{"id":4034,"date":"2026-10-14T18:01:10","date_gmt":"2026-10-14T18:01:10","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/que-sont-les-residus-de-pearson-definition-exemple\/"},"modified":"2026-10-14T18:01:10","modified_gmt":"2026-10-14T18:01:10","slug":"que-sont-les-residus-de-pearson-definition-exemple","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=que-sont-les-residus-de-pearson-definition-exemple","title":{"rendered":"Que sont les r\u00e9sidus de Pearson ? (D\u00e9finition et exemple)"},"content":{"rendered":"

Dans le champ des sciences humaines, et tout particuli\u00e8rement en psychologie quantitative, la mod\u00e9lisation des ph\u00e9nom\u00e8nes comportementaux repose fr\u00e9quemment sur des observations qualitatives discr\u00e8tes. Qu’il s’agisse de cat\u00e9goriser des profils de personnalit\u00e9, de classifier des entit\u00e9s nosologiques selon le Manuel diagnostique et statistique des troubles mentaux (DSM-5<\/a>), ou d’\u00e9valuer l’adh\u00e9sion \u00e0 des modalit\u00e9s th\u00e9rapeutiques particuli\u00e8res, les chercheurs se trouvent constamment confront\u00e9s \u00e0 des donn\u00e9es cat\u00e9gorielles organis\u00e9es sous forme de tables de contingence. Face \u00e0 ces matrices d’effectifs, le r\u00e9flexe statistique traditionnel consiste \u00e0 appliquer le test d’ind\u00e9pendance du Chi-deux d\u00e9velopp\u00e9 par Karl Pearson au tournant du vingti\u00e8me si\u00e8cle. Si ce test omnibus offre une r\u00e9ponse binaire quant \u00e0 l’existence d’une d\u00e9viation globale par rapport \u00e0 une situation d’ind\u00e9pendance stochastique, il demeure intrins\u00e8quement aveugle quant aux sources pr\u00e9cises de cette divergence.<\/p>\n

Cette c\u00e9cit\u00e9 analytique pose un d\u00e9fi majeur pour le clinicien et le chercheur. Constater qu’une association significative existe entre deux variables nominales \u2014 par exemple, entre un style d’attachement pr\u00e9coce et l’\u00e9mergence d’une pathologie anxieuse \u00e0 l’\u00e2ge adulte \u2014 n’indique en rien quelles sous-populations sp\u00e9cifiques portent cette relation. Est-ce le style \u00e9vitant qui surrepr\u00e9sente une phobie sp\u00e9cifique, ou le style anxieux-ambivalent qui pr\u00e9sente une affinit\u00e9 singuli\u00e8re avec le trouble panique ? Pour r\u00e9pondre \u00e0 cette interrogation fondamentale sans multiplier abusivement les tests a posteriori susceptibles d’accro\u00eetre exponentiellement le risque d’erreur de premi\u00e8re esp\u00e8ce, la statistique inf\u00e9rentielle moderne fait appel aux r\u00e9sidus de Pearson, ainsi qu’\u00e0 leurs extensions standardis\u00e9es et ajust\u00e9es.<\/p>\n

V\u00e9ritables instruments de micro-dissection statistique, les r\u00e9sidus de Pearson permettent de d\u00e9composer la statistique globale du Chi-deux cellule par cellule, transformant un simple constat d’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 en une cartographie d\u00e9taill\u00e9e des attractions et des r\u00e9pulsions comportementales. En quantifiant l’\u00e9cart normalis\u00e9 entre la r\u00e9alit\u00e9 empirique observ\u00e9e et l’attente th\u00e9orique sous l’hypoth\u00e8se nulle, ils conf\u00e8rent aux chercheurs un cadre rigoureux, analogue aux scores standardis\u00e9s de la psychom\u00e9trie, pour isoler des patrons cliniques remarquables, d\u00e9tecter des comorbidit\u00e9s atypiques et valider des hypoth\u00e8ses \u00e9tiologiques avec une pr\u00e9cision granulaire.<\/p>\n

1. Introduction aux r\u00e9sidus de Pearson dans l’analyse de donn\u00e9es psychologiques<\/h2>\n

### 1.1 Le r\u00f4le de l’analyse cat\u00e9gorielle en psychologie quantitative<\/p>\n

L’analyse de donn\u00e9es en psychologie clinique, diff\u00e9rentielle et cognitive se heurte r\u00e9guli\u00e8rement \u00e0 une contrainte \u00e9pist\u00e9mologique majeure : une part consid\u00e9rable des ph\u00e9nom\u00e8nes psychiques ne peut \u00eatre mesur\u00e9e de fa\u00e7on continue sur une \u00e9chelle d’intervalles constants. La nosographie psychiatrique contemporaine, l’\u00e9valuation des stades de d\u00e9veloppement, les styles d’adaptation (coping), ainsi que de nombreuses mesures d’attitudes psychosociales sont intrins\u00e8quement nominales ou ordinales. Les cliniciens classent les individus au sein de typologies diagnostiques mutuellement exclusives, tandis que les psychologues sociaux cat\u00e9gorisent les comportements observ\u00e9s selon des grilles de codage pr\u00e9d\u00e9termin\u00e9es. L’analyse cat\u00e9gorielle constitue donc un socle fondamental de la psychologie quantitative, fournissant les outils m\u00e9thodologiques requis pour traiter rigoureusement des variables discr\u00e8tes sans d\u00e9naturer leur structure qualitative fondamentale.<\/p>\n

Au c\u0153ur de ces d\u00e9marches m\u00e9thodologiques se trouve le tableau de contingence crois\u00e9, matrice au sein de laquelle chaque cellule consigne le nombre d’individus pr\u00e9sentant simultan\u00e9ment une modalit\u00e9 sp\u00e9cifique de la variable pr\u00e9dictive (ou ind\u00e9pendante) et une modalit\u00e9 de la variable r\u00e9ponse (ou d\u00e9pendante). Dans le cadre d’un protocole de recherche sur l’efficacit\u00e9 compar\u00e9e de plusieurs psychoth\u00e9rapies, un tableau de contingence permettra d’examiner le croisement entre les formes de th\u00e9rapies administr\u00e9es (th\u00e9rapie cognitivo-comportementale, approche syst\u00e9mique, psychanalyse) et l’\u00e9tat clinique post-intervention (r\u00e9mission compl\u00e8te, am\u00e9lioration partielle, \u00e9chec th\u00e9rapeutique). D\u00e8s lors, la quantification de l’association entre ces facteurs cat\u00e9goriels requiert des m\u00e9thodes qui respectent la nature non m\u00e9trique des observations, excluant d’embl\u00e9e les mod\u00e8les param\u00e9triques lin\u00e9aires classiques fond\u00e9s sur la moyenne et la variance continue.<\/p>\n

Toutefois, la manipulation de ces matrices d’effectifs ne saurait se cantonner \u00e0 la simple v\u00e9rification d’un lien d’ensemble. En psychologie, o\u00f9 l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 interindividuelle est la r\u00e8gle plut\u00f4t que l’exception, caract\u00e9riser la structure fine des donn\u00e9es implique d’aller bien au-del\u00e0 d’une confirmation globale d’interd\u00e9pendance. Il devient imp\u00e9ratif de d\u00e9terminer comment les individus se r\u00e9partissent dans chaque croisement modal, quelles configurations psychopathologiques s’\u00e9cartent du hasard et comment ces singularit\u00e9s renseignent le mod\u00e8le th\u00e9orique sous-jacent. C’est pr\u00e9cis\u00e9ment \u00e0 cette intersection entre formalisme statistique et pertinence clinique que s’impose l’examen d\u00e9taill\u00e9 des structures locales de contingence.<\/p>\n

