D’un point de vue structurel, la d\u00e9composition de ces cinq m\u00e9triques fondamentales permet de cartographier instantan\u00e9ment la r\u00e9partition de la masse empirique sans faire d’hypoth\u00e8se sur la fonction de densit\u00e9 g\u00e9n\u00e9ratrice. Contrairement aux moments d’ordre un et deux que sont la moyenne et la variance classique, le r\u00e9sum\u00e9 \u00e0 cinq nombres pr\u00e9sente une r\u00e9sistance statistique exceptionnelle face \u00e0 l’asym\u00e9trie distributionnelle positive ou n\u00e9gative. La moyenne est notoirement sensible au moindre d\u00e9placement d’une seule observation vers les extr\u00e9mit\u00e9s du support empirique, un ph\u00e9nom\u00e8ne qui corrompt simultan\u00e9ment l’\u00e9cart-type. \u00c0 l’inverse, les estimateurs fond\u00e9s sur les statistiques d’ordre poss\u00e8dent des points de rupture \u00e9lev\u00e9s, garantissant que des anomalies de mesure ou des scores physiologiques idiosyncrasiques ne d\u00e9naturent pas la caract\u00e9risation globale de la population \u00e9tudi\u00e9e.<\/p>\n
Dans le champ de la psychom\u00e9trie appliqu\u00e9e et de la neuropsychologie clinique, cette r\u00e9sistance prend une importance fondamentale. L’\u00e9valuation standardis\u00e9e des fonctions cognitives ou des dimensions affectives fait quasi exclusivement appel \u00e0 des \u00e9chelles de Likert cumul\u00e9es, \u00e0 des inventaires de personnalit\u00e9 ou \u00e0 des chronom\u00e9tries de temps de r\u00e9action. Les distributions de ces variables manifestent structurellement de forts \u00e9carts \u00e0 la loi normale, mat\u00e9rialis\u00e9s par des planchers d’incomp\u00e9tence, des plafonds d’apprentissage ou des allongements unilat\u00e9raux de la queue de distribution li\u00e9s \u00e0 la fatigue attentionnelle. Dans de telles configurations, r\u00e9sumer les performances d’un groupe clinique par une moyenne et un \u00e9cart-type rel\u00e8ve du contresens m\u00e9thodologique, tandis que le recours au r\u00e9sum\u00e9 \u00e0 cinq nombres pr\u00e9serve la v\u00e9rit\u00e9 topologique du signal exp\u00e9rimental collect\u00e9.<\/p>\n
1.2 R\u00f4le dans la caract\u00e9risation des distributions exp\u00e9rimentales<\/h3>\n
L’exploitation conjointe des cinq statistiques d’ordre permet une caract\u00e9risation rapide et rigoureuse de la tendance centrale via la m\u00e9diane empirique. Cette derni\u00e8re s\u00e9pare formellement l’\u00e9chantillon ordonn\u00e9 en deux sous-ensembles \u00e9quipotents de cinquante pour cent chacun. En s’affranchissant du barycentre arithm\u00e9tique, le chercheur dispose d’une estimation non biais\u00e9e du comportement typique du participant m\u00e9dian, ce qui s’av\u00e8re particuli\u00e8rement informatif lorsque la variable mesur\u00e9e pr\u00e9sente une dynamique non lin\u00e9aire. La comparaison spatiale entre la position de cette m\u00e9diane et le milieu g\u00e9om\u00e9trique calcul\u00e9 entre le premier et le troisi\u00e8me quartile constitue d’ailleurs un premier indice diagnostique quant \u00e0 la pr\u00e9sence d’une asym\u00e9trie interne du nuage de points.<\/p>\n
L’\u00e9valuation de la dispersion interne s’op\u00e8re quant \u00e0 elle par la diff\u00e9rentiation entre la charni\u00e8re sup\u00e9rieure et la charni\u00e8re inf\u00e9rieure, circonscrivant ce que la litt\u00e9rature statistique formalise sous le nom d’\u00e9cart interquartile (not\u00e9 conventionnellement IQR pour Interquartile Range<\/em>). Cet intervalle central englobe exactement la moiti\u00e9 des observations centrales de la s\u00e9rie statistique. En ignorant d\u00e9lib\u00e9r\u00e9ment les vingt-cinq pour cent inf\u00e9rieurs et les vingt-cinq pour cent sup\u00e9rieurs, l’\u00e9cart interquartile capture la variabilit\u00e9 intrins\u00e8que du ph\u00e9nom\u00e8ne \u00e9tudi\u00e9 tout en demeurant parfaitement \u00e9tanche aux fluctuations erratiques des valeurs p\u00e9riph\u00e9riques. Il s’agit d’une m\u00e9trique d’homog\u00e9n\u00e9it\u00e9 incomparablement plus robuste que l’\u00e9tendue totale ou l’\u00e9cart-type d’\u00e9chantillon.<\/p>\n Enfin, la d\u00e9limitation absolue de l’amplitude empirique par le minimum et le maximum observ\u00e9s renseigne directement sur la port\u00e9e globale du spectre des r\u00e9ponses enregistr\u00e9es au sein du protocole exp\u00e9rimental. Cette double borne permet d’identifier l’existence \u00e9ventuelle d’effets de troncature artificielle impos\u00e9s par les caract\u00e9ristiques de l’instrument d’\u00e9valuation lui-m\u00eame. Dans les protocoles comparant des groupes cliniques (par exemple des patients souffrant d’un d\u00e9ficit cognitif l\u00e9ger ou d’un trouble anxieux caract\u00e9ris\u00e9) \u00e0 des cohortes t\u00e9moins saines, le profilage conjoint de ces cinq nombres offre un instrument d’analyse pr\u00e9liminaire puissant. Il permet d’objectiver en un regard des divergences de dispersion ou des translations de m\u00e9diane avant toute phase d’inf\u00e9rence non param\u00e9trique de type test de Wilcoxon-Mann-Whitney.<\/p>\n Sur le plan strictement formel, la d\u00e9termination du minimum et du maximum empiriques d\u00e9coule de la th\u00e9orie des statistiques d’ordre. Soit un \u00e9chantillon de variables al\u00e9atoires ind\u00e9pendantes et identiquement distribu\u00e9es, not\u00e9 sous la forme d’un vecteur fini x comportant n observations r\u00e9elles. La r\u00e9organisation de ce vecteur selon une relation d’ordre totale croissante g\u00e9n\u00e8re la suite des statistiques d’ordre, traditionnellement indic\u00e9e entre parenth\u00e8ses : x(1) inf\u00e9rieur ou \u00e9gal \u00e0 x(2), qui lui-m\u00eame est inf\u00e9rieur ou \u00e9gal aux termes subs\u00e9quents jusqu’\u00e0 x(n). D\u00e8s lors, le minimum empirique correspond sans ambigu\u00eft\u00e9 \u00e0 la premi\u00e8re statistique d’ordre x(1), tandis que le maximum empirique s’identifie formellement \u00e0 la n-i\u00e8me statistique d’ordre x(n).<\/p>\n En d\u00e9pit de leur simplicit\u00e9 conceptuelle apparente, ces deux m\u00e9triques partagent une vuln\u00e9rabilit\u00e9 math\u00e9matique extr\u00eame face aux erreurs de saisie num\u00e9rique, aux d\u00e9faillances de capteurs instrumentaux et aux art\u00e9facts comportementaux. La statistique d’ordre x(1) et son homologue x(n) poss\u00e8dent un point de rupture th\u00e9orique nul, \u00e9quivalent \u00e0 un sur n. Cela implique math\u00e9matiquement qu’une unique perturbation erron\u00e9e de magnitude infinie, survenant sur une seule ligne de la matrice de donn\u00e9es, suffit \u00e0 d\u00e9placer arbitrairement ces deux indicateurs sans aucune limite sup\u00e9rieure ou inf\u00e9rieure. Cette instabilit\u00e9 structurelle impose une grande vigilance lors de l’interpr\u00e9tation des bornes extr\u00eames issues d’un recueil exp\u00e9rimental automatis\u00e9.<\/p>\n En contexte clinique et psychom\u00e9trique, l’analyse diff\u00e9rentielle de x(1) et x(n) \u00e9claire la structure des outils d’\u00e9valuation en r\u00e9v\u00e9lant la pr\u00e9sence de scores planchers et d’effets de plafond. Si le minimum observ\u00e9 co\u00efncide parfaitement avec le score th\u00e9orique le plus bas permis par l’instrument sur une fraction substantielle de l’\u00e9chantillon, le test souffre d’un d\u00e9faut de sensibilit\u00e9 inf\u00e9rieure, masquant les variations pathologiques profondes. Inversement, la convergence massive des participants vers la valeur maximale th\u00e9orique signale un effet de plafond d\u00e9l\u00e9t\u00e8re, indiquant que la t\u00e2che cognitive s’av\u00e8re insuffisamment discriminante pour diff\u00e9rencier les capacit\u00e9s optimales au sein de la cohorte \u00e9valu\u00e9e.<\/p>\n La m\u00e9diane empirique, couramment symbolis\u00e9e par la lettre M ou la notation tilde x, repr\u00e9sente la valeur d’ordre m\u00e9dian partitionnant la distribution \u00e9chantillonnale en deux segments cardinaux rigoureusement \u00e9gaux. Son calcul formel d\u00e9pend directement de la parit\u00e9 de l’effectif total d’\u00e9chantillon n. Dans l’\u00e9ventualit\u00e9 o\u00f9 l’entier n s’av\u00e8re impair, la m\u00e9diane correspond pr\u00e9cis\u00e9ment \u00e0 la statistique d’ordre dont le rang central est d\u00e9termin\u00e9 par l’expression alg\u00e9brique (n + 1) divis\u00e9 par deux. La m\u00e9diane s’exprime alors simplement sous la forme x((n + 1)\/2). Lorsque l’effectif n est pair, il n’existe pas d’\u00e9l\u00e9ment m\u00e9dian unique issu de la s\u00e9rie discr\u00e8te ; la m\u00e9diane conventionnelle est alors d\u00e9finie par la demi-somme des deux statistiques d’ordre centrales, c’est-\u00e0-dire la moyenne arithm\u00e9tique des observations occupant respectivement les rangs n divis\u00e9 par deux et n divis\u00e9 par deux plus un.