter : la sensibilit\u00e9 accrue aux divergences de courbures et d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9. Comme le d\u00e9montrent de nombreuses \u00e9tudes de simulation probabiliste, d\u00e8s lors que deux distributions pr\u00e9sentent une variance in\u00e9gale combin\u00e9e \u00e0 une asym\u00e9trie orient\u00e9e dans le m\u00eame sens, le test de Wilcoxon g\u00e9n\u00e8re un taux de faux positifs substantiellement sup\u00e9rieur au seuil nominal fix\u00e9 \u00e0 0,05, rejetant l’hypoth\u00e8se nulle alors m\u00eame que les m\u00e9dianes des deux populations sont rigoureusement identiques. Il confond alors la dominance stochastique globale avec une diff\u00e9rence d’emplacement de la m\u00e9diane.<\/p>\n Le test de la m\u00e9diane de Mood s’affirme comme une proc\u00e9dure beaucoup plus conservatrice et purement sp\u00e9cifique de la m\u00e9diane. Dans les configurations distributionnelles atypiques comportant des distributions \u00e0 queues extr\u00eamement \u00e9paisses de type loi de Laplace (double exponentielle), l’efficacit\u00e9 asymptotique relative du test de Mood cro\u00eet significativement jusqu’\u00e0 atteindre l’unit\u00e9, rivalisant directement avec les m\u00e9thodes par rangs sans exiger l’hypoth\u00e8se d’\u00e9quidistribution stricte. Par cons\u00e9quent, d\u00e8s lors que le chercheur suspecte une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 structurelle marqu\u00e9e dans la dispersion ou la g\u00e9om\u00e9trie des cohortes compar\u00e9es, le test de Mood se r\u00e9v\u00e8le conceptuellement sup\u00e9rieur \u00e0 celui de Wilcoxon.<\/p>\n Lorsque le plan de recherche s’\u00e9largit \u00e0 la comparaison simultan\u00e9e de trois groupes ou davantage, le statisticien fait habituellement appel au test de Kruskal-Wallis, qui prolonge la logique des rangs de Wilcoxon dans un cadre d’analyse de variance \u00e0 un facteur non param\u00e9trique. De mani\u00e8re analogue, le test de Mood s’\u00e9tend de fa\u00e7on totalement naturelle au cadre multi-groupes en conservant le m\u00eame algorithme directeur : identification d’une m\u00e9diane globale commune \u00e0 l’ensemble des k \u00e9chantillons combin\u00e9s, suivie de la construction d’une table de contingence de dimensions k par 2 croisant l’appartenance factorielle et la localisation binaire par rapport \u00e0 cette m\u00e9diane.<\/p>\n Le test de Kruskal-Wallis formule son hypoth\u00e8se op\u00e9rationnelle en termes de rangs moyens et se montre r\u00e9ceptif \u00e0 toute disparit\u00e9 stochastique entre les populations. Si l’un des groupes pr\u00e9sente une dissym\u00e9trie sp\u00e9cifique qui \u00e9tire ses rangs sans d\u00e9placer son centre de gravit\u00e9 m\u00e9dian, Kruskal-Wallis produira fr\u00e9quemment un rejet omnibus tr\u00e8s significatif, rendant l’interpr\u00e9tation th\u00e9orique du r\u00e9sultat \u00e9quivoque pour le chercheur qui s’int\u00e9resse exclusivement \u00e0 la valeur m\u00e9diane. Le test de Mood \u00e0 k \u00e9chantillons demeure impassible face \u00e0 ce type d’artefact distributionnel : il n’\u00e9met un signal statistique que si les effectifs franchissant la fronti\u00e8re m\u00e9diane d\u00e9vient de mani\u00e8re collective par rapport aux pr\u00e9dictions combinatoires de l’hypoth\u00e8se d’ind\u00e9pendance.<\/p>\n Le tableau ci-apr\u00e8s synth\u00e9tise les propri\u00e9t\u00e9s distinctives de ces diff\u00e9rentes approches analytiques selon les crit\u00e8res fondamentaux de l’analyse exp\u00e9rimentale :<\/p>\n L’ex\u00e9cution computationnelle du test de la m\u00e9diane de Mood dans le langage R ne requiert pas n\u00e9cessairement l’\u00e9laboration de scripts algorithmiques manuels \u00e0 partir de z\u00e9ro, bien que cette d\u00e9marche p\u00e9dagogique demeure instructive. Elle trouve son accomplissement le plus abouti et m\u00e9thodologiquement \u00e9prouv\u00e9 au sein de l’extension logicielle coin<\/a> (acronyme de Conditional Inference Procedures in a Permutation Test Framework<\/em>), con\u00e7ue et maintenue par Torsten Hothorn, Kurt Hornik, Mark A. van de Wiel et Achim Zeileis. Ce package propose une refonte th\u00e9orique magistrale des statistiques non param\u00e9triques univari\u00e9es et multivari\u00e9es sous une th\u00e9orie unifi\u00e9e d’inf\u00e9rence conditionnelle par permutation.<\/p>\n Contrairement aux fonctions statistiques primitives int\u00e9gr\u00e9es au socle natif de R (le package stats<\/em>), qui recourent souvent \u00e0 des approximations asymptotiques fond\u00e9es sur des distributions du Chi-deux ou normales de mani\u00e8re discontinue et parfois fragment\u00e9e, le package coin<\/em> mod\u00e9lise chaque test comme un cas particulier d’une statistique lin\u00e9aire de permutation globale. Pour le test de la m\u00e9diane de Mood, cela signifie que la fonction sp\u00e9cialis\u00e9e calcule la distribution conditionnelle exacte de la statistique de test en consid\u00e9rant les assignations de groupes comme permutables sous l’hypoth\u00e8se nulle, conditionnellement aux marges observ\u00e9es de la table de contingence.<\/p>\n Cette approche apporte un b\u00e9n\u00e9fice inestimable aux chercheurs manipulant des \u00e9chantillons d’effectifs r\u00e9duits ou d\u00e9s\u00e9quilibr\u00e9s : elle permet de s’affranchir compl\u00e8tement des approximations continues approximatives en calculant la p-valeur exacte par \u00e9num\u00e9ration combinatoire int\u00e9grale de toutes les partitions possibles des donn\u00e9es, ou en produisant une approximation de Monte Carlo extr\u00eamement pr\u00e9cise sur plusieurs dizaines de milliers de r\u00e9\u00e9chantillonnages al\u00e9atoires sans remise. L’inf\u00e9rence gagne ainsi une rigueur math\u00e9matique irr\u00e9prochable, conforme aux standards de publication les plus \u00e9lev\u00e9s.<\/p>\n Pour exploiter les potentialit\u00e9s du cadre d’inf\u00e9rence conditionnelle et mener \u00e0 bien l’int\u00e9gralit\u00e9 de la cha\u00eene d’analyse statistique, plusieurs biblioth\u00e8ques logicielles doivent \u00eatre int\u00e9gr\u00e9es dans l’environnement de travail R. Le package principal est imp\u00e9rativement coin<\/em>. Parall\u00e8lement, pour les manipulations pr\u00e9paratoires de donn\u00e9es et le calcul des descripteurs empiriques robustes, les extensions de l’\u00e9cosyst\u00e8me tidyverse<\/em>, en particulier dplyr<\/em> pour le partitionnement et rstatix<\/em> pour l’automatisation descriptive, apportent un confort m\u00e9thodologique substantiel.<\/p>\n L’acquisition de ces extensions depuis le r\u00e9seau officiel du CRAN s’effectue au moyen de la directive canonique d’installation dans la console R. Il est recommand\u00e9 de v\u00e9rifier l’absence d’erreurs de compilation lors du d\u00e9ploiement de coin<\/em>, celui-ci s’appuyant sur du code interne compil\u00e9 en langage C pour optimiser les performances temporelles lors du calcul des permutations combinatoires. L’appel s\u00e9quentiel de ces biblioth\u00e8ques au moyen de l’instruction library()<\/em> doit \u00eatre consign\u00e9 au sommet du script d’analyse reproductible afin d’assurer l’accessibilit\u00e9 imm\u00e9diate de l’ensemble des fonctions requises dans l’espace de noms de la session active.