{"id":3754,"date":"2026-10-14T18:01:06","date_gmt":"2026-10-14T18:01:06","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-trouver-facilement-valeurs-aberrantes-google-sheets\/"},"modified":"2026-10-14T18:01:06","modified_gmt":"2026-10-14T18:01:06","slug":"comment-trouver-facilement-valeurs-aberrantes-google-sheets","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-trouver-facilement-valeurs-aberrantes-google-sheets","title":{"rendered":"Comment trouver facilement les valeurs aberrantes dans Google Sheets"},"content":{"rendered":"

Dans le champ foisonnant de l’analyse empirique contemporaine, la puret\u00e9 m\u00e9trologique d’un ensemble de donn\u00e9es constitue la condition sine qua non de toute inf\u00e9rence scientifique valide. Que l’on \u00e9volue au sein des sciences psychologiques, de la neurobiologie computationnelle, de la sociom\u00e9trie quantitative ou de l’\u00e9conom\u00e9trie appliqu\u00e9e, le chercheur ou l’analyste de donn\u00e9es se heurte in\u00e9luctablement \u00e0 l’irruption de mesures h\u00e9t\u00e9rodoxes qui d\u00e9vient radicalement du patron distributionnel attendu. Ces singularit\u00e9s statistiques, commun\u00e9ment d\u00e9sign\u00e9es sous le vocable de \u00ab valeurs aberrantes \u00bb ou d’outliers<\/em>, incarnent simultan\u00e9ment une menace pour la robustesse des mod\u00e8les math\u00e9matiques et une opportunit\u00e9 heuristique d’\u00e9lucidation des ph\u00e9nom\u00e8nes sous-jacents.<\/p>\n

L’av\u00e8nement des suites logicielles infonuagiques, et plus particuli\u00e8rement de Google Sheets<\/a>, a d\u00e9mocratis\u00e9 de mani\u00e8re spectaculaire le traitement interactif et collaboratif des s\u00e9ries de donn\u00e9es massives. N\u00e9anmoins, la simplicit\u00e9 d’acc\u00e8s apparente de cet environnement tabulaire ne doit en aucun cas occulter l’exigence m\u00e9thodologique requise lors de la phase de pr\u00e9traitement et de diagnostic anomalique. L’identification rigoureuse d’une d\u00e9viance quantitative ne rel\u00e8ve pas d’une intuition impressionniste ; elle s’ancre dans des th\u00e9or\u00e8mes formels et des algorithmes de statistique robuste \u00e9prouv\u00e9s, dont l’impl\u00e9mentation requiert une ma\u00eetrise approfondie des fonctions matricielles et logiques offertes par la plateforme en nuage.<\/p>\n

Le pr\u00e9sent trait\u00e9 m\u00e9thodologique se propose de guider le praticien et le chercheur \u00e0 travers les m\u00e9andres th\u00e9oriques, math\u00e9matiques et techniques de la d\u00e9tection des valeurs aberrantes au sein de Google Sheets. De l’\u00e9lucidation \u00e9pist\u00e9mologique du concept d’aberration statistique jusqu’\u00e0 la mise en place de flux d’automatisation script\u00e9s sous Google Apps Script, chaque jalon analytique sera m\u00e9thodiquement explor\u00e9. En conjuguant les fondements de la statistique exploratoire de John Tukey, l’analyse param\u00e9trique standardis\u00e9e et les techniques visuelles de criblage dynamique, ce guide fournit l’ensemble des cl\u00e9s op\u00e9rationnelles pour pr\u00e9server la validit\u00e9 de vos conclusions empiriques sans jamais corrompre l’int\u00e9grit\u00e9 de votre recueil exp\u00e9rimental.<\/p>\n

