{"id":3669,"date":"2026-10-14T18:01:04","date_gmt":"2026-10-14T18:01:04","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-realiser-test-des-signes-excel-etape-par-etape\/"},"modified":"2026-10-14T18:01:04","modified_gmt":"2026-10-14T18:01:04","slug":"comment-realiser-test-des-signes-excel-etape-par-etape","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-realiser-test-des-signes-excel-etape-par-etape","title":{"rendered":"Comment r\u00e9aliser un test des signes dans Excel (\u00e9tape par \u00e9tape)"},"content":{"rendered":"

L’inf\u00e9rence statistique moderne repose sur une tension permanente entre la puissance des mod\u00e8les param\u00e9triques et la r\u00e9alit\u00e9 souvent imparfaite des donn\u00e9es empiriques recueillies sur le terrain. Alors que le test t<\/em> de Student \u00e0 un \u00e9chantillon ou pour mesures r\u00e9p\u00e9t\u00e9es exige une distribution normale sous-jacente des scores ou des r\u00e9sidus, les praticiens en sciences du comportement, en recherche clinique, en ergonomie logicielle et en sciences de l’\u00e9ducation se heurtent quotidiennement \u00e0 des distributions fortement asym\u00e9triques, contamin\u00e9es par des valeurs aberrantes ou mesur\u00e9es sur des \u00e9chelles strictement ordinales. Face \u00e0 ces distorsions m\u00e9triques, l’application aveugle de tests fond\u00e9s sur la moyenne arithm\u00e9tique et la variance classique introduit un risque majeur d’inflation de l’erreur de type I ou d’effondrement de la puissance statistique, conduisant \u00e0 des inf\u00e9rences erron\u00e9es.<\/p>\n

Le test des signes (ou Sign Test<\/em>) constitue la r\u00e9ponse m\u00e9thodologique la plus sobre, la plus robuste et la plus ancienne \u00e0 ce d\u00e9fi analytique. D\u00e9velopp\u00e9 conceptuellement d\u00e8s le d\u00e9but du XVIIIe si\u00e8cle par John Arbuthnot et formalis\u00e9 au milieu du XXe si\u00e8cle au sein de l’arsenal non param\u00e9trique, ce test fait table rase des exigences de normalit\u00e9 et d’homoscedasticit\u00e9. En r\u00e9duisant l’information quantitative continue \u00e0 une simple dichotomie directionnelle autour d’une m\u00e9diane th\u00e9orique, il substitue \u00e0 l’analyse des grandeurs m\u00e9triques une mod\u00e9lisation probabiliste \u00e9l\u00e9gante fond\u00e9e sur le sch\u00e9ma de Bernoulli et la loi binomiale. Cette m\u00e9tamorphose computationnelle conf\u00e8re \u00e0 l’\u00e9preuve une invariance d’\u00e9chelle remarquable, la prot\u00e9geant intrins\u00e8quement contre les distorsions induites par les donn\u00e9es extr\u00eames.<\/p>\n

Si des progiciels sp\u00e9cialis\u00e9s tels que R, SPSS ou SAS permettent d’ex\u00e9cuter cette proc\u00e9dure en une seule ligne de commande, le recours au tableur Microsoft Excel offre une vertu p\u00e9dagogique et op\u00e9rationnelle in\u00e9gal\u00e9e. L’impl\u00e9mentation manuelle et semi-automatis\u00e9e du test des signes au sein d’une feuille de calcul permet au chercheur et \u00e0 l’analyste de d\u00e9composer chaque maillon de la cha\u00eene inf\u00e9rentielle : de l’hygi\u00e8ne rigoureuse de la matrice de donn\u00e9es au calcul de la p<\/em>-valeur binomiale exacte ou asymptotique, en passant par le traitement des ex æquo et l’estimation de la taille d’effet. Ce guide exhaustif propose une trajectoire pas \u00e0 pas, hautement d\u00e9taill\u00e9e et math\u00e9matiquement rigoureuse, pour ma\u00eetriser l’ex\u00e9cution, l’automatisation et l’interpr\u00e9tation acad\u00e9mique du test des signes dans Microsoft Excel.<\/p>\n