### 1.2 Limites de la statistique globale du Chi-deux<\/p>\n

Le test d’ind\u00e9pendance du Chi-deux de Pearson repr\u00e9sente sans conteste l’outil inf\u00e9rentiel le plus largement enseign\u00e9 et mobilis\u00e9 pour \u00e9valuer l’association entre deux variables cat\u00e9gorielles. Face \u00e0 un tableau de contingence de dimensions r<\/em> \u00d7 c<\/em> (comportant r<\/em> lignes et c<\/em> colonnes), ce test pose une hypoth\u00e8se nulle stipulant l’absence totale de corr\u00e9lation stochastique entre les deux dimensions. La statistique globale synth\u00e9tise l’ensemble des \u00e9carts quadratiques observ\u00e9s sur toutes les cellules de la table pour produire une valeur scalaire unique. Lorsque cette valeur exc\u00e8de le seuil critique d\u00e9fini par la loi de distribution th\u00e9orique associ\u00e9e aux degr\u00e9s de libert\u00e9 correspondants, l’hypoth\u00e8se d’ind\u00e9pendance est rejet\u00e9e, concluant \u00e0 l’existence d’une relation statistiquement significative entre les variables.<\/p>\n

Cependant, cette d\u00e9marche pr\u00e9sente une limitation intrins\u00e8que majeure : le test du Chi-deux est un test omnibus. \u00c0 l’instar d’une analyse de variance (ANOVA<\/a>) qui indique un effet factoriel global sans d\u00e9signer quelles moyennes de groupes diff\u00e8rent sp\u00e9cifiquement, le Chi-deux informe le chercheur qu’un patron non al\u00e9atoire existe dans la matrice, mais reste muet quant \u00e0 sa localisation g\u00e9ographique dans la table. La statistique globale ne poss\u00e8de aucune directionalit\u00e9 : elle agr\u00e8ge des \u00e9carts positifs et n\u00e9gatifs apr\u00e8s les avoir \u00e9lev\u00e9s au carr\u00e9, masquant compl\u00e8tement si une cellule particuli\u00e8re manifeste un surplus ou un d\u00e9ficit syst\u00e9matique d’observations par rapport \u00e0 ce que pr\u00e9disait le hasard.<\/p>\n

Cette incapacit\u00e9 \u00e0 discriminer l’origine de la significativit\u00e9 expose les praticiens \u00e0 de graves biais d’interpr\u00e9tation. Dans une table de grande dimension, par exemple un tableau 4 \u00d7 5 impliquant quatre types de personnalit\u00e9s et cinq classes de troubles addictifs, le rejet franc de l’hypoth\u00e8se d’ind\u00e9pendance stochastique peut \u00eatre provoqu\u00e9 par une unique cellule extr\u00eamement divergente, tandis que les dix-neuf autres respectent parfaitement l’ind\u00e9pendance th\u00e9orique. Conclure sur cette seule base globale que l’ensemble des troubles addictifs est li\u00e9 aux types de personnalit\u00e9 constituerait un raccourci fallacieux. Sans une d\u00e9composition granulaire cellule par cellule, l’inf\u00e9rence clinique s’av\u00e8re non seulement impr\u00e9cise, mais potentiellement erron\u00e9e, risquant de fonder des pr\u00e9conisations diagnostiques ou des programmes th\u00e9rapeutiques sur des associations qui ne sont pas \u00e9tay\u00e9es par les donn\u00e9es empiriques.<\/p>\n

### 1.3 D\u00e9finition pr\u00e9liminaire et utilit\u00e9 clinique des r\u00e9sidus de Pearson<\/p>\n

Pour pallier ces d\u00e9ficiences de granularit\u00e9, l’analyse statistique avanc\u00e9e recourt au concept de r\u00e9sidu. Dans son acception la plus fondamentale, un r\u00e9sidu quantifie la divergence entre une valeur observ\u00e9e sur le terrain et la valeur th\u00e9orique attendue sous la validit\u00e9 d’un mod\u00e8le sp\u00e9cifi\u00e9. Dans le cadre d’un tableau de contingence r\u00e9gi par l’hypoth\u00e8se nulle d’ind\u00e9pendance, le r\u00e9sidu d’une cellule donn\u00e9e repr\u00e9sente la diff\u00e9rence entre l’effectif constat\u00e9 au sein de l’\u00e9chantillon et l’effectif qui aurait d\u00fb s’y manifester si les deux variables agissaient de fa\u00e7on totalement autonome. Le r\u00e9sidu de Pearson affine cette notion en appliquant une standardisation indispensable : il divise cet \u00e9cart brut par la racine carr\u00e9e de l’effectif th\u00e9orique, normalisant ainsi la mesure selon l’\u00e9chelle de sa variabilit\u00e9 attendue.<\/p>\n

Pour le psychologue et le psychom\u00e9tricien, ce formalisme \u00e9voque imm\u00e9diatement la construction des scores standards, tels que les z-scores universellement appliqu\u00e9s lors de l’\u00e9talonnage des tests psychom\u00e9triques (comme les \u00e9chelles de Wechsler ou les inventaires de d\u00e9pression de Beck). Tout comme un score Z exprime l’\u00e9cart d’un individu par rapport \u00e0 la moyenne du groupe en unit\u00e9s d’\u00e9cart type, le r\u00e9sidu de Pearson standardise la distance d’une cellule par rapport au mod\u00e8le d’ind\u00e9pendance stochastique. Il conf\u00e8re \u00e0 chaque croisement de modalit\u00e9s une m\u00e9trique standardis\u00e9e, ind\u00e9pendante de la taille absolue de la cellule, permettant une \u00e9valuation comparative imm\u00e9diate de l’amplitude de la d\u00e9viation.<\/p>\n

L’utilit\u00e9 clinique de cette approche est consid\u00e9rable. En psychom\u00e9trie et en psychiatrie exp\u00e9rimentale, les chercheurs ne cherchent pas simplement \u00e0 valider des mod\u00e8les th\u00e9oriques g\u00e9n\u00e9raux ; ils traquent des profils atypiques, des sous-groupes de patients pr\u00e9sentant des configurations symptomatiques inattendues, ou au contraire des m\u00e9canismes de protection psychologique traduits par des absences frappantes de comorbidit\u00e9s. L’examen minutieux des r\u00e9sidus de Pearson permet d’identifier pr\u00e9cis\u00e9ment ces anomalies structurales : une cellule affichant un r\u00e9sidu anormalement \u00e9lev\u00e9 d\u00e9signera une surrepr\u00e9sentation critique d’un tableau psychopathologique dans un sous-groupe, fournissant une justification empirique solide pour l’\u00e9laboration de ph\u00e9notypes cliniques diff\u00e9renci\u00e9s.<\/p>\n