1. Fondements conceptuels des valeurs aberrantes en psychologie et en science des donn\u00e9es<\/h2>\n

1.1 D\u00e9finition \u00e9pist\u00e9mologique et math\u00e9matique de l’aberration statistique<\/h3>\n

Sur le plan \u00e9pist\u00e9mologique, une valeur aberrante se d\u00e9finit comme une observation singuli\u00e8re qui s’\u00e9carte de mani\u00e8re si substantielle des autres \u00e9l\u00e9ments de la s\u00e9rie qu’elle suscite un soup\u00e7on l\u00e9gitime quant au m\u00e9canisme g\u00e9n\u00e9rateur sous-jacent. Dans l’architecture formelle des probabilit\u00e9s, une observation est qualifi\u00e9e de d\u00e9viante lorsqu’elle occupe les r\u00e9gions de densit\u00e9 asymptotiquement quasi nulles au sein de la fonction de r\u00e9partition postul\u00e9e. Cette caract\u00e9risation g\u00e9om\u00e9trique repose traditionnellement sur le calcul d’une distance m\u00e9trique, qu’il s’agisse de la simple distance euclidienne unidimensionnelle par rapport \u00e0 l’esp\u00e9rance math\u00e9matique ou, dans des espaces multidimensionnels plus complexes, de la distance de Mahalanobis qui tient compte des covariances structurelles.<\/p>\n

L’\u00e9valuation de la d\u00e9viance d\u00e9pend intrins\u00e8quement des mesures de tendance centrale adopt\u00e9es par l’investigateur. Lorsque l’on recourt \u00e0 la moyenne arithm\u00e9tique comme point d’ancrage, celle-ci subit une attraction proportionnelle \u00e0 l’amplitude de l’\u00e9cart, cr\u00e9ant un ph\u00e9nom\u00e8ne de circularit\u00e9 vicieuse o\u00f9 le param\u00e8tre de r\u00e9f\u00e9rence se trouve lui-m\u00eame contamin\u00e9 par l’entit\u00e9 qu’il est cens\u00e9 \u00e9valuer. \u00c0 l’inverse, l’ancrage sur des estimateurs de position non param\u00e9triques, tels que la m\u00e9diane ou les quantiles tronqu\u00e9s, offre une invariance relative face aux perturbations exog\u00e8nes, conf\u00e9rant \u00e0 la d\u00e9finition de l’aberration une assise formelle beaucoup plus stable et reproductible.<\/p>\n

D’un point de vue t\u00e9l\u00e9ologique, il est crucial d’\u00e9tablir une ligne de d\u00e9marcation nette entre une valeur extr\u00eame appartenant l\u00e9gitimement \u00e0 la queue d’une loi de probabilit\u00e9 \u00e0 queue lourde (telle qu’une distribution de Cauchy, de Pareto ou de Weibull) et une aberration n\u00e9e d’un artefact m\u00e9thodologique. L’extr\u00eame probabiliste traduit la r\u00e9alit\u00e9 d’un \u00e9tat rare mais plausible du syst\u00e8me mod\u00e9lis\u00e9, tandis que l’erreur d’\u00e9chantillonnage constitue une scorie informationnelle r\u00e9sultant de la captation d’un individu n’appartenant pas \u00e0 la population cible. Les origines de cette pr\u00e9occupation m\u00e9thodologique remontent aux travaux pr\u00e9curseurs d’astronomes et de g\u00e9od\u00e9siens du dix-neuvi\u00e8me si\u00e8cle, \u00e0 l’instar de Daniel Bernoulli, Benjamin Peirce ou Francis Edgeworth, qui s’interrogeaient d\u00e9j\u00e0 sur la l\u00e9gitimit\u00e9 d’\u00e9carter unilat\u00e9ralement des observations t\u00e9lescopiques divergentes afin de stabiliser le calcul des trajectoires c\u00e9lestes.<\/p>\n

1.2 Typologie des valeurs aberrantes en recherche comportementale<\/h3>\n

Dans le domaine des sciences comportementales et de la psychologie cognitive ou diff\u00e9rentielle, les sources g\u00e9n\u00e9ratrices d’aberrations sont \u00e9minemment vari\u00e9es et n\u00e9cessitent une taxonomie rigoureuse. La premi\u00e8re cat\u00e9gorie, la plus banale mais \u00e9galement la plus fr\u00e9quente, regroupe les erreurs instrumentales et m\u00e9caniques. Il s’agit typiquement de coquilles typographiques survenues lors de la saisie manuelle au clavier (par exemple, la transcription d’un temps de r\u00e9action sous la forme de 4500 millisecondes au lieu de 450 millisecondes), d’une d\u00e9faillance logicielle du chronom\u00e8tre de pr\u00e9sentation des stimuli, ou encore d’une corruption de l’encodage des caract\u00e8res au sein du formulaire d’acquisition en ligne.<\/p>\n

