{"id":3155,"date":"2026-09-07T01:22:44","date_gmt":"2026-09-07T01:22:44","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-effectuer-test-anderson-darling-dans-r\/"},"modified":"2026-09-07T01:22:45","modified_gmt":"2026-09-07T01:22:45","slug":"comment-effectuer-test-anderson-darling-dans-r","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-effectuer-test-anderson-darling-dans-r","title":{"rendered":"Comment effectuer un test d’Anderson-Darling dans R"},"content":{"rendered":"

L’\u00e9valuation rigoureuse des distributions empiriques constitue l’un des piliers m\u00e9thodologiques les plus critiques de la recherche quantitative contemporaine, particuli\u00e8rement dans les sciences du comportement, la psychiatrie biologique et la psychom\u00e9trie<\/a>. La validit\u00e9 des conclusions inf\u00e9rentielles repose presque invariablement sur le respect d’hypoth\u00e8ses distributionnelles sous-jacentes. Parmi ces hypoth\u00e8ses, la normalit\u00e9 univari\u00e9e occupe une position h\u00e9g\u00e9monique, conditionnant la l\u00e9gitimit\u00e9 des tests param\u00e9triques traditionnels tels que les analyses de variance, les mod\u00e8les de r\u00e9gression lin\u00e9aire ou encore la mod\u00e9lisation par \u00e9quations structurelles. Ignorer la distribution r\u00e9elle d’un score psychologique ou d’une mesure neurobiologique expose le chercheur \u00e0 des distorsions majeures du taux d’erreur de premi\u00e8re esp\u00e8ce, \u00e0 des compressions artificielles de la puissance statistique et, in fine, \u00e0 des interpr\u00e9tations cliniques erron\u00e9es susceptibles de compromettre la reproductibilit\u00e9 des r\u00e9sultats scientifiques.<\/p>\n

Face \u00e0 cet enjeu \u00e9pist\u00e9mologique, la bo\u00eete \u00e0 outils du statisticien propose une vari\u00e9t\u00e9 d’\u00e9preuves d’ad\u00e9quation, commun\u00e9ment d\u00e9sign\u00e9es sous l’appellation de tests de conformit\u00e9 distributionnelle (goodness-of-fit tests<\/em>). Si le test de Shapiro-Wilk et celui de Kolmogorov-Smirnov demeurent historiquement les plus enseign\u00e9s et appliqu\u00e9s dans les cursus universitaires de sciences humaines, ils pr\u00e9sentent des vuln\u00e9rabilit\u00e9s document\u00e9es, notamment lorsqu’il s’agit d’inspecter le comportement des donn\u00e9es aux extr\u00eames du spectre empirique. C’est pr\u00e9cis\u00e9ment pour rem\u00e9dier aux faiblesses structurelles des tests fond\u00e9s sur la distance maximale que le test d’Anderson-Darling a \u00e9t\u00e9 conceptualis\u00e9. En accordant une pond\u00e9ration diff\u00e9rentielle et cibl\u00e9e aux queues de distribution, ce test fournit une sensibilit\u00e9 sans \u00e9gale aux d\u00e9viations p\u00e9riph\u00e9riques, l\u00e0 o\u00f9 se manifestent fr\u00e9quemment les ph\u00e9nom\u00e8nes psychopathologiques, les r\u00e9ponses atypiques ou les effets de bordure inh\u00e9rents aux instruments d’\u00e9valuation psychologique standardis\u00e9s.<\/p>\n

L’environnement statistique R s’est impos\u00e9 au fil des d\u00e9cennies comme la plateforme de pr\u00e9dilection pour l’analyse computationnelle reproductible. Gr\u00e2ce \u00e0 son \u00e9cosyst\u00e8me modulaire et \u00e0 sa flexibilit\u00e9 algorithmique, R permet non seulement d’ex\u00e9cuter le test d’Anderson-Darling avec une grande rigueur math\u00e9matique, mais \u00e9galement d’int\u00e9grer ce diagnostic au sein d’une cha\u00eene de traitement des donn\u00e9es moderne, fluide et ouverte. Le pr\u00e9sent guide propose une exploration exhaustive, th\u00e9orique et appliqu\u00e9e, de la conduite du test d’Anderson-Darling sous R. Du formalisme math\u00e9matique sous-tendant la statistique de d\u00e9cision jusqu’aux protocoles de rem\u00e9diation en cas de violation av\u00e9r\u00e9e de la normalit\u00e9, cet article offre aux chercheurs, cliniciens et analystes de donn\u00e9es les fondations m\u00e9thodologiques n\u00e9cessaires pour auditer leurs jeux de donn\u00e9es avec une pr\u00e9cision chirurgicale.<\/p>\n

1. Introduction aux tests d’ad\u00e9quation et au test d’Anderson-Darling en psychom\u00e9trie<\/h2>\n

1.1 Origine th\u00e9orique et \u00e9volution du test d’ad\u00e9quation<\/h3>\n

L’histoire de la statistique math\u00e9matique au cours du vingti\u00e8me si\u00e8cle est marqu\u00e9e par une qu\u00eate constante d’optimisation de la puissance des tests de conformit\u00e9 distributionnelle. En 1952, les statisticiens Theodore W. Anderson et Donald A. Darling<\/a> ont publi\u00e9 dans les Annals of Mathematical Statistics<\/em> un article fondateur introduisant une modification substantielle du crit\u00e8re classique de Cram\u00e9r-von Mises. Alors que ce dernier calculait l’int\u00e9grale quadratique de l’\u00e9cart entre la fonction de r\u00e9partition empirique et la fonction de r\u00e9partition th\u00e9orique vis\u00e9e, il traitait l’ensemble du support distributionnel avec une \u00e9gale pond\u00e9ration, conf\u00e9rant de facto une importance d\u00e9mesur\u00e9e au centre de la distribution au d\u00e9triment des zones marginales.<\/p>\n

Anderson et Darling ont d\u00e9montr\u00e9 que les \u00e9carts situ\u00e9s dans les queues de distribution poss\u00e9daient une variance asymptotique intrins\u00e8quement plus faible, ce qui rendait leur d\u00e9tection particuli\u00e8rement malais\u00e9e avec les m\u00e9triques non pond\u00e9r\u00e9es. En introduisant une fonction de pond\u00e9ration proportionnelle \u00e0 l’inverse de la variance th\u00e9orique des quantiles extr\u00eames, ils ont cr\u00e9\u00e9 un estimateur quadratique capable de r\u00e9v\u00e9ler des anomalies locales souvent invisibles pour d’autres \u00e9preuves statistiques. Dans le champ de l’\u00e9valuation psychologique et de la recherche comportementale, cette avanc\u00e9e th\u00e9orique s’est av\u00e9r\u00e9e r\u00e9volutionnaire. Les mesures psychom\u00e9triques se caract\u00e9risent en effet fr\u00e9quemment par des ph\u00e9nom\u00e8nes d’asym\u00e9trie ou d’aplatissement atypiques induits par des seuils de sensibilit\u00e9 clinique ou des limitations instrumentales, rendant l’emploi d’un test hautement sensible aux extr\u00e9mit\u00e9s absolument indispensable.<\/p>\n

L’\u00e9volution computationnelle ult\u00e9rieure, port\u00e9e notamment par les travaux de Michael A. Stephens dans les ann\u00e9es 1970 et 1980, a permis d’adapter la statistique originale aux cas o\u00f9 les param\u00e8tres de la distribution cible (typiquement la moyenne et la variance d’une loi normale) ne sont pas postul\u00e9s a priori<\/em> mais doivent \u00eatre estim\u00e9s directement \u00e0 partir des donn\u00e9es de l’\u00e9chantillon. Cette modification structurelle a consacr\u00e9 le test d’Anderson-Darling comme l’un des outils les plus performants de l’analyse exploratoire et confirmatoire moderne.<\/p>\n

1.2 R\u00f4le de la normalit\u00e9 dans la mod\u00e9lisation psychologique<\/h3>\n

Au sein des sciences psychologiques, l’hypoth\u00e8se de normalit\u00e9 ne rel\u00e8ve pas d’une simple commodit\u00e9 math\u00e9matique, mais participe d’une conception th\u00e9orique fondamentale de la mesure des attributs humains. La plupart des mod\u00e8les psychom\u00e9triques classiques, issus des travaux de Francis Galton, Charles Spearman et Louis Leon Thurstone, postulent que les traits latents sous-jacents aux comportements observables \u2014 qu’il s’agisse des aptitudes cognitives g\u00e9n\u00e9rales, des dimensions de la personnalit\u00e9 ou des tendances affectives \u2014 se distribuent de mani\u00e8re continue et gaussienne au sein des populations de r\u00e9f\u00e9rence. Cette hypoth\u00e8se repose \u00e9pist\u00e9mologiquement sur le th\u00e9or\u00e8me central limite<\/a>, concevant la performance ou le trait mesur\u00e9 comme la r\u00e9sultante sommative d’une multitude de facteurs g\u00e9n\u00e9tiques, neurobiologiques et environnementaux ind\u00e9pendants exer\u00e7ant chacun des effets infinit\u00e9simaux.<\/p>\n