2. Fondements th\u00e9oriques et cadre du test du Chi-deux d’ind\u00e9pendance<\/h2>\n

### 2.1 L’hypoth\u00e8se nulle d’ind\u00e9pendance stochastique<\/p>\n

La validit\u00e9 et la port\u00e9e de l’interpr\u00e9tation des r\u00e9sidus de Pearson reposent directement sur le cadre probabiliste formel du test du Chi-deux d’ind\u00e9pendance. Consid\u00e9rons deux variables al\u00e9atoires cat\u00e9gorielles, not\u00e9es respectivement X<\/em> et Y<\/em>. La variable X<\/em> poss\u00e8de r<\/em> modalit\u00e9s distinctes (not\u00e9es A<\/em>1<\/sub>, A<\/em>2<\/sub>, …, Ar<\/sub><\/em>), tandis que la variable Y<\/em> comporte c<\/em> modalit\u00e9s distinctes (not\u00e9es B<\/em>1<\/sub>, B<\/em>2<\/sub>, …, Bc<\/sub><\/em>). Lorsqu’un \u00e9chantillon al\u00e9atoire de N<\/em> individus est pr\u00e9lev\u00e9 au sein de la population cible, chaque observation peut \u00eatre assign\u00e9e sans ambigu\u00eft\u00e9 \u00e0 une cellule unique (i<\/em>, j<\/em>) correspondant \u00e0 l’intersection des modalit\u00e9s Ai<\/sub><\/em> et Bj<\/sub><\/em>.<\/p>\n

L’hypoth\u00e8se nulle, not\u00e9e H<\/em>0<\/sub>, postule l’ind\u00e9pendance stochastique stricte entre la variable X<\/em> et la variable Y<\/em>. D’un point de vue de la th\u00e9orie des probabilit\u00e9s<\/a>, deux \u00e9v\u00e9nements sont dits ind\u00e9pendants si et seulement si la probabilit\u00e9 de leur r\u00e9alisation conjointe \u00e9quivaut au produit de leurs probabilit\u00e9s marginales respectives. Par cons\u00e9quent, sous l’hypoth\u00e8se H<\/em>0<\/sub>, la probabilit\u00e9 th\u00e9orique conjointe pij<\/sub><\/em> qu’un individu quelconque appartienne simultan\u00e9ment \u00e0 la ligne i<\/em> et \u00e0 la colonne j<\/em> s’exprime par la relation formelle suivante :<\/p>\n

P<\/em>(X<\/em> = Ai<\/sub><\/em> \u2229 Y<\/em> = Bj<\/sub><\/em>) = P<\/em>(X<\/em> = Ai<\/sub><\/em>) \u00d7 P<\/em>(Y<\/em> = Bj<\/sub><\/em>)<\/p>\n

En adoptant les notations de sommation marginale usuelles, o\u00f9 p<\/em>i<\/em>+<\/sub> d\u00e9signe la probabilit\u00e9 marginale de la ligne i<\/em> et p<\/em>+j<\/em><\/sub> la probabilit\u00e9 marginale de la colonne j<\/em>, la condition d’ind\u00e9pendance se r\u00e9sume par pij<\/sub><\/em> = p<\/em>i<\/em>+<\/sub> \u00d7 p<\/em>+j<\/em><\/sub>, et ce pour l’ensemble des paires d’indices (i<\/em>, j<\/em>) telles que 1 \u2264 i<\/em> \u2264 r<\/em> et 1 \u2264 j<\/em> \u2264 c<\/em>. Dans les \u00e9tudes comportementales, une rupture de cette \u00e9galit\u00e9 implique que l’appartenance d’un sujet \u00e0 une cat\u00e9gorie de la variable X<\/em> modifie la distribution conditionnelle de ses r\u00e9ponses sur la variable Y<\/em>. Cela prouve l’existence d’une r\u00e9activit\u00e9 pr\u00e9f\u00e9rentielle, d’une vuln\u00e9rabilit\u00e9 cibl\u00e9e ou d’une covariation fonctionnelle entre les construits psychologiques investigu\u00e9s.<\/p>\n

### 2.2 Calcul des effectifs th\u00e9oriques ou attendus (Eij)<\/p>\n

Dans le monde empirique de la recherche, les probabilit\u00e9s marginales th\u00e9oriques de la population sous-jacente sont g\u00e9n\u00e9ralement inconnues. Elles doivent \u00eatre estim\u00e9es \u00e0 partir des donn\u00e9es de l’\u00e9chantillon via l’estimateur du maximum de vraisemblance<\/a>. Pour une table de contingence donn\u00e9e, notons Oij<\/sub><\/em> l’effectif observ\u00e9 dans la cellule situ\u00e9e au croisement de la i<\/em>-i\u00e8me ligne et de la j<\/em>-i\u00e8me colonne. Les totaux marginaux de lignes et de colonnes s’obtiennent par sommation simple :<\/p>\n

Ri<\/sub><\/em> = \u2211j<\/em>=1..c<\/em><\/sub> Oij<\/sub><\/em> (total marginal de la ligne i<\/em>)<\/p>\n

Cj<\/sub><\/em> = \u2211i<\/em>=1..r<\/em><\/sub> Oij<\/sub><\/em> (total marginal de la colonne j<\/em>)<\/p>\n

La taille totale de l’\u00e9chantillon N<\/em> est la somme de l’ensemble des observations : N<\/em> = \u2211i<\/em>=1..r<\/em><\/sub> Ri<\/sub><\/em> = \u2211j<\/em>=1..c<\/em><\/sub> Cj<\/sub><\/em>. Les estimateurs des probabilit\u00e9s marginales s’\u00e9crivent donc logiquement p\u0302<\/em>i<\/em>+<\/sub> = Ri<\/sub><\/em> \/ N<\/em> et p\u0302<\/em>+j<\/em><\/sub> = Cj<\/sub><\/em> \/ N<\/em>. En substituant ces estimateurs dans la condition d’ind\u00e9pendance stochastique, la probabilit\u00e9 th\u00e9orique conjointe estim\u00e9e pour chaque cellule s’\u00e9tablit \u00e0 p\u0302ij<\/sub><\/em> = (Ri<\/sub><\/em> \/ N<\/em>) \u00d7 (Cj<\/sub><\/em> \/ N<\/em>).<\/p>\n

L’effectif th\u00e9orique ou attendu au sein de la cellule (i<\/em>, j<\/em>), traditionnellement d\u00e9sign\u00e9 par la lettre Eij<\/sub><\/em> (pour Expected frequency<\/em>), correspond au produit de la taille totale de l’\u00e9chantillon par cette probabilit\u00e9 th\u00e9orique conjointe. L’\u00e9quation de calcul s’\u00e9nonce ainsi :<\/p>\n

Eij<\/sub><\/em> = N<\/em> \u00d7 p\u0302ij<\/sub><\/em> = N<\/em> \u00d7 (Ri<\/sub><\/em> \/ N<\/em>) \u00d7 (Cj<\/sub><\/em> \/ N<\/em>) = (Ri<\/sub><\/em> \u00d7 Cj<\/sub><\/em>) \/ N<\/em><\/p>\n

