{"id":3664,"date":"2026-10-14T18:01:04","date_gmt":"2026-10-14T18:01:04","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-effectuer-test-u-mann-whitney-python\/"},"modified":"2026-10-14T18:01:04","modified_gmt":"2026-10-14T18:01:04","slug":"comment-effectuer-test-u-mann-whitney-python","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-effectuer-test-u-mann-whitney-python","title":{"rendered":"Comment effectuer un test U de Mann-Whitney en Python"},"content":{"rendered":"

Dans le paysage contemporain de l’analyse de donn\u00e9es quantitatives et de la psychologie exp\u00e9rimentale, l’inf\u00e9rence statistique repose fr\u00e9quemment sur des hypoth\u00e8ses distributionnelles strictes que les donn\u00e9es empiriques r\u00e9elles peinent \u00e0 satisfaire. Les tests param\u00e9triques classiques, incarn\u00e9s au premier chef par le test t<\/em> de Student pour \u00e9chantillons ind\u00e9pendants, exigent non seulement la continuit\u00e9 des mesures, mais \u00e9galement la normalit\u00e9 des distributions sous-jacentes et l’homog\u00e9n\u00e9it\u00e9 des variances intergroupes. Or, dans les contextes cliniques, comportementaux, cognitifs ou neuroscientifiques, le chercheur se heurte r\u00e9guli\u00e8rement \u00e0 des distributions asym\u00e9triques, \u00e0 des scores born\u00e9s par des effets de plancher ou de plafond, \u00e0 des effectifs restreints ou \u00e0 des variables mesur\u00e9es sur des \u00e9chelles strictement ordinales, telles que les \u00e9chelles de Likert. Face \u00e0 ces violations syst\u00e9matiques des postulats gaussiens, l’application aveugle des m\u00e9thodes param\u00e9triques expose l’analyste \u00e0 une inflation dramatique de l’erreur de type I ou \u00e0 un effondrement d\u00e9l\u00e9t\u00e8re de la puissance statistique.<\/p>\n

Le test U<\/em> de Mann-Whitney \u00e9merge pr\u00e9cis\u00e9ment comme la r\u00e9ponse m\u00e9thodologique et math\u00e9matique la plus \u00e9l\u00e9gante et robuste \u00e0 ces contraintes empiriques. Con\u00e7u comme une alternative non param\u00e9trique au test t<\/em> ind\u00e9pendant, il substitue \u00e0 la comparaison directe des moyennes arithm\u00e9tiques une analyse rigoureuse des rangs statistiques et de la dominance stochastique entre deux populations distinctes. En transformant les valeurs brutes en un ordre relatif conjoint, cette proc\u00e9dure neutralise l’influence disproportionn\u00e9e des valeurs aberrantes extr\u00eames tout en s’affranchissant totalement de l’obligation de normalit\u00e9. Loin d’\u00eatre un simple pis-aller m\u00e9thodologique r\u00e9serv\u00e9 aux situations de crise analytique, le test U<\/em> constitue une approche inf\u00e9rentielle \u00e0 part enti\u00e8re, dot\u00e9e d’une efficacit\u00e9 asymptotique remarquable et d’une interpr\u00e9tabilit\u00e9 clinique fondamentale pour quiconque manipule des mesures comportementales ou psychom\u00e9triques.<\/p>\n

L’av\u00e8nement de l’\u00e9cosyst\u00e8me computationnel Python a profond\u00e9ment d\u00e9mocratis\u00e9 et raffin\u00e9 la conduite de ces analyses non param\u00e9triques. Gr\u00e2ce \u00e0 des biblioth\u00e8ques scientifiques de premier ordre telles que SciPy<\/a>, Pingouin, NumPy et Pandas, les chercheurs disposent d\u00e9sormais d’outils algorithmiques capables d’ex\u00e9cuter non seulement le calcul exact ou asymptotique de la statistique U<\/em>, mais \u00e9galement de quantifier pr\u00e9cis\u00e9ment la taille d’effet associ\u00e9e, de v\u00e9rifier empiriquement l’ensemble des postulats m\u00e9thodologiques pr\u00e9alables et de g\u00e9n\u00e9rer des visualisations graphiques de niveau publication scientifique. Ce guide exhaustif a pour vocation d’articuler l’ensemble des fondements th\u00e9oriques, des formulations math\u00e9matiques et des impl\u00e9mentations computationnelles n\u00e9cessaires \u00e0 la ma\u00eetrise absolue du test U<\/em> de Mann-Whitney en Python, depuis la formulation rigoureuse des hypoth\u00e8ses jusqu’\u00e0 la restitution finale des r\u00e9sultats selon les normes \u00e9ditoriales de l’American Psychological Association<\/a>.<\/p>\n