Toutefois, le passage du trait latent abstrait au score composite observ\u00e9, obtenu via l’agr\u00e9gation d’items sur une \u00e9chelle de type Likert ou un temps de r\u00e9action chronom\u00e9trique, introduit in\u00e9vitablement des distorsions distributionnelles. Lorsque l’hypoth\u00e8se de normalit\u00e9 univari\u00e9e est enfreinte, les postulats fondamentaux de la th\u00e9orie classique des tests sont menac\u00e9s. L’erreur standard de mesure (SEM), qui sert \u00e0 d\u00e9finir les intervalles de confiance entourant le score observ\u00e9 d’un patient ou d’un sujet exp\u00e9rimental, suppose l’homosc\u00e9dasticit\u00e9 et la sym\u00e9trie de la distribution des erreurs. Une d\u00e9viation marqu\u00e9e par rapport \u00e0 la loi normale g\u00e9n\u00e8re une instabilit\u00e9 des erreurs standardis\u00e9es, compromettant directement la validit\u00e9 diagnostique et augmentant le risque d’attribuer une signification clinique fallacieuse \u00e0 des variations relevant du simple bruit m\u00e9trologique.<\/p>\n

La validation formelle de l’ad\u00e9quation d’un \u00e9chantillon \u00e0 la loi gaussienne constitue ainsi un pr\u00e9alable m\u00e9thodologique non n\u00e9gociable. Avant de proc\u00e9der \u00e0 des mod\u00e9lisations causales, des analyses factorielles confirmatoires ou des comparaisons de moyennes intergroupes, le psychom\u00e8tre doit s’assurer que les propri\u00e9t\u00e9s distributionnelles des variables observ\u00e9es n’invalident pas les m\u00e9canismes d’inf\u00e9rence probabiliste d\u00e9ploy\u00e9s dans ses mod\u00e8les math\u00e9matiques.<\/p>\n

1.3 Positionnement m\u00e9thodologique dans le logiciel R<\/h3>\n

L’environnement open-source de calcul statistique R repr\u00e9sente aujourd’hui le v\u00e9hicule privil\u00e9gi\u00e9 pour impl\u00e9menter ces protocoles diagnostiques avanc\u00e9s. Contrairement aux interfaces de traitement de donn\u00e9es monolithiques et propri\u00e9taires qui restreignent fr\u00e9quemment l’utilisateur \u00e0 une sortie standardis\u00e9e et souvent opaque, R offre une modularit\u00e9 totale. Son architecture repose sur une s\u00e9paration claire entre les fonctions du noyau math\u00e9matique et les biblioth\u00e8ques sp\u00e9cialis\u00e9es d\u00e9velopp\u00e9es et maintenues par la communaut\u00e9 scientifique mondiale sur le Comprehensive R Archive Network (CRAN).<\/p>\n

Cette approche modulaire permet d’aborder l’ad\u00e9quation distributionnelle non pas comme une proc\u00e9dure isol\u00e9e que l’on coche machinalement dans un menu d\u00e9roulant, mais comme une composante int\u00e9gr\u00e9e d’un pipeline d’analyse de donn\u00e9es reproductible. L’int\u00e9gration de scripts rigoureux garantit que chaque \u00e9tape \u2014 du chargement des donn\u00e9es brutes au calcul des p-valeurs exactes d’Anderson-Darling en passant par le trac\u00e9 des diagrammes diagnostiques \u2014 peut \u00eatre r\u00e9ex\u00e9cut\u00e9e, audit\u00e9e et partag\u00e9e selon les normes strictes de la science ouverte (Open Science Framework<\/em>). La souplesse de R permet \u00e9galement d’automatiser ces v\u00e9rifications sur des dizaines de sous-\u00e9chelles psychom\u00e9triques simultan\u00e9ment, r\u00e9duisant consid\u00e9rablement l’erreur humaine tout en \u00e9levant le standard de rigueur de la recherche en psychologie quantitative.<\/p>\n

2. Fondements math\u00e9matiques et statistiques de la statistique d’Anderson-Darling<\/h2>\n

2.1 Formulation math\u00e9matique de la statistique A\u00b2<\/h3>\n

La m\u00e9canique interne du test d’Anderson-Darling s’articule autour d’une quantification rigoureuse de la divergence entre la fonction de r\u00e9partition th\u00e9orique postul\u00e9e, not\u00e9e F(x), et la fonction de r\u00e9partition empirique, not\u00e9e Fn<\/sub>(x), construite \u00e0 partir d’un \u00e9chantillon de taille n. Formellement, la statistique g\u00e9n\u00e9rale d’Anderson-Darling, traditionnellement d\u00e9sign\u00e9e par le symbole A\u00b2, s’exprime sous la forme d’une int\u00e9grale quadratique pond\u00e9r\u00e9e d\u00e9finie sur l’ensemble du support r\u00e9el des observations :<\/p>\n

L’\u00e9quation ma\u00eetresse s’\u00e9crit : A\u00b2 = n \u222b [Fn<\/sub>(x) – F(x)]\u00b2 \u00b7 \u03c8(x) dF(x), o\u00f9 les bornes de l’int\u00e9grale s’\u00e9tendent de moins l’infini \u00e0 plus l’infini. La fonction de pond\u00e9ration sp\u00e9cifique con\u00e7ue par Anderson et Darling est d\u00e9finie par \u03c8(x) = 1 \/ [F(x) \u00b7 (1 – F(x))]. Cette forme analytique est d\u00e9cisive : lorsque x s’\u00e9loigne de la m\u00e9diane pour s’approcher des queues inf\u00e9rieure (o\u00f9 F(x) tend vers 0) ou sup\u00e9rieure (o\u00f9 F(x) tend vers 1), le d\u00e9nominateur de \u03c8(x) d\u00e9cro\u00eet dramatiquement vers z\u00e9ro. En cons\u00e9quence, la fonction de pond\u00e9ration tend vers l’infini aux extr\u00e9mit\u00e9s, conf\u00e9rant un poids math\u00e9matique disproportionn\u00e9 mais statistiquement optimal aux \u00e9carts p\u00e9riph\u00e9riques.<\/p>\n

D’un point de vue computationnel, le calcul d’une int\u00e9grale continue sur des donn\u00e9es discr\u00e8tes n\u00e9cessiterait des approximations num\u00e9riques co\u00fbteuses. Anderson et Darling ont donc d\u00e9riv\u00e9 une formule alg\u00e9brique exacte pour un \u00e9chantillon pr\u00e9alablement ordonn\u00e9 de valeurs x(1)<\/sub> \u2264 x(2)<\/sub> \u2264 … \u2264 x(n)<\/sub>. Pour une variable standardis\u00e9e z(i)<\/sub> = (x(i)<\/sub> – \u03bc) \/ \u03c3 et sa probabilit\u00e9 cumul\u00e9e th\u00e9orique p(i)<\/sub> = \u03a6(z(i)<\/sub>), la formule algorithmique op\u00e9rationnelle s’\u00e9nonce comme suit :<\/p>\n

A\u00b2 = -n – (1\/n) \u00b7 \u2211 [ (2i – 1) \u00b7 ln(p(i)<\/sub>) + (2(n – i) + 1) \u00b7 ln(1 – p(i)<\/sub>) ], o\u00f9 la sommation s’ex\u00e9cute pour l’indice i allant de 1 jusqu’\u00e0 n. Lorsque les param\u00e8tres de localisation (moyenne) et d’\u00e9chelle (\u00e9cart-type) ne sont pas fix\u00e9s a priori<\/em> mais estim\u00e9s par la moyenne empirique et l’\u00e9cart-type de l’\u00e9chantillon, la statistique A\u00b2 fait l’objet d’une correction sp\u00e9cifique pour petits \u00e9chantillons afin d’ajuster son comportement asymptotique : A*\u00b2 = A\u00b2 \u00b7 (1 + 0.75\/n + 2.25\/n\u00b2).<\/p>\n

2.2 Syst\u00e8me d’hypoth\u00e8ses et r\u00e8gle de d\u00e9cision<\/h3>\n

Le test d’Anderson-Darling est structur\u00e9 autour d’un syst\u00e8me d’hypoth\u00e8ses statistiques classique d’ad\u00e9quation distributionnelle. L’hypoth\u00e8se nulle, formellement not\u00e9e H0, stipule que l’\u00e9chantillon continu observ\u00e9 provient d’une population parente distribu\u00e9e selon la loi normale th\u00e9orique N(\u03bc, \u03c3\u00b2), o\u00f9 les param\u00e8tres de moyenne et de variance peuvent \u00eatre connus ou inconnus. Sous H0, tout \u00e9cart observ\u00e9 entre la courbe empirique et la courbe th\u00e9orique est strictement imputable aux fluctuations d’\u00e9chantillonnage stochastiques inh\u00e9rentes \u00e0 la taille finie de l’\u00e9chantillon n.<\/p>\n