<\/p>\n L’avantage cardinal de la m\u00e9diane empirique r\u00e9side dans sa propri\u00e9t\u00e9 de point de rupture de cinquante pour cent. Cela signifie d’un point de vue asymptotique que la m\u00e9diane demeure born\u00e9e et stable tant que moins de la moiti\u00e9 des observations d’un jeu de donn\u00e9es n’est pas corrompue par des valeurs extr\u00eames tendant vers l’infini positif ou n\u00e9gatif. Cette r\u00e9silience remarquable en fait l’estimateur de localisation privil\u00e9gi\u00e9 pour caract\u00e9riser le centre d’une distribution exp\u00e9rimentale asym\u00e9trique, l\u00e0 o\u00f9 la moyenne arithm\u00e9tique glisse m\u00e9caniquement vers la queue \u00e9tir\u00e9e de la distribution sous l’effet du poids disproportionn\u00e9 des valeurs distales.<\/p>\n La mise en relation de la m\u00e9diane empirique avec la moyenne arithm\u00e9tique d’un \u00e9chantillon constitue par ailleurs un test diagnostique non param\u00e9trique de premier ordre pour \u00e9valuer l’asym\u00e9trie distributionnelle. Selon la seconde r\u00e8gle empirique de Pearson, dans une distribution strictement sym\u00e9trique et unimodale, la moyenne arithm\u00e9tique et la m\u00e9diane co\u00efncident approximativement. En pr\u00e9sence d’une asym\u00e9trie positive \u00e9tal\u00e9e vers la droite (ce qui est typique des temps de r\u00e9action moteurs), la moyenne est significativement sup\u00e9rieure \u00e0 la m\u00e9diane. \u00c0 l’inverse, dans une distribution asym\u00e9trique n\u00e9gative \u00e9tal\u00e9e vers la gauche (fr\u00e9quente lors d’\u00e9valuations cliniques faciles o\u00f9 pr\u00e9dominent des scores \u00e9lev\u00e9s), la moyenne s’av\u00e8re syst\u00e9matiquement inf\u00e9rieure \u00e0 la m\u00e9diane.<\/p>\n Les quartiles inf\u00e9rieur et sup\u00e9rieur, d\u00e9sign\u00e9s conventionnellement par Q1 et Q3, proc\u00e8dent d’une logique de partition continue de l’espace ordonn\u00e9 en quatre segments \u00e9quiprobables, chacun contenant exactement vingt-cinq pour cent de la masse d’\u00e9chantillonnage totale. Le premier quartile Q1 correspond \u00e0 la valeur pour laquelle au moins un quart des observations lui sont inf\u00e9rieures ou \u00e9gales, et au moins trois quarts lui sont sup\u00e9rieures ou \u00e9gales. Sym\u00e9triquement, le troisi\u00e8me quartile Q3 d\u00e9signe la valeur pour laquelle au moins soixante-quinze pour cent de la distribution observ\u00e9e se situe en de\u00e7\u00e0, tandis que le quart restant pr\u00e9sente des grandeurs scalaires sup\u00e9rieures.<\/p>\n Sur le plan de l’interpr\u00e9tation cognitive et neuropsychologique, ces seuils correspondent directement au vingt-cinqui\u00e8me centile et au soixante-quinzi\u00e8me centile de l’\u00e9talonnage psychom\u00e9trique. Dans les \u00e9preuves \u00e9valuant par exemple l’empan mn\u00e9sique, la flexibilit\u00e9 mentale ou l’attention s\u00e9lective, un patient dont le score individuel s’effondre en de\u00e7\u00e0 du premier quartile se situe imm\u00e9diatement dans la zone de vigilance clinique, mat\u00e9rialisant une performance inf\u00e9rieure aux trois quarts de sa cohorte de r\u00e9f\u00e9rence appari\u00e9e pour l’\u00e2ge et le niveau d’\u00e9ducation. \u00c0 l’inverse, l’atteinte d’un score exc\u00e9dant Q3 caract\u00e9rise un fonctionnement pr\u00e9serv\u00e9 ou sup\u00e9rieur, attestant d’une r\u00e9serve cognitive substantielle face aux effets du vieillissement ou de la neurod\u00e9g\u00e9n\u00e9rescence.<\/p>\n L’\u00e9cart absolu s\u00e9parant ces deux grandeurs num\u00e9riques sert de fondement au calcul de l’\u00e9cart interquartile, d\u00e9fini par l’op\u00e9ration alg\u00e9brique soustractive Q3 moins Q1. Cette statistique de dispersion mesure la compacit\u00e9 du noyau central de la distribution. En \u00e9valuant l’homog\u00e9n\u00e9it\u00e9 des comportements au sein du groupe \u00e9tudi\u00e9, un \u00e9cart interquartile particuli\u00e8rement resserr\u00e9 indique une st\u00e9r\u00e9otypie ou une standardisation \u00e9lev\u00e9e des performances, tandis qu’un \u00e9cart interquartile dilat\u00e9 r\u00e9v\u00e8le une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 substantielle des strat\u00e9gies cognitives ou des ph\u00e9notypes cliniques parmi les participants investigu\u00e9s au sein du protocole.<\/p>\n Le langage de programmation statistique R int\u00e8gre nativement, au sein de son package syst\u00e8me nomm\u00e9 base<\/em>, une fonction sp\u00e9cifiquement con\u00e7ue pour extraire le r\u00e9sum\u00e9 d\u00e9fini par John Tukey : la fonction fivenum(). Contrairement \u00e0 de multiples fonctions d’analyses descriptives issues de biblioth\u00e8ques tierces, cette commande ne n\u00e9cessite l’importation d’aucune extension externe, garantissant ainsi une portabilit\u00e9 algorithmique absolue et une p\u00e9rennit\u00e9 d’ex\u00e9cution sur n’importe quel terminal R, quelle que soit la version logicielle install\u00e9e sur l’environnement de travail de l’analyste.<\/p>\n La signature formelle de la fonction se distingue par une sobri\u00e9t\u00e9 exemplaire. Elle s’invoque conventionnellement sous la forme fivenum(x, na.rm = TRUE), o\u00f9 le param\u00e8tre fondamental x repr\u00e9sente la structure de donn\u00e9es \u00e0 d\u00e9composer, qui doit obligatoirement \u00eatre un vecteur num\u00e9rique atomique, et na.rm constitue un argument logique stipulant s’il convient ou non d’exclure les donn\u00e9es manquantes pr\u00e9alablement au traitement. L’absence intentionnelle d’options d’ajustement complexes dans la signature de la commande t\u00e9moigne de la volont\u00e9 originelle de pr\u00e9server l’int\u00e9grit\u00e9 de l’algorithme des charni\u00e8res de Tukey sans alt\u00e9ration param\u00e9trique contingente.<\/p>\n L’algorithme sous-jacent impl\u00e9ment\u00e9 par la fonction fivenum() repose strictement sur la m\u00e9thode des charni\u00e8res de Tukey (d\u00e9sign\u00e9es sous l’appellation anglophone de Tukey’s hinges<\/em>). Selon ce m\u00e9canisme r\u00e9cursif, la m\u00e9diane de l’ensemble ordonn\u00e9 est calcul\u00e9e en premier lieu. Ensuite, les charni\u00e8res inf\u00e9rieure et sup\u00e9rieure sont d\u00e9termin\u00e9es en calculant respectivement la m\u00e9diane exacte de la moiti\u00e9 inf\u00e9rieure et de la moiti\u00e9 sup\u00e9rieure de l’\u00e9chantillon. La particularit\u00e9 d\u00e9terminante de ce formalisme r\u00e9side dans le fait que si l’effectif n est impair, la m\u00e9diane empirique globale est express\u00e9ment incluse dans les deux sous-ensembles pour proc\u00e9der au calcul des charni\u00e8res, induisant une d\u00e9viation arithm\u00e9tique subtile par rapport aux quantiles interpol\u00e9s continus conventionnels.<\/p>\n Sur le plan du typage et de la manipulation en m\u00e9moire vive, la fonction fivenum() applique un contr\u00f4le strict sur la nature de ses arguments d’entr\u00e9e. Si un chercheur lui soumet un vecteur d’entiers ou de nombres r\u00e9els en double pr\u00e9cision, la fonction s’ex\u00e9cute avec une vitesse computationnelle optimale gr\u00e2ce \u00e0 des routines internes compil\u00e9es en langage C. En revanche, si le vecteur contient des facteurs cat\u00e9goriels ou des cha\u00eenes de caract\u00e8res, la fonction rejette l’op\u00e9ration et g\u00e9n\u00e8re une erreur d’ex\u00e9cution bloquante, rappelant que l’ordonnancement requis postule un niveau de mesure minimal d’intervalle ou d’ordre num\u00e9rique continu.<\/p>\n Le traitement des cas d’exception num\u00e9rique constitue une autre sp\u00e9cificit\u00e9 d’impl\u00e9mentation de fivenum(). Face \u00e0 la pr\u00e9sence de valeurs infinies g\u00e9n\u00e9r\u00e9es par des divisions accidentelles par z\u00e9ro dans un pipeline de transformation (telles que Inf ou -Inf), l’algorithme ne d\u00e9clenche pas d’interruption anormale. Il classe rigoureusement -Inf comme \u00e9tant la plus petite valeur possible occupant la premi\u00e8re statistique d’ordre, et Inf comme occupant la n-i\u00e8me position, d\u00e9pla\u00e7ant instantan\u00e9ment le minimum ou le maximum calcul\u00e9 vers ces limites non finies tout en pr\u00e9servant le calcul central de la m\u00e9diane et des charni\u00e8res si l’effectif fini r\u00e9siduel s’av\u00e8re suffisant.