1. Fondements th\u00e9oriques et \u00e9pist\u00e9mologiques du test des signes<\/h2>\n

1.1 D\u00e9finition et nature non param\u00e9trique de l’\u00e9preuve<\/h3>\n

Le test des signes appartient \u00e0 la classe fondamentale des tests statistiques non param\u00e9triques, couramment qualifi\u00e9s de tests \u00e0 distribution libre (distribution-free tests<\/em>). Dans le cadre de l’inf\u00e9rence \u00e0 un \u00e9chantillon, il a \u00e9t\u00e9 con\u00e7u pour v\u00e9rifier si la m\u00e9diane d’une population d’int\u00e9r\u00eat θ co\u00efncide avec une valeur de r\u00e9f\u00e9rence th\u00e9orique pr\u00e9alablement sp\u00e9cifi\u00e9e θ0<\/sub>. Contrairement au test t<\/em> de Student pour \u00e9chantillon unique, qui \u00e9value l’esp\u00e9rance math\u00e9matique μ en postulant que la population parente suit une loi normale, le test des signes n’impose strictement aucune contrainte quant \u00e0 la forme g\u00e9om\u00e9trique de la distribution de probabilit\u00e9 d’origine. La distribution observ\u00e9e peut \u00eatre unimodale asym\u00e9trique, bimodale, fortement tronqu\u00e9e, ou m\u00eame r\u00e9sulter d’un empilement de scores discrets.<\/p>\n

Cette plasticit\u00e9 m\u00e9thodologique d\u00e9coule d’une propri\u00e9t\u00e9 math\u00e9matique remarquable : l’invariance par rapport aux transformations monotones croissantes. Puisque le test ne s’int\u00e9resse qu’\u00e0 la position relative de chaque donn\u00e9e par rapport \u00e0 la valeur de seuil θ0<\/sub> (le fait d’\u00eatre strictement sup\u00e9rieure ou inf\u00e9rieure) sans mesurer la magnitude num\u00e9rique de cet \u00e9cart, toute transformation pr\u00e9servant l’ordre des \u00e9l\u00e9ments pr\u00e9serve identiquement la statistique de test. D\u00e8s lors, le test des signes traite avec la m\u00eame rigueur analytique des donn\u00e9es m\u00e9triques continues (comme des temps de r\u00e9action milliseconde par milliseconde) et des donn\u00e9es strictement ordinales (telles que des classements hi\u00e9rarchiques ou des \u00e9chelons de s\u00e9v\u00e9rit\u00e9 clinique), r\u00e9solvant le dilemme \u00e9pist\u00e9mologique du traitement quantitatif d’\u00e9chelles non m\u00e9triques.<\/p>\n

Dans l’\u00e9cosyst\u00e8me de la recherche comportementale, de la psychom\u00e9trie et de l’\u00e9valuation m\u00e9dicale, cette approche s’av\u00e8re centrale. Les chercheurs mesurent fr\u00e9quemment des construits latents (anxi\u00e9t\u00e9, motivation, satisfaction ergonomique, douleur per\u00e7ue) \u00e0 l’aide d’instruments qui ne garantissent jamais l’\u00e9galit\u00e9 stricte des intervalles entre les points d’\u00e9chelle. Dans ce contexte, affirmer qu’une distance de score entre 2 et 3 est rigoureusement identique \u00e0 une distance entre 6 et 7 constitue une conjecture hasardeuse. En ramenant l’analyse au param\u00e8tre d’int\u00e9r\u00eat principal qu’est la m\u00e9diane de la population, le test des signes offre une base inf\u00e9rentielle irr\u00e9prochable qui respecte l’int\u00e9grit\u00e9 m\u00e9trologique du ph\u00e9nom\u00e8ne mesur\u00e9.<\/p>\n

