Dans le champ contemporain de la recherche en psychologie, en neurosciences cognitives et en psychiatrie translationnelle, la rigueur de l’inf\u00e9rence statistique repose sur l’ad\u00e9quation exacte entre les propri\u00e9t\u00e9s distributionnelles des donn\u00e9es recueillies et les mod\u00e8les math\u00e9matiques mobilis\u00e9s pour tester les hypoth\u00e8ses empiriques. Trop souvent, les chercheurs sont confront\u00e9s \u00e0 des devis exp\u00e9rimentaux caract\u00e9ris\u00e9s par des \u00e9chantillons restreints, l’\u00e9tude de populations cliniques rares ou des protocoles th\u00e9rapeutiques innovants dont l’acc\u00e8s est intrins\u00e8quement limit\u00e9. Dans ces configurations o\u00f9 les effectifs marginaux s’av\u00e8rent faibles, l’application machinale des tests d’hypoth\u00e8se asymptotiques traditionnels constitue une source majeure de distorsion analytique et de fausses d\u00e9couvertes.<\/p>\n
Le recours historique au test du Chi-deux d’ind\u00e9pendance de Karl Pearson, bien qu’omnipr\u00e9sent dans la litt\u00e9rature scientifique, repose sur une approximation continue d’une r\u00e9alit\u00e9 combinatoire discr\u00e8te qui s’effondre lorsque les effectifs th\u00e9oriques calcul\u00e9s deviennent insuffisants. Face \u00e0 cette d\u00e9faillance m\u00e9thodologique, le test exact d\u00e9velopp\u00e9 par Sir Ronald Aylmer Fisher offre une solution math\u00e9matiquement irr\u00e9prochable en calculant la probabilit\u00e9 hyperg\u00e9om\u00e9trique exacte associ\u00e9e \u00e0 la r\u00e9partition observ\u00e9e au sein d’une table de contingence, sans recourir \u00e0 une quelconque approximation asymptotique. Cette approche non param\u00e9trique s’impose d\u00e9sormais comme le standard d’excellence pour l’analyse des variables cat\u00e9gorielles binaires dans les paradigmes \u00e0 faibles effectifs.<\/p>\n
L’essor de l’\u00e9cosyst\u00e8me de programmation scientifique Python, articul\u00e9 autour de biblioth\u00e8ques performantes telles que SciPy<\/a>, Pandas<\/a> et Statsmodels<\/a>, permet aujourd’hui d’ex\u00e9cuter, d’automatiser et de documenter ces analyses avec une pr\u00e9cision et une reproductibilit\u00e9 sans pr\u00e9c\u00e9dent. Ce guide exhaustif a pour vocation d’accompagner les chercheurs, cliniciens et analystes de donn\u00e9es dans la ma\u00eetrise th\u00e9orique et l’impl\u00e9mentation pratique du test exact de Fisher sous Python, en d\u00e9cortiquant chaque \u00e9tape du flux computationnel, de la gen\u00e8se probabiliste du mod\u00e8le jusqu’\u00e0 la r\u00e9daction des r\u00e9sultats selon les normes acad\u00e9miques internationales de l’American Psychological Association<\/a>.<\/p>\n La formalisation du test exact de Fisher trouve sa source dans une anecdote fondatrice de la statistique moderne survenue au cours des ann\u00e9es 1920 \u00e0 la station exp\u00e9rimentale de Rothamsted en Angleterre. Une coll\u00e8gue biologiste, Muriel Bristol, affirmait \u00eatre capable de discerner gustativement si le lait avait \u00e9t\u00e9 vers\u00e9 dans la tasse avant ou apr\u00e8s l’infusion du th\u00e9. Pour \u00e9valuer scientifiquement cette all\u00e9gation empirique, Ronald Aylmer Fisher \u00e9labora le c\u00e9l\u00e8bre protocole exp\u00e9rimental de la \u00ab d\u00e9gustation de th\u00e9 \u00bb (Lady tasting tea<\/em>), consistant \u00e0 pr\u00e9senter \u00e0 l’exp\u00e9rimentatrice huit tasses de th\u00e9 pr\u00e9par\u00e9es selon deux modalit\u00e9s strictement \u00e9quilibr\u00e9es : quatre tasses o\u00f9 le lait pr\u00e9c\u00e9dait l’infusion, et quatre tasses pr\u00e9par\u00e9es selon la s\u00e9quence inverse, le tout pr\u00e9sent\u00e9 dans un ordre al\u00e9atoire.