Dans le paysage contemporain de la science des donn\u00e9es et de la biom\u00e9trie, l’\u00e9valuation rigoureuse des interventions longitudinales constitue un pilier m\u00e9thodologique fondamental. Lorsqu’un chercheur ou un analyste cherche \u00e0 quantifier l’effet d’un traitement, d’une campagne de sensibilisation ou d’une manipulation exp\u00e9rimentale sur une variable binaire mesur\u00e9e \u00e0 deux moments distincts sur les m\u00eames unit\u00e9s statistiques, les approches traditionnelles fond\u00e9es sur l’ind\u00e9pendance des observations s’effondrent. C’est pr\u00e9cis\u00e9ment pour r\u00e9pondre \u00e0 cette exigence d’inf\u00e9rence causale et descriptive sur s\u00e9ries appari\u00e9es que le test de McNemar s’impose comme l’outil non param\u00e9trique de r\u00e9f\u00e9rence, garantissant une estimation non biais\u00e9e des transitions d’\u00e9tats au sein de cohortes ferm\u00e9es.<\/p>\n
Le recours aux m\u00e9thodes computationnelles modernes, et plus particuli\u00e8rement \u00e0 l’\u00e9cosyst\u00e8me open-source Python<\/a>, a profond\u00e9ment transform\u00e9 la mise en \u0153uvre de ces protocoles statistiques. Gr\u00e2ce \u00e0 des biblioth\u00e8ques scientifiques hautement optimis\u00e9es telles que Statsmodels<\/a>, SciPy<\/a> et NumPy<\/a>, l’exp\u00e9rimentateur dispose d\u00e9sormais d’un cadre robuste pour ex\u00e9cuter non seulement les calculs asymptotiques classiques, mais \u00e9galement les r\u00e9solutions exactes requises en situation de faibles effectifs. L’int\u00e9gration de ces outils algorithmiques permet d’automatiser des cha\u00eenes de traitement complexes, allant de la structuration matricielle des donn\u00e9es brutes jusqu’\u00e0 la quantification fine de la taille d’effet et \u00e0 la restitution graphique des flux de transition.<\/p>\n Le pr\u00e9sent trait\u00e9 propose une exploration exhaustive, th\u00e9orique et appliqu\u00e9e, du test de McNemar dans l’environnement Python. Structur\u00e9 selon une progression p\u00e9dagogique et acad\u00e9mique rigoureuse, cet ouvrage d\u00e9taille les fondements \u00e9pist\u00e9mologiques de la m\u00e9thode, sa formalisation math\u00e9matique, son impl\u00e9mentation programmatique d\u00e9taill\u00e9e, ainsi que la gestion des cas limites et des extensions multivari\u00e9es. En d\u00e9mystifiant les m\u00e9canismes de la sym\u00e9trie marginale et en fournissant des mod\u00e8les de code reproductibles, ce guide constitue une ressource de premier plan pour les biostatisticiens, psychom\u00e9triciens, data scientists et chercheurs d\u00e9sireux d’asseoir leurs inf\u00e9rences sur une rigueur m\u00e9thodologique irr\u00e9prochable.<\/p>\n Le test de McNemar tire son origine des travaux pionniers du psychologue et statisticien am\u00e9ricain Quinn McNemar<\/a>, formalis\u00e9s dans son article fondateur publi\u00e9 en 1947 au sein de la revue Psychometrika<\/em>. \u00c0 cette \u00e9poque, la recherche en sciences comportementales et en \u00e9pid\u00e9miologie naissante se heurtait \u00e0 un \u00e9cueil analytique r\u00e9current : l’\u00e9valuation de l’\u00e9volution d’une caract\u00e9ristique qualitative au sein d’un m\u00eame groupe d’individus soumis \u00e0 une intervention temporelle. Les chercheurs utilisaient trop fr\u00e9quemment, par abus ou m\u00e9connaissance m\u00e9thodologique, le test d’ind\u00e9pendance du Chi-deux d\u00e9velopp\u00e9 par Karl Pearson, traitant de mani\u00e8re erron\u00e9e les mesures r\u00e9p\u00e9t\u00e9es comme si elles provenaient de deux populations distinctes et mutuellement ind\u00e9pendantes.<\/p>\n Conscient des distorsions majeures induites par cet amalgame, Quinn McNemar a con\u00e7u une proc\u00e9dure statistique sp\u00e9cifiquement d\u00e9di\u00e9e aux devis exp\u00e9rimentaux de type avant-apr\u00e8s portant sur des variables nominales dichotomiques. L’innovation majeure de sa formulation r\u00e9sidait dans la focalisation exclusive sur la dynamique intra-sujet, neutralisant de facto les effets fixes individuels inh\u00e9rents aux cohortes ferm\u00e9es. En introduisant un cadre d’inf\u00e9rence fond\u00e9 sur la sym\u00e9trie marginale des distributions conjointes, McNemar a permis de r\u00e9soudre le biais d’estimation de la variance r\u00e9siduelle, offrant \u00e0 la communaut\u00e9 biom\u00e9dicale et psychom\u00e9trique un instrument d’une pr\u00e9cision in\u00e9dite pour juger de l’efficacit\u00e9 r\u00e9elle des protocoles th\u00e9rapeutiques et persuasifs.<\/p>\n Au fil des d\u00e9cennies, cette m\u00e9thodologie s’est \u00e9rig\u00e9e en standard incontournable de la biostatistique clinique. Qu’il s’agisse de mesurer la conversion s\u00e9rologique de patients expos\u00e9s \u00e0 un nouvel agent immunologique ou de valider la r\u00e9mission symptomatique d’une cohorte psychiatrique sous psychotrope, le test de McNemar constitue le point d’ancrage fondamental pour toute analyse de changement cat\u00e9goriel au sein d’une population suivie longitudinalement sans modification de sa composition structurelle.<\/p>\n La compr\u00e9hension \u00e9pist\u00e9mologique du test de McNemar exige une d\u00e9limitation rigoureuse entre le paradigme des s\u00e9ries ind\u00e9pendantes et celui des s\u00e9ries appari\u00e9es. Dans une configuration d’\u00e9chantillons ind\u00e9pendants, chaque unit\u00e9 statistique observ\u00e9e dans la condition initiale est distincte de celles constituant la condition ult\u00e9rieure, ou appartient \u00e0 un groupe t\u00e9moin sans lien d’interd\u00e9pendance avec le groupe exp\u00e9rimental. La variance totale du syst\u00e8me int\u00e8gre alors pleinement la variabilit\u00e9 interindividuelle, et la covariance entre les deux s\u00e9ries de mesures est strictement nulle sous les postulats d’\u00e9chantillonnage al\u00e9atoire simple.<\/p>\n \u00c0 l’inverse, l’appariement introduit une structure de d\u00e9pendance d\u00e9terministe ou stochastique profonde entre les paires d’observations. Cet appariement peut r\u00e9sulter d’un plan \u00e0 mesures r\u00e9p\u00e9t\u00e9es, o\u00f9 chaque sujet constitue son propre t\u00e9moin au fil du temps, d’une \u00e9tude cas-t\u00e9moins appari\u00e9e selon des covariables d’int\u00e9r\u00eat telles que l’\u00e2ge, le sexe ou l’indice de masse corporelle, ou encore de dyades comportementales naturelles comme des jumeaux homozygotes ou des couples. Cette interd\u00e9pendance se traduit par une corr\u00e9lation intra-sujet positive non n\u00e9gligeable. L’omission de cette corr\u00e9lation dans le calcul de la statistique de test entra\u00eene une surestimation syst\u00e9matique de l’erreur-type de la diff\u00e9rence observ\u00e9e, r\u00e9duisant artificiellement la puissance statistique et faussant l’inf\u00e9rence.<\/p>\n Appliquer le test d’ind\u00e9pendance de Pearson \u00e0 des donn\u00e9es appari\u00e9es constitue une infraction th\u00e9orique grave au principe d’\u00e9chantillonnage ind\u00e9pendant et identiquement distribu\u00e9. Le test classique calcule des effectifs th\u00e9oriques sous l’hypoth\u00e8se que la probabilit\u00e9 conjointe correspond au produit des probabilit\u00e9s marginales, ignorant la trajectoire temporelle individuelle. Le test de McNemar s’affranchit de cette pr\u00e9misse invalide en conditionnant l’analyse sur la distribution conditionnelle des paires discordantes, restaurant ainsi la validit\u00e9 formelle de l’estimation de l’erreur d’\u00e9chantillonnage.<\/p>\n En psychologie cognitive, sociale et diff\u00e9rentielle, le test de McNemar joue un r\u00f4le pr\u00e9pond\u00e9rant pour l’\u00e9tude des modifications d’attitudes, des croyances implicites et des d\u00e9cisions comportementales. Les paradigmes exp\u00e9rimentaux reposent fr\u00e9quemment sur l’exposition de participants \u00e0 des amorces s\u00e9mantiques, des stimuli visuels subliminaux ou des messages persuasifs visant \u00e0 modifier un \u00e9tat mental discret pr\u00e9alablement cat\u00e9goris\u00e9. Par exemple, un chercheur peut \u00e9valuer si l’exposition \u00e0 un plaidoyer argument\u00e9 fait basculer des citoyens d’une position d’opposition \u00e0 une position d’adh\u00e9sion vis-\u00e0-vis d’une r\u00e9forme soci\u00e9tale.<\/p>\n L’utilit\u00e9 du test s’av\u00e8re particuli\u00e8rement saillante lors de l’\u00e9valuation d’interventions th\u00e9rapeutiques br\u00e8ves sur des indicateurs cliniques binaires, tels que la pr\u00e9sence ou l’absence d’attaques de panique hebdomadaires ou le franchissement d’un seuil diagnostique d’anxi\u00e9t\u00e9 selon le manuel diagnostique et statistique des troubles mentaux. Dans ce cadre, la mesure r\u00e9p\u00e9t\u00e9e permet d’\u00e9liminer le bruit de fond li\u00e9 aux traits de personnalit\u00e9 stables, isolant l’effet direct de l’intervention clinique sur la dynamique d’am\u00e9lioration ou de d\u00e9t\u00e9rioration du patient.