L’\u00e9valuation des propri\u00e9t\u00e9s distributionnelles d’un \u00e9chantillon constitue l’un des piliers m\u00e9thodologiques les plus d\u00e9terminants de l’analyse quantitative moderne. Dans l’ensemble des sciences empiriques, et tout particuli\u00e8rement au sein de la psychologie computationnelle, des neurosciences cognitives et de l’\u00e9conom\u00e9trie appliqu\u00e9e, la conformit\u00e9 des donn\u00e9es \u00e0 la loi normale conditionne la validit\u00e9 des conclusions inf\u00e9rentielles tir\u00e9es des mod\u00e8les statistiques classiques. Lorsqu’un chercheur applique un mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ralis\u00e9, une analyse de variance ou une r\u00e9gression ordinaire par les moindres carr\u00e9s, il mobilise implicitement ou explicitement le postulat selon lequel les erreurs ou les observations sous-jacentes se conforment \u00e0 une distribution gaussienne sym\u00e9trique et m\u00e9sokurtique. Ignorer cette exigence formelle expose l’analyste \u00e0 des distorsions majeures du taux d’erreur de premi\u00e8re esp\u00e8ce, \u00e0 des estimations biais\u00e9es des erreurs standards et \u00e0 des interpr\u00e9tations th\u00e9oriques potentiellement erron\u00e9es de ph\u00e9nom\u00e8nes comportementaux ou psychologiques complexes.<\/p>\n
Face \u00e0 cet imp\u00e9ratif m\u00e9thodologique, l’arsenal statistique contemporain propose divers protocoles de diagnostic, parmi lesquels le test d\u00e9velopp\u00e9 conjointement par Carlos Jarque et Anil Bera occupe une position singuli\u00e8re et pr\u00e9pond\u00e9rante. Contrairement aux approches bas\u00e9es sur l’\u00e9cart maximal entre fonctions de r\u00e9partition empiriques et th\u00e9oriques, le test de Jarque-Bera op\u00e8re une \u00e9valuation directe et conjointe de la morphologie distributionnelle \u00e0 travers les moments d’ordre sup\u00e9rieur : le coefficient d’asym\u00e9trie (skewness<\/em>) et le coefficient d’aplatissement (kurtosis<\/em>). Cette approche \u00e9l\u00e9gante conf\u00e8re au test une sensibilit\u00e9 remarquable face aux alt\u00e9rations structurelles de la loi normale, particuli\u00e8rement dans le cadre d’\u00e9chantillons de taille mod\u00e9r\u00e9e \u00e0 grande, o\u00f9 la d\u00e9tection de queues de distribution \u00e9paisses ou d’une d\u00e9rive de sym\u00e9trie s’av\u00e8re cruciale pour pr\u00e9server l’int\u00e9grit\u00e9 des inf\u00e9rences scientifiques.<\/p>\n L’\u00e9cosyst\u00e8me Python s’est impos\u00e9 comme l’environnement de r\u00e9f\u00e9rence pour la science des donn\u00e9es et la recherche quantitative, offrant des impl\u00e9mentations robustes, optimis\u00e9es et hautement reproductibles des m\u00e9thodes inf\u00e9rentielles les plus avanc\u00e9es. \u00c0 travers des biblioth\u00e8ques scientifiques de premier plan telles que SciPy<\/a> et Statsmodels<\/a>, les chercheurs disposent d’outils algorithmiques performants pour ex\u00e9cuter le test de Jarque-Bera, automatiser son d\u00e9ploiement sur des jeux de donn\u00e9es multidimensionnels, et diagnostiquer avec rigueur les violations potentielles des postulats distributionnels. Cet article propose une monographie exhaustive et rigoureuse consacr\u00e9e au test de Jarque-Bera en Python, alliant d\u00e9rivation math\u00e9matique formelle, contextualisation \u00e9pist\u00e9mologique en sciences du comportement, d\u00e9monstrations computationnelles compl\u00e8tes, strat\u00e9gies de rem\u00e9diation m\u00e9thodologique et normes acad\u00e9miques de publication.