\u00c0 l’inverse, l’hypoth\u00e8se alternative, not\u00e9e H1, affirme que la loi sous-jacente ayant g\u00e9n\u00e9r\u00e9 les donn\u00e9es d\u00e9vie significativement de la fonction de r\u00e9partition normale. Cette d\u00e9viation peut prendre des formes multiples : une asym\u00e9trie unilat\u00e9rale prononc\u00e9e, une bimodalit\u00e9 latente, une troncature due \u00e0 des limitations d’\u00e9chelle, ou encore des queues anormalement \u00e9paisses ou courtes. Contrairement aux tests bilat\u00e9raux courants portant sur des param\u00e8tres ponctuels, le test d’Anderson-Darling est intrins\u00e8quement unilat\u00e9ral sup\u00e9rieur concernant sa statistique de test : seule une valeur exceptionnellement \u00e9lev\u00e9e de A\u00b2 t\u00e9moigne d’une divergence empirique majeure et conduit au rejet de l’hypoth\u00e8se de normalit\u00e9.<\/p>\n

La r\u00e8gle de d\u00e9cision repose sur le calcul de la p-valeur associ\u00e9e \u00e0 la valeur empirique A*\u00b2. Les distributions nulles de A*\u00b2 ne suivant pas une loi analytique simple ferm\u00e9e, les logiciels modernes recourent \u00e0 des \u00e9quations polynomiales d’approximation empirique hautement pr\u00e9cises, calibr\u00e9es par des simulations de Monte-Carlo massives (notamment les tables interpol\u00e9es de Stephens). Si la p-valeur ainsi estim\u00e9e est inf\u00e9rieure ou \u00e9gale au seuil de significativit\u00e9 nominal \u03b1 conventionnellement fix\u00e9 (typiquement \u03b1 = 0,05 ou \u03b1 = 0,01), le statisticien rejette formellement H0 et conclut \u00e0 la non-normalit\u00e9 de la distribution \u00e9tudi\u00e9e, avec un risque contr\u00f4l\u00e9 de commettre une erreur de premi\u00e8re esp\u00e8ce.<\/p>\n

2.3 Sensibilit\u00e9 compar\u00e9e aux queues de distribution<\/h3>\n

La sup\u00e9riorit\u00e9 m\u00e9thodologique du test d’Anderson-Darling r\u00e9side dans son comportement vis-\u00e0-vis des moments statistiques d’ordre sup\u00e9rieur : l’asym\u00e9trie (troisi\u00e8me moment standardis\u00e9 ou skewness<\/em>) et l’aplatissement (quatri\u00e8me moment standardis\u00e9 ou kurtosis<\/em>). De nombreuses distributions psychologiques r\u00e9elles pr\u00e9sentent une sym\u00e9trie centrale apparente tout en affichant un kurtosis d’exc\u00e8s substantiel, qualifi\u00e9 de leptokurticit\u00e9 lorsque les queues sont plus \u00e9paisses que celles d’une loi normale, ou de platykurticit\u00e9 lorsqu’elles sont plus fines ou tronqu\u00e9es.<\/p>\n

Dans une distribution leptokurtique, une proportion anormale d’observations se concentre tr\u00e8s loin de la moyenne centrale. Le test de Kolmogorov-Smirnov, dont la statistique repose exclusivement sur la borne sup\u00e9rieure D = sup |Fn<\/sub>(x) – F(x)|, enregistre g\u00e9n\u00e9ralement son \u00e9cart maximal au voisinage de la m\u00e9diane ou des points d’inflexion de la courbe en cloche, restant quasi insensible aux l\u00e9gers d\u00e9calages probabilistes intervenant au-del\u00e0 de deux ou trois \u00e9carts-types. Le test d’Anderson-Darling, gr\u00e2ce \u00e0 son facteur de division [F(x)\u00b7(1-F(x))], amplifie l’impact de chaque observation situ\u00e9e dans ces r\u00e9gions distales. Une seule observation extr\u00eame non prise en compte par le mod\u00e8le gaussien produira une augmentation drastique du terme logarithmique ln(1 – p(i)<\/sub>) ou ln(p(i)<\/sub>), entra\u00eenant une \u00e9l\u00e9vation imm\u00e9diate de la statistique A\u00b2.<\/p>\n

Cette propri\u00e9t\u00e9 math\u00e9matique fait d’Anderson-Darling l’outil par excellence pour diagnostiquer les distorsions rencontr\u00e9es dans les populations cliniques. Dans l’\u00e9tude des pathologies d\u00e9pressives majeures ou des troubles anxieux g\u00e9n\u00e9ralis\u00e9s, les scores des \u00e9chelles psychom\u00e9triques manifestent fr\u00e9quemment un effet de plancher massif au sein des populations t\u00e9moins et une queue d’\u00e9talement leptokurtique s\u00e9v\u00e8re chez les sujets symptomatiques. Le test d’Anderson-Darling identifie ces distorsions avec une acuit\u00e9 statistique inaccessible aux m\u00e9thodes concurrentes non pond\u00e9r\u00e9es.<\/p>\n

3. L’importance de l’hypoth\u00e8se de normalit\u00e9 dans la recherche psychologique<\/h2>\n

3.1 Pr\u00e9suppos\u00e9s des analyses univari\u00e9es et bivari\u00e9es<\/h3>\n

L’\u00e9chafaudage statistique sur lequel s’appuie l’immense majorit\u00e9 des publications empiriques en psychologie et en neurosciences cognitives repose sur la famille des tests param\u00e9triques de premi\u00e8re g\u00e9n\u00e9ration. Le test t de Student pour \u00e9chantillons ind\u00e9pendants ou appari\u00e9s, par exemple, formalise le rapport entre la diff\u00e9rence de deux moyennes observ\u00e9es et l’erreur standard de cette diff\u00e9rence. Ce ratio n’adopte formellement une distribution th\u00e9orique t de Student sous l’hypoth\u00e8se nulle que si les populations parentes d’o\u00f9 sont extraits les \u00e9chantillons suivent une loi normale, ou si les r\u00e9sidus du mod\u00e8le manifestent une ad\u00e9quation parfaite \u00e0 la gaussianit\u00e9.<\/p>\n

Il en va de m\u00eame pour l’analyse de variance univari\u00e9e (ANOVA) et multivari\u00e9e (MANOVA). Bien que le test F de Fisher-Snedecor soit r\u00e9put\u00e9 b\u00e9n\u00e9ficier d’une certaine robustesse face \u00e0 des entorses mod\u00e9r\u00e9es de la normalit\u00e9 \u2014 en vertu des propri\u00e9t\u00e9s stabilisatrices du th\u00e9or\u00e8me central limite lorsque la taille totale d’\u00e9chantillon est substantielle et les effectifs cellulaires \u00e9quilibr\u00e9s \u2014, cette robustesse s’effondre dramatiquement en pr\u00e9sence d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 combin\u00e9e \u00e0 une asym\u00e9trie prononc\u00e9e. Les probabilit\u00e9s d’erreur de premi\u00e8re esp\u00e8ce calcul\u00e9es par les logiciels peuvent alors s’\u00e9carter drastiquement du seuil nominal de 0,05, g\u00e9n\u00e9rant une proportion alarmante de faux positifs.<\/p>\n

Au niveau bivari\u00e9, l’estimation du coefficient de corr\u00e9lation lin\u00e9aire r de Pearson postule rigoureusement la normalit\u00e9 bivari\u00e9e des deux vecteurs de scores consid\u00e9r\u00e9s. Une violation univari\u00e9e chez l’une ou l’autre des variables d\u00e9truit de facto la normalit\u00e9 conjointe. L’apparition de valeurs aberrantes en queue de distribution peut soit fabriquer artificiellement une corr\u00e9lation fallacieuse l\u00e0 o\u00f9 r\u00e8gne une ind\u00e9pendance stochastique totale, soit masquer une relation fonctionnelle forte mais non gaussienne. Auditer l’ad\u00e9quation d’Anderson-Darling sur chaque variable continue pr\u00e9alablement \u00e0 toute analyse corr\u00e9lationnelle constitue le seul rempart m\u00e9thodologique contre ces artefacts d’interpr\u00e9tation.<\/p>\n

3.2 Implications pour les mod\u00e8les de r\u00e9gression et mod\u00e8les lin\u00e9aires g\u00e9n\u00e9raux<\/h3>\n

L’extension des analyses univari\u00e9es vers la r\u00e9gression lin\u00e9aire multiple et les mod\u00e8les lin\u00e9aires g\u00e9n\u00e9raux (GLM) d\u00e9place l’exigence de normalit\u00e9 des variables brutes observ\u00e9es vers la composante stochastique du mod\u00e8le : les r\u00e9sidus d’estimation. Dans un mod\u00e8le lin\u00e9aire de la forme Y = X\u03b2 + \u03b5, les th\u00e9or\u00e8mes fondamentaux de Gauss-Markov d\u00e9montrent que les estimateurs des moindres carr\u00e9s ordinaires (MCO) sont les meilleurs estimateurs lin\u00e9aires sans biais (BLUE) m\u00eame en l’absence de normalit\u00e9 des erreurs. Cependant, l’inf\u00e9rence statistique valide \u2014 incluant le calcul exact des erreurs-types des coefficients de r\u00e9gression, les tests t associ\u00e9s aux param\u00e8tres partiels et la construction des intervalles de confiance \u00e0 95 % \u2014 exige express\u00e9ment que le terme d’erreur \u03b5 soit distribu\u00e9 selon une loi normale i.i.d. N(0, \u03c3\u00b2).<\/p>\n