<\/p>\n De surcro\u00eet, le test de McNemar offre un rempart m\u00e9thodologique contre les biais cognitifs de l’exp\u00e9rimentateur. En d\u00e9composant le changement global en deux composantes antagonistes, \u00e0 savoir les transitions favorables et les transitions d\u00e9favorables, il emp\u00eache de confondre une apparente stabilit\u00e9 marginale avec une absence de mouvement intra-individuel. Si vingt individus s’am\u00e9liorent tandis que vingt autres r\u00e9gressent, le total des proportions reste invariant, mais le test de McNemar met en lumi\u00e8re cette redistribution interne, invitant \u00e0 une exploration plus approfondie des mod\u00e9rateurs sous-jacents.<\/p>\n La d\u00e9rivation inf\u00e9rentielle du test de McNemar s’articule autour du concept probabiliste de sym\u00e9trie marginale. Soit une population statistique au sein de laquelle chaque unit\u00e9 fait l’objet de deux mesures successives d’une variable binaire prenant les modalit\u00e9s 0 et 1. La distribution conjointe des probabilit\u00e9s est r\u00e9gie par une matrice de param\u00e8tres o\u00f9 la somme de l’ensemble des probabilit\u00e9s \u00e9l\u00e9mentaires \u00e9quivaut \u00e0 l’unit\u00e9. L’hypoth\u00e8se nulle, not\u00e9e H0, stipule l’\u00e9galit\u00e9 parfaite des probabilit\u00e9s marginales entre la premi\u00e8re et la seconde observation.<\/p>\n Math\u00e9matiquement, l’hypoth\u00e8se nulle exprime que la probabilit\u00e9 d’observer un \u00e9tat de succ\u00e8s au temps 1 est strictement identique \u00e0 la probabilit\u00e9 d’observer un succ\u00e8s au temps 2. Puisque les \u00e9tats stables contribuent de mani\u00e8re \u00e9quivalente aux deux marges de la table conjointe, cette assertion se r\u00e9duit de fa\u00e7on \u00e9l\u00e9gante \u00e0 l’\u00e9galit\u00e9 stricte des probabilit\u00e9s de transition discordante. Ainsi, formuler l’hypoth\u00e8se nulle revient \u00e0 poser que la probabilit\u00e9 de passer de l’\u00e9tat 0 \u00e0 l’\u00e9tat 1 est \u00e9gale \u00e0 la probabilit\u00e9 de passer de l’\u00e9tat 1 \u00e0 l’\u00e9tat 0. Les changements individuels observ\u00e9s dans un sens ne sont alors que le reflet de fluctuations al\u00e9atoires d’\u00e9chantillonnage s’annulant mutuellement.<\/p>\n L’hypoth\u00e8se alternative, not\u00e9e H1, postule l’existence d’une rupture de cette sym\u00e9trie marginale. Dans sa d\u00e9clinaison bidirectionnelle classique, H1 affirme que la probabilit\u00e9 de transition d’un \u00e9tat vers l’autre diff\u00e8re significativement de la transition r\u00e9ciproque, traduisant une dynamique nette d’\u00e9volution sous l’effet du traitement ou de l’\u00e9coulement du temps. Dans certains contextes cliniques sp\u00e9cifiques o\u00f9 l’on s’int\u00e9resse exclusivement au gain th\u00e9rapeutique, l’hypoth\u00e8se alternative peut \u00eatre formul\u00e9e de mani\u00e8re directionnelle ou unilat\u00e9rale, exigeant une d\u00e9rive asym\u00e9trique dans un sens th\u00e9oriquement pr\u00e9d\u00e9fini.<\/p>\n Pour que le test de McNemar conserve son int\u00e9grit\u00e9 inf\u00e9rentielle et d\u00e9livre un taux d’erreur de premi\u00e8re esp\u00e8ce conforme au niveau de significativit\u00e9 nominal, plusieurs conditions d’application strictes doivent \u00eatre satisfaites. La premi\u00e8re condition concerne la m\u00e9trique des variables : celles-ci doivent \u00eatre imp\u00e9rativement dichotomiques, c’est-\u00e0-dire compos\u00e9es de deux modalit\u00e9s exclusives et exhaustives. Ces modalit\u00e9s peuvent repr\u00e9senter des succ\u00e8s et des \u00e9checs, des pr\u00e9sences ou absences de sympt\u00f4mes, ou des r\u00e9ponses d’approbation et de d\u00e9sapprobation.<\/p>\n La deuxi\u00e8me condition r\u00e9side dans la compl\u00e9tude et l’exclusivit\u00e9 de l’appariement. Chaque observation de la condition post-intervention doit \u00eatre intrins\u00e8quement et univoquement reli\u00e9e \u00e0 une observation unique de la condition pr\u00e9-intervention, excluant formellement les donn\u00e9es manquantes non compens\u00e9es ou les structures d’appariement d\u00e9s\u00e9quilibr\u00e9es d’ordre un \u00e0 plusieurs, lesquelles rel\u00e8vent d’autres extensions biostatistiques comme le mod\u00e8le de r\u00e9gression logistique conditionnelle. Les paires d’observations doivent elles-m\u00eames \u00eatre \u00e9chantillonn\u00e9es de mani\u00e8re ind\u00e9pendante au sein de la population cible, proscrivant les contaminations ou influences mutuelles entre participants distincts.<\/p>\n La troisi\u00e8me exigence porte sur le volume des observations discordantes n\u00e9cessaires pour valider l’approximation asymptotique de la distribution d’\u00e9chantillonnage. Lorsque la taille globale de l’\u00e9chantillon ou le taux de changement est trop faible, l’estimation fond\u00e9e sur la loi continue du Chi-deux perd sa convergence, n\u00e9cessitant imp\u00e9rativement le basculement vers une proc\u00e9dure de calcul exact de la loi binomiale sous-jacente.<\/p>\n La violation des postulats fondamentaux r\u00e9gissant le test de McNemar entra\u00eene des r\u00e9percussions s\u00e9v\u00e8res sur la validit\u00e9 interne des conclusions empiriques. Si un exp\u00e9rimentateur applique ce test \u00e0 des donn\u00e9es issues de groupes ind\u00e9pendants, l’estimation des erreurs quadratiques moyennes se trouve radicalement biais\u00e9e, conduisant fr\u00e9quemment \u00e0 une inflation incontr\u00f4l\u00e9e de l’erreur de type I, c’est-\u00e0-dire au rejet abusif de l’hypoth\u00e8se nulle en l’absence de tout effet substantiel r\u00e9el.<\/p>\n De m\u00eame, l’exploitation de l’approximation asymptotique classique en pr\u00e9sence d’un volume insuffisant de paires discordantes expose l’analyste \u00e0 des d\u00e9cisions statistiques erratiques. Lorsque les transitions observ\u00e9es sont excessivement rares, la statistique de test calcul\u00e9e s’\u00e9loigne notablement des quantiles th\u00e9oriques de la loi du Chi-deux \u00e0 un degr\u00e9 de libert\u00e9, engendrant soit des tests anticonservateurs dont les p-valeurs sont artificiellement minor\u00e9es, soit, \u00e0 l’inverse, une perte drastique de puissance statistique masquant des effets cliniques pourtant majeurs.<\/p>\n Enfin, le non-respect de la nature purement binaire des variables, par exemple par la dichotomisation arbitraire et non justifi\u00e9e d’\u00e9chelles ordinales complexes ou de variables continues, entra\u00eene une perte irr\u00e9versible d’information statistique. Cette pratique d\u00e9grade la variance informative du protocole exp\u00e9rimental et peut cr\u00e9er des artefacts de transition totalement d\u00e9connect\u00e9s des dynamiques psychologiques ou physiologiques r\u00e9elles des sujets \u00e9valu\u00e9s.<\/p>\n L’analyse des donn\u00e9es appari\u00e9es dichotomiques repose sur la formalisation d’une table de contingence carr\u00e9e d’ordre deux par deux, dont la configuration structurelle diff\u00e8re fondamentalement des tables d’ind\u00e9pendance bivari\u00e9es conventionnelles. Dans cette matrice de contingence appari\u00e9e, les lignes repr\u00e9sentent l’\u00e9tat initial des sujets lors de la premi\u00e8re mesure, tandis que les colonnes refl\u00e8tent l’\u00e9tat final des m\u00eames sujets lors de la seconde mesure. L’effectif total N de l’\u00e9chantillon se trouve ainsi ventil\u00e9 dans quatre cellules distinctes d\u00e9sign\u00e9es conventionnellement par les lettres a, b, c et d.<\/p>\n Les cellules situ\u00e9es sur la diagonale principale de la matrice, conventionnellement index\u00e9es par a et d, h\u00e9bergent les paires dites concordantes ou stables. La cellule a quantifie le nombre d’individus pr\u00e9sentant un \u00e9tat positif ou de succ\u00e8s aux deux moments d’\u00e9valuation, tandis que la cellule d regroupe les individus caract\u00e9ris\u00e9s par un \u00e9tat n\u00e9gatif ou d’\u00e9chec de mani\u00e8re persistante. Ces sujets n’ont subi aucune modification cat\u00e9gorielle au cours du protocole exp\u00e9rimental.<\/p>\n \u00c0 l’inverse, les cellules de la diagonale secondaire, d\u00e9sign\u00e9es par b et c, rassemblent les paires discordantes, c’est-\u00e0-dire les unit\u00e9s statistiques ayant exp\u00e9riment\u00e9 une transition d’\u00e9tat au cours de l’intervalle temporel. La cellule b comptabilise les individus pass\u00e9s du statut positif au statut n\u00e9gatif, tandis que la cellule c d\u00e9nombre les participants ayant \u00e9volu\u00e9 de l’\u00e9tat n\u00e9gatif vers l’\u00e9tat positif. Ce sont ces deux seules cellules discordantes qui portent l’int\u00e9gralit\u00e9 de l’information diff\u00e9rentielle requise pour \u00e9valuer le changement au sein du test de McNemar.<\/p>\n L’une des propri\u00e9t\u00e9s les plus remarquables et \u00e9l\u00e9gantes du test de McNemar r\u00e9side dans l’\u00e9limination syst\u00e9matique et totale des cellules concordantes a et d de l’\u00e9quation de la statistique de test. D’un point de vue math\u00e9matique pur, la sym\u00e9trie marginale impose que la marge ligne de la premi\u00e8re modalit\u00e9, \u00e9gale \u00e0 la somme a plus b, soit \u00e9gale \u00e0 la marge colonne de cette m\u00eame modalit\u00e9, \u00e9gale \u00e0 la somme a plus c. En simplifiant cette \u00e9galit\u00e9 alg\u00e9brique par la soustraction du terme invariant a de part et d’autre de l’\u00e9quation, on obtient imm\u00e9diatement l’\u00e9galit\u00e9 b \u00e9gale c. Le m\u00eame raisonnement appliqu\u00e9 \u00e0 la seconde modalit\u00e9 \u00e9limine le terme d.