<\/p>\n Il convient de souligner que le chargement du package coin<\/em> peut parfois masquer certaines fonctions g\u00e9n\u00e9riques pr\u00e9existantes ou entrer en conflit mineur avec d’autres extensions manipulant les formules statistiques non param\u00e9triques. Pour garantir une tra\u00e7abilit\u00e9 sans \u00e9quivoque au sein des scripts de production ou des cha\u00eenes de traitement automatis\u00e9es, il demeure toujours possible d’appeler explicitement la fonction d\u00e9di\u00e9e sous la syntaxe formelle qualifi\u00e9e coin::median_test()<\/em>, garantissant que l’interpr\u00e9teur R mobilise rigoureusement l’algorithme d’inf\u00e9rence conditionnelle certifi\u00e9.<\/p>\n La reproductibilit\u00e9 absolue des calculs statistiques est devenue un imp\u00e9ratif \u00e9pist\u00e9mologique au sein de la recherche contemporaine. Dans le contexte du test de la m\u00e9diane ex\u00e9cut\u00e9 via des proc\u00e9dures r\u00e9\u00e9chantillonn\u00e9es (telles que les simulations de Monte Carlo n\u00e9cessaires lorsque les tables sont trop vastes pour un calcul combinatoire exact mais trop clairsem\u00e9es pour l’asymptotique pure), les r\u00e9sultats d\u00e9pendent intimement de l’\u00e9tat initial du g\u00e9n\u00e9rateur de nombres pseudo-al\u00e9atoires de la machine h\u00f4te.<\/p>\n Pour assurer qu’un coll\u00e8gue ou un relecteur scientifique obtienne une valeur p rigoureusement identique au dix-milli\u00e8me pr\u00e8s en ex\u00e9cutant le m\u00eame script computationnel, le chercheur doit obligatoirement initialiser le germe al\u00e9atoire en amont de tout appel stochastique par l’interm\u00e9diaire de la commande standardis\u00e9e set.seed()<\/em>, en lui assignant un entier arbitraire mais constant (par exemple 12345 ou 2026). Cette pr\u00e9caution garantit l’immutabilit\u00e9 des r\u00e9sultats \u00e0 travers le temps et l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des syst\u00e8mes d’exploitation (Linux, macOS, Windows).<\/p>\n Conjointement \u00e0 l’initialisation du g\u00e9n\u00e9rateur al\u00e9atoire, il est m\u00e9thodologiquement judicieux d’ajuster les options globales d’affichage de la console R, notamment la variable options(digits = 5)<\/em> pour contr\u00f4ler la finesse de restitution des d\u00e9cimales sans surcharger inutilement la sortie textuelle, ainsi que de consigner l’empreinte environnementale compl\u00e8te de la machine par l’appel de sessionInfo()<\/em> en fin d’ex\u00e9cution. Cette routine archive la version pr\u00e9cise du moteur d’ex\u00e9cution R utilis\u00e9 ainsi que les num\u00e9ros de version de toutes les d\u00e9pendances charg\u00e9es en m\u00e9moire vive, offrant une tra\u00e7abilit\u00e9 totale contre les d\u00e9rives potentielles de r\u00e9trocompatibilit\u00e9 logicielle.<\/p>\n Le point de d\u00e9part d’une analyse quantitative rigoureuse r\u00e9side dans la conformit\u00e9 structurale de la table de donn\u00e9es initiale. Les jeux de donn\u00e9es exp\u00e9rimentaux proviennent le plus souvent de fichiers tabulaires d\u00e9limit\u00e9s, tels que des fichiers de valeurs s\u00e9par\u00e9es par des virgules (.csv) ou des classeurs \u00e9lectroniques (.xlsx). Leur importation dans l’environnement R se r\u00e9alise via les routines standards de lecture telles que read.table()<\/em> ou les fonctions sp\u00e9cialis\u00e9es de l’extension readr<\/em>. D\u00e8s cette phase d’ingestion, une attention m\u00e9ticuleuse doit \u00eatre accord\u00e9e au format architectural de la structure de donn\u00e9es.<\/p>\n Pour interagir harmonieusement avec la syntaxe symbolique des formules statistiques de R, les observations empiriques doivent imp\u00e9rativement \u00eatre organis\u00e9es selon les pr\u00e9ceptes du format long, couramment formalis\u00e9 sous le concept de tidy data<\/em> popularis\u00e9 par Hadley Wickham. Dans cette organisation g\u00e9om\u00e9trique :<\/p>\n L’erreur structurelle r\u00e9currente consiste \u00e0 importer des donn\u00e9es sous format large, o\u00f9 les scores des diff\u00e9rents groupes sont juxtapos\u00e9s dans des colonnes s\u00e9par\u00e9es portant des intitul\u00e9s distincts. Si cette pr\u00e9sentation manuelle s’av\u00e8re confortable pour la saisie dans un tableur bureautique rudimentaire, elle s’av\u00e8re incompatible avec la syntaxe de mod\u00e9lisation par formule de la fonction median_test<\/em>. Le passage pr\u00e9alable d’un format large \u00e0 un format long par le biais de fonctions de pivotement s’impose alors imp\u00e9rativement avant toute tentative d’ex\u00e9cution analytique.<\/p>\n L’interpr\u00e9teur R applique un typage dynamique des objets, ce qui peut occasionner des d\u00e9convenues majeures si la nature s\u00e9mantique des colonnes n’est pas scrupuleusement inspect\u00e9e avant l’inf\u00e9rence. Pour que la fonction median_test<\/em> du package coin<\/em> op\u00e8re conform\u00e9ment aux sp\u00e9cifications th\u00e9oriques de Mood, deux r\u00e9quisits de typage doivent \u00eatre scrupuleusement satisfaits : la variable explicative de groupe doit obligatoirement \u00eatre instanci\u00e9e sous la forme d’un vecteur de type facteur (factor<\/em>), et la variable de r\u00e9ponse d\u00e9pendante doit poss\u00e9der un statut num\u00e9rique continu ou discret ordinal (numeric<\/em> ou integer<\/em>).<\/p>\n L’affectation du statut de facteur s’op\u00e8re par l’instruction as.factor()<\/em>. Cette conversion explicite signale \u00e0 la machinerie statistique interne que la variable sous-jacente ne repr\u00e9sente pas des grandeurs arithm\u00e9tiques ordinales continues, mais bien des \u00e9tiquettes de partitionnement partitionnant l’espace d’\u00e9chantillonnage en k cat\u00e9gories distinctes. Il est particuli\u00e8rement crucial d’ordonner et d’\u00e9tiqueter les niveaux de ce facteur \u00e0 l’aide de l’argument levels<\/em>. Cet agencement d\u00e9lib\u00e9r\u00e9 conditionne le sens math\u00e9matique des contrastes lors des calculs d’hypoth\u00e8ses unilat\u00e9rales ou de comparaisons par paires, \u00e9vitant ainsi que R n’assigne un groupe de r\u00e9f\u00e9rence par simple ordre alphab\u00e9tique par d\u00e9faut.<\/p>\n Simultan\u00e9ment, la colonne de r\u00e9ponse doit faire l’objet d’un diagnostic au moyen de is.numeric()<\/em>. Il arrive fr\u00e9quemment que l’importation de fichiers externes transforme accidentellement un vecteur quantitatif en cha\u00eene textuelle (character<\/em>) en raison de la pr\u00e9sence fortuite d’un caract\u00e8re non num\u00e9rique (tel qu’une virgule au lieu d’un point d\u00e9cimal ou une annotation textuelle dans une cellule). Tenter de calculer une m\u00e9diane sur un vecteur de caract\u00e8res g\u00e9n\u00e9rerait une interruption bloquante de l’ex\u00e9cution logicielle. La validation formelle du type de donn\u00e9es \u00e9limine ces sources triviales de dysfonctionnement.<\/p>\n La pr\u00e9sence de valeurs manquantes (d\u00e9sign\u00e9es universellement par le code r\u00e9serv\u00e9 NA<\/em> pour Not Available<\/em> dans l’\u00e9cosyst\u00e8me R) constitue un ph\u00e9nom\u00e8ne inh\u00e9rent \u00e0 toute collecte de donn\u00e9es empiriques. Si elles ne sont pas anticip\u00e9es et trait\u00e9es avec m\u00e9thode, ces lacunes informationnelles peuvent fausser l’identification de la m\u00e9diane globale ou provoquer des plantages d’ex\u00e9cution au sein des fonctions math\u00e9matiques d’agr\u00e9gation.