1. Fondements th\u00e9oriques et \u00e9pist\u00e9mologiques du test U de Mann-Whitney<\/h2>\n

1.1 Origine historique et principe du rang statistique<\/h3>\n

L’histoire de l’inf\u00e9rence non param\u00e9trique a connu un tournant d\u00e9cisif au milieu des ann\u00e9es 1940 sous l’impulsion conjointe du chimiste et statisticien Frank Wilcoxon et des math\u00e9maticiens Henry Mann et Donald Whitney. En 1945, Wilcoxon propose une approche r\u00e9volutionnaire reposant sur la somme des rangs pour comparer deux groupes ind\u00e9pendants sans faire appel \u00e0 des param\u00e8tres de distribution th\u00e9orique. Deux ans plus tard, en 1947, Henry Mann et Donald Ransom Whitney g\u00e9n\u00e9ralisent cette intuition initiale en formulant une statistique standardis\u00e9e fond\u00e9e sur le comptage des inversions stochastiques, donnant naissance au formalisme analytique moderne connu sous l’appellation de test U<\/em> de Mann-Whitney ou test de Wilcoxon-Mann-Whitney. Cette avanc\u00e9e conceptuelle majeure a permis d’affranchir l’analyse exp\u00e9rimentale de la d\u00e9pendance exclusive envers le mod\u00e8le lin\u00e9aire gaussien d\u00e9velopp\u00e9 au sein de l’\u00e9cole agronomique de Ronald Fisher.<\/p>\n

Le principe fondamental sous-tendant le test repose sur la transformation des valeurs m\u00e9triques continues en rangs ordinaux discrets au sein d’un \u00e9chantillon fusionn\u00e9. Plut\u00f4t que d’op\u00e9rer directement sur la distance euclidienne ou arithm\u00e9tique s\u00e9parant les scores observ\u00e9s, l’algorithme combine l’int\u00e9gralit\u00e9 des observations issues des deux conditions exp\u00e9rimentales au sein d’une s\u00e9rie unique, ordonn\u00e9e de fa\u00e7on strictement croissante. Chaque mesure se voit alors assigner un rang entier, d\u00e9butant \u00e0 1 pour la valeur la plus faible et s’\u00e9tendant jusqu’\u00e0 la taille totale de l’\u00e9chantillon combin\u00e9. Cette conversion op\u00e8re une projection g\u00e9om\u00e9trique invariante par toute transformation monotone croissante, ce qui conf\u00e8re \u00e0 la m\u00e9thode sa nature non param\u00e9trique.<\/p>\n

Sur le plan math\u00e9matique et \u00e9pist\u00e9mologique, cette substitution des grandeurs brutes par leur classement relatif offre une immunit\u00e9 imm\u00e9diate contre la sensibilit\u00e9 excessive aux valeurs aberrantes (ou outliers<\/em>). Dans un calcul de moyenne arithm\u00e9tique standard, une observation erratique situ\u00e9e \u00e0 plusieurs \u00e9carts-types de la distribution exerce un effet de levier consid\u00e9rable sur le num\u00e9rateur de la statistique de Student, induisant un biais incontr\u00f4l\u00e9. En revanche, au sein de l’espace des rangs, une valeur d\u00e9viante extr\u00eame se voit simplement attribuer le rang maximal disponible, neutralisant tout effet d’\u00e9loignement disproportionn\u00e9. Dans les sciences comportementales contemporaines, o\u00f9 l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des protocoles exp\u00e9rimentaux g\u00e9n\u00e8re in\u00e9vitablement des bruits de mesure et des profils atypiques, cette stabilit\u00e9 conf\u00e8re au test U<\/em> une robustesse m\u00e9thodologique irrempla\u00e7able.<\/p>\n