<\/p>\n Cette neutralisation analytique pr\u00e9sente des r\u00e9percussions conceptuelles profondes sur le plan de la validit\u00e9 causale. En conditionnant l’inf\u00e9rence exclusivement sur les sujets ayant effectivement chang\u00e9 d’\u00e9tat, le test neutralise de facto l’ensemble des facteurs de confusion invariants dans le temps propres \u00e0 chaque individu, qu’il s’agisse de pr\u00e9dispositions g\u00e9n\u00e9tiques, de caract\u00e9ristiques sociod\u00e9mographiques stables ou de traits de personnalit\u00e9 constants. Cette d\u00e9marche est conceptuellement \u00e9quivalente aux estimateurs \u00e0 effets fixes hautement valoris\u00e9s en \u00e9conom\u00e9trie des donn\u00e9es de panel.<\/p>\n D’un point de vue heuristique, consid\u00e9rer les paires concordantes comme des donn\u00e9es informatives sur la direction du changement constituerait un non-sens : un sujet qui reste ind\u00e9fectiblement attach\u00e9 \u00e0 son opinion initiale ne fournit aucun indice sur l’efficacit\u00e9 relative du stimulus persuasif \u00e0 faire pencher la balance dans un sens plut\u00f4t que dans un autre. Seules les personnes en mouvement r\u00e9v\u00e8lent la trajectoire vectorielle du processus exp\u00e9rimental.<\/p>\n Pour assurer l’exactitude des calculs algorithmiques et pr\u00e9venir toute erreur d’interpr\u00e9tation lors de l’impl\u00e9mentation sous des biblioth\u00e8ques de calcul num\u00e9rique, la standardisation formelle de l’agencement matriciel s’av\u00e8re indispensable. La convention internationale pr\u00e9conise la disposition suivante : les lignes de la matrice repr\u00e9sentent l’\u00e9tat avant intervention, tandis que les colonnes indiquent l’\u00e9tat apr\u00e8s intervention. De surcro\u00eet, le premier indice correspond usuellement \u00e0 la condition de pr\u00e9sence, de succ\u00e8s ou d’approbation, et le second indice \u00e0 l’absence, l’\u00e9chec ou la d\u00e9sapprobation.<\/p>\n Sous cette convention normalis\u00e9e, la cellule [0, 0] correspond au maintien du succ\u00e8s (cellule a), la cellule [0, 1] correspond \u00e0 la transition d’un succ\u00e8s initial vers un \u00e9chec ult\u00e9rieur (cellule b), la cellule [1, 0] consigne la transition d’un \u00e9chec vers un succ\u00e8s (cellule c), et la cellule [1, 1] refl\u00e8te la persistance de l’\u00e9chec (cellule d). La coh\u00e9rence de l’ensemble de la mod\u00e9lisation repose sur la v\u00e9rification stricte de la conservation de la masse statistique, attestant que la somme arithm\u00e9tique a + b + c + d est rigoureusement \u00e9gale \u00e0 la taille de la cohorte \u00e9tudi\u00e9e N.<\/p>\n La confusion dans l’indexation de ces cellules est une source fr\u00e9quente d’erreurs analytiques majeures dans les scripts de calcul. Une inversion accidentelle des lignes et des colonnes transforme la cellule b en cellule c, inversant la direction th\u00e9orique de la transition et faussant l’\u00e9valuation du rapport de cotes, bien que la statistique globale du Chi-deux non orient\u00e9e demeure arithm\u00e9tiquement identique en raison de la mise au carr\u00e9 des \u00e9carts.<\/p>\n La d\u00e9rivation analytique de la statistique de test asymptotique repose sur le principe du test du rapport de vraisemblance et du test du score appliqu\u00e9s \u00e0 la distribution conditionnelle des paires discordantes. Soit le nombre total de paires discordantes not\u00e9 n_d, \u00e9gal \u00e0 la somme des effectifs des cellules b et c. Sous l’hypoth\u00e8se nulle d’\u00e9quiprobabilit\u00e9 des transitions dans les deux directions, le nombre attendu ou esp\u00e9r\u00e9 d’observations au sein de chacune de ces cellules est identique et \u00e9gal \u00e0 n_d divis\u00e9 par 2.<\/p>\n En appliquant la formule g\u00e9n\u00e9rale de la statistique de Pearson relative aux \u00e9carts quadratiques r\u00e9duits entre effectifs observ\u00e9s et effectifs th\u00e9oriques, la contribution de la cellule b s’\u00e9crit (b – (b + c) \/ 2)\u00b2 divis\u00e9 par ((b + c) \/ 2), et la contribution de la cellule c s’exprime de mani\u00e8re analogue sous la forme (c – (b + c) \/ 2)\u00b2 divis\u00e9 par ((b + c) \/ 2). En d\u00e9veloppant les termes du num\u00e9rateur, on observe que (b – (b + c) \/ 2) est rigoureusement \u00e9gal \u00e0 (b – c) \/ 2, dont le carr\u00e9 donne (b – c)\u00b2 divis\u00e9 par 4. En sommant les deux contributions et en simplifiant le facteur 2 au d\u00e9nominateur, on aboutit \u00e0 la formule canonique \u00e9l\u00e9gante du test de McNemar : la statistique est \u00e9gale au carr\u00e9 de la diff\u00e9rence entre b et c, divis\u00e9 par la somme de b et c.<\/p>\n En vertu du th\u00e9or\u00e8me central limite, lorsque l’effectif des paires discordantes devient substantiel, cette statistique standardis\u00e9e converge asymptotiquement vers une loi th\u00e9orique du Chi-deux \u00e0 1 degr\u00e9 de libert\u00e9. Cette distribution permet d’obtenir imm\u00e9diatement la p-valeur de l’inf\u00e9rence par le calcul de l’int\u00e9grale sup\u00e9rieure de la densit\u00e9 de probabilit\u00e9 au-del\u00e0 de la valeur calcul\u00e9e de la statistique.<\/p>\n L’utilisation de la loi continue du Chi-deux pour approximer le comportement d’une variable qui ne prend que des valeurs discr\u00e8tes et enti\u00e8res engendre une impr\u00e9cision structurelle intrins\u00e8que, particuli\u00e8rement lorsque les effectifs de transition demeurent modestes. Afin d’ajuster cette divergence entre la fonction de r\u00e9partition en escalier de la distribution discr\u00e8te et la courbe lisse de la loi th\u00e9orique continue, le statisticien A. L. Edwards a propos\u00e9 en 1948 une correction de continuit\u00e9 formelle, directement inspir\u00e9e des travaux de Frank Yates.<\/p>\n La formulation math\u00e9matique du test de McNemar avec correction de continuit\u00e9 d’Edwards s’exprime en r\u00e9duisant l’amplitude absolue de la diff\u00e9rence observ\u00e9e d’une demi-unit\u00e9 pour chaque cellule, ce qui se traduit par la soustraction d’une unit\u00e9 enti\u00e8re au num\u00e9rateur avant l’\u00e9l\u00e9vation \u00e0 la puissance deux. La formule s’\u00e9crit formellement : le carr\u00e9 de la diff\u00e9rence entre la valeur absolue de b moins c et la constante 1, le tout divis\u00e9 par la somme de b et c. Cette contraction intentionnelle de l’\u00e9cart r\u00e9duit la valeur de la statistique calcul\u00e9e, augmentant proportionnellement la p-valeur associ\u00e9e.<\/p>\n L’application de la correction d’Edwards constitue une mesure prudentielle indispensable pour juguler l’inflation de l’erreur de type I. Elle garantit que les rejets de l’hypoth\u00e8se nulle ne r\u00e9sultent pas d’artefacts de discr\u00e9tisation au voisinage des seuils critiques conventionnels, offrant un comportement robuste lorsque la somme des paires discordantes oscille dans des zones interm\u00e9diaires.<\/p>\n Lorsque l’effectif cumul\u00e9 des paires discordantes s’av\u00e8re particuli\u00e8rement restreint, les approximations asymptotiques s’effondrent et ne peuvent plus garantir une inf\u00e9rence math\u00e9matiquement rigoureuse. Dans de telles configurations, il convient de renoncer int\u00e9gralement \u00e0 l’analogie avec la distribution du Chi-deux et de revenir \u00e0 la distribution exacte r\u00e9gissant le processus stochastique sous-jacent : la distribution binomiale.<\/p>\n Conditionnellement au nombre total de transitions observ\u00e9es n_d \u00e9gal \u00e0 b + c, chaque transition individuelle peut \u00eatre assimil\u00e9e \u00e0 une \u00e9preuve de Bernoulli dont le succ\u00e8s correspond, par exemple, \u00e0 l’appartenance \u00e0 la cellule b. Sous l’hypoth\u00e8se nulle de sym\u00e9trie, le param\u00e8tre de succ\u00e8s p de cette \u00e9preuve est strictement \u00e9gal \u00e0 0,5. Par cons\u00e9quent, la variable al\u00e9atoire repr\u00e9sentant le nombre de transitions dans la cellule b suit rigoureusement une loi binomiale de param\u00e8tres n_d et p \u00e9gal \u00e0 0,5.<\/p>\n Le calcul de la p-valeur exacte bilat\u00e9rale s’obtient alors en sommant les probabilit\u00e9s d’observer une valeur au moins aussi extr\u00eame que celle observ\u00e9e exp\u00e9rimentalement, aux deux extr\u00e9mit\u00e9s de la distribution binomiale sym\u00e9trique. La convention biostatistique standard consiste \u00e0 identifier la plus petite des deux valeurs observ\u00e9es entre b et c, \u00e0 sommer la fonction de masse de probabilit\u00e9 binomiale de z\u00e9ro jusqu’\u00e0 cette valeur minimale, et \u00e0 multiplier le r\u00e9sultat obtenu par deux pour couvrir les deux queues de la distribution. Cette d\u00e9marche fournit une garantie math\u00e9matique absolue contre tout rejet abusif de l’hypoth\u00e8se nulle, quel que soit l’effectif consid\u00e9r\u00e9.<\/p>\n L’ex\u00e9cution de protocoles d’inf\u00e9rence statistique modernes en Python s’appuie sur une hi\u00e9rarchie de biblioth\u00e8ques scientifiques hautement performantes, dont la conception modulaire permet de concilier efficacit\u00e9 computationnelle et rigueur m\u00e9thodologique. \u00c0 la base de cet \u00e9difice se trouve la biblioth\u00e8que NumPy<\/a>, qui fournit les structures de donn\u00e9es fondamentales sous forme de tableaux multidimensionnels homog\u00e8nes, garantissant une allocation m\u00e9moire contigu\u00eb et des op\u00e9rations d’alg\u00e8bre lin\u00e9aire vectoris\u00e9es \u00e9crites en langage C sous-jacent.