Lorsque les r\u00e9sidus manifestent des queues lourdes ou une asym\u00e9trie non corrig\u00e9e d\u00e9celable au test d’Anderson-Darling, la variance asymptotique des coefficients estim\u00e9s est syst\u00e9matiquement sous-\u00e9valu\u00e9e ou sur\u00e9valu\u00e9e par les algorithmes standards. Il en r\u00e9sulte que les tests de significativit\u00e9 des pr\u00e9dicteurs comportementaux perdent leur calibrage nominal. Les intervalles de confiance calcul\u00e9s par les m\u00e9thodes traditionnelles fournissent alors une couverture probabiliste erron\u00e9e, tombant souvent bien en de\u00e7\u00e0 des 95 % attendus. Bien que le recours au r\u00e9\u00e9chantillonnage par bootstrapping offre une voie de contournement reconnue, identifier pr\u00e9cis\u00e9ment la nature de la non-normalit\u00e9 r\u00e9siduelle via la statistique A\u00b2 demeure imp\u00e9ratif pour d\u00e9cider si une transformation de variable ou une r\u00e9gression robuste s’impose.<\/p>\n

3.3 Enjeux en psychom\u00e9trie et th\u00e9ories de la mesure<\/h3>\n

Dans le domaine de l’ing\u00e9nierie des tests psychologiques et des \u00e9chelles d’\u00e9valuation neuropsychologique, la normalit\u00e9 conditionne la comparabilit\u00e9 des profils individuels et l’\u00e9tablissement des normes d’\u00e9talonnage. La standardisation d’un score brut en scores d\u00e9riv\u00e9s \u2014 qu’il s’agisse des classiques scores Z (de moyenne 0 et d’\u00e9cart-type 1), des scores T (de moyenne 50 et d’\u00e9cart-type 10), ou des stanines \u2014 op\u00e8re par le biais d’une transformation lin\u00e9aire qui pr\u00e9serve strictement la forme g\u00e9om\u00e9trique de la distribution originale. Si le score brut d’un inventaire d’estime de soi ou d’anxi\u00e9t\u00e9 clinique n’est pas normalement distribu\u00e9 dans la population de r\u00e9f\u00e9rence, attribuer un percentile sur la base d’une table th\u00e9orique gaussienne constitue une faute m\u00e9trologique grave.<\/p>\n

Dans le cadre de la th\u00e9orie classique des tests (TCT), la d\u00e9composition du score observ\u00e9 X en un score vrai T et une composante d’erreur al\u00e9atoire E (X = T + E) s’accompagne du postulat formel selon lequel l’erreur de mesure E suit une loi normale centr\u00e9e en z\u00e9ro. Ce postulat garantit que la probabilit\u00e9 d’observer une d\u00e9viation d’une amplitude donn\u00e9e d\u00e9cro\u00eet exponentiellement avec son \u00e9loignement. Si cette distribution d’erreur pr\u00e9sente une leptokurticit\u00e9 r\u00e9siduelle mise en \u00e9vidence par un test d’Anderson-Darling sur les scores diff\u00e9rentiels ou les r\u00e9sidus d’ajustement, les indices de fid\u00e9lit\u00e9 tels que le coefficient alpha de Cronbach ou le coefficient om\u00e9ga de McDonald voient leurs hypoth\u00e8ses de validit\u00e9 compromises.<\/p>\n

Enfin, lors des processus d’adaptation transculturelle d’instruments psychom\u00e9triques, la v\u00e9rification de l’\u00e9quivalence distributionnelle entre la population d’origine et la population cible n\u00e9cessite un examen approfondi de la normalit\u00e9 au sein de chaque groupe linguistique. Une diff\u00e9rence d’ad\u00e9quation distributionnelle peut r\u00e9v\u00e9ler des biais d’items diff\u00e9rentiels, des incompr\u00e9hensions s\u00e9mantiques ou des variations culturelles profondes dans l’utilisation des extr\u00eames des \u00e9chelles d’auto-\u00e9valuation.<\/p>\n

4. Pr\u00e9paration de l’environnement de travail dans le logiciel R<\/h2>\n

4.1 Installation et chargement des packages requis<\/h3>\n

Pour mettre en \u0153uvre le test d’Anderson-Darling avec l’ensemble des corrections d’\u00e9chantillonnage requises, l’installation de biblioth\u00e8ques sp\u00e9cialis\u00e9es h\u00e9berg\u00e9es sur le CRAN<\/a> s’av\u00e8re n\u00e9cessaire. Le moteur de base de R fournit nativement la fonction de Shapiro-Wilk (shapiro.test<\/code>) et celle de Kolmogorov-Smirnov (ks.test<\/code>), mais ne dispose pas d’impl\u00e9mentation directe d’Anderson-Darling int\u00e9grant l’estimation des param\u00e8tres inconnus de la loi normale. La r\u00e9f\u00e9rence mondiale absolue pour combler cette lacune est le package nortest<\/code>, d\u00e9velopp\u00e9 sp\u00e9cifiquement pour rassembler les tests de normalit\u00e9 avanc\u00e9s d\u00e9riv\u00e9s de la fonction de r\u00e9partition empirique.<\/p>\n

L’installation s’effectue via l’interpr\u00e9teur de commandes \u00e0 l’aide de l’instruction canonique install.packages(\"nortest\")<\/code>. Il est vivement recommand\u00e9 d’adjoindre \u00e0 cette biblioth\u00e8que un ensemble de packages m\u00e9thodologiquement compl\u00e9mentaires : le m\u00e9tapackage tidyverse<\/code> pour la manipulation et la restructuration fluide des matrices de donn\u00e9es avec dplyr<\/code> et tidyr<\/code>, le package psych<\/code> d\u00e9velopp\u00e9 par William Revelle pour le calcul des indicateurs descriptifs multivari\u00e9s, et le package car<\/code> (Companion to Applied Regression<\/em>) de John Fox pour la g\u00e9n\u00e9ration de graphiques quantile-quantile enrichis d’enveloppes de confiance param\u00e9triques et bootstrapp\u00e9es.<\/p>\n

Le chargement s\u00e9quentiel au d\u00e9but de la session de travail s’ex\u00e9cute selon les instructions suivantes :<\/p>\n

library(nortest)<\/code>
\nlibrary(tidyverse)<\/code>
\nlibrary(psych)<\/code>
\nlibrary(car)<\/code><\/p>\n

L’ex\u00e9cution conjointe de ces environnements garantit que l’analyste dispose de l’ensemble des fonctions analytiques, diagnostiques et graphiques requises pour mener \u00e0 bien un audit distributionnel complet et conforme aux standards acad\u00e9miques contemporains.<\/p>\n

4.2 Configuration des options de reproductibilit\u00e9<\/h3>\n

La recherche psychologique contemporaine accorde une importance primordiale \u00e0 la reproductibilit\u00e9 stricte des calculs computationnels. Toute simulation de Monte-Carlo, tout partitionnement d’\u00e9chantillon et toute proc\u00e9dure d’estimation impliquant une composante pseudo-al\u00e9atoire doivent \u00eatre rigoureusement document\u00e9s. Bien que le calcul de la statistique d’Anderson-Darling sur un vecteur empirique statique soit enti\u00e8rement d\u00e9terministe, les proc\u00e9dures de diagnostic compl\u00e9mentaire \u2014 comme l’estimation de p-valeurs bootstrapp\u00e9es ou la simulation de distributions gaussiennes de r\u00e9f\u00e9rence pour la comparaison graphique \u2014 d\u00e9pendent du g\u00e9n\u00e9rateur de nombres pseudo-al\u00e9atoires de R.<\/p>\n

Il est donc imp\u00e9ratif d’initialiser syst\u00e9matiquement la graine de g\u00e9n\u00e9ration au sommet de chaque script R au moyen de l’instruction set.seed()<\/code>, en utilisant un entier fixe, par exemple set.seed(42)<\/code> ou set.seed(12345)<\/code>. Par ailleurs, pour pr\u00e9venir les erreurs de lecture et les confusions d’arrondi lors de l’examen des p-valeurs infinit\u00e9simales g\u00e9n\u00e9r\u00e9es par le test d’Anderson-Darling sur de tr\u00e8s larges \u00e9chantillons, il convient de calibrer les options globales d’affichage num\u00e9rique de R. L’ajustement du nombre de d\u00e9cimales affich\u00e9es et la modulation de la notation scientifique s’effectuent au moyen de la directive :<\/p>\n

options(digits = 5, scipen = 999)<\/code><\/p>\n

Ce param\u00e9trage force R \u00e0 pr\u00e9senter les p-valeurs sous une notation d\u00e9cimale conventionnelle plut\u00f4t qu’exponentielle (\u00e9vitant des repr\u00e9sentations cryptiques du type 2.34e-05), facilitant grandement la transcription imm\u00e9diate des m\u00e9triques vers les manuscrits scientifiques sans risque d’erreur humaine de transcription.<\/p>\n