<\/p>\n L’analyste doit en premier lieu quantifier l’\u00e9tendue des donn\u00e9es absentes au sein de chaque condition exp\u00e9rimentale par l’application de fonctions logiques de filtrage. Si la perte d’informations r\u00e9sulte d’un m\u00e9canisme d’omission totalement al\u00e9atoire (m\u00e9canisme MCAR, Missing Completely at Random<\/em>) et ne concerne qu’une fraction marginale des effectifs globaux, l’application d’une suppression par liste compl\u00e8te via la directive na.omit()<\/em> sur les colonnes d’int\u00e9r\u00eat repr\u00e9sente la strat\u00e9gie de nettoyage la plus directe et conventionnelle.<\/p>\n Cependant, si le motif de d\u00e9fection des sujets appara\u00eet corr\u00e9l\u00e9 \u00e0 la condition exp\u00e9rimentale ou \u00e0 la s\u00e9v\u00e9rit\u00e9 clinique sous-jacente (m\u00e9canisme MAR ou MNAR, Missing Not at Random<\/em>), l’\u00e9radication passive des lignes incompl\u00e8tes introduit un biais de s\u00e9lection substantiel qui alt\u00e8re la distribution empirique et d\u00e9place artificiellement la m\u00e9diane observ\u00e9e. Dans ce contexte d\u00e9licat, le chercheur devra \u00e9valuer la pertinence de techniques d’imputation multiple robustes avant de figer la table de contingence binaire du test de Mood, en consignant explicitement dans son compte-rendu m\u00e9thodologique l’impact potentiel de ces ajustements sur la validit\u00e9 externe des d\u00e9ductions finales.<\/p>\n L’interface de programmation du package coin<\/em> s’aligne fid\u00e8lement sur la syntaxe canonique de mod\u00e9lisation introduite par John Chambers dans les premi\u00e8res versions du langage S, articul\u00e9e autour de l’op\u00e9rateur tilde (~). Dans cette notation formelle, l’appel \u00e0 la fonction prend la structure \u00e9l\u00e9mentaire : median_test(response ~ group, data = nomDuDataFrame)<\/em>. La variable positionn\u00e9e \u00e0 gauche du tilde incarne la r\u00e9ponse quantitative continue soumise \u00e0 investigation, tandis que le terme plac\u00e9 \u00e0 droite sp\u00e9cifie le facteur exp\u00e9rimental gouvernant la segmentation des individus en groupes ind\u00e9pendants.<\/p>\n L’argument data<\/em> assure la liaison contextuelle explicite entre la formule d\u00e9clarative et le tableau de donn\u00e9es h\u00f4te dans lequel les vecteurs de variables sont archiv\u00e9s. Cette formulation pr\u00e9sente l’immense m\u00e9rite conceptuel d’homog\u00e9n\u00e9iser la pratique de la programmation en R : la structure syntaxique demeure rigoureusement superposable \u00e0 celle exploit\u00e9e lors de l’appel d’un test t param\u00e9trique (t.test<\/em>), d’une analyse de variance factorielle (lm<\/em> ou aov<\/em>) ou d’un test de Wilcoxon ind\u00e9pendant (wilcox_test<\/em>). Cette coh\u00e9rence syntaxique minimise la charge cognitive de l’analyste et diminue substantiellement le risque d’erreurs d’assignation d’arguments.<\/p>\n En coulisses, la formule n’op\u00e8re pas comme un simple passage de param\u00e8tres, mais d\u00e9clenche un processus d’\u00e9valuation symbolique au sein de l’environnement d\u00e9sign\u00e9. La fonction proc\u00e8de \u00e0 l’extraction ordonn\u00e9e des termes, isole les observations associ\u00e9es aux diff\u00e9rents niveaux factoriels, contr\u00f4le la coh\u00e9rence dimensionnelle des s\u00e9ries et pr\u00e9pare la structure de distribution conditionnelle idoine en tenant compte des contraintes impos\u00e9es par la g\u00e9om\u00e9trie marginale des effectifs.<\/p>\n L’un des atouts d\u00e9terminants de l’impl\u00e9mentation offerte par coin<\/em> r\u00e9side dans la versatilit\u00e9 offerte pour la d\u00e9termination de la loi de probabilit\u00e9 sous-jacente servant au calcul de la p-valeur finale. Cette sp\u00e9cification est orchestr\u00e9e par l’argument crucial distribution<\/em>, lequel accepte trois modes op\u00e9ratoires aux fondements th\u00e9oriques distincts :<\/p>\n La s\u00e9lection avertie de ce param\u00e8tre t\u00e9moigne de l’expertise m\u00e9thodologique de l’analyste, qui adapte le moteur d’inf\u00e9rence aux contraintes objectives de son \u00e9chantillonnage sans c\u00e9der \u00e0 la facilit\u00e9 de recourir aveugl\u00e9ment \u00e0 des approximations continues lorsque celles-ci sont math\u00e9matiquement contestables.<\/p>\n L’ajustement du raisonnement inf\u00e9rentiel aux objectifs de recherche requiert la ma\u00eetrise du param\u00e8tre alternative<\/em> au sein de la fonction median_test<\/em>. Par d\u00e9faut, la fonction est configur\u00e9e pour traiter l’hypoth\u00e8se bilat\u00e9rale classique sous l’assignation alternative = \u00ab\u00a0two.sided\u00a0\u00bb<\/em>. Dans ce sc\u00e9nario, le test sonde indiff\u00e9remment toute d\u00e9viation significative des proportions observ\u00e9es autour de la m\u00e9diane, sans privil\u00e9gier a priori une sup\u00e9riorit\u00e9 ou une inf\u00e9riorit\u00e9 de l’un des groupes par rapport \u00e0 son homologue.<\/p>\n Toutefois, dans le cas d’une conception factorielle \u00e0 deux niveaux, l’analyste peut l\u00e9gitimement formuler une hypoth\u00e8se orient\u00e9e, dict\u00e9e par la litt\u00e9rature empirique ou des fondements th\u00e9oriques robustes. Si l’on souhaite tester formellement si le premier groupe (tel que d\u00e9fini par l’ordre sous-jacent des niveaux du facteur) pr\u00e9sente une m\u00e9diane strictement sup\u00e9rieure au second, l’argument alternative = \u00ab\u00a0greater\u00a0\u00bb<\/em> doit \u00eatre stipul\u00e9. Inversement, pour \u00e9prouver l’hypoth\u00e8se d’une m\u00e9diane inf\u00e9rieure, on aura recours \u00e0 l’argument alternative = \u00ab\u00a0less\u00a0\u00bb<\/em>.<\/p>\n Une rigueur absolue s’av\u00e8re ici indispensable : le sens de la direction unilat\u00e9rale est intimement coupl\u00e9 \u00e0 l’ordre formel des niveaux du facteur (levels<\/em>). Si le chercheur inverse par m\u00e9garde l’agencement des modalit\u00e9s lors de l’instanciation de son facteur, la directionnalit\u00e9 de l’hypoth\u00e8se alternative se trouvera diam\u00e9tralement renvers\u00e9e, conduisant potentiellement \u00e0 un \u00e9chec dramatique d’identification de l’effet exp\u00e9rimental. Un contr\u00f4le visuel pr\u00e9liminaire des niveaux au moyen de la commande levels(monFacteur)<\/em> pr\u00e9vient tout \u00e9cueil de programmation de cette nature.<\/p>\n Afin d’ancrer les d\u00e9veloppements th\u00e9oriques pr\u00e9c\u00e9dents dans une r\u00e9alit\u00e9 op\u00e9rationnelle tangible, consid\u00e9rons une \u00e9tude docimologique men\u00e9e au sein d’un d\u00e9partement universitaire de sciences cognitives. Deux approches p\u00e9dagogiques distinctes sont d\u00e9ploy\u00e9es pour l’enseignement des m\u00e9thodologies quantitatives avanc\u00e9es : une m\u00e9thode d’apprentissage actif par r\u00e9solution de probl\u00e8mes contextualis\u00e9s (d\u00e9sign\u00e9e par l’\u00e9tiquette nominale Methode_Active<\/em>) et une m\u00e9thode magistrale acad\u00e9mique conventionnelle (\u00e9tiquet\u00e9e Methode_Standard<\/em>). Vingt \u00e9tudiants sont assign\u00e9s de fa\u00e7on al\u00e9atoire et \u00e9quiprobable \u00e0 ces deux cohortes d’apprentissage (soit dix sujets par condition). \u00c0 l’issue du semestre, un examen standardis\u00e9 not\u00e9 sur une \u00e9chelle continue de z\u00e9ro \u00e0 cent points est administr\u00e9 \u00e0 l’ensemble des participants.