<\/p>\n Il importe en outre de souligner la diff\u00e9renciation structurelle op\u00e9r\u00e9e par le moteur de calcul entre un vecteur atomique univari\u00e9 et une structure matricielle bidimensionnelle. Lorsque l’analyste transmet une matrice de donn\u00e9es \u00e0 la fonction fivenum(), R op\u00e8re une coercition implicite par un aplatissement complet (vector flattening<\/em>), d\u00e9truisant l’organisation en lignes et en colonnes pour traiter l’int\u00e9gralit\u00e9 des cellules comme un unique vecteur unidimensionnel amalgam\u00e9. Pour pr\u00e9server la topologie matricielle et obtenir un r\u00e9sum\u00e9 distinct par colonne ou par ligne, il devient d\u00e8s lors indispensable d’interm\u00e9dier l’appel via des fonctions d’ordre sup\u00e9rieur adapt\u00e9es.<\/p>\n Afin de rendre compte concr\u00e8tement de la dynamique computationnelle de fivenum(), consid\u00e9rons une simulation empirique repr\u00e9sentative de la chronom\u00e9trie cognitive. Soit un protocole de temps de r\u00e9action de choix dans lequel un sujet neurologique doit discriminer des stimuli visuels complexes. Nous isolons une s\u00e9rie brute de onze latences cons\u00e9cutives, exprim\u00e9es en millisecondes : 245, 260, 275, 290, 310, 325, 340, 380, 420, 510 et 890 ms. Ce vecteur refl\u00e8te fid\u00e8lement la r\u00e9alit\u00e9 d’un recueil comportemental o\u00f9 coexistent une majorit\u00e9 d’ex\u00e9cutions motrices homog\u00e8nes et un ralentissement \u00e9pisodique marqu\u00e9 g\u00e9n\u00e9r\u00e9 par une fluctuation attentionnelle.<\/p>\n L’instanciation de cette variable dans l’interpr\u00e9teur R s’effectue par l’assignation d’un vecteur num\u00e9rique canonique via l’op\u00e9rateur d’assignation standard. Une fois le vecteur allou\u00e9 en m\u00e9moire sous l’identifiant latence, l’appel de la commande fivenum(latence) d\u00e9clenche imm\u00e9diatement l’ex\u00e9cution algorithmique interne. Le r\u00e9sultat renvoy\u00e9 dans la console interactive prend la forme d’un vecteur num\u00e9rique continu d\u00e9pourvu de noms d’attributs par d\u00e9faut, exposant cons\u00e9cutivement cinq valeurs num\u00e9riques align\u00e9es : 245, 282.5, 325, 400 et 890.<\/p>\n L’inspection de cette sortie vectorielle met instantan\u00e9ment en relief la concision de l’affichage fourni par fivenum(). La structure de l’objet r\u00e9sultant est un vecteur atomique de longueur 5 appartenant au type double. Bien que cette absence de m\u00e9tadonn\u00e9es nominatives puisse d\u00e9router l’exp\u00e9rimentateur habitu\u00e9 \u00e0 des tableaux verbeux, elle conf\u00e8re en contrepartie une l\u00e9g\u00e8ret\u00e9 structurelle maximale, id\u00e9ale pour les boucles d’it\u00e9ration massives et les calculs statistiques de r\u00e9\u00e9chantillonnage de type bootstrap o\u00f9 l’allocation de surcharge textuelle d\u00e9graderait les performances computationnelles.<\/p>\n Pour comprendre la gen\u00e8se pr\u00e9cise de ces cinq grandeurs num\u00e9riques, une d\u00e9composition manuelle pas \u00e0 pas s’impose. La s\u00e9rie exp\u00e9rimentale comporte exactement n = 11 observations d\u00e9j\u00e0 ordonn\u00e9es. Le minimum empirique s’identifie imm\u00e9diatement \u00e0 la premi\u00e8re statistique d’ordre x(1), soit 245 ms, tandis que le maximum correspond sans ambigu\u00eft\u00e9 \u00e0 la onzi\u00e8me valeur observ\u00e9e x(11), soit 890 ms. Ces deux bornes d\u00e9limitent l’amplitude absolue des temps de r\u00e9ponse observ\u00e9s chez le participant, attestant d’une \u00e9tendue brute de 645 millisecondes.<\/p>\n L’effectif total \u00e9tant un nombre impair (n = 11), la profondeur th\u00e9orique de la m\u00e9diane correspond formellement au rang calcul\u00e9 par la formule (n + 1) \/ 2, c’est-\u00e0-dire (11 + 1) \/ 2 = 6. En consultant la s\u00e9rie ordonn\u00e9e, la sixi\u00e8me observation est tr\u00e8s pr\u00e9cis\u00e9ment 325 ms. La m\u00e9diane empirique de l’\u00e9chantillon prend donc sans ambigu\u00eft\u00e9 la valeur scalaire de 325. Il y a exactement cinq observations strictement inf\u00e9rieures \u00e0 ce seuil (245, 260, 275, 290, 310) et cinq observations strictement sup\u00e9rieures (340, 380, 420, 510, 890).<\/p>\n Pour d\u00e9terminer les charni\u00e8res selon la formulation sp\u00e9cifique de John Tukey, la r\u00e8gle algorithmique stipule que l’\u00e9l\u00e9ment m\u00e9dian (325) doit \u00eatre inclus dans la moiti\u00e9 inf\u00e9rieure et dans la moiti\u00e9 sup\u00e9rieure de la distribution. Le sous-\u00e9chantillon inf\u00e9rieur devient ainsi : 245, 260, 275, 290, 310, 325, comprenant un sous-effectif pair de 6 observations. La charni\u00e8re inf\u00e9rieure (\u00e9quivalente \u00e0 Q1 dans fivenum) est donc la m\u00e9diane de ce sous-ensemble, calcul\u00e9e par la demi-somme des 3e et 4e rangs : (275 + 290) \/ 2 = 282.5 ms. Sym\u00e9triquement, le sous-\u00e9chantillon sup\u00e9rieur comprend les valeurs 325, 340, 380, 420, 510, 890. Sa charni\u00e8re sup\u00e9rieure est la moyenne des deux \u00e9l\u00e9ments m\u00e9dians (380 et 420) \/ 2 = 400 ms. L’\u00e9cart inter-charni\u00e8res est donc de 400 – 282.5 = 117.5 ms, refl\u00e9tant la variabilit\u00e9 centrale du traitement cognitif sans distorsion caus\u00e9e par la latence atypique de 890 ms.<\/p>\n L’un des \u00e9cueils m\u00e9thodologiques les plus fr\u00e9quents dans la litt\u00e9rature empirique r\u00e9side dans la confusion th\u00e9orique entre les charni\u00e8res de Tukey produites par fivenum() et les quartiles obtenus via la fonction g\u00e9n\u00e9rale quantile(). Dans leur article fondamental de 1996 publi\u00e9 dans The American Statistician<\/em>, Rob Hyndman et Yanan Fan ont formellement classifi\u00e9 les neuf approches algorithmiques distinctes mobilis\u00e9es dans les logiciels scientifiques pour estimer les quantiles continus sur des \u00e9chantillons discrets. La fonction quantile() du langage R offre l’acc\u00e8s direct \u00e0 l’ensemble de ces neuf m\u00e9thodes via son param\u00e8tre type, dont la m\u00e9thode par d\u00e9faut est fix\u00e9e \u00e0 type = 7.<\/p>\n Or, les charni\u00e8res de Tukey employ\u00e9es par fivenum() n’ob\u00e9issent \u00e0 aucun de ces sch\u00e9mas d’interpolation continue fond\u00e9s sur des pond\u00e9rations lin\u00e9aires probabilistes. La m\u00e9thode des charni\u00e8res est une proc\u00e9dure purement discr\u00e8te bas\u00e9e sur le rang et la partition en moiti\u00e9s d’\u00e9chantillon. Lorsque l’effectif n est de la forme 4k + 2 ou 4k + 3, les charni\u00e8res de Tukey co\u00efncident fr\u00e9quemment avec les quartiles de certains types d’Hyndman et Fan. Cependant, d\u00e8s que l’effectif global n prend d’autres configurations de parit\u00e9 (par exemple n = 8, n = 9 ou n = 12), des divergences num\u00e9riques syst\u00e9matiques apparaissent entre la sortie de fivenum() et les quartiles calcul\u00e9s par quantile(x, type = 7).<\/p>\n Consid\u00e9rons \u00e0 titre d’illustration un vecteur num\u00e9rique \u00e9l\u00e9mentaire constitu\u00e9 des entiers pairs cons\u00e9cutifs de 1 \u00e0 8 (n = 8). L’ex\u00e9cution de fivenum() g\u00e9n\u00e8re pour la charni\u00e8re inf\u00e9rieure la m\u00e9diane exacte de la premi\u00e8re moiti\u00e9 {1, 2, 3, 4}, ce qui donne la valeur 2.5. En revanche, l’ex\u00e9cution par d\u00e9faut de quantile(x, probs = 0.25, type = 7) applique une formule d’interpolation continue qui produit la valeur 2.75. Cette discordance arithm\u00e9tique de 0.25 n’est pas une simple anomalie d’arrondi : elle refl\u00e8te deux visions \u00e9pist\u00e9mologiques radicalement diff\u00e9rentes de la nature d’un centile, l’une ancr\u00e9e dans l’analyse exploratoire des donn\u00e9es discr\u00e8tes r\u00e9elles, l’autre orient\u00e9e vers l’estimation asymptotique de param\u00e8tres d’une loi de probabilit\u00e9 continue.<\/p>\n L’autre alternative d’analyse univari\u00e9e omnipr\u00e9sente dans R est la fonction g\u00e9n\u00e9rique summary(). Lorsqu’elle est appliqu\u00e9e \u00e0 un vecteur quantitatif, summary() retourne une synth\u00e8se descriptive en apparence tr\u00e8s proche du r\u00e9sum\u00e9 \u00e0 cinq nombres, mais qui s’en distingue par deux dissemblances fonctionnelles et typologiques substantielles. La premi\u00e8re divergence r\u00e9side dans l’int\u00e9gration explicite d’une sixi\u00e8me m\u00e9trique fondamentale : la moyenne arithm\u00e9tique (Mean<\/em>), positionn\u00e9e structurellement entre la m\u00e9diane et le troisi\u00e8me quartile.<\/p>\n Cette adjonction de la moyenne transforme la finalit\u00e9 analytique de la commande. Alors que fivenum() demeure un r\u00e9sum\u00e9 rigoureusement non param\u00e9trique et ordinal, summary() cr\u00e9e un dispositif hybride confrontant directement les statistiques de position robustes (m\u00e9diane, quartiles) \u00e0 un param\u00e8tre d\u00e9pendant des moments lin\u00e9aires. Cette juxtaposition facilite l’appr\u00e9ciation imm\u00e9diate de l’asym\u00e9trie empirique par contraste visuel entre la moyenne et la m\u00e9diane, mais rompt avec la stricte parcimonie du mod\u00e8le original de John Tukey.