4.3 Nettoyage et structuration pr\u00e9liminaire des donn\u00e9es<\/h3>\n

L’ex\u00e9cution de fonctions statistiques dans R requiert une stricte ad\u00e9quation entre la structure de la structure de donn\u00e9es (data frame<\/em> ou tibble<\/em>) et les exigences algorithmiques des fonctions cibles. La fonction ad.test()<\/code> du package nortest<\/code> exige imp\u00e9rativement un vecteur num\u00e9rique continu \u00e0 une dimension. Tenter d’injecter une colonne mal typ\u00e9e \u2014 par exemple une variable num\u00e9rique import\u00e9e accidentellement sous forme de cha\u00eene de caract\u00e8res (character<\/em>) ou de variable cat\u00e9gorielle ordonn\u00e9e (factor<\/em>) en raison de la pr\u00e9sence d’espaces invisibles ou de s\u00e9parateurs d\u00e9cimaux francophones (virgules au lieu de points) \u2014 g\u00e9n\u00e8re une interruption fatale de l’algorithme.<\/p>\n

Le protocole pr\u00e9paratoire d\u00e9bute donc syst\u00e9matiquement par l’audit typologique des colonnes cibles via la fonction str()<\/code> ou la m\u00e9thode moderne dplyr::glimpse()<\/code>. Toute conversion requise s’ex\u00e9cutera via as.numeric()<\/code>. L’autre \u00e9cueil majeur concerne la pr\u00e9sence de donn\u00e9es manquantes, encod\u00e9es sous forme de valeurs NA<\/code>. Par d\u00e9faut, la plupart des fonctions statistiques sous R refusent de calculer une statistique sur un vecteur corrompu par des absences partielles de r\u00e9ponse. Pour neutraliser ce probl\u00e8me sans d\u00e9naturer la base de donn\u00e9es brute originale, il convient d’extraire la colonne psychom\u00e9trique sous forme de vecteur \u00e9pur\u00e9 en appliquant la fonction na.omit()<\/code> :<\/p>\n

vecteur_epure <- na.omit(donnees$score_anxiete)<\/code><\/p>\n

Enfin, l’int\u00e9grit\u00e9 de la structure des donn\u00e9es impose la v\u00e9rification syst\u00e9matique de l’absence de doublons d’identification de participants et l’\u00e9valuation de la longueur effective du vecteur (n \u2265 8 \u00e9tant la borne inf\u00e9rieure minimale absolue requise pour qu’Anderson-Darling fournisse une approximation algorithmique stable de la p-valeur).<\/p>\n

5. Impl\u00e9mentation pas-\u00e0-pas du test d’Anderson-Darling avec le package nortest<\/h2>\n

5.1 G\u00e9n\u00e9ration de distributions th\u00e9oriques de r\u00e9f\u00e9rence<\/h3>\n

Avant d’appliquer le test \u00e0 des mesures psychologiques complexes dont la distribution r\u00e9elle demeure incertaine, il est didactiquement et m\u00e9thodologiquement formateur de valider le comportement du test d’Anderson-Darling sur des donn\u00e9es de contr\u00f4le synth\u00e9tiques dont les propri\u00e9t\u00e9s probabilistes sont rigoureusement ma\u00eetris\u00e9es par construction math\u00e9matique. R offre pour cela des g\u00e9n\u00e9rateurs pseudo-al\u00e9atoires pour l’ensemble des lois fondamentales.<\/p>\n

Nous pouvons g\u00e9n\u00e9rer une distribution strictement gaussienne au moyen de la fonction rnorm()<\/code>, en configurant une taille d’\u00e9chantillon repr\u00e9sentative des \u00e9tudes cliniques interm\u00e9diaires (par exemple n = 150), avec une moyenne fix\u00e9e \u00e0 50 et un \u00e9cart-type de 10 :<\/p>\n

distribution_normale <- rnorm(n = 150, mean = 50, sd = 10)<\/code><\/p>\n

En miroir, g\u00e9n\u00e9rons une distribution intentionnellement asym\u00e9trique et leptokurtique, simulant le profil typique d’une variable clinique pathologique pr\u00e9sentant un effet d’agglutination vers les valeurs basses, telle que mesur\u00e9e par une distribution du Chi-carr\u00e9 \u00e0 3 degr\u00e9s de libert\u00e9, ou une loi gamma :<\/p>\n

distribution_asymetrique <- rchisq(n = 150, df = 3)<\/code><\/p>\n

Le contr\u00f4le dimensionnel et structurel de ces vecteurs au moyen des fonctions length()<\/code> et summary()<\/code> confirme imm\u00e9diatement l’ad\u00e9quation formelle des donn\u00e9es avant leur transmission \u00e0 l’algorithme d’Anderson-Darling.<\/p>\n

5.2 Ex\u00e9cution syntaxique de la fonction ad.test()<\/h3>\n

L’impl\u00e9mentation op\u00e9rationnelle du test d’Anderson-Darling au sein de la biblioth\u00e8que nortest<\/code> se distingue par une syntaxe canonique \u00e9pur\u00e9e et remarquablement intuitive :<\/p>\n

ad.test(x)<\/code><\/p>\n

Dans cette formulation, l’argument unique x<\/code> repr\u00e9sente le vecteur num\u00e9rique continu \u00e0 soumettre au test. L’ex\u00e9cution de la commande sur notre vecteur gaussien synth\u00e9tique s’articule comme suit :<\/p>\n

resultat_norm <- ad.test(distribution_normale)<\/code>
\nprint(resultat_norm)<\/code><\/p>\n

L’objet retourn\u00e9 dans l’environnement R appartient \u00e0 la classe standard htest<\/code> (hypothesis test<\/em>). Cette structure sous forme de liste contient l’ensemble des m\u00e9tadonn\u00e9es analytiques g\u00e9n\u00e9r\u00e9es par l’algorithme. L’utilisateur peut extraire programmatiquement chaque composante interne \u00e0 des fins d’automatisation : resultat_norm$statistic<\/code> isole la valeur num\u00e9rique pr\u00e9cise de A, tandis que resultat_norm$p.value<\/code> permet de r\u00e9cup\u00e9rer la p-valeur exacte.<\/p>\n

Dans le contexte d’une batterie de tests psychom\u00e9triques comportant de nombreuses sous-\u00e9chelles, il est inefficient d’ex\u00e9cuter manuellement cette syntaxe de mani\u00e8re s\u00e9quentielle pour chaque variable. La puissance de la programmation vectorielle de R permet d’automatiser l’\u00e9preuve sur un tableau de donn\u00e9es entier au moyen de la fonction sapply()<\/code> ou des verbes modernes du package purrr<\/code> :<\/p>\n

resultats_multiples <- sapply(donnees_psychometriques, ad.test)<\/code><\/p>\n

Cette approche synth\u00e9tique g\u00e9n\u00e8re une matrice structur\u00e9e r\u00e9capitulant les statistiques de test et les p-valeurs associ\u00e9es \u00e0 l’ensemble du profil \u00e9valu\u00e9 en une seule op\u00e9ration computationnelle.<\/p>\n

5.3 Structure et lecture de la sortie R<\/h3>\n

L’affichage de l’objet htest<\/code> produit dans la console R adopte une mise en forme standardis\u00e9e hautement lisible. La sortie se d\u00e9compose en trois \u00e9l\u00e9ments informatifs primordiaux :<\/p>\n

1. Le titre explicite du test : Anderson-Darling normality test<\/em>.
\n2. La d\u00e9signation formelle du vecteur soumis \u00e0 l’\u00e9valuation (la ligne data:<\/code>).
\n3. La valeur de la statistique calcul\u00e9e, \u00e9tiquet\u00e9e A = ...<\/code>, accompagn\u00e9e de sa p-valeur interpol\u00e9e, not\u00e9e p-value = ...<\/code>.<\/p>\n

Sur notre \u00e9chantillon normal synth\u00e9tique, R retourne typiquement une statistique A tr\u00e8s faible (par exemple A = 0.2841<\/code>) associ\u00e9e \u00e0 une p-valeur largement sup\u00e9rieure au seuil usuel (par exemple p-value = 0.6214<\/code>). \u00c0 l’inverse, l’application de ad.test(distribution_asymetrique)<\/code> produit imm\u00e9diatement une \u00e9l\u00e9vation substantielle de la statistique d’ad\u00e9quation (par exemple A = 7.4589<\/code>) et une p-valeur infinit\u00e9simale (not\u00e9e p-value < 2.2e-16<\/code>).<\/p>\n

Il est crucial de pr\u00eater attention aux avertissements textuels (warnings<\/em>) que R peut \u00e9mettre lors de l’ex\u00e9cution. L’avertissement le plus fr\u00e9quent signale la pr\u00e9sence d’ex-aequo (ties<\/em>), c’est-\u00e0-dire de valeurs rigoureusement identiques partag\u00e9es par plusieurs observations dans l’\u00e9chantillon. Bien que le test d’Anderson-Darling soit formellement d\u00e9riv\u00e9 pour des variables continues au sens strict \u2014 pour lesquelles la probabilit\u00e9 th\u00e9orique que deux valeurs soient strictement identiques est nulle \u2014, la discr\u00e9tisation des scores en psychom\u00e9trie (notes enti\u00e8res sur des \u00e9chelles de 1 \u00e0 7) g\u00e9n\u00e8re in\u00e9vitablement des ex-aequo. Tant que le nombre d’observations uniques demeure substantiel, l’approximation de Stephens reste robuste, mais une r\u00e9p\u00e9tition massive de scores identiques alt\u00e8re la calibration de la p-valeur.<\/p>\n