1.2 Positionnement comme alternative non param\u00e9trique au test t de Student<\/h3>\n

Le test t<\/em> de Student \u00e0 deux \u00e9chantillons ind\u00e9pendants repose sur le postulat fondamental que les donn\u00e9es de chaque groupe sont issues de populations distribu\u00e9es selon une loi normale, avec une variance th\u00e9oriquement homog\u00e8ne. Lorsque ces conditions sont enfreintes, notamment en pr\u00e9sence d’une asym\u00e9trie marqu\u00e9e (skewness<\/em>) ou d’un aplatissement anomal (kurtosis<\/em>), les distributions d’\u00e9chantillonnage de la moyenne ne convergent plus de mani\u00e8re pr\u00e9visible vers la loi t<\/em> th\u00e9orique, \u00e0 moins de disposer d’effectifs massifs permettant l’activation effective du th\u00e9or\u00e8me central limite. Cependant, en recherche exp\u00e9rimentale, les cohortes \u00e9tudi\u00e9es sont fr\u00e9quemment limit\u00e9es, avec des tailles d’\u00e9chantillon par groupe inf\u00e9rieures \u00e0 30 observations. Dans cette zone de vuln\u00e9rabilit\u00e9 computationnelle, le test t<\/em> produit des taux d’erreur de premi\u00e8re esp\u00e8ce fauss\u00e9s et subit une d\u00e9gradation s\u00e9v\u00e8re de sa puissance statistique.<\/p>\n

Le test U<\/em> de Mann-Whitney intervient comme le substitut non param\u00e9trique direct du test t<\/em> ind\u00e9pendant, mais il est crucial de comprendre que les deux outils ne testent pas formellement la m\u00eame r\u00e9alit\u00e9 statistique. Alors que le test de Student \u00e9value l’\u00e9galit\u00e9 des esp\u00e9rances math\u00e9matiques (les moyennes arithm\u00e9tiques), le test de Mann-Whitney \u00e9value la dominance stochastique, c’est-\u00e0-dire la probabilit\u00e9 qu’une observation extraite au hasard de la premi\u00e8re population exc\u00e8de une observation extraite de la seconde population. Il ne s’agit donc pas d’une simple comparaison de moyennes calcul\u00e9e sur des rangs, mais d’une quantification globale du positionnement relatif des distributions.<\/p>\n

L’arbitrage formel entre l’approche param\u00e9trique et non param\u00e9trique doit reposer sur des crit\u00e8res m\u00e9thodologiques rigoureux. L’efficacit\u00e9 relative asymptotique (Asymptotic Relative Efficiency<\/em>, ARE) du test de Mann-Whitney par rapport au test t<\/em> d\u00e9montre que, sous l’hypoth\u00e8se de normalit\u00e9 parfaite, le test U<\/em> conserve environ 95,5 % de la puissance du test de Student. En revanche, d\u00e8s que la distribution r\u00e9elle s’\u00e9carte de la gaussianit\u00e9 pour adopter des profils \u00e0 queues lourdes (comme une loi log-normale ou une loi de Cauchy), l’efficacit\u00e9 du test U<\/em> surpasse tr\u00e8s largement celle du test t<\/em>, devenant parfois infiniment plus puissante. Par cons\u00e9quent, d\u00e8s lors que les donn\u00e9es pr\u00e9sentent une asym\u00e9trie document\u00e9e ou reposent sur des tailles d’\u00e9chantillon restreintes interdisant l’assurance d’une normalit\u00e9 robuste, le recours au test U<\/em> constitue un imp\u00e9ratif m\u00e9thodologique de premier ordre.<\/p>\n

1.3 Pertinence m\u00e9thodologique en recherche psychologique<\/h3>\n

La recherche en psychologie, en neurosciences cognitives et en psychiatrie exp\u00e9rimentale pr\u00e9sente des particularit\u00e9s m\u00e9trologiques qui font du test U<\/em> de Mann-Whitney un instrument privil\u00e9gi\u00e9. La majorit\u00e9 des instruments de mesure standardis\u00e9s, \u00e0 l’instar des inventaires de personnalit\u00e9, des \u00e9chelles d’\u00e9valuation de la d\u00e9pression (telles que le BDI) ou des questionnaires d’anxi\u00e9t\u00e9 (STAI), sont structur\u00e9s autour d’\u00e9chelles de r\u00e9ponse de type Likert. Or, selon la classification canonique des niveaux de mesure formul\u00e9e par Stevens en 1946, les scores issus de ces \u00e9chelles constituent des variables ordinales. Bien que l’ordre des modalit\u00e9s soit strictement d\u00e9fini, rien ne garantit que la distance subjective s\u00e9parant un score de 2 et un score de 3 soit rigoureusement \u00e9quivalente \u00e0 celle s\u00e9parant un score de 4 et un score de 5. Traiter ces variables ordinales comme des variables m\u00e9triques \u00e0 intervalles constants constitue une violation \u00e9pist\u00e9mologique fr\u00e9quente que le test de Mann-Whitney permet d’\u00e9viter int\u00e9gralement.<\/p>\n