<\/p>\n Le test de Jarque-Bera puise ses origines fondamentales dans les travaux s\u00e9minaux publi\u00e9s au d\u00e9but des ann\u00e9es 1980 par les \u00e9conom\u00e8tres et statisticiens Carlos M. Jarque et Anil K. Bera. Dans leurs articles fondateurs de 1980 et 1987, les auteurs cherchaient \u00e0 \u00e9laborer une proc\u00e9dure d’ad\u00e9quation param\u00e9trique fond\u00e9e sur le principe du multiplicateur de Lagrange (test des scores de Rao), capable d’\u00e9valuer simultan\u00e9ment si les r\u00e9sidus d’un mod\u00e8le de r\u00e9gression ou une s\u00e9rie d’observations univari\u00e9es d\u00e9rivent d’un processus g\u00e9n\u00e9rateur gaussien. L’objectif initial consistait \u00e0 concevoir un test diagnostique omnidirectionnel qui n’exigerait pas l’estimation de param\u00e8tres distributionnels additionnels sous l’hypoth\u00e8se alternative, maximisant ainsi l’efficacit\u00e9 computationnelle tout en garantissant des propri\u00e9t\u00e9s asymptotiques optimales selon le crit\u00e8re du rapport de vraisemblance.<\/p>\n Sur le plan conceptuel, le test de Jarque-Bera se classe parmi les tests d’ad\u00e9quation d’\u00e9chantillon bas\u00e9s sur les moments empiriques. Cette caract\u00e9ristique le distingue radicalement des tests d’ad\u00e9quation concurrents s’appuyant sur la fonction de r\u00e9partition empirique (EDF, pour Empirical Distribution Function<\/em>), \u00e0 l’instar des tests de Kolmogorov-Smirnov, de Lilliefors, de Cram\u00e9r-von Mises ou d’Anderson-Darling. Alors que ces derniers quantifient une distance g\u00e9om\u00e9trique ou quadratique globale entre la courbe cumulative observ\u00e9e et la courbe cumulative th\u00e9orique projet\u00e9e, la proc\u00e9dure de Jarque-Bera d\u00e9compose la d\u00e9viation par rapport \u00e0 la normalit\u00e9 en deux vecteurs g\u00e9om\u00e9triques sp\u00e9cifiques : l’asym\u00e9trie lat\u00e9rale de la masse de probabilit\u00e9 et la densit\u00e9 relative des queues de distribution par rapport au d\u00f4me central.<\/p>\n Cette sp\u00e9cification conf\u00e8re au test une pertinence fondamentale dans l’\u00e9valuation des postulats de distribution en statistique inf\u00e9rentielle. En se concentrant sur les troisi\u00e8me et quatri\u00e8me moments standardis\u00e9s, le test capture pr\u00e9cis\u00e9ment les pathologies distributionnelles les plus d\u00e9l\u00e9t\u00e8res pour les m\u00e9thodes param\u00e9triques : l’allongement unilat\u00e9ral des trajectoires extr\u00eames et la concentration anormale de valeurs atypiques dans les extr\u00eames. Bien que formalis\u00e9 initialement dans le cadre univari\u00e9, le principe du test de Jarque-Bera a \u00e9t\u00e9 \u00e9tendu \u00e0 des contextes multivari\u00e9s complexes, consolidant son statut d’outil diagnostique incontournable tant en \u00e9conom\u00e9trie financi\u00e8re qu’en biostatistique et en psychologie computationnelle.