6. Interpr\u00e9tation statistique et psychom\u00e9trique des r\u00e9sultats obtenus<\/h2>\n

6.1 \u00c9valuation du seuil alpha et d\u00e9cision statistique<\/h3>\n

L’inf\u00e9rence statistique issue du test d’Anderson-Darling repose sur la confrontation directe de la p-valeur observ\u00e9e au seuil d’erreur alpha pr\u00e9d\u00e9termin\u00e9 avant l’analyse des donn\u00e9es. Dans le paradigme neyman-pearsonien conventionnel, un seuil bilat\u00e9ral de \u03b1 = 0,05 est retenu par d\u00e9faut dans les sciences comportementales. Deux configurations d\u00e9cisionnelles mutuellement exclusives se pr\u00e9sentent alors \u00e0 l’analyste :<\/p>\n

Dans le premier sc\u00e9nario, la p-valeur calcul\u00e9e est strictement inf\u00e9rieure au seuil critique (p < 0,05). La d\u00e9cision m\u00e9thodologique s’impose avec nettet\u00e9 : l’analyste rejette formellement l’hypoth\u00e8se nulle H0. Il conclut que l’\u00e9chantillon de donn\u00e9es empiriques fournit une preuve statistique suffisante d’une d\u00e9viation non al\u00e9atoire par rapport \u00e0 une loi normale. Le maintien d’analyses param\u00e9triques classiques reposant sans nuance sur la normalit\u00e9 des scores bruts devient d\u00e8s lors scientifiquement injustifiable sans correctifs pr\u00e9alables.<\/p>\n

Dans le second sc\u00e9nario, la p-valeur se maintient au-dessus du seuil de significativit\u00e9 (p \u2265 0,05). La formulation \u00e9pist\u00e9mologique de la d\u00e9cision est ici d’une importance capitale : l’analyste \u00e9choue \u00e0 rejeter H0. En aucun cas cette d\u00e9cision ne doit \u00eatre interpr\u00e9t\u00e9e comme une confirmation positive ou une preuve formelle que la distribution observ\u00e9e est parfaitement gaussienne. Il s’agit simplement d’un constat d’insuffisance de preuves : la taille d’\u00e9chantillon et la configuration empirique ne permettent pas de distinguer la distribution observ\u00e9e d’un processus normal standard. Confondre \u00ab absence de preuve de non-normalit\u00e9 \u00bb avec \u00ab preuve de normalit\u00e9 \u00bb constitue un \u00e9cueil m\u00e9thodologique r\u00e9current dans la litt\u00e9rature psychologique.<\/p>\n

6.2 Sensibilit\u00e9 \u00e0 la taille de l’\u00e9chantillon (N)<\/h3>\n

L’\u00e9valuation brute de la p-valeur d’un test d’ad\u00e9quation ne peut jamais \u00eatre dissoci\u00e9e de la taille de l’\u00e9chantillon (N). Comme tout test d’hypoth\u00e8se nulle fond\u00e9 sur un crit\u00e8re asymptotique, la puissance statistique du test d’Anderson-Darling est une fonction strictement croissante de N. Cette propri\u00e9t\u00e9 introduit deux dynamiques oppos\u00e9es mais \u00e9galement p\u00e9rilleuses pour le chercheur :<\/p>\n

D’une part, dans le cadre d’\u00e9tudes \u00e9pid\u00e9miologiques massives ou de cohortes psychom\u00e9triques \u00e0 tr\u00e8s grand effectif (par exemple N > 1000 ou N > 5000), le test acquiert une \u00ab sur-puissance \u00bb statistique. Dans ces conditions, la statistique A\u00b2 d\u00e9tecte des divergences infinit\u00e9simales et triviales entre la courbe empirique et la loi gaussienne \u2014 des \u00e9carts sans aucune incidence clinique ni impact pratique sur la robustesse des tests inf\u00e9rentiels ult\u00e9rieurs \u2014, aboutissant quasi syst\u00e9matiquement \u00e0 des rejets hautement significatifs (p < 0,001). Rejeter l’utilisation d’une ANOVA ou d’un mod\u00e8le de r\u00e9gression uniquement sur la base de ce rejet automatique rel\u00e8verait d’un dogmatisme m\u00e9thodologique pr\u00e9judiciable.<\/p>\n

D’autre part, sur de petits \u00e9chantillons cliniques (N < 30 ou N < 50), fr\u00e9quents dans les recherches en neuropsychologie l\u00e9sionnelle ou en imagerie c\u00e9r\u00e9brale fonctionnelle, le test souffre d’un d\u00e9ficit marqu\u00e9 de puissance statistique. Une d\u00e9viation mod\u00e9r\u00e9e \u00e0 s\u00e9v\u00e8re par rapport \u00e0 la normalit\u00e9 peut \u00e9chouer \u00e0 franchir le seuil de rejet p < 0,05 faute d’un nombre d’observations suffisant. Le clinicien risque alors d’utiliser des tests param\u00e9triques fragiles en croyant \u00e0 tort ses donn\u00e9es normales. Pour cette raison, la d\u00e9cision statistique finale doit imp\u00e9rativement combiner la lecture de la statistique d’Anderson-Darling avec l’estimation de la taille d’effet de l’\u00e9cart (coefficients d’asym\u00e9trie et de kurtosis) et un examen visuel attentif.<\/p>\n

6.3 R\u00e9daction acad\u00e9mique des r\u00e9sultats aux normes APA<\/h3>\n

La communication transparente des diagnostics distributionnels dans les revues internationales \u00e0 comit\u00e9 de lecture doit se conformer strictement aux normes stylistiques de l’American Psychological Association<\/a> (APA 7e \u00e9dition). Selon ces directives, toute statistique inf\u00e9rentielle doit \u00eatre rapport\u00e9e avec son symbole math\u00e9matique en italique, sa valeur num\u00e9rique arrondie \u00e0 deux ou trois d\u00e9cimales, et la p-valeur exacte associ\u00e9e (sans z\u00e9ro devant la virgule d\u00e9cimale lorsque la borne sup\u00e9rieure ne peut th\u00e9oriquement pas d\u00e9passer 1).<\/p>\n

Dans la section \u00ab Analyses de donn\u00e9es \u00bb ou dans la partie pr\u00e9liminaire des \u00ab R\u00e9sultats \u00bb, la r\u00e9daction acad\u00e9mique d’un test d’Anderson-Darling concluant \u00e0 l’ad\u00e9quation distributionnelle adoptera une formulation rigoureuse :<\/p>\n

\u00ab L’ad\u00e9quation de la distribution des scores d’anxi\u00e9t\u00e9 pr\u00e9-interventionnelle \u00e0 la loi normale a \u00e9t\u00e9 v\u00e9rifi\u00e9e au moyen du test d’Anderson-Darling. Les r\u00e9sultats indiquent que les scores observ\u00e9s ne d\u00e9vient pas significativement du mod\u00e8le gaussien th\u00e9orique, A = 0,31, p = ,587. En cons\u00e9quence, l’application de mod\u00e8les param\u00e9triques lin\u00e9aires a \u00e9t\u00e9 maintenue. \u00bb<\/em><\/p>\n

\u00c0 l’inverse, si une violation s\u00e9v\u00e8re de la normalit\u00e9 est d\u00e9tect\u00e9e, le reporting acad\u00e9mique devra pr\u00e9ciser la d\u00e9cision m\u00e9thodologique cons\u00e9cutive :<\/p>\n

\u00ab L’examen de la normalit\u00e9 des temps de r\u00e9action au moyen du test d’Anderson-Darling a r\u00e9v\u00e9l\u00e9 une d\u00e9viation statistiquement significative par rapport \u00e0 la distribution normale, A = 3,84, p < ,001. En raison de cette violation distributionnelle prononc\u00e9e et de la pr\u00e9sence d’une leptokurticit\u00e9 marginale, des proc\u00e9dures de r\u00e9\u00e9chantillonnage non param\u00e9triques ont \u00e9t\u00e9 appliqu\u00e9es pour l’ensemble des inf\u00e9rences ult\u00e9rieures. \u00bb<\/em><\/p>\n

7. Diagnostic visuel compl\u00e9mentaire : QQ-plots et repr\u00e9sentations graphiques<\/h2>\n

7.1 Diagrammes quantile-quantile (Q-Q plots)<\/h3>\n

L’inf\u00e9rence statistique formelle ne doit jamais op\u00e9rer dans un vide perceptif. Le diagramme quantile-quantile normal (couramment d\u00e9sign\u00e9 sous le terme de Q-Q plot) repr\u00e9sente le compagnon visuel indispensable du test d’Anderson-Darling. Sa construction math\u00e9matique repose sur la mise en relation graphique bidimensionnelle : en abscisse figurent les quantiles th\u00e9oriques issus de la fonction de r\u00e9partition de la loi normale centr\u00e9e r\u00e9duite N(0,1), et en ordonn\u00e9e sont projet\u00e9s les quantiles empiriques standardis\u00e9s extraits directement de l’\u00e9chantillon ordonn\u00e9. Si la variable suit parfaitement une loi normale, les points forment une droite diagonale rigoureuse \u00e0 45 degr\u00e9s.<\/p>\n