La deuxi\u00e8me cat\u00e9gorie englobe la variabilit\u00e9 biologique et cognitive intrins\u00e8que. Dans tout paradigme psychom\u00e9trique, l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des cohortes humaines g\u00e9n\u00e8re des profils idiosyncrasiques : un participant dot\u00e9 d’un potentiel intellectuel exceptionnel, ou \u00e0 l’oppos\u00e9 un individu pr\u00e9sentant des troubles sp\u00e9cifiques de l’attention ou de l’appareil perceptif, fournira des r\u00e9ponses dont la m\u00e9trique s’\u00e9loignera de la normalit\u00e9 sans qu’aucune d\u00e9faillance technique ne soit en cause. L’exclusion aveugle de telles donn\u00e9es risque alors d’appauvrir drastiquement la port\u00e9e \u00e9cologique de l’investigation en oblit\u00e9rant la neurodiversit\u00e9 constitutive de la population g\u00e9n\u00e9rale.<\/p>\n

Enfin, la troisi\u00e8me cat\u00e9gorie d\u00e9coule de biais motivationnels et strat\u00e9giques chez les r\u00e9pondants. Dans les protocoles fond\u00e9s sur des questionnaires auto-rapport\u00e9s ou des plateformes de crowdsourcing en ligne, certains sujets adoptent une posture de non-coop\u00e9ration caract\u00e9ris\u00e9e par le remplissage al\u00e9atoire acc\u00e9l\u00e9r\u00e9 (speeding), la s\u00e9lection syst\u00e9matique d’une m\u00eame modalit\u00e9 de r\u00e9ponse (straightlining), ou des tentatives d\u00e9lib\u00e9r\u00e9es de manipulation exp\u00e9rimentale. Ces comportements parasitaires injectent un bruit statistique massif qui alt\u00e8re gravement tant la validit\u00e9 interne du dispositif \u2014 en induisant des corr\u00e9lations illusoires ou en masquant les v\u00e9ritables liens de causalit\u00e9 \u2014 que sa validit\u00e9 externe, interdisant toute g\u00e9n\u00e9ralisation l\u00e9gitime des inf\u00e9rences th\u00e9oriques tir\u00e9es de l’\u00e9chantillon.<\/p>\n

1.3 Cons\u00e9quences statistiques sur la distribution et les tests param\u00e9triques<\/h3>\n

L’intrusion d’observations aberrantes au sein d’un \u00e9chantillon empirique exerce une influence d\u00e9l\u00e9t\u00e8re sur la g\u00e9om\u00e9trie de la distribution des donn\u00e9es. Le premier moment centr\u00e9 (la moyenne) et le deuxi\u00e8me moment centr\u00e9 (la variance, et par extension son extrapolation quadratique, l’\u00e9cart-type) se caract\u00e9risent par un point de rupture (breakdown point<\/em>) \u00e9gal \u00e0 z\u00e9ro. Cela implique math\u00e9matiquement qu’une seule observation infinit\u00e9simale ou infiniment grande suffit \u00e0 faire basculer la moyenne ou \u00e0 gonfler artificiellement la variance vers des grandeurs arbitraires, ruinant ainsi toute repr\u00e9sentativit\u00e9 des param\u00e8tres calcul\u00e9s.<\/p>\n

Sur le plan inf\u00e9rentiel, ces perturbations ont pour corollaire une inflation incontr\u00f4l\u00e9e des risques d’erreur de premi\u00e8re esp\u00e8ce (alpha) et de deuxi\u00e8me esp\u00e8ce (b\u00eata). Dans le cadre d’un test param\u00e9trique standard tel que le test t de Student pour \u00e9chantillons ind\u00e9pendants ou l’analyse de variance univari\u00e9e (ANOVA), la pr\u00e9sence d’une valeur aberrante dans un groupe exp\u00e9rimental va d\u00e9mesur\u00e9ment accro\u00eetre la somme des carr\u00e9s r\u00e9siduels au d\u00e9nominateur du ratio de Fisher. En cons\u00e9quence, la statistique F se trouve artificiellement diminu\u00e9e, ce qui r\u00e9duit la puissance statistique et conduit fr\u00e9quemment \u00e0 l’acceptation erron\u00e9e de l’hypoth\u00e8se nulle (erreur de type II), dissimulant un effet exp\u00e9rimental pourtant r\u00e9el.<\/p>\n