<\/p>\n Dans la console logicielle de R, l’instanciation programmatique de cette exp\u00e9rience s’accomplit par l’assemblage de deux vecteurs au sein d’une structure de donn\u00e9es de type data.frame<\/em>, d\u00e9sign\u00e9e sous l’identifiant examData<\/em> :<\/p>\n Le vecteur des modalit\u00e9s d’enseignement est structur\u00e9 en assignant dix r\u00e9p\u00e9titions successives de l’\u00e9tiquette nominale \u00ab\u00a0Methode_Active\u00a0\u00bb<\/em> et dix r\u00e9p\u00e9titions de l’\u00e9tiquette \u00ab\u00a0Methode_Standard\u00a0\u00bb<\/em>. Ce vecteur est imm\u00e9diatement converti sous le statut de facteur explicite pour ob\u00e9ir aux r\u00e9quisits de mod\u00e9lisation de coin<\/em>. Le vecteur de r\u00e9ponse associe quant \u00e0 lui les vingt notes observ\u00e9es : pour la m\u00e9thode active, les scores enregistr\u00e9s sont successivement 78, 85, 92, 65, 88, 72, 95, 90, 84 et 89. Pour la m\u00e9thode standard, les performances r\u00e9colt\u00e9es s’\u00e9l\u00e8vent \u00e0 62, 70, 75, 58, 82, 68, 74, 69, 77 et 71.<\/p>\n Un contr\u00f4le pr\u00e9liminaire de l’alignement des donn\u00e9es et de l’int\u00e9grit\u00e9 de la structure tabulaire s’effectue au moyen de la primitive head(examData)<\/em>, compl\u00e9t\u00e9e par l’appel de str(examData)<\/em>. Cette d\u00e9marche d’inspection confirme l’incorporation conforme de vingt observations r\u00e9parties sans biais ni distorsion dimensionnelle entre deux colonnes distinctes, pr\u00eates pour l’\u00e9tape de diagnostic exploratoire.<\/p>\n L’inf\u00e9rence formelle ne doit jamais pr\u00e9c\u00e9der une phase rigoureuse d’exploration descriptive univari\u00e9e et bivari\u00e9e. En statistique non param\u00e9trique, l’\u00e9valuation de la tendance centrale s’appuie prioritairement sur la d\u00e9termination de la m\u00e9diane empirique, judicieusement compl\u00e9t\u00e9e par l’\u00e9cart interquartile (not\u00e9 formellement IQR pour Interquartile Range<\/em>), qui quantifie l’\u00e9tendue occup\u00e9e par les cinquante pour cent centraux de la distribution de donn\u00e9es.<\/p>\n La premi\u00e8re quantit\u00e9 charni\u00e8re \u00e0 calculer est la m\u00e9diane globale commune, d\u00e9termin\u00e9e sur les vingt \u00e9tudiants confondus sans distinction de leur groupe d’appartenance. L’appel de l’instruction median(examData$score)<\/em> produit dans ce cas d’\u00e9cole la valeur exacte de 76. Cette valeur pivot constitue le seuil critique \u00e0 partir duquel l’ensemble des vingt observations individuelles va \u00eatre partitionn\u00e9 en deux sous-ensembles cardinaux.<\/p>\n Dans un second temps, le calcul d\u00e9sagr\u00e9g\u00e9 des tendances centrales conditionnelles par modalit\u00e9 p\u00e9dagogique s’av\u00e8re indispensable pour appr\u00e9hender le sens de la divergence. L’exploitation de la fonction tapply(examData$score, examData$<\/span>methode, median)<\/em> ou l’articulation des verbes syntaxiques de dplyr<\/em> (group_by<\/em> suivi de summarise<\/em>) met en lumi\u00e8re une disparit\u00e9 manifeste : les \u00e9tudiants ayant b\u00e9n\u00e9fici\u00e9 de la m\u00e9thode active exhibent une m\u00e9diane d’examen remarquable de 86,5 points (avec un \u00e9cart interquartile de 10,25 points), tandis que leurs homologues de la m\u00e9thode standard affichent une m\u00e9diane substantiellement inf\u00e9rieure plafonnant \u00e0 70,5 points (avec un IQR de 8,5 points). La dispersion relative au sein de chaque groupe appara\u00eet comparable, mais les centres de gravit\u00e9 m\u00e9dians semblent distants d’une quinzaine de points.<\/p>\n L’arsenal descriptif pr\u00e9liminaire ayant attest\u00e9 d’une dissociation nette des m\u00e9dianes d’\u00e9chantillon, il incombe au test d’hypoth\u00e8se formel de trancher quant \u00e0 la significativit\u00e9 probabiliste de cette divergence. En vertu de la taille modeste de l’\u00e9chantillon global (N = 20 sujets au total, soit dix sujets par modalit\u00e9), l’emploi d’une approximation asymptotique de distribution comporterait un risque d’impr\u00e9cision statistique. Nous sollicitons donc pr\u00e9f\u00e9rentiellement le mode combinatoire exact mis \u00e0 disposition par le moteur d’inf\u00e9rence conditionnelle.<\/p>\n L’instruction computationnelle canonique s’articule ainsi : l’assignation dans un objet nomm\u00e9, par exemple resultatMood<\/em>, du retour de la fonction median_test(score ~ methode, data = examData, distribution = \u00ab\u00a0exact\u00a0\u00bb, alternative = \u00ab\u00a0two.sided\u00a0\u00bb)<\/em>. L’ex\u00e9cution de cette ligne de code op\u00e8re de fa\u00e7on instantan\u00e9e et silencieuse dans la session R. L’affichage textuel du r\u00e9sultat s’obtient par la simple saisie de l’identifiant de l’objet dans la console logicielle.<\/p>\n La restitution textuelle \u00e9mise par coin<\/em> se d\u00e9ploie selon une nomenclature standardis\u00e9e et explicite, indiquant l’intitul\u00e9 formel de la proc\u00e9dure : Exact Two-Sample Median Test<\/em>. La sortie expose la valeur calcul\u00e9e de la statistique standardis\u00e9e, not\u00e9e par la lettre Z, ainsi que la valeur p exacte associ\u00e9e (p-value<\/em>). L’analyste examine avec soulagement l’absence de tout message d’avertissement relatif \u00e0 des probl\u00e8mes d’ex aequo critiques, ce qui confirme que la m\u00e9diane globale de 76 a permis une scission dichotomique nette sans agglom\u00e9ration d’observations confondues avec le seuil central.<\/p>\n Pour dissiper l’illusion de bo\u00eete noire math\u00e9matique que peuvent v\u00e9hiculer les packages modernes de haut niveau, il est indispensable de diss\u00e9quer avec rigueur les \u00e9tapes arithm\u00e9tiques s\u00e9quentielles op\u00e9r\u00e9es sous le capot logiciel de la fonction median_test<\/em>. Comme nous l’avons th\u00e9oris\u00e9, le test de la m\u00e9diane de Mood convertit l’espace m\u00e9trique continu en une distribution d’\u00e9tats binaires. La r\u00e8gle d\u00e9cisionnelle algorithmique est gouvern\u00e9e par une condition logique stricte appliqu\u00e9e \u00e0 chaque observation x_ij (d\u00e9signant le score de l’individu j appartenant au groupe i) :<\/p>\n Cette op\u00e9ration de binarisation produit une d\u00e9gradation intentionnelle de l’\u00e9chelle d’intervalle originale vers une m\u00e9trique nominale \u00e0 deux \u00e9tats. Si cette r\u00e9duction entra\u00eene une in\u00e9vitable d\u00e9perdition d’information quantitative fine sur l’amplitude absolue des \u00e9carts extr\u00eames, elle procure en contrepartie une invuln\u00e9rabilit\u00e9 absolue aux effets d’\u00e9chelle et aux observations marginales contamin\u00e9es. Une note exceptionnelle de 99 sur 100 poss\u00e9dera exactement le m\u00eame poids combinatoire dans l’\u00e9valuation du test qu’une note de 77 : toutes deux t\u00e9moignent simplement du fait d’avoir franchi avec succ\u00e8s le seuil m\u00e9dian de r\u00e9f\u00e9rence.<\/p>\n Une fois l’op\u00e9ration de dichotomisation achev\u00e9e sur les vingt observations de notre cas d’\u00e9cole, l’\u00e9tape suivante consiste \u00e0 d\u00e9nombrer les fr\u00e9quences conjointes d’apparition selon un tableau de contingence de dimensions 2 lignes par 2 colonnes croisant le facteur de m\u00e9thode p\u00e9dagogique avec le positionnement binaire vis-\u00e0-vis du pivot m\u00e9dian. Dans notre cohorte de donn\u00e9es d’examen p\u00e9dagogique, le d\u00e9compte empirique manuel r\u00e9v\u00e8le la structure num\u00e9rique suivante :<\/p>\n Cette configuration matricielle se synth\u00e9tise sous la forme canonique d’une table de contingence 2×2 :<\/p>\n Sous l’hypoth\u00e8se nulle d’ind\u00e9pendance statistique absolue, l’effectif th\u00e9orique attendu au sein de chaque cellule (not\u00e9 E_ij) se d\u00e9duit par le produit usuel des totaux marginaux divis\u00e9 par la taille totale : E_ij = (Ligne_i * Colonne_j) \/ N. Ici, chaque cellule h\u00e9rite d’un effectif th\u00e9orique parfait de E_ij = (10 * 10) \/ 20 = 5 individus. La divergence observ\u00e9e (8 contre 2) face aux 5 attendus sous l’hypoth\u00e8se nulle mat\u00e9rialise visuellement la force de la dissociation exp\u00e9rimentale.