<\/p>\n La seconde dissemblance se situe au niveau de la structure d’objet en m\u00e9moire informatique. La fonction fivenum() renvoie un vecteur num\u00e9rique anonyme de classe numeric, directement indexable par des positions d’indices num\u00e9riques simples allant de 1 \u00e0 5. En revanche, summary() renvoie un vecteur nomm\u00e9 dot\u00e9 d’attributs textuels de classe summaryDefault ou table selon le contexte. Dans les pipelines de programmation automatis\u00e9e et d’ing\u00e9nierie statistique complexe, l’extraction de valeurs issues de summary() exige l’acc\u00e8s par cha\u00eenes de caract\u00e8res ou des manipulations de coercition, introduisant une latence d’ex\u00e9cution computationnelle et des risques de rupture de reproductibilit\u00e9 si les param\u00e8tres r\u00e9gionaux ou les \u00e9tiquettes linguistiques viennent \u00e0 diff\u00e9rer selon l’environnement de travail.<\/p>\n Le choix d\u00e9lib\u00e9r\u00e9 entre fivenum(), quantile() et summary() doit \u00eatre articul\u00e9 de mani\u00e8re rigoureuse dans la section m\u00e9thodologique des m\u00e9moires universitaires et des articles scientifiques \u00e9valu\u00e9s par les pairs. L’emploi strict de fivenum() se justifie pleinement lorsque le cadre th\u00e9orique adopt\u00e9 rel\u00e8ve explicitement de l’analyse exploratoire de Tukey ou lorsqu’il s’agit d’alimenter les algorithmes originaux de trac\u00e9 des bo\u00eetes \u00e0 moustaches. Sa rapidit\u00e9 d’ex\u00e9cution et sa robustesse structurelle en font \u00e9galement le choix optimal pour le balayage automatique d’un nombre \u00e9lev\u00e9 de variables comportementales ou g\u00e9nomiques au sein de matrices massives.<\/p>\n \u00c0 l’inverse, l’emploi de quantile(…, type = 7) ou d’autres types d’interpolation continue s’impose imp\u00e9rativement lorsque l’objectif de la recherche consiste \u00e0 standardiser des normes psychom\u00e9triques destin\u00e9es \u00e0 \u00eatre publi\u00e9es sous forme de tables d’\u00e9talonnage cliniques. Les manuels de tests standardis\u00e9s (tels que les \u00e9chelles d’intelligence de Wechsler ou les inventaires neuropsychologiques de la m\u00e9moire) reposent sur l’hypoth\u00e8se de populations sous-jacentes infinies et continues o\u00f9 l’interpolation affine des centiles garantit la coh\u00e9rence des rangs percentiles attribu\u00e9s aux patients examin\u00e9s.<\/p>\n Enfin, les recommandations de l’American Psychological Association (normes APA<\/a> de 7e \u00e9dition) imposent aux auteurs de sp\u00e9cifier formellement les algorithmes retenus d\u00e8s lors que des quantiles ou des r\u00e9sum\u00e9s robustes sont rapport\u00e9s dans les tableaux de r\u00e9sultats empiriques. Mentionner simplement que le premier quartile d’une cohorte vaut telle quantit\u00e9 sans pr\u00e9ciser s’il s’agit de la charni\u00e8re de Tukey issue de fivenum() ou du percentile issu de quantile() constitue une approximation scientifique dommageable qui compromet la r\u00e9plicabilit\u00e9 exacte des analyses par des \u00e9quipes de recherche ind\u00e9pendantes.<\/p>\n Pour illustrer l’impl\u00e9mentation op\u00e9rationnelle du r\u00e9sum\u00e9 \u00e0 cinq nombres sur un tableau de donn\u00e9es psychom\u00e9triques complexe, consid\u00e9rons une recherche observationnelle simulant l’\u00e9valuation d’une cohorte de 150 participants adultes soumis \u00e0 une double batterie diagnostique. La premi\u00e8re variable enregistr\u00e9e est le score total \u00e0 l’inventaire d’anxi\u00e9t\u00e9 \u00e9tat-trait de Spielberger (STAI-Y, mesur\u00e9 sur une \u00e9chelle discr\u00e8te continue allant de 20 \u00e0 80 points), une \u00e9chelle caract\u00e9ris\u00e9e par une d\u00e9rive d’asym\u00e9trie fr\u00e9quente en population g\u00e9n\u00e9rale. La seconde variable mesure la performance \u00e0 une t\u00e2che d’attention soutenue informatis\u00e9e (Continuous Performance Test<\/em>), exprim\u00e9e par le pourcentage d’omissions cibles commises face \u00e0 des distracteurs.<\/p>\n Le chargement d’un tel tableau de donn\u00e9es au format data frame constitue la premi\u00e8re \u00e9tape de tout flux de travail en sciences quantitatives du comportement. \u00c0 la suite de la lecture du fichier de donn\u00e9es brutes, l’exp\u00e9rimentateur utilise les commandes d’inspection structurelle fondamentales de R, principalement str() dans l’environnement de base ou glimpse() au sein de la biblioth\u00e8que moderne tibble. Cette \u00e9tape pr\u00e9alable permet de s’assurer scrupuleusement que les variables quantitatives cibles n’ont pas \u00e9t\u00e9 accidentellement converties en vecteurs de cha\u00eenes de caract\u00e8res lors de l’importation \u00e0 cause d’un d\u00e9limiteur d\u00e9cimal inad\u00e9quat.<\/p>\n Une fois la structure matricielle valid\u00e9e, l’extraction et l’isolation des colonnes scalaires d’int\u00e9r\u00eat s’op\u00e8rent par l’op\u00e9rateur d’indexation dollar ou par les m\u00e9thodes d’extraction matricielle par crochets. L’acc\u00e8s direct \u00e0 la colonne psychom\u00e9trique via l’expression clinique$Score_STAI permet d’isoler le vecteur atomique cible avant de le soumettre aux fonctions de synth\u00e8se statistique, garantissant l’int\u00e9grit\u00e9 du traitement univari\u00e9.<\/p>\n Dans la pratique psychom\u00e9trique courante, les protocoles comportent rarement une variable d’int\u00e9r\u00eat isol\u00e9e, mais plut\u00f4t une collection de sous-\u00e9chelles interconnect\u00e9es. L’application unitaire et r\u00e9p\u00e9titive de la commande fivenum() sur chaque colonne constituerait une d\u00e9marche manuelle inefficace et propice \u00e0 des erreurs de transcription. Pour automatiser l’extraction du r\u00e9sum\u00e9 \u00e0 cinq nombres \u00e0 travers l’ensemble des items ou des \u00e9chelles continues d’un data frame, le recours aux fonctions d’ordre sup\u00e9rieur de la famille apply de R s’av\u00e8re indispensable.<\/p>\n La commande sapply() est particuli\u00e8rement adapt\u00e9e \u00e0 cet imp\u00e9ratif de calcul simultan\u00e9. En transmettant \u00e0 sapply() le sous-ensemble de donn\u00e9es num\u00e9riques s\u00e9lectionn\u00e9 et en d\u00e9signant fivenum comme fonction de rappel, l’interpr\u00e9teur R it\u00e8re automatiquement sur chaque colonne du tableau. La signature de cet appel se formule simplement : sapply(donnees_psychometriques[, c(\u00ab\u00a0STAI_Anxiete\u00a0\u00bb, \u00ab\u00a0Omissions_CPT\u00a0\u00bb, \u00ab\u00a0Temps_Reaction\u00a0\u00bb)], fivenum). Gr\u00e2ce aux m\u00e9canismes d’optimisation vectorielle de sapply(), la sortie est instantan\u00e9ment condens\u00e9e sous la forme d’une matrice rectangulaire claire o\u00f9 chaque colonne correspond \u00e0 une variable comportementale et chaque ligne repr\u00e9sente s\u00e9quentiellement l’un des cinq nombres de Tukey.<\/p>\n Pour conf\u00e9rer \u00e0 cette matrice de sortie une lisibilit\u00e9 scientifique impeccable, il est d’usage d’enrichir ses m\u00e9tadonn\u00e9es en r\u00e9assignant manuellement les noms de lignes via la fonction rownames(). L’attribution explicite d’un vecteur de libell\u00e9s descriptifs (\u00ab\u00a0Minimum\u00a0\u00bb, \u00ab\u00a0Charniere_Inf\u00a0\u00bb, \u00ab\u00a0Mediane\u00a0\u00bb, \u00ab\u00a0Charniere_Sup\u00a0\u00bb, \u00ab\u00a0Maximum\u00a0\u00bb) transforme le tableau brut en une matrice auto-document\u00e9e. Cette matrice peut \u00eatre instantan\u00e9ment convertie en un nouveau tableau de donn\u00e9es gr\u00e2ce \u00e0 as.data.frame(), facilitant son injection subs\u00e9quente dans des protocoles de reporting statistique automatis\u00e9 ou son enregistrement sous forme de fichier tabul\u00e9 externe.<\/p>\n La manipulation des donn\u00e9es issues de l’\u00e9valuation psychologique et m\u00e9dicale se heurte in\u00e9vitablement \u00e0 la pr\u00e9sence d’observations incompl\u00e8tes, symbolis\u00e9es sous l’environnement R par la valeur r\u00e9serv\u00e9e NA (Not Available<\/em>). Les participants omettent fr\u00e9quemment de r\u00e9pondre \u00e0 certaines questions sensibles d’un auto-questionnaire, ou bien des d\u00e9faillances techniques du syst\u00e8me d’acquisition perturbent l’enregistrement de certains blocs exp\u00e9rimentaux. Dans ce cadre, la rigueur du traitement des cellules vides d\u00e9termine directement la validit\u00e9 des statistiques calcul\u00e9es.