Conceptuellement, cet effectif th\u00e9orique Eij<\/sub><\/em> repr\u00e9sente la quantit\u00e9 pr\u00e9cise d’individus que l’on devrait observer dans cette case si la distribution globale des caract\u00e9ristiques se r\u00e9alisait sans la moindre interaction entre les deux variables, tout en pr\u00e9servant intactes les distributions marginales observ\u00e9es de l’\u00e9chantillon. Du point de vue m\u00e9thodologique, l’exactitude de l’approximation asymptotique sous-jacente au calcul de distribution requiert que les effectifs attendus ne soient pas excessivement t\u00e9nus. La r\u00e8gle canonique stipule que tous les Eij<\/sub><\/em> doivent id\u00e9alement \u00eatre sup\u00e9rieurs ou \u00e9gaux \u00e0 5 (ou qu’au minimum 80 % des cellules satisfassent cette exigence dans les tables complexes), sous peine de biaiser l’analyse cons\u00e9cutive des r\u00e9sidus.<\/p>\n

### 2.3 De la somme des \u00e9carts quadratiques \u00e0 la statistique globale<\/p>\n

La quantification de la divergence globale entre le tableau des observations r\u00e9elles et celui des projections th\u00e9oriques s’op\u00e8re par la d\u00e9rivation de la statistique de Pearson, usuellement formalis\u00e9e par la lettre grecque Chi au carr\u00e9 (\u03c7<\/em>2<\/sup>). L’intuition math\u00e9matique sous-jacente consiste \u00e0 calculer, pour chaque cellule \u00e9l\u00e9mentaire, la diff\u00e9rence entre l’effectif observ\u00e9 et l’effectif th\u00e9orique, soit (Oij<\/sub><\/em> \u2212 Eij<\/sub><\/em>). Toutefois, la somme brute de ces diff\u00e9rences sur l’ensemble de la table est invariablement \u00e9gale \u00e0 z\u00e9ro, car les contraintes marginales imposent que les exc\u00e9dents compensent rigoureusement les d\u00e9ficits : \u2211i,j<\/em><\/sub> (Oij<\/sub><\/em> \u2212 Eij<\/sub><\/em>) = 0.<\/p>\n

Pour neutraliser cette compensation arithm\u00e9tique et valoriser les d\u00e9viations quel que soit leur sens, Karl Pearson a propos\u00e9 d’\u00e9lever chaque \u00e9cart au carr\u00e9. Par ailleurs, un \u00e9cart brut d’une magnitude donn\u00e9e ne rev\u00eat pas la m\u00eame importance statistique s’il se produit dans une cellule o\u00f9 l’effectif th\u00e9orique attendu est de 10 ou dans une cellule o\u00f9 l’effectif th\u00e9orique attendu est de 1 000. Pour refl\u00e9ter cette variabilit\u00e9 inh\u00e9rente aux processus de comptage (soumis \u00e0 une variance proportionnelle \u00e0 l’esp\u00e9rance), chaque terme quadratique est pond\u00e9r\u00e9 de mani\u00e8re inversement proportionnelle \u00e0 son effectif attendu. La statistique globale s’exprime donc par la sommation exhaustive :<\/p>\n

\u03c7<\/em>2<\/sup> = \u2211i<\/em>=1..r<\/em><\/sub> \u2211j<\/em>=1..c<\/em><\/sub> [ (Oij<\/sub><\/em> \u2212 Eij<\/sub><\/em>)2<\/sup> \/ Eij<\/sub><\/em> ]<\/p>\n

Sous l’hypoth\u00e8se nulle H<\/em>0<\/sub> et lorsque la taille de l’\u00e9chantillon N<\/em> tend vers l’infini, cette somme converge asymptotiquement vers une loi du Chi-deux continue dont le nombre de degr\u00e9s de libert\u00e9 (ddl<\/em>) est conditionn\u00e9 par les contraintes impos\u00e9es par la fixation des marges du tableau :<\/p>\n

ddl<\/em> = (r<\/em> \u2212 1) \u00d7 (c<\/em> \u2212 1)<\/p>\n

Ce cheminement th\u00e9orique met en lumi\u00e8re la transition logique vers les r\u00e9sidus de Pearson. La statistique globale du \u03c7<\/em>2<\/sup> n’est fondamentalement rien d’autre que l’agr\u00e9gation d’une s\u00e9rie de termes cellulaires distincts. Chacun de ces termes constitue le carr\u00e9 d’une mesure standardis\u00e9e \u00e9l\u00e9mentaire. C’est pr\u00e9cis\u00e9ment l’examen individuel de chacune de ces briques de construction qui constitue le fondement math\u00e9matique de l’analyse des r\u00e9sidus.<\/p>\n

3. D\u00e9finition math\u00e9matique et conceptuelle des r\u00e9sidus de Pearson<\/h2>\n

### 3.1 La formule canonique du r\u00e9sidu de Pearson<\/p>\n

L’isolement de chaque composante \u00e9l\u00e9mentaire de la statistique globale du test d’ind\u00e9pendance conduit directement \u00e0 la formalisation canonique du r\u00e9sidu de Pearson. Math\u00e9matiquement, pour une cellule donn\u00e9e situ\u00e9e \u00e0 l’intersection de la ligne i<\/em> et de la colonne j<\/em>, le r\u00e9sidu de Pearson ordinaire, fr\u00e9quemment d\u00e9sign\u00e9 dans la litt\u00e9rature scientifique internationale sous le symbole rij<\/sub><\/em> ou eij<\/sub><\/em>, est d\u00e9fini par la relation :<\/p>\n

rij<\/sub><\/em> = (Oij<\/sub><\/em> \u2212 Eij<\/sub><\/em>) \/ \u221aEij<\/sub><\/em><\/p>\n

Cette formule met en balance directe les deux grandeurs fondamentales de la table de contingence : l’effectif empirique concr\u00e8tement d\u00e9nombr\u00e9 lors de l’investigation clinique (Oij<\/sub><\/em>) et l’effectif th\u00e9orique simul\u00e9 sous la contrainte d’ind\u00e9pendance stochastique (Eij<\/sub><\/em>). Le num\u00e9rateur (Oij<\/sub><\/em> \u2212 Eij<\/sub><\/em>) repr\u00e9sente la d\u00e9viation brute non standardis\u00e9e de la cellule. Il mesure l’\u00e9cart net, exprim\u00e9 en nombre d’individus ou d’\u00e9v\u00e9nements, entre la mat\u00e9rialit\u00e9 empirique et le mod\u00e8le th\u00e9orique neutre.<\/p>\n

Le choix du d\u00e9nominateur, \u00e0 savoir la racine carr\u00e9e de l’effectif attendu (\u221aEij<\/sub><\/em>), d\u00e9coule directement des propri\u00e9t\u00e9s fondamentales des processus d’\u00e9chantillonnage de comptage r\u00e9gis par la distribution de Poisson<\/a>. Dans une loi de Poisson de param\u00e8tre \u03bb<\/em>, la variance th\u00e9orique de la variable al\u00e9atoire est strictement \u00e9gale \u00e0 son esp\u00e9rance math\u00e9matique (Var<\/em>(Y<\/em>) = E<\/em>(Y<\/em>) = \u03bb<\/em>). D\u00e8s lors, l’\u00e9cart type th\u00e9orique naturel associ\u00e9 \u00e0 un effectif attendu Eij<\/sub><\/em> \u00e9quivaut math\u00e9matiquement \u00e0 sa racine carr\u00e9e, soit \u221aEij<\/sub><\/em>. <\/p>\n