Par ailleurs, les paradigmes exp\u00e9rimentaux en neuropsychologie s’appuient massivement sur des variables chronom\u00e9triques, en particulier les temps de r\u00e9action cognitive face \u00e0 des stimuli perceptifs ou \u00e9motionnels. Les chronom\u00e9tries mentales ne suivent presque jamais une loi normale ; elles sont intrins\u00e8quement positives, born\u00e9es \u00e0 gauche par des temps de latence physiologique incompressibles (environ 150 \u00e0 200 millisecondes) et \u00e9tir\u00e9es vers la droite par une tra\u00eene asym\u00e9trique substantielle mod\u00e9lis\u00e9e par des lois ex-gaussiennes ou de Weibull. L’utilisation du test U<\/em> permet d’analyser ces latences cognitives sans n\u00e9cessiter de transformations math\u00e9matiques arbitraires (telles que les fonctions logarithmiques ou inverses) qui compliquent consid\u00e9rablement l’interpr\u00e9tation substantielle des grandeurs mesur\u00e9es.<\/p>\n

Enfin, la recherche clinique aupr\u00e8s de populations sp\u00e9cifiques, telles que les patients porteurs de l\u00e9sions c\u00e9r\u00e9brales focales rares, d’affections g\u00e9n\u00e9tiques atypiques ou d’\u00e9pisodes psychotiques s\u00e9v\u00e8res, impose des contraintes de recrutement drastiques. Les protocoles sont fr\u00e9quemment ex\u00e9cut\u00e9s sur de tr\u00e8s petits effectifs, oscillant entre 8 et 15 participants par condition. Dans ce contexte d’\u00e9chantillons ultra-r\u00e9duits, v\u00e9rifier empiriquement la normalit\u00e9 des r\u00e9sidus s’av\u00e8re presque impossible par manque de puissance des tests d’ad\u00e9quation. Le test de Mann-Whitney permet de maintenir un cadre d’inf\u00e9rence valide, exact et reproductible, garantissant la cr\u00e9dibilit\u00e9 des publications scientifiques dans les revues internationales de premier rang.<\/p>\n

2. Postulats et conditions d’application du test U de Mann-Whitney<\/h2>\n

2.1 Ind\u00e9pendance stricte des observations et des groupes<\/h3>\n

Le postulat cardinal et non n\u00e9gociable du test U<\/em> de Mann-Whitney r\u00e9side dans l’ind\u00e9pendance statistique absolue des observations. Ce postulat se d\u00e9cline sur deux niveaux structurels distincts : l’ind\u00e9pendance intergroupes et l’ind\u00e9pendance intragroupe. D’une part, les deux \u00e9chantillons compar\u00e9s doivent \u00eatre mutuellement exclusifs. Aucun individu ne peut participer simultan\u00e9ment aux deux conditions exp\u00e9rimentales, ce qui exclut formellement les plans exp\u00e9rimentaux \u00e0 mesures r\u00e9p\u00e9t\u00e9es ou les comparaisons avant\/apr\u00e8s intervention au sein d’une m\u00eame cohorte. D’autre part, au sein de chaque groupe, l’observation d’un participant ne doit en aucun cas \u00eatre conditionn\u00e9e, influenc\u00e9e ou corr\u00e9l\u00e9e \u00e0 l’observation d’un autre participant. Les structures de donn\u00e9es hi\u00e9rarchiques ou embo\u00eet\u00e9es, telles que des \u00e9l\u00e8ves test\u00e9s au sein de m\u00eames classes scolaires ou des patients hospitalis\u00e9s dans les m\u00eames unit\u00e9s de soins, violent cette ind\u00e9pendance en introduisant des corr\u00e9lations intraclasses non contr\u00f4l\u00e9es.<\/p>\n