<\/p>\n \u00c0 cet \u00e9gard, la fonction fivenum() adopte un comportement algorithmique par d\u00e9faut singulier qui la distingue nettement des fonctions math\u00e9matiques standard de R telles que mean(), median() ou quantile(). Alors que ces derni\u00e8res renvoient par d\u00e9faut la valeur NA d\u00e8s qu’une seule case vide est d\u00e9tect\u00e9e dans le vecteur soumis (imposant \u00e0 l’utilisateur de sp\u00e9cifier explicitement l’argument na.rm = TRUE pour obtenir un r\u00e9sultat num\u00e9rique), la fonction fivenum() int\u00e8gre de mani\u00e8re intrins\u00e8que l’argument na.rm = TRUE comme param\u00e8tre par d\u00e9faut. Par cons\u00e9quent, fivenum() proc\u00e8de silencieusement \u00e0 l’\u00e9lagage pr\u00e9liminaire des donn\u00e9es manquantes sans \u00e9mettre d’avertissement formel dans la console.<\/p>\n Cette suppression automatique pr\u00e9sente des b\u00e9n\u00e9fices de fluidit\u00e9 algorithmique ind\u00e9niables, mais elle comporte des risques statistiques insidieux en l’absence d’une v\u00e9rification pr\u00e9alable. Un chercheur distrait pourrait ainsi appliquer fivenum() sur une \u00e9chelle psychom\u00e9trique sans r\u00e9aliser qu’un tiers des participants ont abandonn\u00e9 le protocole en cours de passation. Il appara\u00eet d\u00e8s lors indispensable d’effectuer un audit pr\u00e9liminaire rigoureux de la matrice de donn\u00e9es au moyen de fonctions d\u00e9di\u00e9es telles que sum(is.na(variable)) ou colSums(is.na(dataframe)), afin de quantifier pr\u00e9cis\u00e9ment le taux d’attrition exp\u00e9rimental avant toute exploitation synth\u00e9tique.<\/p>\n D’un point de vue \u00e9pist\u00e9mologique et psychom\u00e9trique, l’omission m\u00e9canique des valeurs NA orchestr\u00e9e par na.rm = TRUE dans fivenum() postule implicitement que le m\u00e9canisme g\u00e9n\u00e9rateur des donn\u00e9es manquantes rel\u00e8ve du sch\u00e9ma compl\u00e8tement al\u00e9atoire au sens de Rubin (Missing Completely At Random, MCAR<\/a>). Selon cette hypoth\u00e8se restrictive, la probabilit\u00e9 d’absence d’une observation est totalement ind\u00e9pendante tant des variables observ\u00e9es que des valeurs non observ\u00e9es elles-m\u00eames. Ce n’est qu’\u00e0 cette condition th\u00e9orique stricte que le calcul du r\u00e9sum\u00e9 \u00e0 cinq nombres sur les cas complets r\u00e9siduels conserve des propri\u00e9t\u00e9s d’estimation non biais\u00e9es pour la population parente.<\/p>\n Cependant, dans les investigations portant sur la sant\u00e9 mentale ou les troubles cognitifs s\u00e9v\u00e8res, les donn\u00e9es manquantes sont quasi universellement non al\u00e9atoires (Missing Not At Random, MNAR<\/em>). Les patients pr\u00e9sentant les niveaux d’anxi\u00e9t\u00e9 les plus intol\u00e9rables ou les d\u00e9t\u00e9riorations ex\u00e9cutives les plus avanc\u00e9es sont pr\u00e9cis\u00e9ment ceux qui manifestent le taux d’abandon ou de refus de r\u00e9ponse le plus \u00e9lev\u00e9 lors des \u00e9valuations exigeantes. L’\u00e9lagage automatique op\u00e9r\u00e9 par le r\u00e9sum\u00e9 \u00e0 cinq nombres va alors tronquer de mani\u00e8re asym\u00e9trique la distribution sup\u00e9rieure des scores de s\u00e9v\u00e9rit\u00e9 ou la distribution inf\u00e9rieure des capacit\u00e9s r\u00e9siduelles.<\/p>\n Les cons\u00e9quences d’une telle attrition s\u00e9lective sur le r\u00e9sum\u00e9 \u00e0 cinq nombres s’av\u00e8rent d\u00e9l\u00e9t\u00e8res : le maximum observ\u00e9 x(n) se trouve artificiellement sous-estim\u00e9, et la m\u00e9diane subit une translation trompeuse vers des zones de fonctionnement pr\u00e9serv\u00e9, donnant l’illusion trompeuse d’une cohorte moins s\u00e9v\u00e8rement affect\u00e9e qu’elle ne l’est dans la r\u00e9alit\u00e9 clinique. Dans ces circonstances m\u00e9thodologiques complexes, le calcul direct du r\u00e9sum\u00e9 \u00e0 cinq nombres sur les donn\u00e9es brutes incompl\u00e8tes doit \u00eatre imp\u00e9rativement pr\u00e9c\u00e9d\u00e9 par des proc\u00e9dures d’imputation multiple robuste par \u00e9quations cha\u00een\u00e9es ou par des mod\u00e9lisations non param\u00e9triques de type for\u00eats al\u00e9atoires, garantissant la repr\u00e9sentativit\u00e9 des cinq indicateurs finaux.<\/p>\n L’analyse comparative entre sous-populations constitue l’un des piliers m\u00e9thodologiques de l’exp\u00e9rimentation clinique. Les chercheurs ne se limitent presque jamais \u00e0 la caract\u00e9risation globale d’un \u00e9chantillon indiff\u00e9renci\u00e9 ; ils cherchent \u00e0 contraster la r\u00e9ponse psychom\u00e9trique en fonction de sous-groupes diagnostiques pr\u00e9d\u00e9finis, tels que des cohortes de patients \u00e9tiquet\u00e9s avec une pathologie sp\u00e9cifique face \u00e0 des sujets contr\u00f4les appari\u00e9s. Le langage de programmation R de base dispose d’outils fonctionnels performants pour segmenter et appliquer conditionnellement le r\u00e9sum\u00e9 \u00e0 cinq nombres.<\/p>\n La commande canonique pour accomplir cette t\u00e2che sans recourir \u00e0 des d\u00e9pendances logicielles ext\u00e9rieures est la fonction tapply(). La syntaxe s’articule formellement autour de trois arguments directeurs : le vecteur num\u00e9rique de r\u00e9ponse continue, la variable de partitionnement cat\u00e9gorielle servant de facteur de groupement, et la fonction analytique cible \u00e0 appliquer s\u00e9quentiellement sur chaque strate. Ainsi, l’instruction tapply(clinique$Score_STAI, clinique$<\/span>Groupe_Diagnostique, fivenum) partitionne instantan\u00e9ment la s\u00e9rie des scores anxieux en fonction des \u00e9tiquettes nosographiques et renvoie une liste nomm\u00e9e de vecteurs, chacun comprenant les cinq m\u00e9triques de Tukey propres \u00e0 son groupe clinique respectif.<\/p>\n Pour obtenir une mise en forme structurelle tabulaire plut\u00f4t qu’une arborescence de listes, l’analyste peut mobiliser la fonction aggregate(). Cependant, en raison du fait que fivenum() renvoie un vecteur de cinq \u00e9l\u00e9ments scalaires et non une valeur unitaire unique, l’ex\u00e9cution standard de aggregate(Score_STAI ~ Groupe_Diagnostique, data = clinique, FUN = fivenum) encapsule une sous-matrice de cinq colonnes \u00e0 l’int\u00e9rieur de la colonne de r\u00e9sultats du data frame produit. Cette disposition sp\u00e9cifique n\u00e9cessite parfois une conversion finale pour aplatir la structure avant de pouvoir l’exporter ais\u00e9ment vers des formats de tableurs conventionnels.<\/p>\n Dans la pratique contemporaine de la programmation en science des donn\u00e9es, l’\u00e9cosyst\u00e8me tidyverse<\/em> et en particulier la biblioth\u00e8que dplyr<\/a> offrent une syntaxe fluide, expressive et hautement standardis\u00e9e, fond\u00e9e sur l’encha\u00eenement d’op\u00e9rateurs de composition couramment d\u00e9sign\u00e9s sous le terme de tuyaux (pipes<\/em>). Lorsqu’il s’agit de calculer un r\u00e9sum\u00e9 \u00e0 cinq nombres stratifi\u00e9 par groupe clinique au moyen de dplyr, la combinaison traditionnelle des fonctions group_by() et summarise() rencontre une contrainte syntaxique : la fonction summarise() impose classiquement que l’expression interne renvoie une valeur scalaire unique par groupe.<\/p>\n Pour contourner \u00e9l\u00e9gamment cette limitation architecturale sans sacrifier l’idiome du tidyverse, les d\u00e9veloppeurs de dplyr ont introduit la fonction reframe(). Cette derni\u00e8re accepte explicitement des op\u00e9rations g\u00e9n\u00e9rant des vecteurs de longueurs arbitraires au sein de chaque strate d’\u00e9chantillonnage. En conjuguant reframe() avec la cr\u00e9ation d’un vecteur d’\u00e9tiquettes de texte explicites, il devient possible de formater un tableau rectangulaire parfaitement normalis\u00e9 (tidy data<\/em>). L’impl\u00e9mentation op\u00e9rationnelle prend la forme d’un encha\u00eenement harmonieux o\u00f9 les donn\u00e9es sont d’abord group\u00e9es via group_by(Diagnostic), puis ventil\u00e9es via reframe(Indicateur = c(\u00ab\u00a0Min\u00a0\u00bb, \u00ab\u00a0Q1\u00a0\u00bb, \u00ab\u00a0Mediane\u00a0\u00bb, \u00ab\u00a0Q3\u00a0\u00bb, \u00ab\u00a0Max\u00a0\u00bb), Valeur = fivenum(Score_STAI)).<\/p>\n Cette approche moderne g\u00e9n\u00e8re une table d’analyse explicite o\u00f9 chaque ligne correspond univoquement \u00e0 une statistique de position pour un sous-groupe clinique d\u00e9termin\u00e9. Une telle structure tabulaire s’int\u00e8gre ensuite sans la moindre friction computationnelle dans les fonctions de restructuration bidimensionnelle telles que pivot_wider() de la biblioth\u00e8que tidyr. Cette op\u00e9ration finale permet de basculer instantan\u00e9ment les cinq indicateurs en colonnes adjacentes (Min, Q1, M\u00e9diane, Q3, Max), offrant une table de synth\u00e8se comparative parfaitement align\u00e9e sur les exigences de pr\u00e9sentation acad\u00e9mique.