De surcro\u00eet, les hypoth\u00e8ses fondamentales sous-tendant la th\u00e9orie lin\u00e9aire g\u00e9n\u00e9rale \u2014 \u00e0 savoir la normalit\u00e9 multivari\u00e9e des erreurs r\u00e9siduelles et l’homosc\u00e9dasticit\u00e9 (l’homog\u00e9n\u00e9it\u00e9 de la variance \u00e0 travers les diff\u00e9rentes conditions de traitement) \u2014 se trouvent formellement viol\u00e9es. D\u00e8s lors que les r\u00e9sidus exhibent une asym\u00e9trie marqu\u00e9e (skewness<\/em>) ou un aplatissement excessif (kurtosis<\/em>), les valeurs p associ\u00e9es aux tests de significativit\u00e9 cessent d’\u00eatre exactes et deviennent totalement fallacieuses. Ce constat impose au chercheur une d\u00e9marche m\u00e9thodique d’assainissement pr\u00e9alable, garantissant que les propri\u00e9t\u00e9s structurales des s\u00e9ries collect\u00e9es r\u00e9pondent sans ambigu\u00eft\u00e9 aux r\u00e9quisits formels des estimateurs math\u00e9matiques mobilis\u00e9s.<\/p>\n

2. La r\u00e8gle de l’\u00e9cart interquartile (IQR) selon la statistique robuste<\/h2>\n

2.1 Principes fondamentaux du premier et troisi\u00e8me quartiles<\/h3>\n

Face \u00e0 la fragilit\u00e9 structurelle des estimateurs gaussiens traditionnels, la statistique robuste propose de s’affranchir de la d\u00e9pendance \u00e0 la moyenne en s’appuyant sur des statistiques d’ordre. Le concept cardinal repose sur la fragmentation ordonn\u00e9e de la distribution empirique. Lorsque l’ensemble des observations d’un \u00e9chantillon de taille n<\/em> est pr\u00e9alablement tri\u00e9 par ordre croissant de magnitude, il devient possible de d\u00e9couper la s\u00e9rie en quantiles r\u00e9guliers insensibles \u00e0 la position relative des bornes extr\u00eames.<\/p>\n

Le premier quartile, universellement not\u00e9 Q1<\/strong>, correspond au vingt-cinqui\u00e8me percentile de la population \u00e9chantillonn\u00e9e. Il constitue la valeur en de\u00e7\u00e0 de laquelle se situe exactement un quart (25 %) des donn\u00e9es observ\u00e9es, tandis que les trois quarts restants (75 %) lui sont sup\u00e9rieurs. \u00c0 l’autre extr\u00e9mit\u00e9 de la structure m\u00e9diane, le troisi\u00e8me quartile, d\u00e9sign\u00e9 par Q3<\/strong>, incarne le soixante-quinzi\u00e8me percentile, d\u00e9limitant le seuil sous lequel sont contenues 75 % des observations et au-del\u00e0 duquel ne subsiste que le quart sup\u00e9rieur le plus \u00e9lev\u00e9 de la distribution.<\/p>\n

Ces deux m\u00e9triques fondamentales d\u00e9coupent la masse distributionnelle en quatre segments \u00e9quiprobables. Contrairement \u00e0 la moyenne qui r\u00e9agit violemment \u00e0 tout glissement marginal d’un score vers l’infini, Q1 et Q3 poss\u00e8dent un point de rupture de 0,25. Cela signifie qu’il faudrait falsifier ou d\u00e9placer arbitrairement au moins un quart de l’\u00e9chantillon complet avant que la valeur absolue de ces quantiles ne perde son ancrage repr\u00e9sentatif au c\u0153ur du corpus \u00e9tudi\u00e9, assurant ainsi une r\u00e9sistance remarquable face aux perturbations extr\u00eames.<\/p>\n

2.2 D\u00e9finition et propri\u00e9t\u00e9s de l’intervalle interquartile<\/h3>\n

L’\u00e9cart interquartile, d\u00e9sign\u00e9 internationalement par l’acronyme IQR<\/strong> (pour Interquartile Range<\/em>), se d\u00e9finit alg\u00e9briquement comme la diff\u00e9rence scalaire stricte s\u00e9parant le troisi\u00e8me quartile du premier quartile, soit :<\/p>\n