<\/p>\n Sur le plan de la mod\u00e9lisation probabiliste, la logique d\u00e9velopp\u00e9e par Fisher s’\u00e9mancipe des hypoth\u00e8ses de normalit\u00e9 gaussienne pour se fonder exclusivement sur la loi hyperg\u00e9om\u00e9trique<\/a>. Cette distribution mod\u00e9lise la probabilit\u00e9 d’obtenir un nombre donn\u00e9 de succ\u00e8s lors d’un \u00e9chantillonnage sans remise au sein d’une population finie. Dans le cadre d’un tableau de contingence de dimensions deux par deux, not\u00e9 conventionnellement avec les cellules $a$<\/span>, $b$<\/span>, $c$<\/span> et $d$<\/span>, la probabilit\u00e9 d’observer une configuration particuli\u00e8re d’effectifs, sachant que les totaux marginaux des lignes et des colonnes sont pr\u00e9d\u00e9termin\u00e9s, est r\u00e9gie par la relation combinatoire suivante :<\/p>\n $$P = \\frac{\\binom{a+b}{a} \\binom{c+d}{c}}{\\binom{n}{a+c}} = \\frac{(a+b)! , (c+d)! , (a+c)! , (b+d)!}{a! , b! , c! , d! , n!}$$<\/span><\/p>\n Le postulat cl\u00e9 de cette d\u00e9monstration r\u00e9side dans le principe du conditionnement par rapport aux marges fixes. En consid\u00e9rant que le nombre total de tasses avec le lait vers\u00e9 en premier ($a+b$<\/span>) et le nombre total de d\u00e9clarations positives de la d\u00e9gustatrice ($a+c$<\/span>) sont des grandeurs invariantes fix\u00e9es a priori par le protocole exp\u00e9rimental, l’unique source de stochasticit\u00e9 r\u00e9side dans la redistribution interne des cellules. Contrairement aux approches fr\u00e9quentielles asymptotiques qui estiment la valeur d’une d\u00e9viation par rapport \u00e0 une loi de distribution th\u00e9orique continue, la m\u00e9thode de Fisher proc\u00e8de par \u00e9num\u00e9ration combinatoire directe. Elle calcule la probabilit\u00e9 absolue et exacte de la table observ\u00e9e, ainsi que de toutes les tables th\u00e9oriques plus extr\u00eames compatibles avec les m\u00eames totaux marginaux.<\/p>\n Dans le domaine des sciences du comportement, de la psychologie clinique et des neurosciences, les chercheurs se heurtent fr\u00e9quemment \u00e0 des contraintes mat\u00e9rielles, \u00e9thiques et populationnelles qui interdisent le recrutement de grands \u00e9chantillons probabilistes. L’\u00e9tude de psychopathologies rares, telles que le syndrome de Cotard, les \u00e9tats catatoniques atypiques ou les profils neurod\u00e9veloppementaux g\u00e9n\u00e9tiquement d\u00e9termin\u00e9s comme le syndrome de Williams, impose de travailler avec des cohortes comptant souvent moins d’une vingtaine d’individus. Dans de telles configurations, l’\u00e9valuation des associations entre un marqueur diagnostique et un profil comportemental sp\u00e9cifique ne peut tol\u00e9rer les distorsions math\u00e9matiques inh\u00e9rentes aux tests d’\u00e9chantillons larges.<\/p>\n Le test exact de Fisher apporte une r\u00e9ponse m\u00e9thodologique d’une robustesse exceptionnelle face aux d\u00e9s\u00e9quilibres stochastiques d’\u00e9chantillonnage. En psychom\u00e9trie, lors de la validation d’items d’\u00e9chelles d’\u00e9valuation face \u00e0 des comportements hautement sp\u00e9cifiques mais \u00e0 faible pr\u00e9valence (comme les passages \u00e0 l’acte auto-agressifs ou les hallucinations visuelles complexes), la matrice de contingence pr\u00e9sente presque syst\u00e9matiquement des cellules aux effectifs tr\u00e8s faibles, voire nuls. La d\u00e9gradation des mod\u00e8les param\u00e9triques dans ces conditions engendre un risque critique de faux n\u00e9gatifs ou de fausses corr\u00e9lations.