<\/p>\n Au niveau interm\u00e9diaire, la biblioth\u00e8que SciPy<\/a>, et plus particuli\u00e8rement son sous-module sp\u00e9cialis\u00e9 de calcul statistique, propose des distributions de probabilit\u00e9 th\u00e9oriques continues et discr\u00e8tes, ainsi que des fonctions de tests non param\u00e9triques \u00e9l\u00e9mentaires. SciPy permet notamment de calculer des fonctions de survie, des fonctions de masse de probabilit\u00e9 et d’ex\u00e9cuter des tests d’hypoth\u00e8ses exacts sur des distributions discr\u00e8tes.<\/p>\n Au sommet de cette architecture, la biblioth\u00e8que Statsmodels<\/a> s’affirme comme l’outil privil\u00e9gi\u00e9 des biostatisticiens et \u00e9conom\u00e8tres. Contrairement \u00e0 d’autres biblioth\u00e8ques d’apprentissage automatique orient\u00e9es vers la pr\u00e9diction brute, Statsmodels est explicitement structur\u00e9e pour l’estimation formelle de param\u00e8tres, la mod\u00e9lisation statistique avanc\u00e9e et la d\u00e9livrance de diagnostics exhaustifs incluant r\u00e9sidus, intervalles de confiance et tables d’analyse de variance. Son module d\u00e9di\u00e9 aux tables de contingence fournit des classes d’une flexibilit\u00e9 in\u00e9gal\u00e9e pour le traitement des s\u00e9ries appari\u00e9es.<\/p>\n La reproductibilit\u00e9 computationnelle constitue une exigence d\u00e9ontologique imp\u00e9rative de la recherche scientifique contemporaine. Afin d’\u00e9viter les d\u00e9rives d’ex\u00e9cution induites par les ruptures de compatibilit\u00e9 ascendante au sein des biblioth\u00e8ques logicielles, tout projet d’analyse quantitative doit \u00eatre confin\u00e9 au sein d’un environnement d’ex\u00e9cution virtuel strictement isol\u00e9 et contr\u00f4l\u00e9, mis en place via des gestionnaires tels que Conda ou le module standard Python venv.<\/p>\n Dans le cadre de l’ex\u00e9cution du test de McNemar et de ses extensions visuelles et matricielles, l’environnement doit comporter un ensemble synchronis\u00e9 de d\u00e9pendances comprenant les versions stables de Statsmodels, SciPy, NumPy, compl\u00e9t\u00e9es par la biblioth\u00e8que Pandas<\/a> pour la manipulation tabulaire structur\u00e9e et les biblioth\u00e8ques Matplotlib<\/a> et Seaborn<\/a> pour la synth\u00e8se graphique de haute pr\u00e9cision.<\/p>\n L’archivage d’un fichier de sp\u00e9cification d\u00e9claratif figeant la hi\u00e9rarchie des versions exactes et les sommes de contr\u00f4le des paquets install\u00e9s assure qu’une cha\u00eene de calcul ex\u00e9cut\u00e9e sur une station de travail locale d\u00e9livrera des r\u00e9sultats num\u00e9riques rigoureusement identiques lorsqu’elle sera d\u00e9ploy\u00e9e sur un serveur d’int\u00e9gration continue ou audit\u00e9e par des pairs lors d’une publication acad\u00e9mique.<\/p>\n L’alimentation des algorithmes de test statistique requiert une vigilance scrupuleuse quant \u00e0 la g\u00e9om\u00e9trie matricielle et au typage interne des donn\u00e9es inject\u00e9es. Les routines de calcul de Statsmodels et SciPy attendent en entr\u00e9e des structures matricielles carr\u00e9es d’ordre deux par deux, exemptes de toute valeur manquante non assign\u00e9e, pouvant \u00eatre form\u00e9es \u00e0 partir de listes imbriqu\u00e9es, de matrices NumPy standard ou de tableaux crois\u00e9s dynamiques g\u00e9n\u00e9r\u00e9s par Pandas.<\/p>\n Il est imp\u00e9ratif de veiller \u00e0 ce que les \u00e9l\u00e9ments composant la matrice de contingence soient explicitement typ\u00e9s comme des entiers non sign\u00e9s ou des entiers sign\u00e9s machine standards, interdisant formellement l’introduction de nombres \u00e0 virgule flottante r\u00e9sultant de pond\u00e9rations pr\u00e9alables non adapt\u00e9es sans traitement sp\u00e9cifique. L’introduction de valeurs non enti\u00e8res dans un algorithme programm\u00e9 pour ex\u00e9cuter un test exact binomial g\u00e9n\u00e8re imm\u00e9diatement des exceptions logicielles critiques ou des troncatures num\u00e9riques non document\u00e9es.<\/p>\n De plus, l’analyste doit instaurer des assertions de contr\u00f4le d\u00e9fensif en amont de l’analyse, v\u00e9rifiant de mani\u00e8re programmatique que la forme du tableau est strictement \u00e9gale au tuple (2, 2), que l’ensemble des fr\u00e9quences observ\u00e9es est sup\u00e9rieur ou \u00e9gal \u00e0 z\u00e9ro, et que la somme globale des cellules correspond scrupuleusement au nombre d’unit\u00e9s exp\u00e9rimentales identifi\u00e9es dans la cohorte source.<\/p>\n Au sein de la biblioth\u00e8que Statsmodels, l’impl\u00e9mentation algorithmique de r\u00e9f\u00e9rence se mat\u00e9rialise par la fonction La signature de la fonction accepte plusieurs arguments d\u00e9terminants r\u00e9gissant la logique inf\u00e9rentielle. Le premier param\u00e8tre, nomm\u00e9 Le troisi\u00e8me param\u00e8tre, d\u00e9sign\u00e9 par L’ex\u00e9cution de la fonction L’attribut principal de cet objet, accessible via la notation point\u00e9e sous le nom Le second attribut, d\u00e9sign\u00e9 par Outre l’approche fonctionnelle simple, Statsmodels propose une architecture orient\u00e9e objet plus puissante et polyvalente \u00e0 travers l’instanciation de la classe En instanciant un tel objet \u00e0 partir des donn\u00e9es appari\u00e9es, l’analyste acc\u00e8de instantan\u00e9ment \u00e0 une gamme \u00e9largie de fonctionnalit\u00e9s analytiques sans devoir multiplier les appels \u00e0 des sous-fonctions disparates. L’objet permet notamment de calculer de mani\u00e8re transparente les distributions marginales conditionnelles, d’extraire les r\u00e9sidus standardis\u00e9s ajust\u00e9s sous contrainte de d\u00e9pendance, et de proc\u00e9der \u00e0 des \u00e9valuations comparatives des proportions marginales.<\/p>\n Cette structuration orient\u00e9e objet s’av\u00e8re particuli\u00e8rement adapt\u00e9e au d\u00e9ploiement de pipelines analytiques d’envergure, o\u00f9 des centaines de tables appari\u00e9es doivent \u00eatre trait\u00e9es de mani\u00e8re s\u00e9quentielle ou distribu\u00e9e au sein de grappes de calcul. Elle favorise l’encapsulation logicielle, am\u00e9liore la lisibilit\u00e9 globale du code de recherche et facilite l’exportation des r\u00e9sultats interm\u00e9diaires vers des rapports synth\u00e9tiques automatis\u00e9s.<\/p>\n Afin d’illustrer la mise en pratique de la m\u00e9thodologie statistique au moyen d’un cas d’usage concret, consid\u00e9rons un protocole de recherche exp\u00e9rimental conduit en psychologie de la communication et sciences comportementales. L’objectif de l’investigation r\u00e9side dans la mesure de l’impact persuasif d’un documentaire institutionnel sur l’acceptabilit\u00e9 sociale d’un programme d’implantation d’\u00e9nergies renouvelables au sein d’une communaut\u00e9 territoriale. La cohorte exp\u00e9rimentale ferm\u00e9e est compos\u00e9e de 100 citoyens adultes rigoureusement suivis au cours du temps.<\/p>\n Le protocole exp\u00e9rimental comporte deux phases de mesure distinctes encadrant l’intervention cognitive. Dans un premier temps, chaque participant exprime sa position vis-\u00e0-vis du projet d’infrastructure en se positionnant de mani\u00e8re binaire : \u00ab\u00a0Favorable\u00a0\u00bb (cod\u00e9 1) ou \u00ab\u00a0D\u00e9favorable\u00a0\u00bb (cod\u00e9 0). Les participants assistent ensuite \u00e0 la projection d’un support documentaire de synth\u00e8se pr\u00e9sentant les externalit\u00e9s positives \u00e9conomiques et environnementales du programme. Imm\u00e9diatement \u00e0 l’issue de cette exposition, la position des m\u00eames 100 participants est \u00e0 nouveau \u00e9valu\u00e9e au moyen de la question identique pos\u00e9e dans des conditions d’administration rigoureusement standardis\u00e9es.<\/p>\n Le devis exp\u00e9rimental g\u00e9n\u00e8re ainsi deux s\u00e9ries de donn\u00e9es qualitatives binaires appari\u00e9es par sujet. L’interrogation centrale du chercheur consiste \u00e0 d\u00e9terminer si l’intervention documentaire a produit un glissement statistiquement significatif de l’attitude globale de la communaut\u00e9, rompant la sym\u00e9trie marginale initiale au profit d’un accroissement substantiel des positions d’adh\u00e9sion.<\/p>\n L’analyse statistique computationnelle de ce protocole s’effectue au moyen d’un script structur\u00e9. Consid\u00e9rons que la compilation empirique des donn\u00e9es recueille la distribution suivante : 30 participants \u00e9taient favorables avant et le sont rest\u00e9s apr\u00e8s le documentaire (cellule a) ; 40 participants initialement d\u00e9favorables ont bascul\u00e9 vers une position favorable (cellule c) ; 12 participants initialement favorables sont devenus d\u00e9favorables (cellule b) ; et 18 participants sont demeur\u00e9s d\u00e9favorables tout au long de l’exp\u00e9rience (cellule d).