<\/p>\n L’\u00e9valuation de la discordance entre les effectifs empiriquement observ\u00e9s (O_ij) et les effectifs th\u00e9oriquement attendus (E_ij) rel\u00e8ve math\u00e9matiquement de la formule classique de l’\u00e9cart quadratique du Chi-deux d’ind\u00e9pendance formalis\u00e9e par Karl Pearson : somme sur toutes les cellules de (O_ij – E_ij)^2 \/ E_ij. Dans le cas de notre table de contingence \u00e9quilibr\u00e9e, le calcul de chaque composante quadratique s’\u00e9tablit comme suit :<\/p>\n Pour chacune des quatre cellules du tableau, l’\u00e9cart absolu entre la fr\u00e9quence observ\u00e9e et la fr\u00e9quence th\u00e9orique est de |8 – 5| = 3 ou |2 – 5| = 3. Le carr\u00e9 de cet \u00e9cart s’\u00e9l\u00e8ve invariablement \u00e0 9. La contribution individuelle de chaque cellule au Chi-deux global s’\u00e9tablit ainsi \u00e0 9 divis\u00e9 par l’effectif th\u00e9orique de 5, soit une valeur partielle de 1,8. En sommant ces quatre contributions identiques (1,8 + 1,8 + 1,8 + 1,8), on obtient une statistique brute de Chi-deux de Pearson rigoureusement \u00e9gale \u00e0 7,20, associ\u00e9e \u00e0 un degr\u00e9 de libert\u00e9 (df = (2 – 1) * (2 – 1) = 1).<\/p>\n Il importe de souligner le lien direct et fondamental qui unit la statistique du Chi-deux \u00e0 un degr\u00e9 de libert\u00e9 et la statistique standardis\u00e9e Z retourn\u00e9e par le package coin<\/em> : asymptotiquement, la statistique Z correspond math\u00e9matiquement \u00e0 la racine carr\u00e9e positive ou n\u00e9gative de la statistique du Chi-deux de Pearson (Z = racine carr\u00e9e de 7,20, soit approximativement Z = 2,6833). Si une correction de continuit\u00e9 pour continuit\u00e9 discr\u00e8te de Yates est sollicit\u00e9e lors des approximations continues manuelles, l’\u00e9cart absolu |O_ij – E_ij| est r\u00e9duit de 0,5 point avant \u00e9l\u00e9vation au carr\u00e9, mod\u00e9rant l\u00e9g\u00e8rement la statistique de test finale afin de pr\u00e9venir une inflation artificielle de la significativit\u00e9 statistique sous les petits effectifs.<\/p>\n L’analyste confront\u00e9 \u00e0 la sortie textuelle g\u00e9n\u00e9r\u00e9e par l’appel formel de median_test<\/em> doit faire preuve d’un discernement rigoureux lors de la d\u00e9codification des indices quantitatifs restitu\u00e9s. La premi\u00e8re valeur saillante est la statistique Z normalis\u00e9e. Dans le cadre de l’inf\u00e9rence conditionnelle d\u00e9ploy\u00e9e par coin<\/em>, cette m\u00e9trique quantifie l’\u00e9cart standardis\u00e9 s\u00e9parant la statistique lin\u00e9aire observ\u00e9e de son esp\u00e9rance math\u00e9matique th\u00e9orique sous l’hypoth\u00e8se nulle, calibr\u00e9e par la variance conditionnelle exacte calcul\u00e9e d’apr\u00e8s les permutations des marges tabulaires.<\/p>\n La seconde m\u00e9trique, charni\u00e8re de l’inf\u00e9rence d\u00e9cisionnelle, r\u00e9side dans la p-valeur exacte. Dans notre cas d’\u00e9cole docimologique, le calcul combinatoire exact aboutit \u00e0 une p-valeur bilat\u00e9rale de p = 0,02302 (ce qui \u00e9quivaut rigoureusement \u00e0 la probabilit\u00e9 issue du test exact de Fisher appliqu\u00e9 sur la table 2×2 correspondante). Face au seuil de risque d’erreur de premi\u00e8re esp\u00e8ce alpha conventionnellement ancr\u00e9 \u00e0 0,05 dans les protocoles de recherche en sciences humaines et comportementales, la valeur empirique constat\u00e9e (0,023) s’av\u00e8re strictement inf\u00e9rieure au seuil critique d\u00e9cisionnel.<\/p>\n N\u00e9anmoins, la rigueur acad\u00e9mique contemporaine commande d’\u00e9tablir une d\u00e9marcation \u00e9pist\u00e9mologique stricte entre la significativit\u00e9 statistique et la pertinence pratique ou clinique des r\u00e9sultats. D\u00e9clarer qu’une diff\u00e9rence m\u00e9diane est statistiquement significative indique uniquement que le d\u00e9calage observ\u00e9 au sein de l’\u00e9chantillon d’\u00e9tude est peu susceptible d’avoir \u00e9t\u00e9 engendr\u00e9 par la simple fluctuation d’\u00e9chantillonnage sous l’hypoth\u00e8se d’une inefficacit\u00e9 p\u00e9dagogique totale. Cette m\u00e9trique ne renseigne en rien sur l’amplitude op\u00e9rationnelle du gain cognitif constat\u00e9, laquelle doit \u00eatre document\u00e9e par des indicateurs compl\u00e9mentaires de taille d’effet.<\/p>\n Au regard du postulat formalis\u00e9 \u00e0 l’\u00e9tape initiale et des m\u00e9triques num\u00e9riques d\u00e9livr\u00e9es par l’algorithme, la d\u00e9cision m\u00e9thodologique s’impose sans \u00e9quivoque : l’hypoth\u00e8se nulle H0 postulant la parfaite homog\u00e9n\u00e9it\u00e9 des m\u00e9dianes d’examen entre la cohorte d’apprentissage actif et la cohorte d’apprentissage standard est formellement rejet\u00e9e au profit de l’hypoth\u00e8se alternative H1. Nous concluons avec un risque d’erreur contr\u00f4l\u00e9 inf\u00e9rieur \u00e0 5 % que les deux dispositifs p\u00e9dagogiques induisent des scores d’examen m\u00e9dians substantiellement distincts au sein de la population parente.<\/p>\n Dans la formalisation discursive de cette d\u00e9cision, le chercheur doit se pr\u00e9munir contre certains sophismes interpr\u00e9tatifs r\u00e9currents. Rejeter H0 n’autorise pas \u00e0 affirmer de fa\u00e7on manich\u00e9enne que la m\u00e9thode active est universellement sup\u00e9rieure pour chaque \u00e9tudiant pris isol\u00e9ment, dans la mesure o\u00f9 des chevauchements de scores demeurent observables entre les cohortes. De surcro\u00eet, si la p-valeur s’\u00e9tait av\u00e9r\u00e9e sup\u00e9rieure au seuil fatidique de 0,05, une d\u00e9faillance m\u00e9thodologique courante aurait consist\u00e9 \u00e0 conclure que \u00ab les deux m\u00e9thodes p\u00e9dagogiques produisent des effets rigoureusement identiques \u00bb. L’absence de preuve statistique n’\u00e9quivalant jamais \u00e0 la preuve de l’absence d’un effet, une p-valeur non significative consigne uniquement l’incapacit\u00e9 de l’\u00e9chantillon actuel \u00e0 disqualifier l’hypoth\u00e8se nulle.<\/p>\n Pour conf\u00e9rer une port\u00e9e quantitative moderne aux conclusions inf\u00e9rentielles, il est hautement recommand\u00e9 d’adosser au test de Mood une m\u00e9trique de taille d’effet standardis\u00e9e d\u00e9riv\u00e9e de la table de contingence sous-jacente. Dans un tableau crois\u00e9 de dimensions 2×2, le coefficient de corr\u00e9lation Phi de Pearson (qui correspond au rapport entre la racine carr\u00e9e du Chi-deux et la racine de l’effectif total N) ou le rapport des cotes (Odds Ratio<\/em>) constituent d’excellents indicateurs. Dans notre exemple, l’Odds Ratio s’\u00e9l\u00e8ve \u00e0 (8 * 8) \/ (2 * 2) = 16,0, illustrant que les \u00e9tudiants expos\u00e9s \u00e0 la p\u00e9dagogie active poss\u00e8dent une cote de franchissement de la m\u00e9diane globale seize fois sup\u00e9rieure \u00e0 celle de leurs pairs de la condition conventionnelle.