En divisant l’\u00e9cart brut par cet \u00e9cart type th\u00e9orique pr\u00e9sum\u00e9, le r\u00e9sidu de Pearson accomplit une normalisation d’\u00e9chelle indispensable : il exprime la divergence observ\u00e9e en multiples de l’\u00e9cart type d’\u00e9chantillonnage th\u00e9orique sous l’hypoth\u00e8se nulle. Cette transformation permet d’extirper la mesure de l’influence m\u00e9canique du volume de l’\u00e9chantillon au sein de la cellule consid\u00e9r\u00e9e, octroyant un statut m\u00e9trique standardis\u00e9 \u00e0 la valeur r\u00e9siduelle r\u00e9sultante.<\/p>\n

### 3.2 Lien structurel avec la statistique du Chi-deux<\/p>\n

L’\u00e9l\u00e9gance de la formulation math\u00e9matique de Pearson r\u00e9side dans le lien direct, organique et bidirectionnel qui unit le r\u00e9sidu individuel de chaque cellule \u00e0 la statistique de test omnibus. En reprenant l’\u00e9quation canonique de la statistique du Chi-deux pr\u00e9sent\u00e9e pr\u00e9c\u00e9demment et en y int\u00e9grant la d\u00e9finition formelle du r\u00e9sidu de Pearson, une simplification imm\u00e9diate appara\u00eet :<\/p>\n

\u03c7<\/em>2<\/sup> = \u2211i<\/em>=1..r<\/em><\/sub> \u2211j<\/em>=1..c<\/em><\/sub> [ (Oij<\/sub><\/em> \u2212 Eij<\/sub><\/em>) \/ \u221aEij<\/sub><\/em> ]2<\/sup> = \u2211i<\/em>=1..r<\/em><\/sub> \u2211j<\/em>=1..c<\/em><\/sub> (rij<\/sub><\/em>)2<\/sup><\/p>\n

Cette d\u00e9monstration alg\u00e9brique fondamentale prouve que le carr\u00e9 du r\u00e9sidu de Pearson d’une cellule, (rij<\/sub><\/em>)2<\/sup>, repr\u00e9sente la contribution arithm\u00e9tique directe et int\u00e9grale de cette cellule sp\u00e9cifique \u00e0 la valeur totale du Chi-deux global. Cette propri\u00e9t\u00e9 conf\u00e8re aux r\u00e9sidus un principe d’additivit\u00e9 parfait : la somme de l’ensemble des r\u00e9sidus de Pearson \u00e9lev\u00e9s au carr\u00e9 permet de reconstituer rigoureusement, sans r\u00e9sidu r\u00e9siduel ni d\u00e9perdition d’information, la statistique inf\u00e9rentielle globale du test.<\/p>\n

Cette d\u00e9composition structurelle rev\u00eat un int\u00e9r\u00eat heuristique inestimable dans la d\u00e9marche de recherche empirique. Face \u00e0 une statistique globale hautement significative affichant par exemple une valeur empirique de \u03c7<\/em>2<\/sup> = 48,65 pour 4 degr\u00e9s de libert\u00e9 (indiquant un rejet indiscutable de l’ind\u00e9pendance avec p<\/em> < 0,001), le chercheur se trouve souvent d\u00e9muni pour qualifier la nature du lien. Gr\u00e2ce \u00e0 la d\u00e9composition par les r\u00e9sidus de Pearson, il lui suffit d'examiner les valeurs individuelles (rij<\/sub><\/em>)2<\/sup>. Si une seule cellule pr\u00e9sente un r\u00e9sidu de Pearson de rij<\/sub><\/em> = 6,2, son terme quadratique s’\u00e9l\u00e8ve \u00e0 38,44, signifiant qu’\u00e0 elle seule, cette configuration unique g\u00e9n\u00e8re pr\u00e8s de 80 % de la magnitude globale du test statistique. Les r\u00e9sidus de Pearson agissent ainsi comme un filtre s\u00e9lectif permettant de diss\u00e9quer la masse statistique pour en extraire le noyau substantiel.<\/p>\n

### 3.3 Interpr\u00e9tation du signe alg\u00e9brique du r\u00e9sidu<\/p>\n

Contrairement \u00e0 la statistique globale du \u03c7<\/em>2<\/sup> ou aux contributions cellulaires quadratiques qui sont contraintes \u00e0 des valeurs strictement positives en raison de l’\u00e9l\u00e9vation au carr\u00e9, le r\u00e9sidu de Pearson canonique conserve la polarit\u00e9 et le signe alg\u00e9brique de la d\u00e9viation primaire (Oij<\/sub><\/em> \u2212 Eij<\/sub><\/em>). Cette conservation du signe constitue une dimension interpr\u00e9tative primordiale pour l’analyste, apportant une directionalit\u00e9 explicite au comportement des donn\u00e9es psychologiques au sein de chaque intersection cat\u00e9gorielle.<\/p>\n

Un r\u00e9sidu de Pearson affubl\u00e9 d’un signe positif (rij<\/sub><\/em> > 0) indique formellement que l’effectif empiriquement observ\u00e9 dans cette cellule surpasse la quantit\u00e9 d’observations pr\u00e9dite par le mod\u00e8le d’ind\u00e9pendance stochastique (Oij<\/sub><\/em> > Eij<\/sub><\/em>). Dans le lexique de l’analyse comportementale et psychopathologique, cette positivit\u00e9 signale un ph\u00e9nom\u00e8ne d’attraction s\u00e9lective, de cooccurrence pr\u00e9f\u00e9rentielle ou de surrepr\u00e9sentation symptomatique. Sur le plan s\u00e9miologique, cela traduit une affinit\u00e9 fonctionnelle entre les deux modalit\u00e9s crois\u00e9es : la pr\u00e9sence de la caract\u00e9ristique Ai<\/sub><\/em> s’accompagne d’une probabilit\u00e9 accrue d’observer concomitamment l’attribut Bj<\/sub><\/em>, au-del\u00e0 de ce que le simple hasard de l’\u00e9chantillonnage laisserait supposer.<\/p>\n

\u00c0 l’oppos\u00e9, un r\u00e9sidu de Pearson arborant un signe n\u00e9gatif (rij<\/sub><\/em> < 0) mat\u00e9rialise une situation o\u00f9 la cohorte empirique d\u00e9nombr\u00e9e est inf\u00e9rieure \u00e0 l'attente th\u00e9orique du mod\u00e8le neutre (Oij<\/sub><\/em> < Eij<\/sub><\/em>). Dans le champ clinique, ce r\u00e9sultat caract\u00e9rise un effet d’\u00e9vitement, une incompatibilit\u00e9 diagnostique ou un processus d’inhibition comportementale. Une sous-repr\u00e9sentation substantielle peut s’av\u00e9rer tout aussi instructive sur le plan \u00e9tiologique qu’une attraction positive. Par exemple, observer un r\u00e9sidu profond\u00e9ment n\u00e9gatif entre une strat\u00e9gie de r\u00e9gulation \u00e9motionnelle adaptative et l’apparition d’un \u00e9pisode d\u00e9pressif caract\u00e9ris\u00e9 apporte un argument quantitatif tangible en faveur du r\u00f4le protecteur ou prophylactique de ladite comp\u00e9tence psychologique.<\/p>\n