1.2 Diff\u00e9rence fondamentale entre moyenne et m\u00e9diane en recherche quantitative<\/h3>\n

Le choix d’ancrer l’\u00e9preuve statistique sur la m\u00e9diane plut\u00f4t que sur la moyenne arithm\u00e9tique r\u00e9pond \u00e0 des imp\u00e9ratifs math\u00e9matiques profonds quant \u00e0 la sensibilit\u00e9 aux valeurs aberrantes et \u00e0 l’asym\u00e9trie distributionnelle. La moyenne arithm\u00e9tique constitue le centre de gravit\u00e9 d’une distribution ; \u00e0 ce titre, elle minimise la somme des carr\u00e9s des \u00e9carts. Cette propri\u00e9t\u00e9 quadratique la rend extraordinairement vuln\u00e9rable aux scores d\u00e9viants. L’introduction d’un seul score extr\u00eame, r\u00e9sultant d’une erreur d’enregistrement, d’un comportement atypique d’un participant ou d’une variabilit\u00e9 biologique inhabituelle, suffit \u00e0 d\u00e9placer la moyenne bien au-del\u00e0 de la zone de densit\u00e9 centrale de l’\u00e9chantillon, g\u00e9n\u00e9rant une repr\u00e9sentation fallacieuse de la tendance centrale du groupe \u00e9tudi\u00e9.<\/p>\n

\u00c0 l’oppos\u00e9, la m\u00e9diane correspond au cinquante-cinqui\u00e8me centile de la distribution, le point de l’espace m\u00e9trique qui s\u00e9pare la masse probabiliste en deux moiti\u00e9s \u00e9quiprobables de 50 %. Sur le plan du calcul variationnel, la m\u00e9diane minimise la somme des valeurs absolues des \u00e9carts, ce qui lui conf\u00e8re une r\u00e9sistance asymptotique exceptionnelle face aux anomalies d’\u00e9chantillonnage. Son point de rupture (breakdown point<\/em>) atteint 50 %, ce qui signifie qu’il faudrait contaminer la moiti\u00e9 exacte des observations par des valeurs arbitrairement infinies pour d\u00e9stabiliser totalement la m\u00e9diane, alors qu’une seule valeur aberrante suffit \u00e0 briser le point de rupture de la moyenne arithm\u00e9tique (qui est de 1\/n).<\/p>\n

Cette robustesse justifie l’h\u00e9g\u00e9monie de la m\u00e9diane dans l’exploration des donn\u00e9es issues d’\u00e9chelles de Likert et d’inventaires psychologiques. Lorsqu’un inventaire de d\u00e9pression de Beck ou un questionnaire de satisfaction logicielle produit des distributions fortement asym\u00e9triques \u00e0 droite (la majorit\u00e9 des participants rapportant des scores bas, accompagn\u00e9s d’une tra\u00eene de participants s\u00e9v\u00e8rement atteints), la m\u00e9diane demeure l’unique indicateur fid\u00e8le du score typique de la cohorte. Le test des signes capitalise int\u00e9gralement sur cette caract\u00e9ristique en \u00e9rigeant la m\u00e9diane au rang d’estimateur pivot, \u00e9vitant ainsi aux analystes les extrapolations indues inh\u00e9rentes \u00e0 la moyenne.<\/p>\n

1.3 Origines probabilistes et analogie avec le sch\u00e9ma de Bernoulli<\/h3>\n

L’\u00e9l\u00e9gance computationnelle du test des signes r\u00e9side dans sa r\u00e9duction conceptuelle des donn\u00e9es quantitatives \u00e0 un sch\u00e9ma de Bernoulli classique. Consid\u00e9rons une population continue caract\u00e9ris\u00e9e par une m\u00e9diane θ. Par d\u00e9finition m\u00eame de la m\u00e9diane continue, la probabilit\u00e9 qu’une observation al\u00e9atoire Xi<\/sub><\/em> pr\u00e9lev\u00e9e dans cette population soit strictement sup\u00e9rieure \u00e0 θ est rigoureusement \u00e9gale \u00e0 0,5, tout comme la probabilit\u00e9 qu’elle lui soit strictement inf\u00e9rieure :<\/p>\n