<\/p>\n Au sein de la recherche psychologique et comportementale, le respect du postulat de normalit\u00e9 ne rel\u00e8ve nullement d’une simple convenance th\u00e9orique, mais conditionne directement la validit\u00e9 \u00e9cologique et interne des conclusions exp\u00e9rimentales. La quasi-totalit\u00e9 des mod\u00e8les statistiques param\u00e9triques classiques, incluant le test t de Student, l’analyse de variance univari\u00e9e et multivari\u00e9e (ANOVA\/MANOVA), les mod\u00e8les de r\u00e9gression lin\u00e9aire hi\u00e9rarchique et la mod\u00e9lisation par \u00e9quations structurelles, reposent sur l’hypoth\u00e8se que les perturbations al\u00e9atoires ou les r\u00e9sidus conditionnels suivent une loi normale homosc\u00e9dastique. Cette hypoth\u00e8se math\u00e9matique assure l’exactitude des distributions d’\u00e9chantillonnage de Student et de Fisher sous-jacentes aux tests de significativit\u00e9 statistique.<\/p>\n Dans l’\u00e9valuation des construits psychom\u00e9triques latents, tels que l’intelligence fluide, la r\u00e9silience \u00e9motionnelle ou les traits de personnalit\u00e9 du mod\u00e8le en cinq facteurs, les scores composites sont fr\u00e9quemment standardis\u00e9s sous l’assomption d’une distribution normale sous-jacente au sein de la population g\u00e9n\u00e9rale. N\u00e9anmoins, les donn\u00e9es brutes issues de protocoles exp\u00e9rimentaux pr\u00e9sentent fr\u00e9quemment des d\u00e9viations intrins\u00e8ques substantielles. Par exemple, les mesures de temps de r\u00e9action en chronom\u00e9trie mentale manifestent invariablement une tra\u00eene positive prononc\u00e9e, tandis que les \u00e9chelles \u00e9valuant des pathologies s\u00e9v\u00e8res (telles que la d\u00e9pression clinique majeure ou les conduites addictives) exhibent une concentration massive d’observations \u00e0 la borne inf\u00e9rieure de l’instrument, cr\u00e9ant des effets de plancher prononc\u00e9s.<\/p>\n Les cons\u00e9quences d’une violation s\u00e9v\u00e8re de la normalit\u00e9 dans ce paradigme de recherche s’av\u00e8rent critiques. Lorsque la distribution s’\u00e9loigne notablement du profil gaussien, l’erreur standard des estimations est syst\u00e9matiquement sous-estim\u00e9e ou surestim\u00e9e selon la nature des queues de distribution, ce qui alt\u00e8re dramatiquement la pr\u00e9cision des intervalles de confiance et invalide les calculs de puissance statistique. De surcro\u00eet, les d\u00e9cisions cliniques ou \u00e9ducatives bas\u00e9es sur des coupures percentiles arbitraires issues de tables normales th\u00e9oriques peuvent engendrer des taux substantiels de faux positifs ou de faux n\u00e9gatifs diagnostiques. Par cons\u00e9quent, l’ex\u00e9cution d’un diagnostic rigoureux de normalit\u00e9 au moyen d’outils param\u00e9triques tels que le test de Jarque-Bera s’impose comme une obligation d\u00e9ontologique et m\u00e9thodologique incontournable pour tout chercheur en sciences comportementales.