En R de base, ce diagnostic s’ex\u00e9cute imm\u00e9diatement au moyen des fonctions conjointes qqnorm(vecteur)<\/code> et qqline(vecteur, col = \"red\", lwd = 2)<\/code>. Cependant, l’appr\u00e9ciation de la dispersion stochastique naturelle aux abords de la ligne de r\u00e9f\u00e9rence est souvent d\u00e9licate pour l’analyste. C’est ici qu’intervient la fonction avanc\u00e9e qqPlot()<\/code> issue du package car<\/code>. Cette fonction trace automatiquement une droite d’ajustement robuste et superpose une enveloppe de confiance \u00e0 95 % calcul\u00e9e par simulation param\u00e9trique ou bootstrapping :<\/p>\n

car::qqPlot(vecteur, id = FALSE, envelope = 0.95, main = \"Q-Q Plot avec Enveloppe de Confiance\")<\/code><\/p>\n

L’interpr\u00e9tation visuelle devient imm\u00e9diate : tant que les points empiriques restent confin\u00e9s \u00e0 l’int\u00e9rieur de l’enveloppe bleue ombr\u00e9e, les fluctuations constat\u00e9es sont compatibles avec le bruit d’\u00e9chantillonnage. D\u00e8s que les points situ\u00e9s aux extr\u00e9mit\u00e9s distales s’\u00e9chappent en dehors de l’enveloppe \u2014 formant par exemple une courbure en \u00ab S \u00bb caract\u00e9ristique d’une asym\u00e9trie ou un \u00e9talement vertical aux bords r\u00e9v\u00e9lant des queues lourdes \u2014, le chercheur dispose d’une confirmation visuelle directe des d\u00e9viations sanctionn\u00e9es num\u00e9riquement par la statistique A\u00b2 d’Anderson-Darling.<\/p>\n

7.2 Visualisation par histogrammes et densit\u00e9s avec ggplot2<\/h3>\n

Si le Q-Q plot excelle dans l’\u00e9valuation des quantiles, la repr\u00e9sentation directe de la fonction de densit\u00e9 offre une compr\u00e9hension morphologique intuitive de la distribution empirique. L’\u00e9cosyst\u00e8me graphique ggplot2<\/code> permet de superposer harmonieusement l’histogramme des fr\u00e9quences observ\u00e9es, l’estimateur de densit\u00e9 par noyau non param\u00e9trique (KDE) et la courbe th\u00e9orique de Gauss param\u00e9tr\u00e9e sur la moyenne et l’\u00e9cart-type de l’\u00e9chantillon.<\/p>\n

\"Distribution
Distribution of petal widths in iris dataset in R<\/figcaption><\/figure>\n

La s\u00e9quence de code R suivante illustre la standardisation graphique d’une telle repr\u00e9sentation \u00e0 des fins de publication :<\/p>\n

ggplot(data.frame(x = vecteur), aes(x = x)) +<\/code>
\n  geom_histogram(aes(y = after_stat(density)), bins = 25, fill = \"#2c3e50\", color = \"white\", alpha = 0.7) +<\/code>
\n  geom_density(color = \"#e74c3c\", linewidth = 1.2, linetype = \"solid\") +<\/code>
\n  stat_function(fun = dnorm, args = list(mean = mean(vecteur), sd = sd(vecteur)), color = \"#2980b9\", linewidth = 1, linetype = \"dashed\") +<\/code>
\n  theme_minimal(base_size = 14) +<\/code>
\n  labs(title = \"Morphologie Distributionnelle et Courbe Normale Ajust\u00e9e\", x = \"Score Psychom\u00e9trique Observ\u00e9\", y = \"Densit\u00e9 Probabiliste\")<\/code><\/p>\n

Cette visualisation synth\u00e9tique permet d’opposer instantan\u00e9ment la courbe th\u00e9orique bleue en tirets \u00e0 la courbe rouge empirique. Le clinicien peut ainsi rep\u00e9rer en un coup d’\u0153il une troncature survenue lors du protocole exp\u00e9rimental, une d\u00e9pression bimodale traduisant la pr\u00e9sence de sous-groupes non diagnostiqu\u00e9s, ou un \u00e9talement atypique corroborant le diagnostic du test d’Anderson-Darling.<\/p>\n

7.3 Int\u00e9gration d’indicateurs de forme distributionnelle<\/h3>\n

L’exploration distributionnelle moderne exige une convergence m\u00e9thodologique tripartite combinant le test formel d’Anderson-Darling, l’inspection visuelle et la quantification num\u00e9rique des moments d’ordre 3 et 4. La fonction describe()<\/code> du package psych<\/code> calcule automatiquement le coefficient d’asym\u00e9trie (skewness<\/em>) et le kurtosis d’exc\u00e8s (kurtosis<\/em>), en appliquant les corrections n\u00e9cessaires pour les \u00e9chantillons finis.<\/p>\n

Pour une loi normale th\u00e9orique parfaite, le coefficient d’asym\u00e9trie est strictement \u00e9gal \u00e0 z\u00e9ro, tout comme le kurtosis d’exc\u00e8s (la distribution m\u00e9sokurtique de r\u00e9f\u00e9rence ayant un kurtosis brut \u00e9gal \u00e0 3, soustrait conventionnellement de 3 dans les logiciels statistiques). Des r\u00e8gles empiriques robustes \u00e9tablies dans la litt\u00e9rature m\u00e9thodologique (notamment par Kline et West) sugg\u00e8rent que des valeurs d’asym\u00e9trie comprises entre -1 et +1, et un kurtosis d’exc\u00e8s compris entre -2 et +2, indiquent des d\u00e9viations l\u00e9g\u00e8res qui ne compromettent pas gravement la plupart des estimateurs param\u00e9triques.<\/p>\n

L’extraction de ces indicateurs sous R s’op\u00e8re facilement :<\/p>\n

stats_formes <- psych::describe(vecteur)<\/code>
\nasymetrie <- stats_formes$skew<\/code>
\naplatissement <- stats_formes$kurtosis<\/code><\/p>\n

L’articulation dialectique entre ces mesures est \u00e9clairante : un test d’Anderson-Darling tr\u00e8s significatif (p < 0,001) associ\u00e9 \u00e0 une asym\u00e9trie de 0,12 et un kurtosis d’exc\u00e8s de 0,25 au sein d’un \u00e9chantillon massif de 5 000 sujets t\u00e9moigne d’un rejet m\u00e9canique d\u00fb \u00e0 la sur-puissance, autorisant la poursuite d’analyses param\u00e9triques. En revanche, le m\u00eame r\u00e9sultat d’Anderson-Darling accompagn\u00e9 d’un kurtosis d’exc\u00e8s s’\u00e9levant \u00e0 4,80 signale une leptokurticit\u00e9 s\u00e9v\u00e8re imposant une rem\u00e9diation statistique imm\u00e9diate.<\/p>\n

8. \u00c9tude de cas empirique : Analyse de donn\u00e9es psychologiques r\u00e9elles dans R<\/h2>\n

8.1 Contexte de la recherche : \u00c9valuation de l’anxi\u00e9t\u00e9 et des performances cognitives<\/h3>\n

Afin de concr\u00e9tiser l’ensemble de ces pr\u00e9ceptes au sein d’un paradigme de recherche r\u00e9aliste, examinons une \u00e9tude empirique portant sur les r\u00e9percussions de l’anxi\u00e9t\u00e9 d’\u00e9valuation sur la m\u00e9moire de travail chez de jeunes adultes universitaires. Dans cette mod\u00e9lisation, une cohorte clinique de N = 120 participants a \u00e9t\u00e9 soumise \u00e0 l’inventaire d’anxi\u00e9t\u00e9 \u00e9tat-trait de Spielberger (STAI Form Y-1<\/a>), produisant un score d’anxi\u00e9t\u00e9 \u00e9tat continu compris entre 20 et 80. L’\u00e9chantillon est scind\u00e9 en deux groupes exp\u00e9rimentaux \u00e9quilibr\u00e9s de 60 individus : un groupe t\u00e9moin plac\u00e9 en condition de relaxation neutre, et un groupe sous induction de stress \u00e9valuatif chronom\u00e9tr\u00e9.<\/p>\n

Le chercheur souhaite v\u00e9rifier si les distributions des scores d’anxi\u00e9t\u00e9 au sein de chaque condition satisfont au postulat de normalit\u00e9 avant d’ex\u00e9cuter un test t de Student pour \u00e9chantillons ind\u00e9pendants. L’importation des donn\u00e9es depuis un fichier CSV structur\u00e9 et le premier contr\u00f4le de conformit\u00e9 se programment via les fonctions canoniques de l’environnement moderne :<\/p>\n

donnees_anxiete <- read_csv(\"donnees_experience_anxiete.csv\")<\/code>
\nglimpse(donnees_anxiete)<\/code><\/p>\n

Une premi\u00e8re analyse descriptive globale r\u00e9v\u00e8le une moyenne g\u00e9n\u00e9rale de 46,3 points avec un \u00e9cart-type de 12,8 points. Toutefois, l’analyse globale d’un \u00e9chantillon composite combinant deux conditions exp\u00e9rimentales distinctes est une aberration m\u00e9thodologique : l’hypoth\u00e8se de normalit\u00e9 doit \u00eatre v\u00e9rifi\u00e9e conditionnellement au sein de chaque niveau du facteur exp\u00e9rimental ou sur les r\u00e9sidus du mod\u00e8le complet.<\/p>\n