La cons\u00e9quence statistique d’une violation de cette hypoth\u00e8se d’ind\u00e9pendance est particuli\u00e8rement d\u00e9vastatrice. Lorsqu’il existe une corr\u00e9lation positive sous-jacente entre les observations artificiellement agr\u00e9g\u00e9es, la variance r\u00e9elle de la statistique de test est largement sous-estim\u00e9e. Cette sous-estimation induit une contraction anormale des valeurs de p<\/em> calcul\u00e9es, conduisant le chercheur \u00e0 rejeter l’hypoth\u00e8se nulle \u00e0 tort dans des proportions bien sup\u00e9rieures au seuil nominal alpha de 5 %. L’erreur de type I se trouve alors massivement gonfl\u00e9e, g\u00e9n\u00e9rant des faux positifs qui nuisent \u00e0 la reproductibilit\u00e9 de la science empirique.<\/p>\n

Il est d\u00e8s lors primordial d’op\u00e9rer une d\u00e9marcation conceptuelle nette entre le test U<\/em> de Mann-Whitney et le test des rangs sign\u00e9s de Wilcoxon (Wilcoxon signed-rank test<\/em>). Alors que le test U<\/em> est exclusivement d\u00e9volu aux plans factoriels intersujets (\u00e9chantillons ind\u00e9pendants), le test des rangs sign\u00e9s est math\u00e9matiquement configur\u00e9 pour traiter des donn\u00e9es appari\u00e9es ou des plans intrasujets. Confondre ces deux proc\u00e9dures computationnelles constitue une erreur m\u00e9thodologique r\u00e9dhibitoire susceptible d’invalider l’int\u00e9gralit\u00e9 du traitement analytique d’une \u00e9tude.<\/p>\n

2.2 Nature et niveau d’\u00e9chelle de la variable d\u00e9pendante<\/h3>\n

L’\u00e9ligibilit\u00e9 d’une variable \u00e0 l’analyse par le test U<\/em> de Mann-Whitney requiert imp\u00e9rativement un niveau d’\u00e9chelle de mesure au moins ordinal. Selon la th\u00e9orie axiomatique de la mesure, une \u00e9chelle ordinale garantit que les modalit\u00e9s de la variable peuvent \u00eatre class\u00e9es selon une relation d’ordre strict, transitive et r\u00e9flexive. Concr\u00e8tement, pour deux observations a<\/em> et b<\/em>, il doit \u00eatre syst\u00e9matiquement possible d’\u00e9tablir si a<\/em> est inf\u00e9rieur \u00e0 b<\/em>, sup\u00e9rieur \u00e0 b<\/em>, ou \u00e9gal \u00e0 b<\/em>. Cette propri\u00e9t\u00e9 formelle est indispensable \u00e0 l’algorithme d’attribution des rangs conjoints qui constitue le moteur math\u00e9matique du test.<\/p>\n

Cette condition autorise donc le traitement de donn\u00e9es issues de variables quantitatives continues ou discr\u00e8tes (telles que des concentrations hormonales de cortisol salivaire, le nombre d’erreurs commises dans une t\u00e2che de m\u00e9moire de travail ou des scores composites d’efficience intellectuelle), mais \u00e9galement de variables purement ordinales (comme les degr\u00e9s de s\u00e9v\u00e9rit\u00e9 clinique class\u00e9s en absent, l\u00e9ger, mod\u00e9r\u00e9 ou s\u00e9v\u00e8re). \u00c0 l’inverse du mod\u00e8le param\u00e9trique, aucune continuit\u00e9 infinit\u00e9simale de la variable n’est exig\u00e9e pour l’ex\u00e9cution computationnelle, bien que la gestion des valeurs identiques requi\u00e8re des ajustements sp\u00e9cifiques.<\/p>\n

En revanche, il existe une interdiction cat\u00e9gorique et d\u00e9finitive d’appliquer le test U<\/em> de Mann-Whitney \u00e0 des variables d\u00e9pendantes nominales ou cat\u00e9gorielles qualitatives d\u00e9pourvues de hi\u00e9rarchie intrins\u00e8que. Des variables telles que l’appartenance religieuse, l’orientation professionnelle, la zone g\u00e9ographique de r\u00e9sidence ou le type de pathologie psychiatrique diagnostiqu\u00e9e ne poss\u00e8dent aucun ordre math\u00e9matique mesurable. Appliquer un classement par rangs sur de telles donn\u00e9es rel\u00e8verait d’un contresens th\u00e9orique absolu. Dans ces circonstances, l’investigateur doit imp\u00e9rativement se tourner vers des analyses de tableaux de contingence, telles que le test du chi-carr\u00e9 d’ind\u00e9pendance de Pearson ou le test exact de Fisher.<\/p>\n