<\/p>\n La mise en miroir des r\u00e9sum\u00e9s \u00e0 cinq nombres calcul\u00e9s au sein de cohortes cliniques diff\u00e9renci\u00e9es permet de capturer des dynamiques cognitives subtiles que les statistiques param\u00e9triques masquent r\u00e9guli\u00e8rement. Consid\u00e9rons un protocole \u00e9valuant l’inhibition motrice chez des patients pr\u00e9sentant un trouble du d\u00e9ficit de l’attention avec hyperactivit\u00e9 (TDAH) confront\u00e9s \u00e0 un groupe contr\u00f4le neurotypique. Lorsque l’on examine le r\u00e9sum\u00e9 \u00e0 cinq nombres des latences d’inhibition, la m\u00e9diane empirique peut s’av\u00e9rer relativement comparable entre les deux groupes, indiquant une vitesse de traitement moyenne pr\u00e9serv\u00e9e chez les patients.<\/p>\n En revanche, l’analyse comparative des charni\u00e8res et des extrema d\u00e9voile une r\u00e9alit\u00e9 clinique radicalement diff\u00e9rente. Dans le groupe TDAH, l’\u00e9cart interquartile d\u00e9termin\u00e9 par la diff\u00e9rence entre la charni\u00e8re sup\u00e9rieure et la charni\u00e8re inf\u00e9rieure se r\u00e9v\u00e8le souvent deux \u00e0 trois fois plus \u00e9tendu que celui du groupe t\u00e9moin, objectivant formellement une variabilit\u00e9 intra-individuelle massive des m\u00e9canismes de contr\u00f4le ex\u00e9cutif. De surcro\u00eet, le maximum observ\u00e9 x(n) au sein du groupe clinique s’\u00e9loigne vertigineusement de la charni\u00e8re sup\u00e9rieure, r\u00e9v\u00e9lant la pr\u00e9sence de d\u00e9crochages attentionnels p\u00e9riodiques s\u00e9v\u00e8res.<\/p>\n De m\u00eame, l’\u00e9valuation de la stabilit\u00e9 de la m\u00e9diane et de l’asym\u00e9trie entre des conditions exp\u00e9rimentales de stress induit et de repos basal permet d’objectiver la vuln\u00e9rabilit\u00e9 psychophysiologique des participants. La translation de la m\u00e9diane empirique vers les valeurs pathologiques sous l’effet du stresseur, combin\u00e9e \u00e0 une d\u00e9formation de la distance relative s\u00e9parant la m\u00e9diane de la charni\u00e8re inf\u00e9rieure par rapport \u00e0 la charni\u00e8re sup\u00e9rieure, fournit une signature quantitative pr\u00e9cise de la perte de r\u00e9gulation \u00e9motionnelle, confirmant l’utilit\u00e9 clinique du r\u00e9sum\u00e9 \u00e0 cinq nombres comme outil de diagnostic transversal.<\/p>\n Il existe une interd\u00e9pendance th\u00e9orique et algorithmique indissoluble entre le r\u00e9sum\u00e9 \u00e0 cinq nombres et le diagramme en bo\u00eete \u00e0 moustaches, que John Tukey a introduit simultan\u00e9ment sous la d\u00e9signation anglophone de box-and-whisker plot<\/em>. La bo\u00eete \u00e0 moustaches constitue en r\u00e9alit\u00e9 la transposition g\u00e9om\u00e9trique et visuelle directe des statistiques d’ordre calcul\u00e9es par l’algorithme des charni\u00e8res. Comprendre cette bijection spatiale permet d’interpr\u00e9ter avec une rigueur accrue les visualisations univari\u00e9es g\u00e9n\u00e9r\u00e9es sous l’environnement de programmation statistique R.<\/p>\n Dans la commande native boxplot() du package graphics<\/em> de R, l’anatomie du diagramme mat\u00e9rialise directement ces rep\u00e8res statistiques. Le bord inf\u00e9rieur du rectangle central correspond pr\u00e9cis\u00e9ment \u00e0 la charni\u00e8re inf\u00e9rieure (deuxi\u00e8me valeur du vecteur fivenum), tandis que le bord sup\u00e9rieur d\u00e9limite la charni\u00e8re sup\u00e9rieure (quatri\u00e8me valeur du vecteur). La hauteur totale de ce rectangle central repr\u00e9sente physiquement l’\u00e9cart inter-charni\u00e8res. \u00c0 l’int\u00e9rieur de cette bo\u00eete, un trait horizontal renforc\u00e9 visualise la m\u00e9diane empirique (troisi\u00e8me \u00e9l\u00e9ment de fivenum), divisant l’espace central selon le degr\u00e9 de sym\u00e9trie locale de la distribution.<\/p>\n La d\u00e9limitation des extr\u00e9mit\u00e9s des moustaches et la restitution du minimum et du maximum requi\u00e8rent en revanche une pr\u00e9cision conceptuelle essentielle. Si la distribution ne pr\u00e9sente aucune observation suspecte d’aberrance, la terminaison inf\u00e9rieure de la moustache co\u00efncide rigoureusement avec le minimum observ\u00e9 x(1) et la terminaison sup\u00e9rieure rejoint le maximum observ\u00e9 x(n). D\u00e8s lors, la correspondance entre les cinq rep\u00e8res graphiques du trac\u00e9 de base et les cinq m\u00e9triques produites par fivenum() est absolue et bijective, mat\u00e9rialisant sur l’axe des ordonn\u00e9es l’exacte configuration spatiale du r\u00e9sum\u00e9 statistique de Tukey.<\/p>\n Si la fonction graphique de base offre un outil de diagnostic exploratoire imm\u00e9diat, la conception de figures destin\u00e9es \u00e0 l’\u00e9dition scientifique de haut niveau s’appuie d\u00e9sormais quasi exclusivement sur la biblioth\u00e8que ggplot2<\/a>, fond\u00e9e sur la grammaire des graphiques d\u00e9velopp\u00e9e par Leland Wilkinson. L’int\u00e9gration du r\u00e9sum\u00e9 \u00e0 cinq nombres au sein d’un canevas ggplot2 s’articule autour de la g\u00e9om\u00e9trie fondamentale geom_boxplot(). Cette derni\u00e8re proc\u00e8de de mani\u00e8re autonome au calcul des composantes de dispersion tout en permettant un contr\u00f4le esth\u00e9tique absolu sur la pr\u00e9sentation des \u00e9l\u00e9ments graphiques.<\/p>\n Pour superposer explicitement les coordonn\u00e9es scalaires exactes du r\u00e9sum\u00e9 \u00e0 cinq nombres directement sur le rendu visuel, l’analyste peut coupler la g\u00e9om\u00e9trie de bo\u00eete avec la fonction stat_summary(). Cette derni\u00e8re autorise l’injection de fonctions statistiques univari\u00e9es personnalis\u00e9es au c\u0153ur de l’espace g\u00e9om\u00e9trique. En configurant stat_summary() avec des fonctions de rappel pointant vers fivenum, il devient envisageable de projeter des rep\u00e8res ponctuels contrast\u00e9s ou des \u00e9tiquettes num\u00e9riques au niveau exact de chaque charni\u00e8re, facilitant ainsi la lecture quantitative par le lecteur sans qu’il soit n\u00e9cessaire d’effectuer des allers-retours fastidieux entre la figure et le texte de l’article.<\/p>\n Le perfectionnement typographique de la visualisation s’ach\u00e8ve par l’application rigoureuse des normes de publication acad\u00e9mique, notamment celles \u00e9dict\u00e9es par l’American Psychological Association. Cela implique la mise en \u0153uvre d’un th\u00e8me visuel \u00e9pur\u00e9, exempt d’artefacts graphiques inutiles (chartjunk<\/em>), accessible via la commande theme_classic() ou theme_minimal(). L’\u00e9limination du quadrillage d’arri\u00e8re-plan, la clarification des axes d’\u00e9chelle, l’ajustement minutieux des polices de caract\u00e8res vectorielles et l’utilisation de palettes chromatiques perceptuellement uniformes et compatibles avec les d\u00e9ficits de la vision des couleurs (telles que les palettes Viridis<\/em>) garantissent une diffusion scientifique optimale et professionnelle des r\u00e9sultats empiriques.<\/p>\n Au-del\u00e0 de sa fonction descriptive de synth\u00e8se, le r\u00e9sum\u00e9 \u00e0 cinq nombres joue un r\u00f4le d\u00e9terminant dans la d\u00e9tection objective des observations discordantes ou atypiques, commun\u00e9ment d\u00e9sign\u00e9es sous l’anglicisme d’outliers<\/em>. John Tukey a formalis\u00e9 une r\u00e8gle empirique devenue universelle, fond\u00e9e sur l’amplitude de l’\u00e9cart inter-charni\u00e8res ou interquartile. Cette m\u00e9thodologie \u00e9tablit des fronti\u00e8res de d\u00e9marcation non param\u00e9triques, appel\u00e9es cl\u00f4tures internes (inner fences<\/em>) et cl\u00f4tures externes (outer fences<\/em>), sans postuler de normalit\u00e9 sous-jacente.<\/p>\n D’un point de vue algorithmique, la cl\u00f4ture interne inf\u00e9rieure est d\u00e9finie par la soustraction d’une fois et demie l’\u00e9cart interquartile \u00e0 la charni\u00e8re inf\u00e9rieure, soit formellement l’expression Q1 – (1.5 multipli\u00e9 par IQR). Sym\u00e9triquement, la cl\u00f4ture interne sup\u00e9rieure est \u00e9rig\u00e9e en ajoutant cette m\u00eame quantit\u00e9 \u00e0 la charni\u00e8re sup\u00e9rieure, soit Q3 + (1.5 multipli\u00e9 par IQR). Toute observation exp\u00e9rimentale dont la magnitude se situe en dehors de cet intervalle ferm\u00e9 est qualifi\u00e9e de valeur atypique mod\u00e9r\u00e9e. Lorsque le facteur de multiplication est port\u00e9 \u00e0 trois fois l’\u00e9cart interquartile, les bornes obtenues d\u00e9finissent les cl\u00f4tures externes, au-del\u00e0 desquelles les observations sont cat\u00e9goris\u00e9es comme des valeurs extr\u00eames s\u00e9v\u00e8res.