Dans le domaine de l’\u00e9pid\u00e9miologie clinique, cette directionalit\u00e9 r\u00e9siduelle s’av\u00e8re d\u00e9terminante pour l’identification formelle des associations diagnostiques diff\u00e9rentielles et des sch\u00e9mas de comorbidit\u00e9s. L’analyse des signes permet de cartographier avec nettet\u00e9 les axes d’affinit\u00e9 psychopathologique (les blocs de cellules \u00e0 r\u00e9sidus fortement positifs) et les axes d’exclusion mutuelle (les blocs de cellules \u00e0 r\u00e9sidus n\u00e9gatifs), conf\u00e9rant une intelligibilit\u00e9 clinique imm\u00e9diate aux structures taxonomiques complexes.<\/p>\n

4. Distinction entre r\u00e9sidus bruts, r\u00e9sidus de Pearson et r\u00e9sidus standardis\u00e9s ajust\u00e9s<\/h2>\n

### 4.1 Les r\u00e9sidus bruts et leurs limites analytiques<\/p>\n

Pour appr\u00e9cier pleinement la sophistication des r\u00e9sidus de Pearson, il s’av\u00e8re indispensable d’examiner les \u00e9chelons inf\u00e9rieurs de la quantification des d\u00e9viations dans les tables de contingence, \u00e0 commencer par le r\u00e9sidu brut (souvent d\u00e9sign\u00e9 sous le terme de r\u00e9sidu non standardis\u00e9). Le r\u00e9sidu brut se d\u00e9finit par la soustraction math\u00e9matique la plus \u00e9l\u00e9mentaire possible :<\/p>\n

eij(brut)<\/sub><\/em> = Oij<\/sub><\/em> \u2212 Eij<\/sub><\/em><\/p>\n

Bien que cette m\u00e9trique pr\u00e9sente l’avantage d’une lisibilit\u00e9 imm\u00e9diate \u2014 elle indique le nombre absolu d’individus mesurant le surplus ou le manque au sein de la cat\u00e9gorie \u2014, ses propri\u00e9t\u00e9s analytiques sont excessivement restreintes. Le r\u00e9sidu brut ne poss\u00e8de aucune invariance d’\u00e9chelle. Sa magnitude absolue d\u00e9pend directement et proportionnellement de la taille totale de l’\u00e9chantillon investigu\u00e9 (N<\/em>) ainsi que de l’importance des marges de lignes et de colonnes de la cellule consid\u00e9r\u00e9e.<\/p>\n

Cette d\u00e9pendance rend rigoureusement impossible la moindre comparaison directe entre les diff\u00e9rentes cellules d’un m\u00eame tableau, d\u00e8s lors que les distributions marginales ne sont pas uniformes. Consid\u00e9rons un \u00e9chantillon clinique o\u00f9 une cellule A<\/em> pr\u00e9sente un effectif attendu de EA<\/sub><\/em> = 10 et un effectif observ\u00e9 de OA<\/sub><\/em> = 20, tandis qu’une cellule B<\/em> affiche un effectif attendu de EB<\/sub><\/em> = 500 et un effectif observ\u00e9 de OB<\/sub><\/em> = 510. Dans les deux cas de figure, le r\u00e9sidu brut est parfaitement identique : ebrut<\/sub><\/em> = +10 individus. Cependant, le sens clinique et l’importance statistique de ces deux d\u00e9viations sont radicalement disproportionn\u00e9s. Dans la cellule A<\/em>, l’effectif observ\u00e9 repr\u00e9sente le double de l’attente th\u00e9orique, ce qui constitue une anomalie distributionnelle majeure. Dans la cellule B<\/em>, un surplus de 10 individus sur une attente de 500 ne rel\u00e8ve que d’une fluctuation d’\u00e9chantillonnage infinit\u00e9simale de l’ordre de 2 %. Le r\u00e9sidu brut, en ignorant l’ordre de grandeur de base, induit des distorsions interpr\u00e9tatives inacceptables en pratique de recherche.<\/p>\n

### 4.2 Le r\u00e9sidu de Pearson comme premi\u00e8re standardisation<\/p>\n

Le r\u00e9sidu de Pearson canonique, formul\u00e9 par la division par \u221aEij<\/sub><\/em>, r\u00e9sout brillamment la faille majeure du r\u00e9sidu brut en instaurant une premi\u00e8re \u00e9chelle de variance standardis\u00e9e. En divisant l’\u00e9cart brut par l’\u00e9cart type th\u00e9orique d\u00e9riv\u00e9 de l’hypoth\u00e8se de Poisson, le r\u00e9sidu de Pearson neutralise l’impact direct de la taille absolue de la cellule. Dans l’exemple th\u00e9orique \u00e9voqu\u00e9 pr\u00e9c\u00e9demment, la cellule A<\/em> g\u00e9n\u00e9rera un r\u00e9sidu de Pearson de (20 \u2212 10) \/ \u221a10 = 10 \/ 3,162 = +3,16, une valeur statistiquement substantielle. En revanche, la cellule B<\/em> obtiendra un r\u00e9sidu de Pearson de (510 \u2212 500) \/ \u221a500 = 10 \/ 22,36 = +0,45, une valeur triviale refl\u00e9tant un bruit d’\u00e9chantillonnage al\u00e9atoire.<\/p>\n

Cependant, le r\u00e9sidu de Pearson pr\u00e9sente \u00e0 son tour une limite th\u00e9orique notable qu’il convient de ne pas occulter. La standardisation de Pearson postule implicitement que la variance de l’\u00e9cart (Oij<\/sub><\/em> \u2212 Eij<\/sub><\/em>) est rigoureusement \u00e9gale \u00e0 Eij<\/sub><\/em>. Or, ce postulat n’est strictement valide que si les effectifs de chaque cellule fluctuent librement selon des lois de Poisson ind\u00e9pendantes. Dans la r\u00e9alit\u00e9 exp\u00e9rimentale d’une table de contingence classique, la taille totale de l’\u00e9chantillon N<\/em> est pr\u00e9alablement fix\u00e9e par le protocole de recherche, et les totaux marginaux de lignes et de colonnes imposent des contraintes de sommation strictes.<\/p>\n

En raison de ces contraintes de marges fixes (caract\u00e9ristiques d’un \u00e9chantillonnage multinomial ou produit-multinomial), la variance d’\u00e9chantillonnage r\u00e9elle du num\u00e9rateur (Oij<\/sub><\/em> \u2212 Eij<\/sub><\/em>) n’est pas \u00e9gale \u00e0 Eij<\/sub><\/em>, mais lui est syst\u00e9matiquement inf\u00e9rieure. De ce fait, la variance du r\u00e9sidu de Pearson ordinaire rij<\/sub><\/em> n’atteint pas l’unit\u00e9 (1), mais s’av\u00e8re inf\u00e9rieure \u00e0 1. Dans les tables comportant des distributions marginales hautement asym\u00e9triques ou h\u00e9t\u00e9rog\u00e8nes, cette sous-dispersion relative engendre un biais conservateur : les r\u00e9sidus de Pearson tendent \u00e0 sous-estimer la significativit\u00e9 statistique r\u00e9elle de l’\u00e9cart, minorant le z-score apparent et augmentant artificiellement le risque de commettre une erreur de seconde esp\u00e8ce (omettre de rejeter l’ind\u00e9pendance pour une cellule donn\u00e9e).<\/p>\n