<\/p>\n En garantissant une inf\u00e9rence non param\u00e9trique stricte, le test de Fisher \u00e9limine totalement la n\u00e9cessit\u00e9 de postuler une distribution sous-jacente des scores observ\u00e9s. Les variables n’ont besoin de satisfaire aucune condition de continuit\u00e9, d’homos \u043f\u043e\u043b\u0438\u0442\u0438\u00e9dasticit\u00e9 ou de sym\u00e9trie. Le calcul probabiliste repose uniquement sur la combinatoire des permutations possibles des sujets entre les cat\u00e9gories observ\u00e9es. Cette propri\u00e9t\u00e9 math\u00e9matique conf\u00e8re aux conclusions scientifiques tir\u00e9es d’\u00e9tudes pilotes ou de devis quasi-exp\u00e9rimentaux une validit\u00e9 interne absolue, pr\u00e9servant la cha\u00eene de preuve scientifique des critiques li\u00e9es aux artefacts distributionnels.<\/p>\n Le test d’ind\u00e9pendance du Chi-deux de Karl Pearson constitue traditionnellement l’outil de premi\u00e8re intention enseign\u00e9 dans les cursus universitaires pour \u00e9prouver l’hypoth\u00e8se d’une d\u00e9pendance stochastique entre deux variables nominales. Toutefois, le fondement math\u00e9matique de ce test repose sur un th\u00e9or\u00e8me central limite qui assimile la somme des carr\u00e9s des \u00e9carts normalis\u00e9s entre fr\u00e9quences observ\u00e9es ($O_{ij}$<\/span>) et fr\u00e9quences th\u00e9oriques attendues ($E_{ij}$<\/span>) \u00e0 une distribution th\u00e9orique continue du $\\chi^2$<\/span>. Cette convergence asymptotique n’est valide que si la taille de l’\u00e9chantillon global $N$<\/span> tend vers l’infini et que la discr\u00e9tisation des effectifs ne d\u00e9forme pas l’enveloppe de la densit\u00e9 de probabilit\u00e9.<\/p>\n Pour pr\u00e9venir les d\u00e9rives inf\u00e9rentielles, le statisticien William Gemmell Cochran a formalis\u00e9 des r\u00e8gles empiriques d’admissibilit\u00e9 devenues canoniques. La r\u00e8gle de Cochran<\/a> stipule qu’aucun effectif th\u00e9orique calcul\u00e9 ne doit \u00eatre strictement inf\u00e9rieur \u00e0 1 ($E_{ij} ge 1$<\/span>), et qu’au moins 80 % des cellules du tableau de contingence doivent pr\u00e9senter un effectif th\u00e9orique sup\u00e9rieur ou \u00e9gal \u00e0 5 ($E_{ij} ge 5$<\/span>). Lorsque ces crit\u00e8res minimaux sont enfreints, la statistique de Pearson diverge notablement de la loi th\u00e9orique du $\\chi^2$<\/span>, produisant des valeurs empiriques surestim\u00e9es ou sous-estim\u00e9es qui compromettent totalement la fiabilit\u00e9 de la d\u00e9cision statistique.<\/p>\n La cons\u00e9quence la plus d\u00e9l\u00e9t\u00e8re de cette d\u00e9gradation asymptotique r\u00e9side dans l’inflation incontr\u00f4l\u00e9e du taux d’erreur de type I ($\\alpha$<\/span>), conduisant le chercheur \u00e0 rejeter ind\u00fbment l’hypoth\u00e8se nulle d’ind\u00e9pendance et \u00e0 proclamer une d\u00e9couverte scientifique fallacieuse. Ce ph\u00e9nom\u00e8ne est d\u00e9cupl\u00e9 lorsque la matrice de contingence souffre d’une asym\u00e9trie marginale marqu\u00e9e, c’est-\u00e0-dire lorsqu’une cat\u00e9gorie d’une variable regroupe la quasi-totalit\u00e9 des effectifs tandis que l’autre modalit\u00e9 demeure marginale. Dans ce type de sc\u00e9nario, l’approximation continue ne parvient plus \u00e0 mod\u00e9liser le comportement discontinu des queues de distribution, rendant l’utilisation du Chi-deux de Pearson scientifiquement ind\u00e9fendable.