2.3 Forme des distributions et interpr\u00e9tation des m\u00e9dianes<\/h3>\n

Une confusion m\u00e9thodologique extr\u00eamement r\u00e9pandue au sein de la litt\u00e9rature scientifique consiste \u00e0 affirmer que le test U<\/em> de Mann-Whitney est un test de comparaison des m\u00e9dianes. Cette assertion n’est math\u00e9matiquement exacte que sous une condition distributionnelle particuli\u00e8rement stricte : l’hypoth\u00e8se de pure translation d’\u00e9chelle (location-shift model<\/em>). Pour que le test U<\/em> permette de conclure formellement \u00e0 une divergence significative des m\u00e9dianes des deux populations parentes, il est indispensable que les distributions des deux groupes poss\u00e8dent exactement la m\u00eame forme g\u00e9om\u00e9trique, le m\u00eame \u00e9talement (dispersion) et le m\u00eame coefficient d’asym\u00e9trie, l’une n’\u00e9tant que la transposition translat\u00e9e horizontalement de l’autre le long de l’axe des abscisses.<\/p>\n

Lorsque cette condition d’homog\u00e9n\u00e9it\u00e9 des formes n’est pas remplie \u2014 c’est-\u00e0-dire lorsque l’un des groupes pr\u00e9sente une distribution fortement \u00e9tal\u00e9e tandis que l’autre pr\u00e9sente une distribution pointue ou bimodale \u2014, le test U<\/em> conserve toute sa validit\u00e9 inf\u00e9rentielle, mais son interpr\u00e9tation substantielle se modifie en profondeur. Le test \u00e9value alors l’existence d’une dominance stochastique globale : il d\u00e9termine si la probabilit\u00e9 qu’un score tir\u00e9 de la population X<\/em> surpasse un score tir\u00e9 de la population Y<\/em> est diff\u00e9rente de 0,5. Dans une telle configuration, il est tout \u00e0 fait possible d’obtenir un test de Mann-Whitney statistiquement significatif (p<\/em> < .05) alors m\u00eame que les m\u00e9dianes empiriques des deux groupes sont rigoureusement identiques, la divergence r\u00e9sidant dans les rangs moyens et l’asym\u00e9trie diff\u00e9rentielle des queues de distribution.<\/p>\n

Par cons\u00e9quent, l’\u00e9valuation visuelle et num\u00e9rique de l’homosc\u00e9dasticit\u00e9 et de la morphologie des densit\u00e9s constitue une \u00e9tape indispensable pr\u00e9alable \u00e0 l’interpr\u00e9tation des r\u00e9sultats. Le chercheur devra syst\u00e9matiquement superposer des estimateurs de densit\u00e9 par noyau (Kernel Density Estimation<\/em>, KDE) ou inspecter des diagrammes de dispersion pour d\u00e9terminer s’il est en droit de formuler sa conclusion en termes de \u00ab d\u00e9calage de la m\u00e9diane \u00bb ou s’il doit rigoureusement limiter sa restitution \u00e0 la constatation d’une \u00ab sup\u00e9riorit\u00e9 stochastique ordinale \u00bb d’une condition sur l’autre.<\/p>\n

3. Formulation des hypoth\u00e8ses statistiques et cadre inf\u00e9rentiel<\/h2>\n

3.1 D\u00e9finition formelle de l’hypoth\u00e8se nulle (H0)<\/h3>\n

Dans le cadre de la th\u00e9orie classique des tests d’hypoth\u00e8ses formul\u00e9e par Neyman et Pearson, l’\u00e9nonc\u00e9 de l’hypoth\u00e8se nulle ($H_0$<\/span>) constitue le point d’ancrage fondamental autour duquel s’\u00e9labore toute la distribution de r\u00e9f\u00e9rence de la statistique de test. Pour le test U<\/em> de Mann-Whitney, l’hypoth\u00e8se nulle sp\u00e9cifie que les deux populations continues sous-jacentes, d\u00e9sign\u00e9es respectivement par X<\/em> et Y<\/em>, poss\u00e8dent des fonctions de r\u00e9partition cumul\u00e9es rigoureusement identiques pour toutes les valeurs possibles de la variable d\u00e9pendante. Math\u00e9matiquement, cette \u00e9quivalence s’exprime par la relation formelle :<\/p>\n