<\/p>\n L’op\u00e9rationnalisation formelle du test de Jarque-Bera repose sur la formulation rigoureuse d’un syst\u00e8me d’hypoth\u00e8ses statistiques mutuellement exclusives portant sur les param\u00e8tres de forme de la population dont l’\u00e9chantillon empirique est extrait. L’hypoth\u00e8se nulle, formellement d\u00e9sign\u00e9e sous l’abr\u00e9viation $H_0$<\/span>, postule la conformit\u00e9 conjointe des moments d’ordre trois et quatre de la variable \u00e9tudi\u00e9e avec ceux d\u00e9finissant une distribution normale th\u00e9orique. Pr\u00e9cis\u00e9ment, l’hypoth\u00e8se nulle stipule que le coefficient d’asym\u00e9trie de la population est rigoureusement \u00e9gal \u00e0 z\u00e9ro et que le coefficient d’aplatissement est strictement \u00e9gal \u00e0 trois (ce qui \u00e9quivaut \u00e0 un exc\u00e8s d’aplatissement nul) :<\/p>\n H0 : S = 0 et K = 3 (ou K – 3 = 0)<\/em><\/p>\n \u00c0 l’inverse, l’hypoth\u00e8se alternative, not\u00e9e $H_1$<\/span>, r\u00e9fute cette conjonction param\u00e9trique stricte. Elle est caract\u00e9ris\u00e9e par toute d\u00e9viation statistiquement significative du coefficient d’asym\u00e9trie par rapport \u00e0 z\u00e9ro, ou toute divergence de l’aplatissement par rapport \u00e0 la valeur canonique de trois, ou la combinaison simultan\u00e9e de ces deux alt\u00e9rations morphologiques :<\/p>\n H1 : S \u2260 0 ou K \u2260 3 (ou K – 3 \u2260 0)<\/em><\/p>\n D’un point de vue \u00e9pist\u00e9mologique et inf\u00e9rentiel, la lecture des conclusions d\u00e9riv\u00e9es de ce cadre d’hypoth\u00e8ses exige une circonspection m\u00e9thodologique aigu\u00eb. L’absence de rejet de l’hypoth\u00e8se nulle (concr\u00e9tis\u00e9e par une p-valeur sup\u00e9rieure au seuil critique pr\u00e9\u00e9tabli $\\alpha$<\/span>) ne saurait \u00eatre interpr\u00e9t\u00e9e comme une d\u00e9monstration formelle de la normalit\u00e9 de la distribution. En logique statistique classique, ne pas rejeter $H_0$<\/span> signifie uniquement que les \u00e9l\u00e9ments empiriques collect\u00e9s au sein de l’\u00e9chantillon ne pr\u00e9sentent pas un degr\u00e9 de d\u00e9formation suffisant pour exclure le mod\u00e8le gaussien avec un risque d’erreur contr\u00f4l\u00e9. L’\u00e9quivalence stricte ne peut \u00eatre affirm\u00e9e sans recourir \u00e0 des protocoles sp\u00e9cifiques de test d’\u00e9quivalence. D\u00e8s lors, pour valider l’assomption de normalit\u00e9 dans une d\u00e9marche de mod\u00e9lisation, le non-rejet de l’hypoth\u00e8se nulle doit imp\u00e9rativement \u00eatre corrobor\u00e9 par des indices convergents issus d’inspections graphiques approfondies et d’une analyse contextuelle de la taille de l’\u00e9chantillon.<\/p>\n Le coefficient d’asym\u00e9trie, d\u00e9sign\u00e9 dans la litt\u00e9rature internationale sous le terme de skewness<\/em> et g\u00e9n\u00e9ralement symbolis\u00e9 par la lettre $S$<\/span> ou par le coefficient $\\sqrt{\\beta_1}$<\/span>, constitue la premi\u00e8re composante math\u00e9matique mobilis\u00e9e par la statistique de Jarque-Bera. Sur le plan th\u00e9orique, l’asym\u00e9trie quantifie le degr\u00e9 de d\u00e9s\u00e9quilibre structurel de la distribution de probabilit\u00e9 autour de sa tendance centrale, formalis\u00e9e par l’esp\u00e9rance math\u00e9matique. Math\u00e9matiquement, pour une variable al\u00e9atoire continue $X$<\/span> d’esp\u00e9rance $\\mu$<\/span> et d’\u00e9cart-type $\\sigma$<\/span>, le coefficient d’asym\u00e9trie th\u00e9orique correspond au troisi\u00e8me moment centr\u00e9 standardis\u00e9, d\u00e9fini formellement par l’\u00e9quation suivante :<\/p>\n S = E[((X – \u03bc) \/ \u03c3)^3] = \u03bc3 \/ (\u03c3^3)<\/em><\/p>\n Dans un contexte d’\u00e9chantillonnage empirique comportant $n$<\/span> observations ind\u00e9pendantes et identiquement distribu\u00e9es, le coefficient d’asym\u00e9trie \u00e9chantillonnal est calcul\u00e9 \u00e0 partir de la moyenne empirique et des r\u00e9sidus observ\u00e9s, selon l’estimateur des moments :<\/p>\n S = ( (1 \/ n) * \u03a3 (X_i – X_bar)^3 ) \/ ( (1 \/ n) * \u03a3 (X_i – X_bar)^2 )^(3\/2)<\/em><\/p>\n Une distribution parfaitement sym\u00e9trique, telle que la courbe en cloche de Gauss, pr\u00e9sente un coefficient d’asym\u00e9trie th\u00e9orique rigoureusement nul ($S = 0$<\/span>). Lorsque l’asym\u00e9trie est positive ($S > 0$<\/span>), la queue de distribution s’\u00e9tire substantiellement vers les valeurs positives sup\u00e9rieures de l’abscisse, signifiant que la masse des observations est concentr\u00e9e \u00e0 gauche de la moyenne, laquelle se trouve tir\u00e9e vers la droite par quelques valeurs extr\u00eamement \u00e9lev\u00e9es. Ce profil est universellement observ\u00e9 en psychologie exp\u00e9rimentale lors de l’enregistrement des temps de r\u00e9action motrice ou de d\u00e9codage s\u00e9mantique, o\u00f9 les latences physiologiques minimales cr\u00e9ent une limite infranchissable \u00e0 gauche tandis que les lapsus attentionnels \u00e9tirent la distribution vers la droite. \u00c0 l’inverse, une asym\u00e9trie n\u00e9gative ($S < 0$) traduit un \u00e9talement de la queue de distribution vers la gauche, caract\u00e9ristique typique des examens acad\u00e9miques \u00e0 haut taux de r\u00e9ussite ou des inventaires de fonctionnement cognitif global chez des adultes sains o\u00f9 se manifeste un effet de plafond.<\/p>\n La seconde dimension constitutive du test concerne le degr\u00e9 d’aplatissement ou kurtosis<\/em>, classiquement not\u00e9 $K$<\/span> ou $\\beta_2$<\/span>. Contrairement \u00e0 une id\u00e9e re\u00e7ue tenace qui assimile exclusivement le kurtosis au caract\u00e8re pointu ou arrondi du sommet de la courbe de densit\u00e9, la th\u00e9orie statistique moderne clarifie que ce param\u00e8tre refl\u00e8te avant tout la propension de la distribution \u00e0 g\u00e9n\u00e9rer des valeurs extr\u00eames situ\u00e9es dans ses queues, relativement \u00e0 la masse concentr\u00e9e dans ses flancs interm\u00e9diaires. Le kurtosis th\u00e9orique d’une variable al\u00e9atoire $X$<\/span> correspond au quatri\u00e8me moment centr\u00e9 standardis\u00e9 :<\/p>\n K = E[((X – \u03bc) \/ \u03c3)^4] = \u03bc4 \/ (\u03c3^4)<\/em><\/p>\n Dans le cadre d’un \u00e9chantillon fini de taille $n$<\/span>, l’estimateur classique par la m\u00e9thode des moments s’exprime par le ratio du quatri\u00e8me moment centr\u00e9 empirique sur le carr\u00e9 de la variance empirique :<\/p>\n K = ( (1 \/ n) * \u03a3 (X_i – X_bar)^4 ) \/ ( (1 \/ n) * \u03a3 (X_i – X_bar)^2 )^2<\/em><\/p>\n Pour toute distribution normale univari\u00e9e, quelle que soit son esp\u00e9rance ou sa dispersion, le calcul analytique d\u00e9montre que le quatri\u00e8me moment centr\u00e9 standardis\u00e9 converge exactement vers la constante trois ($K = 3$<\/span>). Pour simplifier les diagnostics morphologiques, la litt\u00e9rature scientifique privil\u00e9gie l’usage de l’exc\u00e8s d’aplatissement (excess kurtosis<\/em>), formul\u00e9 par $K_{exc} = K – 3$<\/span>, qui \u00e9tablit la distribution normale comme \u00e9talon z\u00e9ro de r\u00e9f\u00e9rence. Les distributions affichant un exc\u00e8s d’aplatissement positif ($K > 3$<\/span>, $K_{exc} > 0$<\/span>) sont qualifi\u00e9es de leptokurtiques<\/strong>. Elles se caract\u00e9risent par des queues de probabilit\u00e9 particuli\u00e8rement lourdes et \u00e9paisses, traduisant une fr\u00e9quence anormalement \u00e9lev\u00e9e de valeurs divergentes extr\u00eames. Les distributions pr\u00e9sentant un exc\u00e8s d’aplatissement n\u00e9gatif ($K < 3$,$<\/span>K_{exc} < 0$) sont dites platykurtiques<\/strong>, signalant des queues l\u00e9g\u00e8res et une r\u00e9partition plus diffuse des observations le long de l’intervalle central. Dans la mod\u00e9lisation psychom\u00e9trique, les structures leptokurtiques d\u00e9stabilisent drastiquement l’estimation de la variance commune et induisent une vuln\u00e9rabilit\u00e9 critique des mod\u00e8les lin\u00e9aires en gonflant le taux de rejet \u00e0 tort d’hypoth\u00e8ses nulles l\u00e9gitimes.<\/p>\n L’\u00e9l\u00e9gance architecturale de la m\u00e9thode d\u00e9velopp\u00e9e par Carlos Jarque et Anil Bera r\u00e9side dans la synth\u00e8se unifi\u00e9e de ces deux descripteurs morphologiques en une statistique scalaire unique. En exploitant la th\u00e9orie asymptotique de la distribution conjointe des estimateurs des moments sous l’hypoth\u00e8se de normalit\u00e9, les auteurs ont d\u00e9montr\u00e9 que les estimateurs \u00e9chantillonnaux standardis\u00e9s de l’asym\u00e9trie et du kurtosis deviennent mutuellement orthogonaux et asymptotiquement ind\u00e9pendants \u00e0 mesure que la taille de l’\u00e9chantillon cro\u00eet vers l’infini.<\/p>\n Sous l’hypoth\u00e8se nulle $H_0$<\/span> de normalit\u00e9 rigoureuse, la distribution d’\u00e9chantillonnage de l’asym\u00e9trie empirique $S$<\/span> converge vers une loi normale centr\u00e9e d’esp\u00e9rance nulle et de variance asymptotique \u00e9gale \u00e0 $6\/n$<\/span>. Simultan\u00e9ment, l’estimateur de l’aplatissement empirique $K$<\/span> converge vers une loi normale d’esp\u00e9rance trois et de variance asymptotique \u00e9gale \u00e0 $24\/n$<\/span>. D\u00e8s lors, en appliquant le principe de standardisation des variables al\u00e9atoires, les quantit\u00e9s suivantes convergent individuellement vers une loi normale centr\u00e9e r\u00e9duite :<\/p>\n Z_S = S \/ racine(6 \/ n)<\/em><\/p>\n Z_K = (K – 3) \/ racine(24 \/ n)<\/em><\/p>\n En vertu du th\u00e9or\u00e8me central limite et des propri\u00e9t\u00e9s fondamentales des vecteurs gaussiens ind\u00e9pendants, la somme des carr\u00e9s de deux variables normales standardis\u00e9es ind\u00e9pendantes suit rigoureusement une distribution du Chi-deux ($\\chi^2$<\/span>) \u00e0 deux degr\u00e9s de libert\u00e9. En \u00e9levant au carr\u00e9 ces deux termes standardis\u00e9s et en sommant leurs contributions respectives, on obtient la formulation alg\u00e9brique de la statistique de test de Jarque-Bera ($JB$<\/span>) :<\/p>\n JB = (Z_S)^2 + (Z_K)^2 = (n \/ 6) * [ S^2 + ((K – 3)^2 \/ 4) ]<\/em><\/p>\n Par construction alg\u00e9brique, la statistique $JB$<\/span> constitue une quantit\u00e9 