<\/p>\n Dans l’environnement de programmation R, cette logique est celle qui r\u00e9git pr\u00e9cis\u00e9ment le trac\u00e9 des moustaches dans boxplot() et geom_boxplot(). D\u00e8s lors qu’une ou plusieurs observations d\u00e9passent les cl\u00f4tures internes de 1,5 fois l’IQR, les moustaches cessent d’atteindre le minimum et le maximum empiriques. La moustache se r\u00e9tracte pour s’arr\u00eater sur la valeur observ\u00e9e la plus extr\u00eame situ\u00e9e \u00e0 l’int\u00e9rieur des cl\u00f4tures (les valeurs adjacentes de Tukey), tandis que les points situ\u00e9s au-del\u00e0 sont isol\u00e9s graphiquement sous la forme de points discrets. Pour extraire algorithmiquement ces points aberrants dans une session de script R, l’exp\u00e9rimentateur utilise les op\u00e9rations logiques crois\u00e9es reliant les vecteurs bruts aux bornes calcul\u00e9es \u00e0 partir de fivenum(), identifiant ainsi formellement les indices d’enregistrement des observations suspectes.<\/p>\n L’identification algorithmique d’une valeur extr\u00eame au moyen de la r\u00e8gle des cl\u00f4tures de Tukey ne doit en aucun cas conduire \u00e0 son \u00e9limination m\u00e9canique et irr\u00e9fl\u00e9chie du jeu de donn\u00e9es exp\u00e9rimental. En psychologie quantitative, une observation atypique ne constitue pas n\u00e9cessairement une erreur de mesure ou une d\u00e9faillance instrumentale ; elle incarne souvent une manifestation authentique de la variabilit\u00e9 ph\u00e9notypique humaine ou l’expression d’un profil cognitif rare mais valide.<\/p>\n L’analyse clinique approfondie de ces donn\u00e9es requiert une discrimination ph\u00e9nom\u00e9nologique soigneuse. D’une part, l’analyste doit traquer d’\u00e9ventuelles aberrations mat\u00e9rielles incontestables : un temps de r\u00e9ponse psychomoteur de 12 millisecondes (physiologiquement incompatible avec la transmission synaptique r\u00e9tino-corticale) ou un score de 999 d\u00e9coulant d’une convention mal encod\u00e9e pour d\u00e9signer une omission de r\u00e9ponse. Dans ces cas manifestes, la valeur doit \u00eatre rectifi\u00e9e ou convertie en NA sans ambigu\u00eft\u00e9. D’autre part, un temps de latence de 3 500 millisecondes chez un patient \u00e2g\u00e9 confront\u00e9 \u00e0 une interf\u00e9rence de type Stroop peut refl\u00e9ter un d\u00e9crochage temporaire du contr\u00f4le ex\u00e9cutif, porteur d’une signification diagnostique majeure pour la d\u00e9tection pr\u00e9coce d’une d\u00e9mence sous-corticale.<\/p>\n De m\u00eame, dans l’\u00e9valuation de l’intelligence g\u00e9n\u00e9rale ou des habilet\u00e9s logico-math\u00e9matiques, des scores s’isolant au-del\u00e0 de la cl\u00f4ture sup\u00e9rieure mat\u00e9rialisent fr\u00e9quemment des profils de surdouance cognitive ou de haut potentiel intellectuel. Exclure unilat\u00e9ralement ces individus sous le pr\u00e9texte statistique d’optimiser l’ajustement d’un mod\u00e8le lin\u00e9aire viole les principes fondamentaux de l’\u00e9chantillonnage repr\u00e9sentatif. Les directives \u00e9thiques et m\u00e9thodologiques contemporaines imposent d\u00e8s lors de documenter syst\u00e9matiquement toutes les valeurs aberrantes d\u00e9tect\u00e9es par le r\u00e9sum\u00e9 \u00e0 cinq nombres et de conduire des analyses de sensibilit\u00e9 comparant les conclusions statistiques avec et sans l’inclusion desdites observations p\u00e9riph\u00e9riques.<\/p>\n Si la commande fivenum() remplit parfaitement son r\u00f4le d’extraction brute, son int\u00e9gration dans des flux de travail professionnels requiert souvent un enrichissement m\u00e9trologique. Les chercheurs \u00e9prouvent fr\u00e9quemment le besoin d’adjoindre simultan\u00e9ment au quint\u00e9 d’origine des indicateurs de dispersion compl\u00e9mentaires, tels que l’\u00e9tendue totale absolue (Range<\/em>), l’\u00e9cart inter-charni\u00e8res exact (IQR) et la taille de l’\u00e9chantillon valide r\u00e9siduel apr\u00e8s \u00e9lagage des valeurs manquantes, tout en structurant la sortie sous la forme d’un conteneur moderne de type tibble ou data frame d\u00fbment typ\u00e9.<\/p>\n La flexibilit\u00e9 du langage R autorise l’encapsulation de l’algorithme fivenum() au sein d’une fonction personnalis\u00e9e hautement r\u00e9utilisable. Cette fonction utilisateur peut accepter un vecteur d’entr\u00e9e arbitraire, v\u00e9rifier son typage num\u00e9rique via des assertions logiques conditionnelles, ex\u00e9cuter l’extraction via fivenum(x, na.rm = na.rm), puis calculer les grandeurs alg\u00e9briques d\u00e9riv\u00e9es (diff\u00e9rence entre le cinqui\u00e8me et le premier \u00e9l\u00e9ment pour l’\u00e9tendue, diff\u00e9rence entre le quatri\u00e8me et le deuxi\u00e8me pour l’intervalle interquartile). Les r\u00e9sultats sont ensuite agenc\u00e9s dans une structure rectangulaire unifi\u00e9e o\u00f9 chaque statistique est associ\u00e9e \u00e0 son libell\u00e9 nominatif standardis\u00e9.<\/p>\n L’impl\u00e9mentation de cette logique modulaire conf\u00e8re une portabilit\u00e9 remarquable au pipeline d’analyse. En int\u00e9grant des m\u00e9canismes d’\u00e9valuation dynamique, la fonction personnalis\u00e9e peut \u00eatre cartographi\u00e9e sur des dizaines de variables \u00e0 l’aide de la fonction map_dfr() de la biblioth\u00e8que purrr, g\u00e9n\u00e9rant en une fraction de seconde un tableau r\u00e9capitulatif global pr\u00eat pour l’inspection statistique et pr\u00eat \u00e0 alimenter les moteurs de mise en page documentaire.<\/p>\n La communication des r\u00e9sultats de la recherche exige une mise en forme tabulaire respectant scrupuleusement les canons \u00e9ditoriaux de la diffusion scientifique internationale. L’\u00e9poque o\u00f9 les chercheurs recopiaient manuellement les chiffres de la console R vers un logiciel de traitement de texte commercial est d\u00e9finitivement r\u00e9volue, tant cette pratique archa\u00efque constituait une source intarissable d’erreurs de transcription num\u00e9rique. L’\u00e9cosyst\u00e8me R moderne int\u00e8gre des biblioth\u00e8ques de rendu documentaire de haute vol\u00e9e, au premier rang desquelles figurent knitr<\/a> et flextable<\/a>.<\/p>\n La fonction kable() issue du package knitr, enrichie par les extensions esth\u00e9tiques de kableExtra, permet de convertir instantan\u00e9ment un data frame de r\u00e9sum\u00e9s \u00e0 cinq nombres en un tableau syntaxiquement irr\u00e9prochable au format LaTeX pour les soumissions chez des \u00e9diteurs de r\u00e9f\u00e9rence, ou en balisage HTML pour la diffusion web interactive. Les bordures horizontales simples, l’alignement d\u00e9cimal rigoureux des scores psychom\u00e9triques et l’insertion de l\u00e9gendes institutionnelles s’effectuent par le biais d’instructions d\u00e9claratives directes garantissant un rendu esth\u00e9tique sobre et \u00e9l\u00e9gant.<\/p>\n Pour les chercheurs dont les revues cibles exigent exclusivement des manuscrits \u00e9ditables au format Microsoft Word, la biblioth\u00e8que flextable fournit le moteur de compilation id\u00e9al. Elle autorise le param\u00e9trage typographique microm\u00e9trique des bordures de cellules, l’application automatique d’ombrages altern\u00e9s et le formatage rigoureux selon les normes de l’APA (7e \u00e9dition). Ce flux programmatique s’ins\u00e8re de mani\u00e8re transparente dans les documents informatis\u00e9s hybrides pilot\u00e9s par R Markdown ou le syst\u00e8me de publication scientifique de nouvelle g\u00e9n\u00e9ration Quarto<\/a>, assurant une reproductibilit\u00e9 computationnelle totale du pipeline de recherche, depuis le traitement du signal brut jusqu’au manuscrit finalis\u00e9 pr\u00eat pour l’impression.<\/p>\n L’utilisation non critique du r\u00e9sum\u00e9 \u00e0 cinq nombres expose l’analyste \u00e0 plusieurs pi\u00e8ges interpr\u00e9tatifs majeurs qu’une d\u00e9marche m\u00e9thodologique rigoureuse doit imp\u00e9rativement d\u00e9samorcer. Le premier \u00e9cueil r\u00e9side dans l’assimilation aveugle et erron\u00e9e des charni\u00e8res de Tukey produites par fivenum() aux centiles continus calcul\u00e9s par les logiciels g\u00e9n\u00e9ralistes concurrents comme SPSS ou SAS. Ces derniers s’appuient fr\u00e9quemment sur des pond\u00e9rations lin\u00e9aires diff\u00e9rentes (assimilables aux types 2 ou 6 d’Hyndman et Fan), g\u00e9n\u00e9rant des valeurs de coupure l\u00e9g\u00e8rement divergentes pour les premier et troisi\u00e8me quartiles. Ne pas expliciter cette nuance computationnelle lors de la comparaison d’\u00e9tudes cliniques crois\u00e9es induit des contradictions artificielles dans la litt\u00e9rature.