$$H_0 : F_X(t) = F_Y(t), \\quad \\forall t in \\mathbb{R}$$<\/span><\/p>\n

o\u00f9 $F_X(t) = P(X le t)$<\/span> et $F_Y(t) = P(Y le t)$<\/span> repr\u00e9sentent les fonctions de distribution probabilistes respectives des deux groupes compar\u00e9s. Dans le cadre probabiliste de la dominance stochastique, cette assertion d’identit\u00e9 distributionnelle implique de mani\u00e8re corollaire que la probabilit\u00e9 qu’une observation issue al\u00e9atoirement du groupe X<\/em> d\u00e9passe une observation issue al\u00e9atoirement du groupe Y<\/em> est exactement \u00e9quiprobable \u00e0 la situation inverse, soit :<\/p>\n

$$P(X > Y) = P(Y > X) = 0{,}5$$<\/span><\/p>\n

Il importe de souligner avec gravit\u00e9 que l’hypoth\u00e8se nulle du test de Mann-Whitney ne postule pas simplement l’\u00e9galit\u00e9 d’un param\u00e8tre ponctuel central comme la moyenne ou la m\u00e9diane. Elle postule l’interchangeabilit\u00e9 probabiliste compl\u00e8te des observations entre les deux conditions. D\u00e8s lors, toute disparit\u00e9 substantielle dans l’\u00e9chelle, la variance r\u00e9siduelle, ou la forme globale des densit\u00e9s est susceptible de contribuer au rejet de $H_0$<\/span>, rappelant la sensibilit\u00e9 globale de ce test non param\u00e9trique aux variations morphologiques des distributions.<\/p>\n

3.2 Sp\u00e9cification de l’hypoth\u00e8se alternative (H1)<\/h3>\n

L’hypoth\u00e8se alternative ($H_1$<\/span>) formalise le sc\u00e9nario scientifique soutenu par le chercheur en cas d’invalidation statistique de l’hypoth\u00e8se nulle. La structuration de $H_1$<\/span> n\u00e9cessite une distinction cruciale et pr\u00e9liminaire entre une approche bilat\u00e9rale (non directionnelle) et une approche unilat\u00e9rale (directionnelle), un choix qui engage directement la validit\u00e9 m\u00e9thodologique de l’exp\u00e9rimentation.<\/p>\n

Dans le cadre d’un test bilat\u00e9ral, le chercheur formule l’hypoth\u00e8se g\u00e9n\u00e9rale que les deux distributions diff\u00e8rent de fa\u00e7on non orient\u00e9e, traduisant le fait que l’une des deux conditions tend \u00e0 produire des scores stochastiquement plus \u00e9lev\u00e9s que l’autre sans que la direction de cette d\u00e9rive ne soit contrainte a priori. Math\u00e9matiquement, cela se traduit par :<\/p>\n

$$H_1 : P(X > Y) \\neq P(Y > X) \\quad Long\\leftrightarrow \\quad P(X > Y) \\neq 0{,}5$$<\/span><\/p>\n

\u00c0 l’oppos\u00e9, un test unilat\u00e9ral impose une contrainte vectorielle stricte fond\u00e9e sur un corpus th\u00e9orique robuste ou des donn\u00e9es pilotes indiscutables. Si l’on postule a priori qu’une intervention th\u00e9rapeutique innovante (groupe X<\/em>) doit r\u00e9duire les sympt\u00f4mes anxieux par rapport \u00e0 un groupe contr\u00f4le (groupe Y<\/em>), l’hypoth\u00e8se alternative unilat\u00e9rale sup\u00e9rieure s’exprimera par :<\/p>\n

$$H_1 : P(X < Y) > P(Y < X) \\quad \\text{ou r\u00e9ciproquement} \\quad P(X > Y) < 0{,}5$$<\/span><\/p>\n