<\/p>\n La mise en \u0153uvre algorithmique sous Python commence par l’importation de la fonction L’ex\u00e9cution de la fonction L’interpr\u00e9tation statistique des r\u00e9sultats obtenus d\u00e9bute par la confrontation formelle de la p-valeur calcul\u00e9e au seuil de significativit\u00e9 alpha arbitr\u00e9 a priori \u00e0 0,05. La valeur de p \u00e9tant largement inf\u00e9rieure au seuil critique retenu, l’hypoth\u00e8se nulle de sym\u00e9trie marginale est rejet\u00e9e avec un tr\u00e8s haut niveau de confiance statistique. Ce r\u00e9sultat atteste de fa\u00e7on irr\u00e9futable que la distribution des changements d’attitudes ne d\u00e9coule pas d’une simple instabilit\u00e9 al\u00e9atoire de la mesure.<\/p>\n Sur le plan substantiel, l’analyse descriptive d\u00e9taill\u00e9e des cellules discordantes permet d’orienter la conclusion empirique. L’effectif des citoyens pass\u00e9s de la d\u00e9faveur \u00e0 l’adh\u00e9sion (c = 40) surpasse tr\u00e8s largement le contingent des participants ayant accompli la trajectoire inverse (b = 12). L’exposition au mat\u00e9riel documentaire persuasif a donc g\u00e9n\u00e9r\u00e9 un basculement pr\u00e9f\u00e9rentiel marqu\u00e9 vers l’acceptation du projet \u00e9nerg\u00e9tique.<\/p>\n D’un point de vue de psychologie appliqu\u00e9e, cette divergence directionnelle quantifie l’efficacit\u00e9 transformative du stimulus cognitif. Si les chercheurs s’\u00e9taient cantonn\u00e9s \u00e0 une lecture globale des effectifs sans appariement, l’ampleur dynamique de cette transition d’adh\u00e9sion aurait \u00e9t\u00e9 partiellement dilu\u00e9e par l’inertie des 48 sujets dont l’opinion est demeur\u00e9e invariante au cours de la manipulation exp\u00e9rimentale.<\/p>\n L’un des \u00e9cueils analytiques les plus pernicieux en statistique appliqu\u00e9e r\u00e9side dans l’application aveugle d’approximations asymptotiques continues sur des ensembles d’observations dont la taille ne garantit plus la validit\u00e9 des th\u00e9or\u00e8mes de convergence. Dans le cas pr\u00e9cis du test de McNemar, la validit\u00e9 de l’approximation par la loi du Chi-deux ne d\u00e9pend pas de l’effectif total N de l’\u00e9chantillon, mais d\u00e9pend presque exclusivement de la somme cumul\u00e9e des paires discordantes, soit la quantit\u00e9 b + c.<\/p>\n La litt\u00e9rature biostatistique de consensus, appuy\u00e9e par de multiples simulations de Monte-Carlo, prescrit que si la somme b + c est strictement inf\u00e9rieure \u00e0 25, la distribution d’\u00e9chantillonnage de la statistique de test pr\u00e9sente une asym\u00e9trie et une discontinuit\u00e9 trop prononc\u00e9es pour que la loi du Chi-deux fournisse une approximation fiable de la p-valeur. Tenter d’utiliser la formule asymptotique standard, m\u00eame assortie de la correction d’Edwards, dans une situation o\u00f9 seulement une dizaine d’individus ont chang\u00e9 d’\u00e9tat expose le protocole de recherche \u00e0 des erreurs d’inf\u00e9rence substantielles.<\/p>\n Il est par cons\u00e9quent indispensable d’introduire dans les scripts d’analyse une logique d\u00e9cisionnelle conditionnelle automatis\u00e9e. Cette routine diagnostique doit extraire en amont la somme des cellules hors diagonale de la table de contingence et op\u00e9rer un routage algorithmique dynamique vers la m\u00e9thode exacte d\u00e8s lors que le seuil de s\u00e9curit\u00e9 th\u00e9orique n’est pas pleinement satisfait.<\/p>\n Pour r\u00e9pondre \u00e0 cette contrainte d’effectif restreint, la fonction Prenons l’exemple empirique d’un essai clinique pr\u00e9liminaire portant sur une maladie rare au sein duquel 20 patients sont \u00e9valu\u00e9s avant et apr\u00e8s un protocole exp\u00e9rimental : la cellule discordante b recense 2 patients dont l’\u00e9tat clinique s’est d\u00e9grad\u00e9, tandis que la cellule c d\u00e9nombre 9 patients dont la pathologie est entr\u00e9e en r\u00e9mission, les 9 autres sujets pr\u00e9sentant des statuts stables. La somme des discordances est ici \u00e9gale \u00e0 11, ce qui invalide formellement l’utilisation de l’approximation asymptotique.<\/p>\n En ex\u00e9cutant Afin de garantir une tra\u00e7abilit\u00e9 analytique sans faille et d’offrir une v\u00e9rification crois\u00e9e ind\u00e9pendante des sorties fournies par Statsmodels, il est particuli\u00e8rement formateur d’impl\u00e9menter le test exact directement au moyen de la biblioth\u00e8que SciPy<\/a>, en exploitant la fonction moderne La fonction L’ex\u00e9cution de cette fonction sur les donn\u00e9es du cas restreint pr\u00e9c\u00e9dent g\u00e9n\u00e8re un objet d’\u00e9valuation dont l’attribut La seule obtention d’une p-valeur statistiquement significative ne permet en aucun cas de caract\u00e9riser l’ampleur clinique ou empirique du ph\u00e9nom\u00e8ne \u00e9tudi\u00e9. Pour quantifier l’intensit\u00e9 de la transition observ\u00e9e ind\u00e9pendamment de la taille de l’\u00e9chantillon, la m\u00e9trique standard par excellence est le rapport de cotes appari\u00e9, d\u00e9sign\u00e9 internationalement sous le vocable d’Odds Ratio appari\u00e9. Alors que dans une table d’ind\u00e9pendance classique l’Odds Ratio implique le produit crois\u00e9 des quatre cellules, sa formulation pour des donn\u00e9es d\u00e9pendantes se simplifie de mani\u00e8re spectaculaire.<\/p>\n Dans le cadre appari\u00e9, le rapport de cotes est d\u00e9fini exclusivement par le quotient des effectifs des paires discordantes, soit le rapport arithm\u00e9tique de la cellule b sur la cellule c (ou inversement de c sur b selon la modalit\u00e9 choisie comme r\u00e9f\u00e9rence de succ\u00e8s). Un Odds Ratio \u00e9gal \u00e0 l’unit\u00e9 refl\u00e8te une sym\u00e9trie parfaite des transitions, correspondant scrupuleusement \u00e0 l’hypoth\u00e8se nulle. Une valeur s’\u00e9loignant notablement de 1 quantifie la pr\u00e9dominance relative d’une direction de changement par rapport \u00e0 la direction antagoniste.<\/p>\n La d\u00e9rivation de l’intervalle de confiance asymptotique \u00e0 95 % pour cet Odds Ratio repose sur la transformation logarithmique n\u00e9p\u00e9rienne de la cote, dont la distribution converge plus rapidement vers la normalit\u00e9. L’erreur-type asymptotique de ce logarithme est calcul\u00e9e par la racine carr\u00e9e de la somme des inverses des effectifs discordants, soit la racine carr\u00e9e de (1\/b + 1\/c). L’exponentiation des bornes inf\u00e9rieure et sup\u00e9rieure obtenues en retranchant et en ajoutant 1,96 fois cette erreur-type fournit un intervalle de confiance robuste et directement interpr\u00e9table.<\/p>\n Bien que le rapport de cotes constitue un indice relatif standardis\u00e9 d’une grande valeur th\u00e9orique, les praticiens de sant\u00e9 publique et les d\u00e9cideurs politiques privil\u00e9gient fr\u00e9quemment une mesure absolue de l’impact exp\u00e9rimental : la diff\u00e9rence brute des proportions marginales. Cette grandeur repr\u00e9sente l’accroissement ou la diminution nette du taux global de succ\u00e8s au sein de la population \u00e9tudi\u00e9e entre les deux points temporels.<\/p>\n Math\u00e9matiquement, la proportion marginale au temps initial s’\u00e9crit (a + b) divis\u00e9 par N, tandis que la proportion marginale au temps final est \u00e9gale \u00e0 (a + c) divis\u00e9 par N. La diff\u00e9rence alg\u00e9brique directe de ces deux proportions s’exprime par le quotient de la diff\u00e9rence entre b et c par l’effectif global N. Cette formulation met en lumi\u00e8re le fait que la variation globale nette du groupe n’est imputable qu’au diff\u00e9rentiel de mouvement entre les deux cat\u00e9gories discordantes.<\/p>\n L’estimation de l’erreur-type de cette diff\u00e9rence de proportions appari\u00e9es ne peut s’appuyer sur la formule conventionnelle des \u00e9chantillons ind\u00e9pendants. Elle doit obligatoirement int\u00e9grer la covariance induite par les mesures r\u00e9p\u00e9t\u00e9es sur les m\u00eames sujets. L’intervalle de confiance de Wald standard pour proportions d\u00e9pendantes utilise une formulation de variance prenant en compte l’ensemble des cellules matricielles, bien que pour des proportions tr\u00e8s asym\u00e9triques ou de petits effectifs, des approches optimis\u00e9es comme l’intervalle de score de Newcombe soient hautement recommand\u00e9es.<\/p>\n Pour rationaliser l’extraction simultan\u00e9e de ces m\u00e9triques lors des protocoles d’\u00e9valuation, il appara\u00eet judicieux de concevoir une fonction Python modulaire et robuste encapsulant le test d’hypoth\u00e8se, le calcul de l’Odds Ratio et l’estimation des intervalles de confiance associ\u00e9s. Cette d\u00e9marche permet de consolider l’ensemble des indicateurs quantitatifs au sein d’une structure de donn\u00e9es unifi\u00e9e, pr\u00eate \u00e0 \u00eatre convertie en tableau de synth\u00e8se ou ins\u00e9r\u00e9e dans un rapport automatis\u00e9.<\/p>\n La fonction prend en entr\u00e9e la matrice de contingence 2×2 sous forme d’un tableau NumPy et calcule dans un premier temps le r\u00e9sultat du test de McNemar via Statsmodels. Ensuite, elle extrait les cellules discordantes pour calculer l’Odds Ratio ponctuel et d\u00e9rive son intervalle de confiance \u00e0 95 % par l’exponentiation des limites calcul\u00e9es sur l’\u00e9chelle logarithmique. Parall\u00e8lement, elle calcule la diff\u00e9rence des proportions marginales ainsi que son erreur-type exacte en exploitant la formule de variance conjointe pour s\u00e9ries appari\u00e9es.