P(Xi<\/sub> > θ) = P(Xi<\/sub> < θ) = 0,5<\/em><\/p>\n

Sous la formulation de l’hypoth\u00e8se nulle d’\u00e9galit\u00e9 \u00e0 une norme th\u00e9orique θ0<\/sub>, l’\u00e9cart directionnel de chaque mesure individuelle par rapport \u00e0 θ0<\/sub> peut \u00eatre recod\u00e9 sous forme d’une variable binaire : un succ\u00e8s (signe positif, not\u00e9 +) si l’observation surpasse la m\u00e9diane th\u00e9orique, ou un \u00e9chec (signe n\u00e9gatif, not\u00e9 -) si l’observation lui est inf\u00e9rieure. Cette op\u00e9ration de r\u00e9duction binaire d\u00e9pouille la s\u00e9rie empirique de ses aspects m\u00e9triques continus complexes pour la transmuter en une succession d’essais ind\u00e9pendants d’\u00e9quiprobabilit\u00e9 \u00e9l\u00e9mentaire p = 0,5<\/em>. L’exp\u00e9rience statistique devient isomorphe \u00e0 un jeu r\u00e9p\u00e9t\u00e9 de pile ou face \u00e0 l’aide d’une pi\u00e8ce rigoureusement \u00e9quilibr\u00e9e.<\/p>\n

D\u00e8s lors, la variable al\u00e9atoire repr\u00e9sentant le nombre total d’occurrences positives au sein d’une s\u00e9rie de n<\/em> observations ind\u00e9pendantes suit exactement une distribution binomiale th\u00e9orique B(n ; 0,5)<\/em> sous l’hypoth\u00e8se nulle. Cette analogie probabiliste dispense l’analyste de recourir \u00e0 des tables statistiques complexes ou \u00e0 des int\u00e9grations d’aires continues sous des courbes asymptotiques arbitraires : le calcul inf\u00e9rentiel s’appuie directement sur les propri\u00e9t\u00e9s combinatoires de la formule binomiale. C’est cette simplicit\u00e9 formelle qui permet de d\u00e9ployer l’\u00e9preuve au moyen de formules arithm\u00e9tiques pures au sein d’un simple tableur tel qu’Excel.<\/p>\n

2. Hypoth\u00e8ses statistiques et conditions d’application pr\u00e9alables<\/h2>\n

2.1 Formulation formelle des hypoth\u00e8ses nulle et alternative<\/h3>\n

Toute d\u00e9marche d’inf\u00e9rence non param\u00e9trique exige une formalisation axiomatique sans faille des conjectures test\u00e9es. Pour le test des signes \u00e0 un \u00e9chantillon, l’hypoth\u00e8se nulle (not\u00e9e H0<\/sub><\/em>) postule la conformit\u00e9 stricte de la m\u00e9diane populationnelle θ \u00e0 la valeur de r\u00e9f\u00e9rence th\u00e9orique θ0<\/sub>. Elle se formalise ainsi :<\/p>\n

H0<\/sub> : θ = θ0<\/sub><\/em><\/p>\n

En termes probabilistes au niveau des signes, cette assertion \u00e9quivaut \u00e0 d\u00e9clarer que la probabilit\u00e9 p<\/em> d’observer un \u00e9cart positif est \u00e9gale \u00e0 0,5 (p = 0,5<\/em>). Selon les vis\u00e9es \u00e9pist\u00e9miques de l’investigateur, trois formulations distinctes de l’hypoth\u00e8se alternative (not\u00e9e H1<\/sub><\/em> ou Ha<\/sub><\/em>) peuvent \u00eatre articul\u00e9es :<\/p>\n