IQR = Q3 – Q1<\/strong><\/p>\n

Cette grandeur unidimensionnelle mat\u00e9rialise l’\u00e9tendue de l’intervalle au sein duquel se concentrent exactement les 50 % centraux de l’\u00e9chantillon analys\u00e9. Par sa conception m\u00eame, l’IQR ignore totalement la dispersion des deux tranches marginales de 25 % situ\u00e9es aux antipodes de la m\u00e9diane, \u00e9radiquant d\u00e8s lors l’impact d\u00e9l\u00e9t\u00e8re que pourraient exercer des art\u00e9facts d’\u00e9chantillonnage diss\u00e9min\u00e9s dans les queues de distribution.<\/p>\n

\"\"<\/figure>\n

Sur le plan comparatif, l’IQR surpasse incontestablement l’\u00e9tendue simple (diff\u00e9rence brute entre le maximum et le minimum), laquelle constitue la mesure de dispersion la plus versatile et la moins robuste qui soit, assujettie au moindre score divergent. L’\u00e9cart interquartile manifeste en outre une stabilit\u00e9 math\u00e9matique remarquable lors de l’\u00e9tude de distributions asym\u00e9triques (telles que les temps de r\u00e9action mod\u00e9lis\u00e9s par des distributions Ex-Gaussiennes ou de Wald) ou de distributions tronqu\u00e9es par des effets de plancher ou de plafond. Il restitue une m\u00e9trique fid\u00e8le de la dispersion intrins\u00e8que du ph\u00e9nom\u00e8ne sans requ\u00e9rir l’hypoth\u00e8se restrictive d’une sym\u00e9trie parfaite autour du barycentre statistique.<\/p>\n

2.3 Justification th\u00e9orique du coefficient multiplicateur de Tukey<\/h3>\n

Dans son ouvrage fondateur consacr\u00e9 \u00e0 l’analyse exploratoire des donn\u00e9es, le statisticien am\u00e9ricain John Wilder Tukey<\/a> a formalis\u00e9 un crit\u00e8re algorithmique d’une remarquable \u00e9l\u00e9gance pour baliser les fronti\u00e8res de l’acceptabilit\u00e9 statistique sans pr\u00e9sumer de la normalit\u00e9 stricte de la population d’origine. Tukey a postul\u00e9 qu’une observation pouvait \u00eatre qualifi\u00e9e de d\u00e9viante ou suspecte si elle s’\u00e9loignait du bloc central des quartiles d’une distance sup\u00e9rieure \u00e0 1,5 fois la valeur de l’\u00e9cart interquartile.<\/p>\n

Ce coefficient multiplicateur k = 1,5<\/em> n’est pas issu d’un pur arbitraire empirique. Dans l’hypoth\u00e8se d’une loi normale centr\u00e9e et r\u00e9duite th\u00e9orique, la distance s\u00e9parant la m\u00e9diane (0) de Q1 ou Q3 est d’approximativement 0,6745 \u00e9cart-type (σ), ce qui conf\u00e8re \u00e0 l’IQR une valeur th\u00e9orique \u00e9quivalente \u00e0 1,349 σ. En retranchant 1,5 fois l’IQR \u00e0 Q1 et en l’ajoutant \u00e0 Q3, on obtient des cl\u00f4tures math\u00e9matiques situ\u00e9es pr\u00e9cis\u00e9ment \u00e0 :<\/p>\n

± (0,6745 + 1,5 × 1,349) σ ≈ ± 2,698 σ<\/strong><\/p>\n

Sous l’empire d’une distribution gaussienne parfaite, l’intervale [Q1 – 1,5×IQR ; Q3 + 1,5×IQR] englobe approximativement 99,3 % de la population globale. D\u00e8s lors, la probabilit\u00e9 th\u00e9orique d’observer par pur hasard une valeur en dehors de ces cl\u00f4tures est restreinte \u00e0 seulement 0,007 (soit 0,7 % de l’\u00e9chantillon). Tukey a \u00e9galement formalis\u00e9 la distinction cruciale entre les \u00ab valeurs aberrantes mineures \u00bb (outside values<\/em>, bas\u00e9es sur un facteur k = 1,5<\/em>) et les \u00ab valeurs aberrantes extr\u00eames \u00bb (far out values<\/em>), qui adoptent un coefficient conservateur de k = 3,0<\/em>, correspondant \u00e0 un \u00e9cart \u00e9quivalent \u00e0 plus de 4,7 σ, o\u00f9 la probabilit\u00e9 stochastique d’occurrence al\u00e9atoire chute \u00e0 moins de 0,000002. Les cl\u00f4tures inf\u00e9rieure et sup\u00e9rieure s’\u00e9tablissent ainsi formellement :<\/p>\n