### 4.3 Le r\u00e9sidu standardis\u00e9 ajust\u00e9 (Haberman) : pr\u00e9cision optimale<\/p>\n

Conscient des imperfections distributionnelles du r\u00e9sidu de Pearson classique dans le cadre de l’\u00e9chantillonnage multinomial, le statisticien Shelby Haberman<\/a> a propos\u00e9 en 1973 une formalisation math\u00e9matique rigoureuse permettant d’obtenir un r\u00e9sidu dot\u00e9 d’une variance asymptotique strictement unitaire. Ce r\u00e9sidu, couramment qualifi\u00e9 de \u00ab r\u00e9sidu standardis\u00e9 ajust\u00e9 \u00bb (ou simplement r\u00e9sidu d’Haberman), int\u00e8gre dans son d\u00e9nominateur l’estimation exacte de la variance de l’\u00e9cart conditionn\u00e9e par les marges du tableau.<\/p>\n

Pour d\u00e9river cette variance th\u00e9orique conditionnelle exacte, notons p\u0302<\/em>i<\/em>+<\/sub> = Ri<\/sub><\/em> \/ N<\/em> la proportion marginale observ\u00e9e sur la ligne i<\/em>, et p\u0302<\/em>+j<\/em><\/sub> = Cj<\/sub><\/em> \/ N<\/em> la proportion marginale observ\u00e9e sur la colonne j<\/em>. La variance asymptotique de l’\u00e9cart (Oij<\/sub><\/em> \u2212 Eij<\/sub><\/em>) sous l’hypoth\u00e8se nulle d’ind\u00e9pendance s’exprime selon l’expression :<\/p>\n

Var<\/em>(Oij<\/sub><\/em> \u2212 Eij<\/sub><\/em>) = Eij<\/sub><\/em> \u00d7 (1 \u2212 p\u0302<\/em>i<\/em>+<\/sub>) \u00d7 (1 \u2212 p\u0302<\/em>+j<\/em><\/sub>)<\/p>\n

Par cons\u00e9quent, la formule canonique du r\u00e9sidu standardis\u00e9 ajust\u00e9 d’Haberman, not\u00e9 zij<\/sub><\/em> ou rij(ajust\u00e9)<\/sub><\/em>, prend la forme math\u00e9matique suivante :<\/p>\n

zij<\/sub><\/em> = (Oij<\/sub><\/em> \u2212 Eij<\/sub><\/em>) \/ \u221a[ Eij<\/sub><\/em> \u00d7 (1 \u2212 (Ri<\/sub><\/em> \/ N<\/em>)) \u00d7 (1 \u2212 (Cj<\/sub><\/em> \/ N<\/em>)) ]<\/p>\n

Il appara\u00eet imm\u00e9diatement que le d\u00e9nominateur de cette \u00e9quation incorpore les facteurs correctifs d’\u00e9chantillonnage (1 \u2212 p\u0302<\/em>i<\/em>+<\/sub>) et (1 \u2212 p\u0302<\/em>+j<\/em><\/sub>). Ces deux termes \u00e9tant n\u00e9cessairement compris entre 0 et 1, leur produit est lui-m\u00eame inf\u00e9rieur \u00e0 1, ce qui rend le d\u00e9nominateur du r\u00e9sidu ajust\u00e9 syst\u00e9matiquement plus restreint que celui du r\u00e9sidu de Pearson classique (\u221aEij<\/sub><\/em>). Par voie de cons\u00e9quence directe, la valeur absolue du r\u00e9sidu ajust\u00e9 est toujours sup\u00e9rieure ou \u00e9gale \u00e0 la valeur absolue du r\u00e9sidu de Pearson correspondant : |zij<\/sub><\/em>| \u2265 |rij<\/sub><\/em>|.<\/p>\n

L’immense avantage m\u00e9thodologique du r\u00e9sidu standardis\u00e9 ajust\u00e9 d’Haberman r\u00e9side dans ses propri\u00e9t\u00e9s distributionnelles : sous l’hypoth\u00e8se nulle H<\/em>0<\/sub>, lorsque la taille d’\u00e9chantillon N<\/em> est mod\u00e9r\u00e9ment large, zij<\/sub><\/em> converge de mani\u00e8re rigoureusement asymptotique vers une distribution normale standard th\u00e9orique de moyenne nulle et de variance unitaire, soit N<\/em>(0, 1). Cette convergence math\u00e9matique parfaite autorise une confrontation directe et sans biais avec les seuils critiques usuels de la loi de Gauss, conf\u00e9rant \u00e0 l’analyse r\u00e9siduelle un pouvoir de discrimination et une fiabilit\u00e9 inf\u00e9rentielle in\u00e9gal\u00e9s dans les tables de contingence.<\/p>\n

5. Propri\u00e9t\u00e9s distributionnelles et seuils de d\u00e9cision statistique<\/h2>\n

### 5.1 Comportement asymptotique selon la loi normale standard<\/p>\n

L’ancrage th\u00e9orique du r\u00e9sidu ajust\u00e9 d’Haberman au sein de la loi normale standard<\/a> N<\/em>(0, 1) constitue le fondement op\u00e9rationnel de la d\u00e9cision statistique appliqu\u00e9e aux tables de contingence en psychologie. Ce comportement asymptotique implique que, si l’hypoth\u00e8se nulle d’ind\u00e9pendance stochastique est v\u00e9rifi\u00e9e dans la population g\u00e9n\u00e9rale, la probabilit\u00e9 que la valeur d’un r\u00e9sidu ajust\u00e9 zij<\/sub><\/em> se situe dans un intervalle sp\u00e9cifique correspond rigoureusement aux densit\u00e9s de probabilit\u00e9 de la courbe en cloche de Gauss-Laplace.<\/p>\n

Cette propri\u00e9t\u00e9 distributionnelle permet de traiter directement chaque r\u00e9sidu ajust\u00e9 comme un v\u00e9ritable score Z d’\u00e9cart. Les psychologues cliniciens et les chercheurs en psychom\u00e9trie disposent ainsi d’une \u00e9chelle d’\u00e9valuation intuitive et universellement standardis\u00e9e. La m\u00e9trique ne d\u00e9pend plus des contraintes particuli\u00e8res du tableau de contingence (nombre de lignes, nombre de colonnes, distribution des effectifs totaux) : un r\u00e9sidu ajust\u00e9 de +2,10 dans une table 3 \u00d7 3 poss\u00e8de une signification probabiliste identique \u00e0 un r\u00e9sidu de +2,10 dans une table 8 \u00d7 6. Cette comparabilit\u00e9 directe constitue une avanc\u00e9e m\u00e9thodologique majeure pour l’\u00e9valuation empirique standardis\u00e9e.<\/p>\n