<\/p>\n La fonction retourne un dictionnaire de r\u00e9sultats structur\u00e9 contenant la statistique de test, la p-valeur, l’Odds Ratio, son intervalle de confiance, la diff\u00e9rence absolue des proportions et les bornes associ\u00e9es. Ce formalisme respecte les recommandations \u00e9ditoriales de l’American Psychological Association<\/a>, qui exigent la communication syst\u00e9matique de la taille d’effet et de son incertitude d’\u00e9chantillonnage conjointement \u00e0 l’expression de la significativit\u00e9 statistique.<\/p>\n La restitution graphique de l’analyse des donn\u00e9es appari\u00e9es constitue une \u00e9tape indispensable pour faciliter la communication des r\u00e9sultats empiriques aupr\u00e8s de la communaut\u00e9 scientifique. L’un des moyens les plus imm\u00e9diats et intuitifs pour repr\u00e9senter une table de contingence 2×2 r\u00e9side dans l’\u00e9laboration d’une carte thermique, commun\u00e9ment d\u00e9sign\u00e9e sous le terme de heatmap, en s’appuyant sur la biblioth\u00e8que de visualisation statistique Seaborn<\/a> coupl\u00e9e \u00e0 Matplotlib.<\/p>\n Cette approche permet d’associer un d\u00e9grad\u00e9 chromatique continu \u00e0 l’intensit\u00e9 num\u00e9rique de chaque cellule de la matrice. Pour valoriser au mieux la dynamique th\u00e9orique du test de McNemar, la palette de couleurs doit \u00eatre soigneusement s\u00e9lectionn\u00e9e afin d’attirer l’attention du lecteur non pas sur la diagonale principale des paires concordantes invariantes, mais sp\u00e9cifiquement sur le contraste visuel existant entre les deux cellules hors diagonale qui d\u00e9terminent l’issue de l’inf\u00e9rence.<\/p>\n Gr\u00e2ce aux param\u00e8tres avanc\u00e9s de la fonction Bien que la carte thermique rende compte de l’\u00e9tat matriciel statique des donn\u00e9es, elle ne parvient pas \u00e0 mat\u00e9rialiser de mani\u00e8re dynamique le transfert de masse statistique d’un \u00e9tat vers l’autre. Pour restituer la trajectoire temporelle des unit\u00e9s exp\u00e9rimentales, la conception d’un diagramme de flux, tel qu’un diagramme de Sankey, s’av\u00e8re particuli\u00e8rement pertinente et percutante sur le plan visuel.<\/p>\n La mise en \u0153uvre d’un diagramme de Sankey sous Python s’op\u00e8re de fa\u00e7on optimale au moyen de la biblioth\u00e8que interactive Plotly<\/a>. En d\u00e9finissant deux colonnes de n\u0153uds repr\u00e9sentant les cat\u00e9gories de d\u00e9part et d’arriv\u00e9e, l’analyste relie ces entit\u00e9s par des rubans vectoriels dont l’\u00e9paisseur g\u00e9om\u00e9trique est directement proportionnelle au nombre d’individus effectuant chaque trajectoire sp\u00e9cifique.<\/p>\n Cette visualisation met imm\u00e9diatement en \u00e9vidence l’asym\u00e9trie structurelle gouvernant les donn\u00e9es : le ruban volumineux symbolisant le flux de basculement des sujets de l’\u00e9tat n\u00e9gatif vers l’\u00e9tat positif se d\u00e9tache nettement du mince faisceau correspondant aux sujets effectuant la transition r\u00e9gressive. Ce contraste graphique traduit de fa\u00e7on intuitive la d\u00e9rive marginale globale sans n\u00e9cessiter la ma\u00eetrise pr\u00e9alable de concepts abstraits de probabilit\u00e9 conditionnelle.<\/p>\n Pour compl\u00e9ter l’analyse visuelle, la comparaison frontale de l’\u00e9volution des proportions marginales sous forme d’un graphique \u00e0 barres group\u00e9es ou d’un trac\u00e9 de profils temporels constitue un compl\u00e9ment indispensable. Con\u00e7u via Matplotlib, ce graphique affiche l’\u00e9volution du pourcentage de r\u00e9ponses positives avant et apr\u00e8s l’intervention.<\/p>\n Toutefois, la repr\u00e9sentation graphique de donn\u00e9es appari\u00e9es rec\u00e8le un pi\u00e8ge m\u00e9thodologique majeur : l’adjonction d’intervalles d’erreur classiques pour \u00e9chantillons ind\u00e9pendants surestime consid\u00e9rablement l’incertitude visuelle entourant la diff\u00e9rence de proportion. En raison de la corr\u00e9lation intra-sujet, la variance de la diff\u00e9rence est substantiellement plus faible que la somme des variances marginales isol\u00e9es.<\/p>\n Il convient donc de tracer des barres d’erreur ajust\u00e9es sp\u00e9cifiquement pour les mesures r\u00e9p\u00e9t\u00e9es, par exemple en appliquant la m\u00e9thode de normalisation intra-individuelle de Loftus et Masson, ou d’afficher directement l’intervalle de confiance de la diff\u00e9rence marginale au sein d’un panneau lat\u00e9ral d’estimation. L’exportation de ces figures vectorielles en haute r\u00e9solution garantit une qualit\u00e9 irr\u00e9prochable pour la soumission d’articles aux revues savantes.<\/p>\n L’erreur la plus fr\u00e9quente et la plus lourde de cons\u00e9quences constat\u00e9e dans la litt\u00e9rature scientifique appliqu\u00e9e r\u00e9side dans la confusion persistante entre le test de McNemar et le test d’ind\u00e9pendance du Chi-deux de Pearson. Cette m\u00e9prise survient g\u00e9n\u00e9ralement lorsque l’analyste juxtapose les totaux marginaux des deux moments temporels au sein d’une table d’association ind\u00e9pendante \u00e0 deux lignes et deux colonnes, ignorant compl\u00e8tement la correspondance biunivoque liant chaque sujet \u00e0 sa propre r\u00e9plique temporelle.<\/p>\n Les cons\u00e9quences th\u00e9oriques de cette b\u00e9vue sont d\u00e9sastreuses : en traitant une cohorte ferm\u00e9e de 100 individus \u00e9valu\u00e9s \u00e0 deux reprises comme s’il s’agissait de 200 individus ind\u00e9pendants, l’exp\u00e9rimentateur d\u00e9truit l’information relative aux trajectoires individuelles. Deux jeux de donn\u00e9es pr\u00e9sentant des structures de transition radicalement divergentes peuvent produire des tables marginales strictement identiques, masquant des dynamiques ph\u00e9nom\u00e9nologiques oppos\u00e9es.<\/p>\n Sur le plan math\u00e9matique, cette erreur fausse compl\u00e8tement le calcul des degr\u00e9s de libert\u00e9 et conduit le plus souvent \u00e0 une perte drastique de puissance statistique ou, dans d’autres cas de figure asym\u00e9triques, \u00e0 une sous-estimation artificielle des p-valeurs. Les protocoles de contr\u00f4le qualit\u00e9 analytique doivent imp\u00e9rativement v\u00e9rifier en premier lieu la nature du plan exp\u00e9rimental afin de proscrire formellement le test d’ind\u00e9pendance de Pearson d\u00e8s lors que des mesures r\u00e9p\u00e9t\u00e9es sont identifi\u00e9es.<\/p>\n Une source sous-estim\u00e9e d’erreurs d’interpr\u00e9tation r\u00e9side dans l’inversion par inadvertance de l’orientation spatiale de la matrice de contingence au moment de son instanciation dans le code Python. En inversant accidentellement les lignes et les colonnes, l’analyste intervertit les cellules discordantes b et c. Bien que la statistique du Chi-deux globale demeure inchang\u00e9e en raison de la sym\u00e9trie quadratique de la formule (b – c)\u00b2, la direction de l’Odds Ratio et l’interpr\u00e9tation substantielle de l’inf\u00e9rence sont totalement invers\u00e9es.<\/p>\n Cette erreur peut aboutir \u00e0 des conclusions diam\u00e9tralement oppos\u00e9es \u00e0 la r\u00e9alit\u00e9 exp\u00e9rimentale, amenant le chercheur \u00e0 affirmer qu’un traitement aggrave l’\u00e9tat de sant\u00e9 des patients alors qu’il favorisait en r\u00e9alit\u00e9 leur r\u00e9tablissement. De m\u00eame, une mauvaise convention de codage binaire, o\u00f9 le z\u00e9ro d\u00e9signerait arbitrairement le succ\u00e8s et le un l’\u00e9chec sans ajustement cons\u00e9cutif de la grille de lecture, induit des confusions majeures lors de la restitution des analyses.<\/p>\n Pour pr\u00e9munir les projets de recherche contre ces d\u00e9rives computationnelles, il est vivement recommand\u00e9 d’int\u00e9grer des tests unitaires automatis\u00e9s au sein des scripts d’analyse. Ces assertions doivent v\u00e9rifier, sur des jeux de donn\u00e9es synth\u00e9tiques aux propri\u00e9t\u00e9s connues, que le sens de variation marginale d\u00e9duit de la matrice concorde rigoureusement avec la direction th\u00e9orique attendue de l’Odds Ratio calcul\u00e9.<\/p>\n Le pi\u00e8ge r\u00e9current de la r\u00e9ification de la p-valeur affecte l’utilisation du test de McNemar tout autant que les autres proc\u00e9dures d’inf\u00e9rence statistique. Une p-valeur sup\u00e9rieure au seuil canonique de 0,05 ne d\u00e9montre en aucune mani\u00e8re la validit\u00e9 de l’hypoth\u00e8se nulle, c’est-\u00e0-dire l’\u00e9quivalence stricte ou l’absence d’effet d’une intervention. Une telle non-significativit\u00e9 refl\u00e8te fr\u00e9quemment un d\u00e9ficit s\u00e9v\u00e8re de puissance statistique imputable \u00e0 une taille de cohorte trop modeste ou \u00e0 un nombre insuffisant de paires discordantes.