8.2 Application s\u00e9quentielle du test d’Anderson-Darling par groupe<\/h3>\n

L’utilisation judicieuse des fonctions combin\u00e9es de dplyr<\/code> permet d’automatiser l’application du test d’Anderson-Darling au sein de chaque groupe exp\u00e9rimental sans devoir scinder manuellement le tableau de donn\u00e9es d’origine en sous-matrices isol\u00e9es. Le pipeline computationnel suivant illustre cette op\u00e9ration d’audit stratifi\u00e9 :<\/p>\n

resultats_groupes <- donnees_anxiete %>%<\/code>
\n  group_by(Condition) %>%<\/code>
\n  summarise(<\/code>
\n    N = n(),<\/code>
\n    Moyenne = mean(Score_STAI, na.rm = TRUE),<\/code>
\n    Ecart_Type = sd(Score_STAI, na.rm = TRUE),<\/code>
\n    Statistique_A = nortest::ad.test(Score_STAI)$statistic,<\/code>
\n    P_Valeur = nortest::ad.test(Score_STAI)$p.value<\/code>
\n  )<\/code>
\nprint(resultats_groupes)<\/code><\/p>\n

L’examen des sorties console r\u00e9v\u00e8le un contraste m\u00e9thodologique frappant. Pour le groupe \u00ab T\u00e9moin \u00bb (N = 60), le test d’Anderson-Darling produit une statistique A = 0,38 avec une p-valeur associ\u00e9e de p = 0,402. En cons\u00e9quence, l’hypoth\u00e8se nulle d’ad\u00e9quation \u00e0 la loi normale ne peut \u00eatre rejet\u00e9e pour ce sous-\u00e9chantillon. \u00c0 l’inverse, pour le groupe soumis au \u00ab Stress \u00e9valuatif \u00bb (N = 60), le test produit une statistique A = 2,14 avec une p-valeur estim\u00e9e \u00e0 p = 0,00004. L’hypoth\u00e8se de normalit\u00e9 est donc cat\u00e9goriquement rejet\u00e9e au seuil conventionnel \u03b1 = 0,05.<\/p>\n

8.3 Discussion psychom\u00e9trique des r\u00e9sultats obtenus<\/h3>\n

L’asym\u00e9trie distributionnelle constat\u00e9e au sein du groupe soumis au stress refl\u00e8te un ph\u00e9nom\u00e8ne psychologique fr\u00e9quemment document\u00e9 lors d’inductions exp\u00e9rimentales aigu\u00ebs : la r\u00e9activit\u00e9 diff\u00e9rentielle. Tandis qu’une fraction des participants manifeste une r\u00e9silience psychologique maintenant des scores stables, une proportion significative bascule vers des scores d’anxi\u00e9t\u00e9 extr\u00eames flirtant avec le plafond instrumental du STAI (scores > 70), g\u00e9n\u00e9rant un \u00e9talement asym\u00e9trique droit prononc\u00e9 combin\u00e9 \u00e0 une leptokurticit\u00e9 marginale.<\/p>\n

Face \u00e0 ce constat d’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des formes distributionnelles entre les deux conditions, le recours au test t de Student standard pour \u00e9chantillons ind\u00e9pendants est formellement prohib\u00e9. Non seulement le postulat de normalit\u00e9 est enfreint dans l’un des groupes, mais cette d\u00e9viation s’accompagne d’une inflation de la variance dans la condition exp\u00e9rimentale, brisant l’hypoth\u00e8se connexe d’homosc\u00e9dasticit\u00e9. Deux options s’ouvrent alors au chercheur dans le respect strict des pr\u00e9ceptes de la science ouverte : op\u00e9rer une transformation stabilisatrice sur les scores ou basculer vers une inf\u00e9rence non param\u00e9trique robuste par r\u00e9\u00e9chantillonnage.<\/p>\n

9. Comparaison critique : Anderson-Darling face \u00e0 Shapiro-Wilk et Kolmogorov-Smirnov<\/h2>\n

9.1 Le test de Shapiro-Wilk comme standard de r\u00e9f\u00e9rence<\/h3>\n

Dans l’arsenal m\u00e9thodologique du psychologue, le test de Shapiro-Wilk (impl\u00e9ment\u00e9 via shapiro.test()<\/code> sous R) est universellement consid\u00e9r\u00e9 comme le standard historique d’\u00e9valuation de la normalit\u00e9. Sa formulation th\u00e9orique repose sur une logique math\u00e9matique radicalement distincte de celle d’Anderson-Darling : au lieu de mesurer des int\u00e9grales d’\u00e9cart entre fonctions de r\u00e9partition cumul\u00e9es, Shapiro et Wilk ont con\u00e7u un ratio quadratique fond\u00e9 sur la r\u00e9gression lin\u00e9aire des statistiques d’ordre observ\u00e9es sur les esp\u00e9rances des quantiles d’une loi normale standard (la statistique W). Le test \u00e9value la lin\u00e9arit\u00e9 parfaite de cette relation au sein du Q-Q plot.<\/p>\n

Sur le plan de la puissance statistique pure pour d\u00e9tecter une asym\u00e9trie g\u00e9n\u00e9rale ou un aplatissement mod\u00e9r\u00e9 sur des \u00e9chantillons de taille modeste (n compris entre 20 et 200), le test de Shapiro-Wilk affiche des performances \u00e9quivalentes, voire marginalement sup\u00e9rieures d’environ 1 \u00e0 2 % \u00e0 celles d’Anderson-Darling. Toutefois, Shapiro-Wilk souffre d’une contrainte technique majeure sous R : la fonction native shapiro.test()<\/code> impose une limite stricte sur la taille d’\u00e9chantillon admissible, born\u00e9e entre 3 et 5 000 observations. D\u00e8s que n franchit le seuil de 5 000, R interrompt le traitement avec un message d’erreur explicite. Le test d’Anderson-Darling, ne subissant aucune restriction algorithmique de ce type, prend imm\u00e9diatement le relais sur les grands ensembles de donn\u00e9es psychom\u00e9triques ou \u00e9pid\u00e9miologiques contemporains.<\/p>\n

9.2 Les faiblesses notoires du test de Kolmogorov-Smirnov \/ Lilliefors<\/h3>\n

Le test de Kolmogorov-Smirnov (accessible sous R via la fonction ks.test()<\/code>) est sans doute le plus mal compris et le plus mal employ\u00e9 dans la recherche exp\u00e9rimentale. \u00c0 l’origine, le th\u00e9or\u00e8me de Glivenko-Cantelli sur lequel repose Kolmogorov-Smirnov a \u00e9t\u00e9 formalis\u00e9 pour tester la conformit\u00e9 d’un \u00e9chantillon \u00e0 une distribution th\u00e9orique enti\u00e8rement sp\u00e9cifi\u00e9e \u00e0 l’avance, incluant la connaissance exacte et a priori<\/em> des param\u00e8tres \u03bc et \u03c3. En psychologie, ces param\u00e8tres r\u00e9els ne sont jamais connus d’avance et sont syst\u00e9matiquement estim\u00e9s \u00e0 partir des donn\u00e9es de l’\u00e9chantillon. Appliquer ks.test()<\/code> en y injectant mean(x)<\/code> et sd(x)<\/code> constitue une faute statistique majeure conduisant \u00e0 une sous-estimation dramatique de la statistique de test et \u00e0 une prolif\u00e9ration d’erreurs de seconde esp\u00e8ce (non-rejet erron\u00e9 de H0).<\/p>\n

Bien que la correction de Lilliefors (accessible via nortest::lilliefors.test()<\/code>) ajuste les tables critiques pour pallier cette estimation des param\u00e8tres, le test de Kolmogorov-Smirnov\/Lilliefors demeure fondamentalement sous-puissant par rapport \u00e0 Anderson-Darling. En ne retenant que la valeur maximale absolue D = sup |Fn<\/sub>(x) – F(x)|, il ignore la quasi-totalit\u00e9 de l’information structurelle port\u00e9e par les queues de distribution. Des simulations num\u00e9riques r\u00e9p\u00e9t\u00e9es ont amplement d\u00e9montr\u00e9 qu’une contamination s\u00e9v\u00e8re des extr\u00e9mit\u00e9s par des donn\u00e9es aberrantes ou une leptokurticit\u00e9 marqu\u00e9e peut passer enti\u00e8rement inaper\u00e7ue au test de Kolmogorov-Smirnov, alors qu’elle d\u00e9clenche un rejet imm\u00e9diat et sans appel sous le test d’Anderson-Darling.<\/p>\n

9.3 Autres alternatives du package nortest<\/h3>\n

L’\u00e9cosyst\u00e8me nortest<\/code> d\u00e9velopp\u00e9 par Juergen Gross et Uwe Ligges ne se cantonne pas au test d’Anderson-Darling et propose un \u00e9ventail d’\u00e9preuves d’ad\u00e9quation bas\u00e9es sur la fonction de r\u00e9partition empirique (EDF), constituant une bo\u00eete \u00e0 outils comparative de premier plan :<\/p>\n