<\/p>\n La transmission des donn\u00e9es scientifiques au sein de revues internationales avec comit\u00e9 de lecture impose le respect scrupuleux des normes formelles \u00e9dict\u00e9es par l’American Psychological Association (APA 7e \u00e9dition). La prose scientifique doit synth\u00e9tiser avec une concision exemplaire l’ensemble des \u00e9l\u00e9ments informationnels n\u00e9cessaires \u00e0 l’\u00e9valuation critique du lecteur : identification formelle de l’instrument statistique, mention explicite des effectifs, restitution des indicateurs de tendance centrale robuste (m\u00e9dianes et intervalles interquartiles) pour chaque condition, valeur standardis\u00e9e de la statistique de test, et mention pr\u00e9cise de la p-valeur exacte calcul\u00e9e.<\/p>\n Un canevas textuel rigoureusement conforme aux standards internationaux de publication peut s’\u00e9noncer comme suit au sein de la section d\u00e9di\u00e9e aux r\u00e9sultats d’un article empirique :<\/p>\n \u00ab Afin d’\u00e9valuer l’impact de l’approche p\u00e9dagogique sur l’acquisition des comp\u00e9tences m\u00e9thodologiques chez des \u00e9tudiants en sciences cognitives, un test de la m\u00e9diane de Mood exact \u00e0 deux \u00e9chantillons ind\u00e9pendants a \u00e9t\u00e9 conduit sur les scores obtenus \u00e0 l’\u00e9valuation terminale. L’analyse r\u00e9v\u00e8le une sup\u00e9riorit\u00e9 statistiquement significative des performances m\u00e9dianes chez les \u00e9tudiants ayant suivi la m\u00e9thode active d’apprentissage (M\u00e9diane = 86,50, IQR = 10,25, n = 10) par rapport aux \u00e9tudiants assign\u00e9s \u00e0 la m\u00e9thode p\u00e9dagogique standard (M\u00e9diane = 70,50, IQR = 8,50, n = 10), Z = 2,68, p = 0,023 (test exact de permutation conditionnelle). Ces observations mettent en exergue une divergence substantielle dans la r\u00e9partition des scores autour de la m\u00e9diane g\u00e9n\u00e9rale de l’\u00e9chantillon (M\u00e9diane conjointe = 76,00), caract\u00e9ris\u00e9e par un rapport des cotes marqu\u00e9 (OR = 16,00). \u00bb<\/em><\/p>\n En compl\u00e9ment de ce paragraphe narratif, les directives de science ouverte recommandent d’int\u00e9grer dans les annexes \u00e9lectroniques ou dans les d\u00e9p\u00f4ts institutionnels publics le script R complet garantissant la reproductibilit\u00e9computationnelle imm\u00e9diate de l’ensemble des tables et des tests statistiques rapport\u00e9s.<\/p>\n Le raisonnement inf\u00e9rentiel gouvernant le test de Mood pour deux groupes s’extrapole avec une parfaite coh\u00e9rence logique aux dispositifs factoriels complexes impliquant la comparaison simultan\u00e9e de trois populations ou davantage. Consid\u00e9rons par exemple une extension exp\u00e9rimentale dans laquelle l’\u00e9quipe de recherche compare d\u00e9sormais trois posologies distinctes d’un nouvel agent neuroprotecteur : une condition Placebo<\/em>, une condition Dose_Faible<\/em> et une condition Dose_Forte<\/em>, administr\u00e9es \u00e0 trois cohortes ind\u00e9pendantes de rongeurs soumises \u00e0 un labyrinthe spatial aquatique de Morris.<\/p>\n L’algorithme de g\u00e9n\u00e9ralisation op\u00e8re selon un processus strict : en amont de toute partition cat\u00e9gorielle, l’ensemble des mesures collect\u00e9es \u00e0 travers les k sous-\u00e9chantillons est fusionn\u00e9 en une macro-population conjointe unique de taille globale N = n_1 + n_2 + … + n_k. La m\u00e9diane globale unique de cet ensemble composite est ensuite identifi\u00e9e. Cette valeur pivot agit de nouveau comme un couperet universel \u00e0 partir duquel chaque rongeur, quelle que soit la posologie pharmacologique qu’il a re\u00e7ue, est affect\u00e9 \u00e0 l’une des deux modalit\u00e9s binaires d’\u00e9l\u00e9vation spatiale : valeur strictement sup\u00e9rieure \u00e0 la m\u00e9diane combin\u00e9e, ou valeur inf\u00e9rieure ou \u00e9gale \u00e0 celle-ci.<\/p>\n Sous la formulation de la formule R dans le package coin<\/em>, la syntaxe ne subit aucune alt\u00e9ration syntaxique : la d\u00e9claration median_test(temps ~ condition, data = rongeursData)<\/em> prend imm\u00e9diatement en charge la structure polytomique du facteur d’exposition d\u00e8s lors que le vecteur sous-jacent comprend k niveaux distincts. Le test s’apparente alors \u00e0 une proc\u00e9dure globale omnibus v\u00e9rifiant l’hypoth\u00e8se nulle selon laquelle les k populations partagent une m\u00e9diane th\u00e9orique identique : H0 : Theta_1 = Theta_2 = … = Theta_k.<\/p>\n D’un point de vue de la g\u00e9om\u00e9trie tabulaire des donn\u00e9es, l’extension multi-groupes engendre une table de contingence \u00e9largie pr\u00e9sentant k lignes (correspondant aux k conditions exp\u00e9rimentales compar\u00e9es) et 2 colonnes (mat\u00e9rialisant le positionnement relatif au-dessus ou en dessous de la m\u00e9diane globale conjointe). La somme marginale de chaque ligne correspond \u00e0 l’effectif propre n_i du groupe correspondant, tandis que les sommes marginales des deux colonnes s’\u00e9tablissent chacune \u00e0 approximativement N\/2 (aux fluctuations pr\u00e8s induites par les cas de parit\u00e9 ou les scores strictement confondus avec le seuil central).<\/p>\n L’inf\u00e9rence asymptotique sur ce tableau de dimensions k par 2 repose sur le calcul de la somme g\u00e9n\u00e9rale des d\u00e9viations quadratiques entre effectifs observ\u00e9s et effectifs th\u00e9oriques calcul\u00e9s sous l’hypoth\u00e8se nulle d’ind\u00e9pendance factorielle. La statistique r\u00e9sultante converge asymptotiquement vers une loi th\u00e9orique de probabilit\u00e9 du Chi-deux dont les degr\u00e9s de libert\u00e9 sont dict\u00e9s par la formule standardis\u00e9e : df = (k – 1) * (2 – 1) = k – 1 degr\u00e9s de libert\u00e9. Pour un dispositif comparant trois posologies (k = 3), la statistique omnibus sera ainsi \u00e9valu\u00e9e au regard d’une distribution du Chi-deux \u00e0 2 degr\u00e9s de libert\u00e9.<\/p>\n La validit\u00e9 de cette approximation asymptotique demeure toutefois conditionn\u00e9e au respect des r\u00e8gles prudentielles d’usage r\u00e9gissant les tables de contingence \u00e9largies (fr\u00e9quemment formul\u00e9es selon la r\u00e8gle de Cochran) : aucun effectif th\u00e9orique calcul\u00e9 ne doit \u00eatre rigoureusement nul, et au moins 80 % des cellules du tableau kx2 doivent h\u00e9berger un effectif th\u00e9orique sup\u00e9rieur ou \u00e9gal \u00e0 cinq observations. Si ces exigences architecturales se trouvent compromises en raison de cohortes restreintes, l’analyste devra obligatoirement param\u00e9trer l’argument de calcul en sollicitant une approximation de Monte Carlo via distribution = approximate(nresample = 50000)<\/em> pour garantir l’int\u00e9grit\u00e9 probabiliste de la conclusion omnibus.<\/p>\n L’obtention d’une p-valeur omnibus statistiquement significative (p < 0,05) lors de l’ex\u00e9cution du test de Mood \u00e0 k \u00e9chantillons atteste formellement d’une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des m\u00e9dianes \u00e0 travers le dispositif exp\u00e9rimental, mais demeure par essence incapable d’indiquer pr\u00e9cis\u00e9ment quelles paires de conditions pr\u00e9sentent des divergences significatives. Le chercheur se trouve alors dans l’obligation m\u00e9thodologique de diligenter des comparaisons par paires dites post-hoc pour diss\u00e9quer l’origine structurelle de l’effet omnibus.