Cependant, il convient de souligner que cette \u00e9quivalence distributionnelle repose sur des th\u00e9or\u00e8mes limites d’approximation asymptotique. Pour que le r\u00e9sidu ajust\u00e9 \u00e9pouse fid\u00e8lement la loi normale unitaire, la taille globale de l’\u00e9chantillon N<\/em> doit \u00eatre suffisante. Dans les \u00e9chantillons de petite taille (notamment lorsque N<\/em> < 50 ou lorsque plusieurs cellules poss\u00e8dent des effectifs th\u00e9oriques Eij<\/sub><\/em> inf\u00e9rieurs \u00e0 5), la distribution empirique des r\u00e9sidus tend \u00e0 pr\u00e9senter des queues de distribution plus lourdes et une asym\u00e9trie marqu\u00e9e. Dans ces situations restreintes, la conformit\u00e9 \u00e0 la loi normale standard s’effrite, justifiant une prudence analytique accrue ou le recours \u00e0 des simulations par r\u00e9\u00e9chantillonnage non param\u00e9trique (comme les m\u00e9thodes de Monte-Carlo ou le bootstrap).<\/p>\n

### 5.2 D\u00e9termination des seuils critiques et niveaux alpha<\/p>\n

D\u00e8s lors que les r\u00e9sidus standardis\u00e9s ajust\u00e9s suivent une loi normale unitaire N<\/em>(0, 1), l’inf\u00e9rence statistique proc\u00e8de par confrontation des valeurs empiriques \u00e0 des seuils critiques bilat\u00e9raux pr\u00e9d\u00e9termin\u00e9s par le niveau de risque de premi\u00e8re esp\u00e8ce (l’erreur alpha, traditionnellement fix\u00e9e \u00e0 5 % en sciences comportementales). Selon la table de l’int\u00e9grale de probabilit\u00e9 normale :<\/p>\n

Pour un niveau de signification classique de \u03b1<\/em> = 0,05, les valeurs critiques bilat\u00e9rales sont zcritique<\/sub><\/em> = \u00b11,96. Toute cellule pr\u00e9sentant un r\u00e9sidu ajust\u00e9 tel que zij<\/sub><\/em> > 1,96 ou zij<\/sub><\/em> < \u22121,96 est d\u00e9clar\u00e9e statistiquement significative au seuil de 5 %. L'analyste conclut avec un niveau de confiance de 95 % que l'\u00e9cart constat\u00e9 dans cette cellule n'est pas imputable aux seules fluctuations d'\u00e9chantillonnage al\u00e9atoire.<\/p>\n

Pour des contraintes d'exigence diagnostique ou clinique plus s\u00e9v\u00e8res, des seuils plus conservateurs sont r\u00e9guli\u00e8rement mobilis\u00e9s. Pour un risque d'erreur alpha de 1 % (\u03b1<\/em> = 0,01), les seuils critiques bilat\u00e9raux s’\u00e9l\u00e8vent \u00e0 zcritique<\/sub><\/em> = \u00b12,58. Si le chercheur vise un degr\u00e9 de certitude extr\u00eame correspondant \u00e0 \u03b1<\/em> = 0,001 (une chance sur mille que la d\u00e9viation soit purement fortuite), la valeur seuil franchit la barre de zcritique<\/sub><\/em> = \u00b13,29. Dans la litt\u00e9rature de recherche appliqu\u00e9e, il est tr\u00e8s fr\u00e9quent d’adopter conventionnellement un seuil arrondi \u00e0 \u00b12,00 (correspondant approximativement \u00e0 \u03b1<\/em> \u2248 0,046) comme crit\u00e8re de pertinence clinique pour d\u00e9signer les cellules affichant une surrepr\u00e9sentation ou une sous-repr\u00e9sentation manifeste d’individus.<\/p>\n

La signification probabiliste d’un r\u00e9sidu franchissant ces seuils critiques est limpide : elle atteste que la cellule constitue un point d’ancrage actif de la relation d’interd\u00e9pendance mise au jour par le test omnibus. Le tableau suivant r\u00e9capitule les correspondances formelles entre les seuils statistiques critiques, le risque de premi\u00e8re esp\u00e8ce et leur transposition op\u00e9rationnelle en analyse psychologique :<\/p>\n\n\n\n\n\n\n\n
Seuil critique (|zij<\/sub><\/em>|)<\/th>\nNiveau alpha bilat\u00e9ral (\u03b1<\/em>)<\/th>\nProbabilit\u00e9 d’occurrence sous H<\/em>0<\/sub><\/th>\nInterpr\u00e9tation m\u00e9thodologique et clinique<\/th>\n<\/tr>\n<\/thead>\n
1,96<\/strong><\/td>\n0,05<\/td>\n5 % (1 fois sur 20)<\/td>\n\u00c9cart statistiquement significatif standard. Divergence notable de la distribution attendue.<\/td>\n<\/tr>\n
2,58<\/strong><\/td>\n0,01<\/td>\n1 % (1 fois sur 100)<\/td>\n\u00c9cart hautement significatif. Attraction ou r\u00e9pulsion marqu\u00e9e entre les modalit\u00e9s.<\/td>\n<\/tr>\n
3,29<\/strong><\/td>\n0,001<\/td>\n0,1 % (1 fois sur 1000)<\/td>\n\u00c9cart tr\u00e8s hautement significatif. Association pr\u00e9f\u00e9rentielle ou exclusion psychopathologique critique.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

### 5.3 Ajustements pour tests d’hypoth\u00e8ses multiples<\/p>\n

L’un des d\u00e9fis m\u00e9thodologiques les plus cruciaux dans l’analyse cellule par cellule des tables de contingence r\u00e9side dans la multiplication des d\u00e9cisions statistiques. Lorsqu’un tableau comporte r<\/em> lignes et c<\/em> colonnes, il contient k<\/em> = r<\/em> \u00d7 c<\/em> cellules distinctes. R\u00e9aliser un test de conformit\u00e9 \u00e0 l’aide d’un seuil critique individuel de z<\/em> = \u00b11,96 (\u03b1<\/em> = 0,05) sur chaque cellule revient formellement \u00e0 conduire k<\/em> tests statistiques simultan\u00e9s sur le m\u00eame jeu de donn\u00e9es.<\/p>\n

En vertu des lois fondamentales de probabilit\u00e9, ce protocole d’\u00e9valuation multiple engendre une inflation spectaculaire de l’erreur globale de type I de l’exp\u00e9rience, d\u00e9sign\u00e9e sous le terme de taux d’erreur par famille d’hypoth\u00e8ses<\/a> (Family-Wise Error Rate<\/em> ou FWER). Si les cellules \u00e9taient statistiquement ind\u00e9pendantes (ce qui n’est que partiellement le cas en raison des contraintes marginales), la probabilit\u00e9 de commettre au moins une fausse d\u00e9couverte positive sur une table de k<\/em> cellules sous l’hypoth\u00e8se nulle serait \u00e9gale \u00e0 1 \u2212 (1 \u2212 \u03b1<\/em>)k<\/em><\/sup>. Pour une table modeste de 4 \u00d7 4 comportant 16 cases, ce risque d’erreur globale atteint : 1 \u2212 (0,95)16<\/sup> \u2248 0,56, soit 56 % de risque de d\u00e9clarer \u00e0 tort une cellule significative !<\/p>\n

Pour pr\u00e9munir le chercheur contre cette prolif\u00e9ration de faux positifs, des proc\u00e9dures d’ajustement formelles doivent \u00eatre mobilis\u00e9es :<\/p>\n