<\/p>\n Inversement, l’obtention d’une p-valeur infinit\u00e9simale au sein d’une cohorte d’observation massive englobant plusieurs dizaines de milliers d’individus peut d\u00e9couler d’une diff\u00e9rence de proportions marginales infime, d\u00e9nu\u00e9e de la moindre pertinence pratique ou clinique. Un basculement de quelques fractions de pourcentages au sein d’une population gigantesque produit une valeur de Chi-deux hautement significative sans que le ph\u00e9nom\u00e8ne ne pr\u00e9sente un quelconque int\u00e9r\u00eat d’action pour le clinicien.<\/p>\n C’est pourquoi l’inf\u00e9rence moderne exige imp\u00e9rativement de subordonner la lecture de la p-valeur \u00e0 l’examen approfondi des grandeurs d’effet et de leurs intervalles de confiance \u00e0 95 %. Seule la confrontation de la pr\u00e9cision d’\u00e9chantillonnage avec la borne minimale d’effet cliniquement signifiant autorise des d\u00e9ductions scientifiques rigoureuses et op\u00e9rantes.<\/p>\n Lorsque la variable qualitative appari\u00e9e comporte plus de deux cat\u00e9gories exclusives (par exemple : \u00ab\u00a0D\u00e9favorable\u00a0\u00bb, \u00ab\u00a0Neutre\u00a0\u00bb, \u00ab\u00a0Favorable\u00a0\u00bb, ou des stades pathologiques gradu\u00e9s), le test de McNemar classique ne peut plus \u00eatre appliqu\u00e9 sous sa forme matricielle 2×2. Pour traiter ces matrices carr\u00e9es de dimension k x k, le statisticien A. H. Bowker a propos\u00e9 en 1948 une g\u00e9n\u00e9ralisation \u00e9l\u00e9gante connue sous le nom de test de McNemar-Bowker ou test de sym\u00e9trie de Bowker.<\/p>\n Ce test formule l’hypoth\u00e8se nulle de sym\u00e9trie compl\u00e8te de la matrice conjointe, stipulant que pour chaque paire de cellules sym\u00e9triques par rapport \u00e0 la diagonale principale, la probabilit\u00e9 d’observer une transition de la cat\u00e9gorie i vers la cat\u00e9gorie j est rigoureusement identique \u00e0 la probabilit\u00e9 de transition de la cat\u00e9gorie j vers la cat\u00e9gorie i, pour tout i diff\u00e9rent de j. La statistique de test correspond \u00e0 la somme des \u00e9carts quadratiques r\u00e9duits calcul\u00e9s sur l’ensemble des paires de cellules hors diagonale.<\/p>\n Sous l’hypoth\u00e8se nulle, cette statistique de Bowker converge vers une loi du Chi-deux dont le nombre de degr\u00e9s de libert\u00e9 est \u00e9gal \u00e0 k fois (k – 1) divis\u00e9 par 2. Impl\u00e9ment\u00e9 au sein de Statsmodels, le test de McNemar-Bowker permet d’analyser des grilles d’\u00e9valuation complexes, tout en offrant la possibilit\u00e9 de d\u00e9composer a posteriori le r\u00e9sultat global en sous-contrastes 2×2 ind\u00e9pendants pour localiser pr\u00e9cis\u00e9ment les cat\u00e9gories motrices du d\u00e9s\u00e9quilibre.<\/p>\n Une distinction th\u00e9orique cruciale, souvent m\u00e9connue des praticiens, s\u00e9pare le concept de sym\u00e9trie compl\u00e8te du concept d’homog\u00e9n\u00e9it\u00e9 marginale dans les tables k x k. Alors que la sym\u00e9trie compl\u00e8te postul\u00e9e par Bowker impose l’\u00e9galit\u00e9 cellule par cellule de chaque transition bidirectionnelle, l’homog\u00e9n\u00e9it\u00e9 marginale exige uniquement que la distribution globale des cat\u00e9gories au temps initial soit identique \u00e0 la distribution au temps final, autorisant des transferts compensatoires asym\u00e9triques entre sous-cat\u00e9gories internes.<\/p>\n Le test de Stuart-Maxwell, d\u00e9velopp\u00e9 conjointement par Alan Stuart et A. E. Maxwell, constitue la proc\u00e9dure d’inf\u00e9rence d\u00e9di\u00e9e \u00e0 l’\u00e9valuation de cette homog\u00e9n\u00e9it\u00e9 marginale globale. Sa d\u00e9rivation math\u00e9matique s’appuie sur une formulation matricielle de type test de Wald, mobilisant le vecteur des diff\u00e9rences de proportions marginales et l’inversion de sa matrice de variance-covariance estim\u00e9e.<\/p>\n La statistique r\u00e9sultante suit asymptotiquement une distribution du Chi-deux \u00e0 k – 1 degr\u00e9s de libert\u00e9. Dans le cas particulier o\u00f9 k est \u00e9gal \u00e0 2, le test de Stuart-Maxwell et le test de McNemar-Bowker deviennent rigoureusement identiques au test de McNemar standard. Le test de Stuart-Maxwell est particuli\u00e8rement pris\u00e9 en psychom\u00e9trie et en \u00e9valuation diagnostique pour comparer la fid\u00e9lit\u00e9 inter-juges ou l’alignement d’\u00e9chelles de cotation comportementales.<\/p>\n Lorsque le devis de recherche s’enrichit de covariables multiples, continues ou factorielles, ou s’\u00e9tend au-del\u00e0 de deux temps de mesure successifs, l’approche non param\u00e9trique par table de contingence bivari\u00e9e atteint ses limites structurales. L’int\u00e9gration de la m\u00e9thodologie au sein du cadre unifi\u00e9 des mod\u00e8les lin\u00e9aires g\u00e9n\u00e9ralis\u00e9s s’op\u00e8re alors naturellement via la mod\u00e9lisation logistique pour mesures r\u00e9p\u00e9t\u00e9es.<\/p>\n Dans cette perspective, l’utilisation des \u00e9quations d’estimation g\u00e9n\u00e9ralis\u00e9es, universellement reconnues sous l’acronyme GEE (Generalized Estimating Equations<\/em>), permet d’estimer des mod\u00e8les logistiques marginaux robustes en sp\u00e9cifiant une matrice de corr\u00e9lation de travail mod\u00e9lisant la d\u00e9pendance temporelle intra-sujet. Impl\u00e9ment\u00e9 avec un haut degr\u00e9 de maturit\u00e9 dans Statsmodels via la classe La transition du test de McNemar vers les mod\u00e8les GEE illustre la continuit\u00e9 \u00e9pist\u00e9mologique unissant les tests d’hypoth\u00e8ses classiques et la mod\u00e9lisation statistique avanc\u00e9e. Dans le cas limite d’une variable explicative binaire unique repr\u00e9sentant le temps sans autre covariable, le param\u00e8tre de pente estim\u00e9 par un mod\u00e8le logistique conditionnel ou marginal converge conceptuellement vers l’Odds Ratio du test de McNemar, conf\u00e9rant aux biostatisticiens une flexibilit\u00e9 analytique sans \u00e9gale pour naviguer des analyses exploratoires jusqu’aux mod\u00e9lisations explicatives les plus exigeantes.<\/p>\n Guide acad\u00e9mique et m\u00e9thodologique complet pour ex\u00e9cuter, interpr\u00e9ter et mod\u00e9liser le test de McNemar sur des donn\u00e9es appari\u00e9es \u00e0 l’aide de Python.<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"closed","template":"","categories":[5114,5115,359],"tags":[4264,16,5116,2903,4263],"class_list":["post-3070","psych_stat","type-psych_stat","status-publish","hentry","category-psychologie-computationnelle","category-python-et-science-des-donnees","category-statistiques-appliquees","tag-donnees-appariees","tag-psychometrie","tag-python-statistiques","tag-statsmodels","tag-test-de-mcnemar"],"_links":{"self":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_stat\/3070","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_stat"}],"about":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/types\/psych_stat"}],"author":[{"embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=3070"}],"version-history":[{"count":0,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_stat\/3070\/revisions"}],"wp:attachment":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=3070"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=3070"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=3070"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}1. Fondements th\u00e9oriques et \u00e9pist\u00e9mologiques du test de McNemar<\/h2>\n
1.1 Origine math\u00e9matique et vocation biostatistique<\/h3>\n
1.2 Distinction fondamentale entre s\u00e9ries appari\u00e9es et ind\u00e9pendantes<\/h3>\n
1.3 Pertinence m\u00e9thodologique en psychologie exp\u00e9rimentale<\/h3>\n
2. Formulation des hypoth\u00e8ses et postulats statistiques<\/h2>\n
2.1 Formalisation de l’hypoth\u00e8se nulle (H0) et alternative (H1)<\/h3>\n
2.2 Conditions d’application et validit\u00e9 d’inf\u00e9rence<\/h3>\n
2.3 Cons\u00e9quences du non-respect des hypoth\u00e8ses de distribution<\/h3>\n
3. Anatomie matricielle d’une table de contingence 2×2 appari\u00e9e<\/h2>\n
3.1 Distribution structurelle des paires concordantes et discordantes<\/h3>\n
3.2 Neutralisation analytique des paires concordantes<\/h3>\n
3.3 Standardisation formelle de l’agencement des donn\u00e9es<\/h3>\n
4. D\u00e9rivation analytique de la statistique de test<\/h2>\n
4.1 Statistique asymptotique du Chi-deux de McNemar<\/h3>\n
4.2 Correction de continuit\u00e9 d’Edwards<\/h3>\n
4.3 R\u00e9solution binomiale exacte pour petits effectifs<\/h3>\n
5. \u00c9cosyst\u00e8me informatique Python pour les statistiques appari\u00e9es<\/h2>\n
5.1 Architecture logicielle : NumPy, SciPy et Statsmodels<\/h3>\n
5.2 Gestion des environnements virtuels et d\u00e9pendances<\/h3>\n
5.3 Pr\u00e9paration et typage des structures de donn\u00e9es<\/h3>\n
6. Impl\u00e9mentation algorithmique avec Statsmodels<\/h2>\n
6.1 Param\u00e9trage exhaustif de la fonction mcnemar<\/h3>\n