En psychologie exp\u00e9rimentale et dans les sciences m\u00e9dicales contemporaines, l’adoption d’une hypoth\u00e8se unilat\u00e9rale fait l’objet d’un encadrement d\u00e9ontologique et m\u00e9thodologique extr\u00eamement s\u00e9v\u00e8re. Bien qu’elle permette d’abaisser le seuil critique de rejet de l’hypoth\u00e8se nulle pour une direction donn\u00e9e, elle expose l’analyste au soup\u00e7on de manipulation post-hoc s’il n’a pas enregistr\u00e9 au pr\u00e9alable son protocole de recherche sur des registres ouverts tels que l’Open Science Framework<\/a> (OSF). Par d\u00e9faut, la prudence \u00e9pist\u00e9mologique commande d’appliquer syst\u00e9matiquement un test bilat\u00e9ral, sauf justification th\u00e9orique absolue consign\u00e9e avant la collecte des donn\u00e9es.<\/p>\n

3.3 M\u00e9canisme de calcul de la statistique de test U<\/h3>\n

L’architecture algorithmique du calcul de la statistique U<\/em> se distingue par son \u00e9l\u00e9gance combinatoire. Soit deux \u00e9chantillons ind\u00e9pendants de tailles respectives $n_1$<\/span> et $n_2$<\/span>. La premi\u00e8re op\u00e9ration consiste \u00e0 combiner l’int\u00e9gralit\u00e9 des $N = n_1 + n_2$<\/span> observations au sein d’un vecteur ordonn\u00e9 unique, puis \u00e0 assigner \u00e0 chaque valeur son rang conjoint croissant, variant de 1 \u00e0 N<\/em>. On calcule ensuite la somme arithm\u00e9tique des rangs attribu\u00e9s aux observations du premier \u00e9chantillon, d\u00e9sign\u00e9e par $R_1$<\/span>, et celle d\u00e9volue au second \u00e9chantillon, d\u00e9sign\u00e9e par $R_2$<\/span>.<\/p>\n

La statistique U<\/em> quantifying le nombre de fois o\u00f9 une observation d’un groupe l’emporte sur une observation de l’autre groupe se d\u00e9rive directement des sommes de rangs par l’application des formules alg\u00e9briques suivantes :<\/p>\n

$$U_1 = R_1 – \\frac{n_1(n_1 + 1)}{2}$$<\/span><\/p>\n

$$U_2 = R_2 – \\frac{n_2(n_2 + 1)}{2}$$<\/span><\/p>\n

Ces deux quantit\u00e9s v\u00e9rifient une identit\u00e9 combinatoire immuable qui lie leur somme directe au produit cart\u00e9sien des effectifs :<\/p>\n

$$U_1 + U_2 = n_1 \\times n_2$$<\/span><\/p>\n

Par convention, la statistique de d\u00e9cision U<\/em> retenue dans les tables statistiques traditionnelles correspond \u00e0 la valeur minimale observ\u00e9e :<\/p>\n

$$U = \\min(U_1, U_2)$$<\/span><\/p>\n

Sous l’hypoth\u00e8se nulle $H_0$<\/span>, la distribution d’\u00e9chantillonnage de U<\/em> est sym\u00e9trique, centr\u00e9e sur une moyenne th\u00e9orique calcul\u00e9e par :<\/p>\n

$$\\mu_U = \\frac{n_1 n_2}{2}$$<\/span><\/p>\n

Sa variance th\u00e9orique exacte, en l’absence d’ex-aequo, s’exprime selon l’\u00e9quation :<\/p>\n

$$\\sigma_U^2 = \\frac{n_1 n_2 (n_1 + n_2 + 1)}{12}$$<\/span><\/p>\n

Lorsque les tailles d’\u00e9chantillons progressent ($n_1, n_2 > 20$<\/span>), le th\u00e9or\u00e8me central limite garantit la convergence asymptotique de la distribution discr\u00e8te de U<\/em> vers une loi normale standardis\u00e9e $Z \\sim \\mathcal{N}(0, 1)$<\/span>, permettant le calcul de probabilit\u00e9s continues par approximation gaussienne :<\/p>\n

$$Z = \\frac{U – \\mu_U}{\\sigma_U}$$<\/span><\/p>\n

4. Configuration de l’environnement Python pour l’analyse statistique<\/h2>\n

4.1 S\u00e9lection et r\u00f4le des biblioth\u00e8ques fondamentales<\/h3>\n

L’impl\u00e9mentation professionnelle et reproductible du test de Mann-Whitney sous Python n\u00e9cessite l’orchestration concert\u00e9e de plusieurs modules scientifiques sp\u00e9cialis\u00e9s, chacun r\u00e9pondant \u00e0 des exigences m\u00e9thodologiques distinctes au sein du pipeline analytique :<\/p>\n