<\/p>\n Cette d\u00e9marche post-hoc consiste \u00e0 d\u00e9couper le protocole d’\u00e9tude en une s\u00e9rie de sous-analyses deux \u00e0 deux ind\u00e9pendantes en appliquant le test de Mood sur chaque dyade factorielle envisageable (par exemple Dose_Forte versus Placebo, Dose_Faible versus Placebo, et Dose_Forte versus Dose_Faible). Cependant, la r\u00e9p\u00e9tition non contr\u00f4l\u00e9e d’inf\u00e9rences statistiques multiples sur un m\u00eame jeu de donn\u00e9es expose m\u00e9caniquement le chercheur au p\u00e9ril redoutable de l’inflation du taux d’erreur familial de premi\u00e8re esp\u00e8ce (le risque alpha global de commettre au moins un faux positif explosant selon la loi probabiliste 1 – (1 – alpha)^m, o\u00f9 m repr\u00e9sente le nombre total de contrastes dyadiques \u00e9valu\u00e9s).<\/p>\n Pour neutraliser ce biais pernicieux, les p-valeurs issues de chaque confrontation bilat\u00e9rale doivent imp\u00e9rativement subir une proc\u00e9dure d’ajustement math\u00e9matique. Dans l’\u00e9cosyst\u00e8me R, la fonction p.adjust()<\/em> met \u00e0 disposition un \u00e9ventail de corrections m\u00e9thodologiques \u00e9prouv\u00e9es :<\/p>\n L’automatisation computationnelle de ces comparaisons par paires sous R peut se concevoir \u00e9l\u00e9gamment au moyen d’une boucle algorithmique ou de fonctions de programmation fonctionnelle (telles que combn<\/em> coupl\u00e9 \u00e0 lapply<\/em>), garantissant une cha\u00eene de calcul reproductible exempte de recodages manuels laborieux.<\/p>\n La restitution acad\u00e9mique d’un test statistique ne saurait atteindre sa pleine efficacit\u00e9 communicative sans un appui graphique hautement informatif et esth\u00e9tiquement soign\u00e9. Pour accompagner le test de la m\u00e9diane de Mood, le diagramme en bo\u00eete \u00e0 moustaches (ou boxplot<\/em>, formalis\u00e9 initialement par John Tukey) s’affirme comme le v\u00e9hicule graphique naturel par excellence, dans la mesure o\u00f9 sa g\u00e9om\u00e9trie structurelle est intrins\u00e8quement articul\u00e9e autour des m\u00eames m\u00e9triques ordinales : la ligne m\u00e9diane centrale et l’\u00e9cart interquartile repr\u00e9sent\u00e9 par le corps rectangulaire de la bo\u00eete.<\/p>\n Au sein du langage R, l’extension logicielle ggplot2<\/a> offre un cadre grammatical puissant pour composer des visualisations de qualit\u00e9 \u00e9ditoriale. La construction d’un graphique informatif d\u00e9bute par l’assignation de la formule g\u00e9om\u00e9trique au sein de l’instruction ggplot(examData, aes(x = methode, y = score, fill = methode))<\/em>, compl\u00e9t\u00e9e par l’adjonction de la couche de rendu geom_boxplot()<\/em>. Pour respecter les exigences de sobri\u00e9t\u00e9 des revues acad\u00e9miques, la bo\u00eete \u00e0 moustaches peut \u00eatre \u00e9pur\u00e9e en r\u00e9duisant la largeur des corps g\u00e9om\u00e9triques et en att\u00e9nuant la saturation des remplissages colorim\u00e9triques.<\/p>\n Un enrichissement m\u00e9thodologique d\u00e9terminant pour le lecteur consiste \u00e0 mat\u00e9rialiser graphiquement la m\u00e9diane conjointe de r\u00e9f\u00e9rence sous la forme d’une ligne horizontale en pointill\u00e9s traversant l’int\u00e9gralit\u00e9 de l’espace graphique. Cet ajout s’op\u00e8re au moyen de la directive geom_hline(yintercept = median(examData$score), linetype = \u00ab\u00a0dashed\u00a0\u00bb, color = \u00ab\u00a0firebrick\u00a0\u00bb)<\/em>. Par cet artifice visuel d’une remarquable simplicit\u00e9, le r\u00e9viseur ou le lecteur scientifique identifie instantan\u00e9ment la fronti\u00e8re binaire op\u00e9r\u00e9e par le test de Mood et visualise avec une limpidit\u00e9 parfaite la proportion respective des points de chaque cohorte franchissant ce seuil d’inf\u00e9rence critique.<\/p>\n Bien que le diagramme en bo\u00eete conventionnel offre une synth\u00e8se robuste de la dispersion ordinale, il v\u00e9hicule une faiblesse graphique notoire : il masque la densit\u00e9 r\u00e9elle des points sous-jacents ainsi que les \u00e9ventuelles irr\u00e9gularit\u00e9s de forme locale, telles que la multimodalit\u00e9 ou l’agglutination d’observations discr\u00e8tes au m\u00eame niveau de score. Pour pallier cette lacune visuelle sans alourdir le message informatif, l’analyste averti enrichit son graphique par la superposition directe des observations brutes individuelles au moyen de la couche geom_jitter()<\/em>.<\/p>\n L’application de geom_jitter()<\/em> introduit une dispersion horizontale pseudo-al\u00e9atoire contr\u00f4l\u00e9e (dispersion calibr\u00e9e par l’argument width = 0.15<\/em>), tout en pr\u00e9servant scrupuleusement la position verticale r\u00e9elle de chaque mesure sur l’axe des ordonn\u00e9es. Cette technique permet de discerner imm\u00e9diatement les effectifs r\u00e9els sous-jacents, r\u00e9v\u00e9lant la pr\u00e9sence de doublons \u00e9ventuels et rassurant l’observateur quant \u00e0 l’absence de points aberrants occult\u00e9s par l’agr\u00e9gation statistique.<\/p>\n Pour les cohortes d’\u00e9chantillonnage de plus grande envergure (n > 30 par groupe), l’alternative contemporaine la plus \u00e9l\u00e9gante r\u00e9side dans le recours au diagramme en violon (geom_violin()<\/em>), qui adjoint aux bo\u00eetes \u00e0 moustaches une projection bidirectionnelle de la densit\u00e9 de probabilit\u00e9 liss\u00e9e par noyau gaussien (kernel density estimation<\/em>). En combinant un diagramme en violon transparent, un boxplot central \u00e9troit et la superposition discr\u00e8te des donn\u00e9es sources, le chercheur produit une restitution visuelle compl\u00e8te qui capture \u00e0 la fois la tendance centrale m\u00e9diane, la dispersion interquartile, les densit\u00e9s locales et l’agencement individuel de l’\u00e9chantillon complet.<\/p>\n Puisque le test de la m\u00e9diane de Mood op\u00e8re fondamentalement sur une table de contingence binaire croisant les groupes et le franchissement du seuil m\u00e9dian, il s’av\u00e8re particuli\u00e8rement pertinent d’illustrer directement cette g\u00e9om\u00e9trie matricielle sp\u00e9cifique dans les communications orales ou les synth\u00e8ses m\u00e9thodologiques. Deux familles de repr\u00e9sentations graphiques d\u00e9di\u00e9es aux donn\u00e9es cat\u00e9gorielles s’illustrent dans cet exercice :<\/p>\n Le choix judicieux de palettes colorim\u00e9triques optimis\u00e9es pour les personnes atteintes de d\u00e9ficiences de la vision des couleurs (telles que les palettes Viridis<\/em> ou ColorBrewer<\/em>) parach\u00e8ve cette d\u00e9marche d’excellence graphique, garantissant une accessibilit\u00e9 visuelle irr\u00e9prochable conforme aux standards contemporains de la communication scientifique.<\/p>\n L’honn\u00eatet\u00e9 intellectuelle et la rigueur \u00e9pist\u00e9mologique commandent de ne pas occulter les limites conceptuelles intrins\u00e8ques attach\u00e9es au test de la m\u00e9diane de Mood. La critique la plus substantielle et universellement document\u00e9e dans la litt\u00e9rature m\u00e9thodologique cible l’op\u00e9ration inaugurale de dichotomisation binaire. Transformer un ensemble de mesures m\u00e9triques continues, potentiellement recueillies au prix d’efforts technologiques consid\u00e9rables avec une haute pr\u00e9cision d\u00e9cimale, en une grossi\u00e8re variable indicatrice binaire (sup\u00e9rieur versus inf\u00e9rieur \u00e0 la m\u00e9diane) constitue une d\u00e9gradation irr\u00e9versible de l’entropie informationnelle contenue dans l’\u00e9chantillon initial.