<\/p>\n Le second pi\u00e8ge m\u00e9thodologique critique concerne l’application du r\u00e9sum\u00e9 \u00e0 cinq nombres \u00e0 des distributions exp\u00e9rimentales fortement bimodales ou multimodales. Par d\u00e9finition, le r\u00e9sum\u00e9 de Tukey postule que l’\u00e9chantillon peut \u00eatre condens\u00e9 le long d’une progression monotone uniaxiale articul\u00e9e autour d’un centre unique. Si une population clinique contient en r\u00e9alit\u00e9 deux sous-groupes discrets non identifi\u00e9s (par exemple une population mixte compos\u00e9e de porteurs sains et d’individus symptomatiques \u00e0 un stade prodromique), la distribution pr\u00e9sente deux bosses distinctes. Dans cette configuration, la m\u00e9diane empirique tombe exactement dans le creux s\u00e9parant les deux modes, d\u00e9crivant un point de densit\u00e9 quasi nulle qui ne repr\u00e9sente en rien le comportement r\u00e9el d’aucun participant de la cohorte.<\/p>\n Le troisi\u00e8me biais fr\u00e9quent concerne l’application d\u00e9raisonnable du r\u00e9sum\u00e9 \u00e0 cinq nombres sur des variables purement ordinales \u00e0 tr\u00e8s faibles modalit\u00e9s de r\u00e9ponse discr\u00e8tes, telles que des \u00e9chelles de Likert limit\u00e9es \u00e0 trois ou quatre points d’ancrage. Sur de tels supports discrets \u00e9troits, les statistiques d’ordre s’effondrent sur des paliers identiques, conduisant fr\u00e9quemment \u00e0 des situations o\u00f9 le minimum, la charni\u00e8re inf\u00e9rieure et la m\u00e9diane prennent une valeur num\u00e9rique strictement \u00e9gale (par exemple 1, 1, 1, 2, 3). Cette d\u00e9g\u00e9n\u00e9rescence des quantiles prive le r\u00e9sum\u00e9 de toute sa substance discriminante, rappelant que l’outil de Tukey n\u00e9cessite une granularit\u00e9 de mesure continue ou quasi continue pour exprimer son plein potentiel descriptif.<\/p>\n Afin d’\u00e9lever les standards de transparence et de reproductibilit\u00e9 dans l’exploitation du r\u00e9sum\u00e9 \u00e0 cinq nombres, plusieurs directives fondamentales doivent \u00eatre scrupuleusement observ\u00e9es par la communaut\u00e9 scientifique. La premi\u00e8re exigence m\u00e9thodologique consiste \u00e0 archiver et documenter formellement l’environnement d’ex\u00e9cution informatique au sein duquel les calculs ont \u00e9t\u00e9 conduits. L’appel de la commande sessionInfo() dans le script R permet de figer pour la post\u00e9rit\u00e9 la version exacte du moteur de calcul R mobilis\u00e9e ainsi que l’\u00e9tat pr\u00e9cis des biblioth\u00e8ques syst\u00e8me charg\u00e9es en m\u00e9moire, pr\u00e9venant toute alt\u00e9ration silencieuse des algorithmes lors des futures mises \u00e0 jour logicielles.<\/p>\n La deuxi\u00e8me recommandation imp\u00e9rative concerne la restitution conjointe des indicateurs synth\u00e9tiques et de la structure distributionnelle globale. Un r\u00e9sum\u00e9 num\u00e9rique, aussi puissant soit-il, ne doit jamais \u00eatre pr\u00e9sent\u00e9 de mani\u00e8re d\u00e9connect\u00e9e d’une inspection visuelle attentive. La publication scientifique d’un tableau r\u00e9capitulatif des cinq nombres gagne \u00e0 \u00eatre syst\u00e9matiquement adoss\u00e9e \u00e0 des graphiques de dispersion individuels enrichis, tels que des diagrammes de dispersion en bandes (strip charts<\/em>), des nuages de points superpos\u00e9s avec gigue al\u00e9atoire (jittered points<\/em>) ou des repr\u00e9sentations en violon (violin plots<\/em>). Cette multimodalit\u00e9 descriptive garantit qu’aucune singularit\u00e9 morphologique, bimodalit\u00e9 cach\u00e9e ou concentration anormale d’observations n’\u00e9chappe \u00e0 la sagacit\u00e9 critique de la communaut\u00e9 scientifique.<\/p>\n Enfin, l’inscription pleine et enti\u00e8re de la recherche dans le mouvement mondial de la science ouverte (Open Science<\/em>) constitue le garant ultime de la rigueur m\u00e9thodologique. La mise \u00e0 disposition int\u00e9grale des scripts d’analyse R, accompagn\u00e9s des donn\u00e9es brutes anonymis\u00e9es sur des d\u00e9p\u00f4ts institutionnels publics p\u00e9rennes tels que l’Open Science Framework (OSF<\/a>), Zenodo ou GitHub, permet \u00e0 tout examinateur ou chercheur tiers de reproduire \u00e0 l’identique les calculs de fivenum(), de v\u00e9rifier la pertinence de la gestion des donn\u00e9es manquantes et d’attester de la probit\u00e9 des conclusions psychom\u00e9triques publi\u00e9es, consolidant ainsi durablement l’\u00e9difice des connaissances scientifiques.<\/p>\n Guide acad\u00e9mique complet pour calculer le r\u00e9sum\u00e9 \u00e0 cinq nombres dans R : syntaxe, fonctions fivenum() et summary(), visualisations et exemples psychom\u00e9triques.<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"closed","template":"","categories":[1829,2193],"tags":[5226,5225,16,2658,2212],"class_list":["post-3142","psych_stat","type-psych_stat","status-publish","hentry","category-methodologie-statistique","category-programmation-r","tag-analyse-exploratoire-de-donnees","tag-fivenum","tag-psychometrie","tag-r","tag-statistiques-descriptives"],"_links":{"self":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_stat\/3142","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=3142"}],"version-history":[{"count":1,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_stat\/3142\/revisions"}],"predecessor-version":[{"id":16451,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_stat\/3142\/revisions\/16451"}],"wp:attachment":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=3142"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=3142"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=3142"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}2. Fondements math\u00e9matiques des cinq indicateurs de position et de dispersion<\/h2>\n
2.1 Le minimum et le maximum empiriques<\/h3>\n
2.2 La m\u00e9diane empirique comme estimateur central non param\u00e9trique<\/h3>\n
2.3 Les quartiles inf\u00e9rieur et sup\u00e9rieur (Q1 et Q3)<\/h3>\n
3. La fonction fondamentale fivenum() dans l’environnement de base R<\/h2>\n
3.1 Architecture logicielle et syntaxe formelle de fivenum()<\/h3>\n
3.2 Sp\u00e9cificit\u00e9s techniques du traitement num\u00e9rique<\/h3>\n
4. Calcul du r\u00e9sum\u00e9 \u00e0 cinq nombres sur un vecteur num\u00e9rique simple (Exemple 1)<\/h2>\n
4.1 Cr\u00e9ation du vecteur exp\u00e9rimental et ex\u00e9cution \u00e9l\u00e9mentaire<\/h3>\n
4.2 D\u00e9composition analytique d\u00e9taill\u00e9e des r\u00e9sultats<\/h3>\n
5. Diff\u00e9rences m\u00e9thodologiques critiques : fivenum() versus quantile() et summary()<\/h2>\n
5.1 La divergence algorithmique entre Tukey’s hinges et les quantiles types<\/h3>\n
5.2 Comparaison fonctionnelle avec summary()<\/h3>\n
5.3 Directives acad\u00e9miques pour le choix de la m\u00e9thode<\/h3>\n
6. Application pratique aux jeux de donn\u00e9es psychom\u00e9triques (data frames)<\/h2>\n
6.1 Importation et structure des variables comportementales<\/h3>\n
6.2 Application it\u00e9rative sur plusieurs variables avec les fonctions apply()<\/h3>\n
7. Gestion rigoureuse des donn\u00e9es manquantes (NA) et des anomalies exp\u00e9rimentales<\/h2>\n
7.1 Gestion du param\u00e8tre na.rm dans fivenum()<\/h3>\n
7.2 Distinction entre donn\u00e9es manquantes al\u00e9atoires et non al\u00e9atoires<\/h3>\n
8. Calcul conditionnel et group\u00e9 du r\u00e9sum\u00e9 \u00e0 cinq nombres (dplyr et base R)<\/h2>\n
8.1 Approche fonctionnelle en base R avec tapply() et aggregate()<\/h3>\n
8.2 Approche moderne avec l’\u00e9cosyst\u00e8me tidyverse et dplyr<\/h3>\n
8.3 Comparaisons intergroupes en neuropsychologie exp\u00e9rimentale<\/h3>\n
9. Repr\u00e9sentation graphique avanc\u00e9e : De la bo\u00eete \u00e0 moustaches (boxplot) au r\u00e9sum\u00e9 \u00e0 cinq nombres<\/h2>\n
9.1 Correspondance bijective entre fivenum() et le diagramme de Tukey<\/h3>\n
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/fivenum1.png\")
<\/figure>\n9.2 Visualisation hautement personnalis\u00e9e avec ggplot2<\/h3>\n
10. D\u00e9tection psychom\u00e9trique des valeurs aberrantes (outliers) via l’\u00e9cart interquartile<\/h2>\n
10.1 R\u00e8gle des 1,5 x IQR et cl\u00f4tures de Tukey<\/h3>\n
10.2 Interpr\u00e9tation substantive des valeurs aberrantes en psychologie<\/h3>\n
11. Automatisation, rapports statistiques et exportation des r\u00e9sultats<\/h2>\n
11.1 D\u00e9veloppement d’une fonction R personnalis\u00e9e pour rapports enrichis<\/h3>\n
11.2 Exportation acad\u00e9mique conforme aux formats standardis\u00e9s<\/h3>\n
12. Pi\u00e8ges statistiques courants, validit\u00e9 exp\u00e9rimentale et meilleures pratiques<\/h2>\n
12.1 Erreurs m\u00e9thodologiques r\u00e9currentes lors de l’analyse<\/h3>\n
12.2 Bonnes pratiques pour la reproductibilit\u00e9 scientifique<\/h3>\n
R\u00e9f\u00e9rences<\/h2>\n
\n