strictement positive ou nulle ($JB ge 0$<\/span>). Toute discordance morphologique empirique par rapport aux canons gaussiens \u2014 qu’il s’agisse d’un d\u00e9s\u00e9quilibre directionnel mat\u00e9rialis\u00e9 par $S^2 > 0$<\/span> ou d’une alt\u00e9ration de la structure des queues mat\u00e9rialis\u00e9e par $(K – 3)^2 > 0$<\/span> \u2014 amplifie m\u00e9caniquement la valeur scalaire de $JB$<\/span>, l’\u00e9loignant de l’origine. La d\u00e9termination formelle de la p-valeur associ\u00e9e \u00e0 une observation empirique $jb_{obs}$<\/span> repose ensuite sur l’\u00e9valuation analytique de la fonction de survie (compl\u00e9mentaire de la fonction de r\u00e9partition cumulative) de la loi du Chi-deux \u00e0 deux degr\u00e9s de libert\u00e9 :<\/p>\n p-valeur = P( \u03c7^2(2) \u2265 jb_obs ) = exp( -jb_obs \/ 2 )<\/em><\/p>\n Cette forme close simplifi\u00e9e de la p-valeur illustre l’efficacit\u00e9 analytique du test de Jarque-Bera, dont le calcul ne requiert aucune int\u00e9gration num\u00e9rique fastidieuse pour d\u00e9terminer le niveau d’ad\u00e9quation probabiliste d’un jeu de donn\u00e9es continu.<\/p>\n L’ex\u00e9cution computationnelle rigoureuse du test de Jarque-Bera et des analyses distributionnelles associ\u00e9es requiert le d\u00e9ploiement pr\u00e9alable d’une pile logicielle scientifique \u00e9prouv\u00e9e. L’\u00e9cosyst\u00e8me open source standard pour l’analyse statistique en Python s’articule autour de quatre biblioth\u00e8ques ma\u00eetresses : NumPy<\/strong> pour l’alg\u00e8bre lin\u00e9aire vectoris\u00e9e et les calculs matriciels haute performance, SciPy<\/strong> pour les fonctions statistiques inf\u00e9rentielles sp\u00e9cialis\u00e9es, Pandas<\/strong> pour l’ingestion, la manipulation et le nettoyage structur\u00e9 des s\u00e9ries de donn\u00e9es cliniques ou comportementales, et Statsmodels<\/strong> pour l’estimation de mod\u00e8les \u00e9conom\u00e9triques et l’analyse r\u00e9siduelle avanc\u00e9e.<\/p>\n Pour garantir la reproductibilit\u00e9 absolue des calculs et pr\u00e9munir les projets d’\u00e9ventuels conflits d’interd\u00e9pendances logicielles, la cr\u00e9ation d’un environnement virtuel isol\u00e9 constitue une exigence technique incontournable. L’analyste peut recourir soit au gestionnaire natif venv<\/em>, soit \u00e0 la plateforme conda<\/em>. L’installation standardis\u00e9e s’effectue au moyen de l’utilitaire de gestion des paquets de r\u00e9f\u00e9rence. Au sein de la console terminale de l’environnement virtuel pr\u00e9alablement activ\u00e9, la commande suivante permet d’assurer le d\u00e9ploiement simultan\u00e9 des outils indispensables :<\/p>\n pip install numpy scipy pandas statsmodels matplotlib seaborn jupyter<\/em><\/p>\n Dans le contexte sp\u00e9cifique de la recherche psychologique quantitative, le recours aux carnets interactifs Jupyter (Jupyter Notebooks<\/em> ou JupyterLab<\/em>) pr\u00e9sente des b\u00e9n\u00e9fices m\u00e9thodologiques majeurs. Ils permettent de juxtaposer, au sein d’un document ex\u00e9cutable unique, les justifications th\u00e9oriques formalis\u00e9es, les blocs de code informatique, les sorties textuelles des tests inf\u00e9rentiels et les visualisations diagnostiques haute r\u00e9solution. Cette structure int\u00e9gr\u00e9e r\u00e9pond directement aux standards internationaux de transparence analytique et facilite les audits par les pairs lors de la soumission de protocoles exp\u00e9rimentaux aux comit\u00e9s de lecture acad\u00e9miques.