<\/p>\n Cette simplification radicale conduit \u00e0 traiter sur un pied d’\u00e9galit\u00e9 des observations dont les amplitudes peuvent pourtant diverger de fa\u00e7on astronomique. Par exemple, une observation qui exc\u00e8de la m\u00e9diane conjointe d’un simple centi\u00e8me d’unit\u00e9 se voit affecter exactement le m\u00eame statut binaire positif qu’une observation la distan\u00e7ant de trois \u00e9carts-types. Toute la structure de corr\u00e9lation fine relative \u00e0 la magnitude spatiale des r\u00e9sidus se trouve ainsi oblit\u00e9r\u00e9e.<\/p>\n Par voie de cons\u00e9quence, l’aptitude du test de Mood \u00e0 discerner des d\u00e9calages de position d’ampleur modeste entre deux populations s’av\u00e8re structurellement affaiblie en comparaison des approches non param\u00e9triques pr\u00e9servant les rangs continus, \u00e0 l’instar du test de Wilcoxon-Mann-Whitney. L’analyste qui privil\u00e9gie le test de Mood consent d\u00e9lib\u00e9r\u00e9ment \u00e0 ce sacrifice informationnel en \u00e9change d’une immunit\u00e9 totale face aux anomalies de courbures et aux d\u00e9rives h\u00e9t\u00e9rosc\u00e9dastiques, mais il doit garder \u00e0 l’esprit que ce compromis r\u00e9duit d’autant sa sensibilit\u00e9 face \u00e0 des effets exp\u00e9rimentaux subtils.<\/p>\n Le profil de puissance statistique du test de la m\u00e9diane de Mood se r\u00e9v\u00e8le intimement tributaire de la morphologie th\u00e9orique des lois de probabilit\u00e9s sous-jacentes \u00e0 l’origine de la g\u00e9n\u00e9ration des donn\u00e9es. Les recherches probabilistes men\u00e9es sur l’efficacit\u00e9 asymptotique relative ont permis de circonscrire pr\u00e9cis\u00e9ment les paysages distributionnels au sein desquels le test de Mood brille ou, au contraire, se trouve domin\u00e9 par ses comp\u00e9titeurs directs :<\/p>\n Pour dimensionner rigoureusement un protocole d’\u00e9chantillonnage planifi\u00e9 en amont d’une collecte de donn\u00e9es o\u00f9 l’emploi du test de Mood est pressenti, le chercheur ne saurait se fier aux formules analytiques standardis\u00e9es de puissance valables pour le test t. Il est hautement recommand\u00e9 de programmer des \u00e9tudes de simulation de puissance a priori<\/em> sous R au moyen de g\u00e9n\u00e9rateurs de boucles it\u00e9ratives, en simulant des distributions empiriques inspir\u00e9es de la litt\u00e9rature sp\u00e9cifique au domaine \u00e9tudi\u00e9 afin de d\u00e9terminer l’effectif minimal n\u00e9cessaire pour garantir une puissance d’au moins 80 % face \u00e0 une diff\u00e9rence de m\u00e9diane attendue.<\/p>\n Pour \u00e9clairer l’arbitrage m\u00e9thodologique au quotidien et guider les praticiens de la recherche empirique dans la s\u00e9lection avertie de leur outillage quantitatif, l’arbre de d\u00e9cision heuristique suivant formalise les jalons s\u00e9quentiels devant orienter le choix de la proc\u00e9dure de comparaison de deux groupes ind\u00e9pendants :<\/p>\n En adoptant cette discipline d\u00e9cisionnelle, appuy\u00e9e sur une impl\u00e9mentation logicielle rigoureuse au sein de l’environnement R et une transparence totale quant aux motifs de s\u00e9lection des tests, le chercheur pr\u00e9serve l’int\u00e9grit\u00e9 de son processus inf\u00e9rentiel et assure \u00e0 ses travaux une robustesse scientifique exemplaire, capable de r\u00e9sister \u00e0 l’\u00e9preuve des r\u00e9plications m\u00e9thodologiques futures.<\/p>\n1. Introduction th\u00e9orique et fondements du test de la m\u00e9diane de Mood<\/h2>\n
1.1 Origine et principes fondamentaux de cette approche non param\u00e9trique<\/h3>\n
1.2 La m\u00e9diane comme mesure de tendance centrale robuste<\/h3>\n
1.3 Pertinence m\u00e9thodologique en sciences psychologiques et cognitives<\/h3>\n
2. Hypoth\u00e8ses statistiques et conditions d’application<\/h2>\n
2.1 Formulation formelle des hypoth\u00e8ses nulle et alternative<\/h3>\n
2.2 Conditions de validit\u00e9 relatives aux donn\u00e9es exp\u00e9rimentales<\/h3>\n
2.3 Comportement du test face aux distributions asym\u00e9triques et h\u00e9t\u00e9rosc\u00e9dastiques<\/h3>\n
3. Comparaison critique : Test de Mood versus alternatives classiques<\/h2>\n
3.1 Test de Mood versus Test t de Student ind\u00e9pendant<\/h3>\n
3.2 Test de Mood versus Test de Wilcoxon-Mann-Whitney<\/h3>\n
3.3 Test de Mood versus Test de Kruskal-Wallis pour k groupes<\/h3>\n
\n
4. Configuration de l’environnement de travail dans R<\/h2>\n
4.1 Pr\u00e9sentation du package coin et du cadre d’inf\u00e9rence conditionnelle<\/h3>\n
4.2 Installation et chargement des biblioth\u00e8ques logicielles requises<\/h3>\n
4.3 Gestion des options globales et reproductibilit\u00e9 computationnelle<\/h3>\n
5. Pr\u00e9paration et structuration des donn\u00e9es exp\u00e9rimentales sous R<\/h2>\n
5.1 Importation et mise en forme des jeux de donn\u00e9es d’\u00e9tude<\/h3>\n
\n
5.2 V\u00e9rification et conversion rigoureuse des types de variables<\/h3>\n
5.3 Nettoyage pr\u00e9liminaire et traitement des observations manquantes<\/h3>\n
6. Syntaxe et param\u00e9trage de la fonction median_test dans le package coin<\/h2>\n
6.1 D\u00e9composition de la formule canonique response ~ group<\/h3>\n
6.2 Gestion des m\u00e9thodes de calcul de la p-valeur (distribution)<\/h3>\n
\n
6.3 Sp\u00e9cification de la directionnalit\u00e9 de l’hypoth\u00e8se (alternative)<\/h3>\n
7. Tutoriel pratique pas \u00e0 pas : Cas concret d’une \u00e9valuation p\u00e9dagogique<\/h2>\n
7.1 \u00c9tape 1 : Cr\u00e9ation manuelle et inspection du jeu de donn\u00e9es<\/h3>\n
7.2 \u00c9tape 2 : Exploration descriptive et calcul des m\u00e9dianes empiriques<\/h3>\n
7.3 \u00c9tape 3 : Ex\u00e9cution de l’appel de fonction et g\u00e9n\u00e9ration de la sortie<\/h3>\n
8. Calculs math\u00e9matiques sous-jacents : La table de contingence binaire<\/h2>\n
8.1 Dichotomisation des donn\u00e9es autour de la m\u00e9diane globale<\/h3>\n
\n
8.2 Construction manuelle du tableau crois\u00e9 2×2<\/h3>\n
\n
\n
8.3 Calcul de la statistique du test du Chi-deux et correction de Yates<\/h3>\n
9. Interpr\u00e9tation acad\u00e9mique et communication des r\u00e9sultats<\/h2>\n
9.1 Lecture critique des m\u00e9triques produites par median_test<\/h3>\n
9.2 Prise de d\u00e9cision statistique et formulation des conclusions<\/h3>\n
9.3 Mod\u00e8le de r\u00e9daction acad\u00e9mique selon les directives de l’APA (7e \u00e9dition)<\/h3>\n
10. Extension de la m\u00e9thode aux comparaisons multi-groupes (k > 2)<\/h2>\n
10.1 G\u00e9n\u00e9ralisation du test de Mood \u00e0 trois groupes ou plus<\/h3>\n
10.2 Analyse de la table de contingence k x 2<\/h3>\n
10.3 Proc\u00e9dures de comparaisons par paires post-hoc et ajustement<\/h3>\n
\n
11. Visualisation graphique avanc\u00e9e des m\u00e9dianes et distributions dans R<\/h2>\n
11.1 Conception de diagrammes en bo\u00eete (boxplots) informatifs avec ggplot2<\/h3>\n
11.2 Superposition des donn\u00e9es individuelles et diagrammes en violon<\/h3>\n
11.3 Graphiques de contingence pour illustrer la dichotomisation<\/h3>\n
\n
12. Limites m\u00e9thodologiques, puissance statistique et recommandations de recherche<\/h2>\n
12.1 La probl\u00e9matique de la perte d’information par dichotomisation<\/h3>\n
12.2 Puissance statistique compar\u00e9e et profils distributionnels<\/h3>\n
\n
12.3 Guide d\u00e9cisionnel pour le chercheur en sciences comportementales<\/h3>\n
\n
\n
\n
\n
R\u00e9f\u00e9rences<\/h2>\n
\n