mcnemar<\/code>, directement accessible depuis le module statsmodels.stats.contingency_tables<\/code>. Cette fonction hautement optimis\u00e9e a \u00e9t\u00e9 sp\u00e9cifiquement con\u00e7ue pour traiter des tables de contingence appari\u00e9es de dimension 2×2 et encapsule l’ensemble des subtilit\u00e9s th\u00e9oriques \u00e9voqu\u00e9es pr\u00e9c\u00e9demment \u00e0 travers une interface fonctionnelle concise.<\/p>\ntable<\/code>, attend l’objet matriciel repr\u00e9sentatif de la contingence crois\u00e9e. Le deuxi\u00e8me argument fondamental est le bool\u00e9en exact<\/code> : lorsqu’il est assign\u00e9 \u00e0 la valeur False<\/code>, l’algorithme met en \u0153uvre l’approximation asymptotique standard reposant sur la distribution du Chi-deux. \u00c0 l’inverse, lorsqu’il est param\u00e9tr\u00e9 sur True<\/code>, la fonction d\u00e9laisse le calcul continu pour ex\u00e9cuter la r\u00e9solution binomiale exacte.<\/p>\ncorrection<\/code>, r\u00e9git l’application de la correction de continuit\u00e9 d’Edwards. Ce param\u00e8tre bool\u00e9en n’exerce une influence op\u00e9rationnelle que lorsque l’argument exact<\/code> est configur\u00e9 sur False<\/code>. Si correction<\/code> vaut True<\/code>, l’ajustement soustrayant une unit\u00e9 \u00e0 la diff\u00e9rence absolue des cellules discordantes est automatiquement int\u00e9gr\u00e9 dans le calcul de la statistique de test asymptotique, prot\u00e9geant ainsi l’exp\u00e9rimentateur contre les risques de sur-rejet de l’hypoth\u00e8se nulle.<\/p>\n6.2 Exploitation de l’objet de r\u00e9sultat Bunch<\/h3>\n
mcnemar<\/code> ne renvoie pas un simple tuple de nombres scalaires bruts, mais retourne un objet composite structur\u00e9 h\u00e9rit\u00e9 de la classe Bunch<\/code> propre \u00e0 l’architecture logicielle de Statsmodels. Cet objet conteneur associe les valeurs num\u00e9riques r\u00e9sultantes \u00e0 des descripteurs textuels normalis\u00e9s, permettant une extraction programmatique s\u00e9curis\u00e9e des grandeurs calcul\u00e9es par interrogation d’attributs nominaux ou par d\u00e9ballage d’index conventionnels.<\/p>\nstatistic<\/code>, stocke la valeur num\u00e9rique de la m\u00e9trique calcul\u00e9e. Il est capital de noter que la nature s\u00e9mantique de cette statistique varie substantiellement selon le mode d’ex\u00e9cution retenu : dans le cas asymptotique, statistic<\/code> contient la valeur du Chi-deux \u00e0 un degr\u00e9 de libert\u00e9, tandis que dans le cas exact, elle correspond \u00e0 l’effectif absolu de la cellule discordante minimale observ\u00e9e empiriquement.<\/p>\npvalue<\/code>, consigne la probabilit\u00e9 critique bilat\u00e9rale d’observer de telles donn\u00e9es sous l’hypoth\u00e8se nulle de sym\u00e9trie marginale. Cette m\u00e9trique d’inf\u00e9rence est d\u00e9livr\u00e9e avec une pr\u00e9cision en virgule flottante double pr\u00e9cision conforme aux standards de calcul de l’IEEE 754, autorisant des comparaisons logiques strictes vis-\u00e0-vis des seuils de significativit\u00e9 alpha conventionnellement adopt\u00e9s en recherche empirique.<\/p>\n6.3 Approche orient\u00e9e objet via la classe McNemar<\/h3>\n
Table2x2<\/code> ou de sa sp\u00e9cialisation d\u00e9di\u00e9e aux structures appari\u00e9es. Cette d\u00e9marche consiste \u00e0 encapsuler la table de contingence au sein d’une instance de classe conservant l’\u00e9tat des donn\u00e9es et exposant une suite m\u00e9thodique de m\u00e9thodes d’analyse et de propri\u00e9t\u00e9s d\u00e9riv\u00e9es.<\/p>\n7. Cas pratique empirique : Mesure du changement d’attitude en psychologie<\/h2>\n
7.1 D\u00e9finition du devis exp\u00e9rimental<\/h3>\n
7.2 Script complet d’analyse asymptotique<\/h3>\n
mcnemar<\/code> issue de statsmodels.stats.contingency_tables<\/code> et du module numpy<\/code>. La matrice de contingence est formalis\u00e9e sous la forme d’un tableau NumPy \u00e0 deux dimensions respectant scrupuleusement la distribution \u00e9tablie : la premi\u00e8re ligne consigne les effectifs initiaux \u00ab\u00a0Favorables\u00a0\u00bb r\u00e9partis selon leur statut final ([30, 12]), tandis que la seconde ligne int\u00e8gre les effectifs initiaux \u00ab\u00a0D\u00e9favorables\u00a0\u00bb selon leur \u00e9volution ([40, 18]). Notons que la cellule [0, 1] h\u00e9berge bien les 12 sujets r\u00e9gressifs, et la cellule [1, 0] contient les 40 sujets progressifs.<\/p>\nmcnemar<\/code> est configur\u00e9e en fixant l’argument exact=False<\/code> pour activer le calcul asymptotique, et correction=True<\/code> afin d’int\u00e9grer l’ajustement de continuit\u00e9 d’Edwards. L’interrogation de l’objet r\u00e9sultat renvoie une statistique du Chi-deux corrig\u00e9e d’environ 14,02, accompagn\u00e9e d’une p-valeur asymptotique extr\u00eamement r\u00e9duite, de l’ordre de 0,00018. L’ensemble de la proc\u00e9dure s’ex\u00e9cute en quelques millisecondes, d\u00e9montrant la puissance du calcul vectoris\u00e9 pour la d\u00e9rivation imm\u00e9diate des param\u00e8tres de test.<\/p>\n7.3 Interpr\u00e9tation statistique et substantielle des sorties<\/h3>\n
8. Gestion algorithmique des \u00e9chantillons restreints<\/h2>\n
8.1 Diagnostic des conditions de faible effectif<\/h3>\n
8.2 Ex\u00e9cution du test exact sous Statsmodels<\/h3>\n
mcnemar<\/code> de Statsmodels int\u00e8gre nativement un moteur de calcul exact bas\u00e9 sur la distribution binomiale sym\u00e9trique. L’activation de ce mode s’op\u00e8re en modifiant l’argument d’entr\u00e9e en assignant la valeur exact=True<\/code> lors de l’appel de la fonction. Sous cette configuration, le param\u00e8tre correction<\/code> est automatiquement ignor\u00e9 par l’interpr\u00e9teur puisqu’aucune correction de continuit\u00e9 n’a de sens sur une distribution discr\u00e8te exacte.<\/p>\nmcnemar<\/code> avec exact=True<\/code> sur cette matrice, Statsmodels extrait la statistique de test, fix\u00e9e par convention \u00e0 la valeur de la cellule minimale min(b, c) soit 2, et calcule la probabilit\u00e9 binomiale cumulative bilat\u00e9rale correspondante. La sortie d\u00e9livre une p-valeur exacte \u00e9gale \u00e0 environ 0,065. Si l’analyste avait utilis\u00e9 \u00e0 tort la formule asymptotique sans correction, la p-valeur calcul\u00e9e aurait franchi artificiellement le seuil fatidique de 0,05, conduisant \u00e0 affirmer \u00e0 tort l’efficacit\u00e9 du traitement sur la base d’une erreur d’approximation num\u00e9rique.<\/p>\n8.3 Impl\u00e9mentation alternative via SciPy<\/h3>\n
binomtest<\/code> localis\u00e9e dans le module scipy.stats<\/code>. Cette approche pr\u00e9sente l’avantage p\u00e9dagogique de rendre explicite chaque \u00e9tape de la m\u00e9canique probabiliste.<\/p>\nbinomtest<\/code> n\u00e9cessite la sp\u00e9cification de trois param\u00e8tres essentiels : le nombre de succ\u00e8s observ\u00e9s (repr\u00e9sent\u00e9 par la valeur de la cellule discordante b ou c), le nombre total d’essais ind\u00e9pendants (repr\u00e9sent\u00e9 par la somme b + c), et la probabilit\u00e9 de succ\u00e8s th\u00e9orique sous l’hypoth\u00e8se nulle, rigoureusement fix\u00e9e \u00e0 0,5. Enfin, l’argument alternative<\/code> doit \u00eatre positionn\u00e9 sur la cha\u00eene de caract\u00e8res 'two-sided'<\/code> pour garantir le calcul d’un test bilat\u00e9ral.<\/p>\npvalue<\/code> restitue rigoureusement le m\u00eame r\u00e9sultat probabiliste de 0,065. Cette concordance algorithmique parfaite entre Statsmodels et SciPy valide la coh\u00e9rence des environnements de calcul scientifique en Python, d\u00e9montrant que la mod\u00e9lisation directe du processus binomial constitue la voie la plus pure pour appr\u00e9hender l’inf\u00e9rence non asymptotique sur s\u00e9ries appari\u00e9es.<\/p>\n9. Quantification de la taille d’effet et estimations par intervalles<\/h2>\n
9.1 Calcul de l’Odds Ratio appari\u00e9 (Rapport de cotes)<\/h3>\n
9.2 Diff\u00e9rence des proportions marginales<\/h3>\n
9.3 Script int\u00e9gr\u00e9 de calcul des grandeurs d’effet<\/h3>\n
10. Visualisation graphique des donn\u00e9es appari\u00e9es<\/h2>\n
10.1 Repr\u00e9sentation matricielle par cartes thermiques (Heatmaps)<\/h3>\n
heatmap<\/code> de Seaborn, il est ais\u00e9 d’incruster directement les annotations num\u00e9riques au centre de chaque case, de sp\u00e9cifier des \u00e9tiquettes textuelles explicites sur les axes abscisse et ordonn\u00e9e (par exemple \u00ab\u00a0Pr\u00e9-intervention\u00a0\u00bb et \u00ab\u00a0Post-intervention\u00a0\u00bb), et d’ajuster les marges typographiques pour assurer une lisibilit\u00e9 parfaite des effectifs observ\u00e9s au sein des publications imprim\u00e9es ou num\u00e9riques.<\/p>\n10.2 Visualisation des flux de transition individuelle<\/h3>\n
10.3 Graphiques de proportions marginales avec intervalles d’erreur<\/h3>\n
11. Diagnostics, erreurs courantes et pi\u00e8ges m\u00e9thodologiques<\/h2>\n
11.1 Confusion r\u00e9currente avec le test d’ind\u00e9pendance de Pearson<\/h3>\n
11.2 Erreurs d’orientation matricielle et d’inversion d’axes<\/h3>\n
11.3 Mauvaise interpr\u00e9tation de la significativit\u00e9 statistique<\/h3>\n
12. Extensions analytiques : G\u00e9n\u00e9ralisations et mod\u00e8les avanc\u00e9s<\/h2>\n
12.1 Le test de McNemar-Bowker pour variables polytomiques<\/h3>\n
12.2 Test de Stuart-Maxwell pour l’homog\u00e9n\u00e9it\u00e9 marginale<\/h3>\n
12.3 Mod\u00e8les lin\u00e9aires g\u00e9n\u00e9ralis\u00e9s et \u00e9quations d’estimation g\u00e9n\u00e9ralis\u00e9es (GEE)<\/h3>\n
GEE<\/code>, ce cadre computationnel permet de contr\u00f4ler l’effet de covariables comme l’\u00e2ge des participants ou leur niveau d’expertise tout en testant l’effet du facteur temporel.<\/p>\nR\u00e9f\u00e9rences<\/h2>\n
\n