<\/p>\n Une fois l’environnement configur\u00e9, l’architecture scripturale doit suivre les principes fondamentaux de modularit\u00e9, de concision et de tra\u00e7abilit\u00e9 promus par le guide de style PEP 8 de la communaut\u00e9 Python. L’importation cibl\u00e9e des sous-modules statistiques \u00e9vite la pollution de l’espace de noms global et garantit une lisibilit\u00e9 maximale pour les relecteurs de code. Pour mener \u00e0 bien une \u00e9tude diagnostique de distribution, l’initialisation du script d\u00e9bute conventionnellement par le chargement structur\u00e9 des composants analytiques.<\/p>\n Le sous-module scipy.stats<\/em> est traditionnellement import\u00e9 pour h\u00e9berger la routine canonique jarque_bera<\/em> ainsi que les fonctions de g\u00e9n\u00e9ration de lois de probabilit\u00e9. Parall\u00e8lement, statsmodels.api<\/em> et le composant sp\u00e9cialis\u00e9 statsmodels.stats.stattools<\/em> sont mobilis\u00e9s pour acc\u00e9der aux routines alternatives d’\u00e9conom\u00e9trie appliqu\u00e9e. La manipulation des structures de donn\u00e9es multidimensionnelles est confi\u00e9e \u00e0 pandas<\/em>, tandis que numpy<\/em> prend en charge les op\u00e9rations arithm\u00e9tiques fondamentales.<\/p>\n Un aspect critique de la reproductibilit\u00e9 scientifique computationnelle r\u00e9side dans la gestion explicite des graines de pseudo-al\u00e9atoire (random seeds<\/em>). La g\u00e9n\u00e9ration de cohortes synth\u00e9tiques, de donn\u00e9es simul\u00e9es ou de proc\u00e9dures de r\u00e9\u00e9chantillonnage bootstrap requiert la fixation formelle d’un g\u00e9n\u00e9rateur d’\u00e9tats al\u00e9atoires au moyen de l’instruction numpy.random.default_rng()<\/em> ou de la commande conventionnelle numpy.random.seed()<\/em>. L’omission de cette \u00e9tape pr\u00e9liminaire engendre des variations num\u00e9riques al\u00e9atoires entre les ex\u00e9cutions successives, compromettant la r\u00e9plication exacte des statistiques calcul\u00e9es et des p-valeurs rapport\u00e9es dans les publications savantes.<\/p>\n1. Introduction au test de Jarque-Bera et fondements th\u00e9oriques<\/h2>\n
1.1 D\u00e9finition et gen\u00e8se historique du test<\/h3>\n
1.2 Importance de la normalit\u00e9 dans la recherche psychologique et comportementale<\/h3>\n
1.3 Formulation des hypoth\u00e8ses statistique nulle et alternative<\/h3>\n
2. Les composantes math\u00e9matiques du test de Jarque-Bera<\/h2>\n
2.1 L’asym\u00e9trie (skewness) et son impact sur la distribution<\/h3>\n
2.2 L’aplatissement (kurtosis) et l’exc\u00e8s d’aplatissement<\/h3>\n
2.3 D\u00e9rivation de la statistique de test et loi du Chi-deux<\/h3>\n
3. Pr\u00e9paration de l’environnement de d\u00e9veloppement Python<\/h2>\n
3.1 Installation et gestion des biblioth\u00e8ques scientifiques<\/h3>\n
3.2 Importation et structuration des modules de calcul<\/h3>\n
4. Ex\u00e9cution du test de Jarque-Bera avec la biblioth\u00e8que SciPy<\/h2>\n
4.1 Syntaxe et param\u00e8tres de la fonction jarque_bera<\/h3>\n