<\/p>\n L’arbre d\u00e9cisionnel guidant le choix entre le test du Chi-deux de Pearson et le test exact de Fisher d\u00e9pend de l’analyse conjointe de la taille globale de l’\u00e9chantillon et de la topologie des effectifs th\u00e9oriques attendus. Sur le plan quantitatif, un \u00e9chantillon total $N$<\/span> inf\u00e9rieur \u00e0 20 observations impose le basculement imm\u00e9diat vers le test exact de Fisher, quelles que soient les distributions marginales. Pour des cohortes interm\u00e9diaires comprises entre $N = 20$<\/span> et $N = 40$<\/span>, le test de Fisher doit \u00eatre privil\u00e9gi\u00e9 d\u00e8s qu’une seule cellule du tableau pr\u00e9sente un effectif th\u00e9orique inf\u00e9rieur \u00e0 5.<\/p>\n Dans l’histoire de la statistique biom\u00e9trique, Frank Yates proposa une modification algorithmique du Chi-deux de Pearson, connue sous le nom de correction de continuit\u00e9 de Yates<\/a>. Cette technique consiste \u00e0 soustraire la valeur absolue de 0,5 \u00e0 la diff\u00e9rence entre l’effectif observ\u00e9 et l’effectif th\u00e9orique ($|O – E| – 0.5$<\/span>) avant de calculer la statistique de test. L’objectif \u00e9tait de compenser le biais engendr\u00e9 par l’approximation d’une loi binomiale discr\u00e8te par une distribution continue. Cependant, cette correction fait l’objet de s\u00e9v\u00e8res controverses m\u00e9thodologiques depuis plusieurs d\u00e9cennies. De nombreux travaux biom\u00e9triques ont d\u00e9montr\u00e9 que la correction de Yates est excessivement conservatrice, provoquant une chute drastique de la puissance statistique et gonflant ind\u00fbment le risque d’erreur de type II ($\\beta$<\/span>).<\/p>\n Le tableau suivant synth\u00e9tise les crit\u00e8res d’arbitrage m\u00e9thodologique r\u00e9gissant la s\u00e9lection du test d’ind\u00e9pendance pour un tableau de contingence de format deux par deux en fonction des contraintes de distribution des donn\u00e9es :<\/p>\n Bien que le test exact de Fisher soit classifi\u00e9 au sein des m\u00e9thodes statistiques non param\u00e9triques et s’affranchisse de toute hypoth\u00e8se relative \u00e0 la forme de la distribution parentale, sa validit\u00e9 inf\u00e9rentielle demeure subordonn\u00e9e au respect rigoureux de plusieurs axiomes fondamentaux d’\u00e9chantillonnage. Le premier de ces postulats, commun \u00e0 la quasi-totalit\u00e9 des tests d’hypoth\u00e8se inter-sujets, est l’ind\u00e9pendance stochastique stricte des observations. Chaque unit\u00e9 statistique (patient, sujet exp\u00e9rimental, animal de laboratoire) ne doit appara\u00eetre qu’une seule et unique fois dans la matrice de donn\u00e9es. L’inclusion de mesures r\u00e9p\u00e9t\u00e9es longitudinales, d’observations appari\u00e9es ou d’unit\u00e9s group\u00e9es (clusters familiaux, classes scolaires) sans mod\u00e9lisation ad\u00e9quate viole cette hypoth\u00e8se et invalide irr\u00e9m\u00e9diablement le calcul combinatoire.<\/p>\n Le second postulat concerne la structure classificatoire des variables mesur\u00e9es. Les cat\u00e9gories d\u00e9finissant les lignes et les colonnes doivent \u00eatre mutuellement exclusives et collectivement exhaustives. Chaque sujet doit pouvoir \u00eatre class\u00e9 de mani\u00e8re non ambigu\u00eb dans une cat\u00e9gorie et une seule pour la variable pr\u00e9dictive (ou le facteur d’exposition) et pour la variable crit\u00e8re (ou l’\u00e9v\u00e9nement observ\u00e9). Pour la forme standard du test, les deux variables doivent poss\u00e9der une nature strictement dichotomique, g\u00e9n\u00e9rant un tableau de contingence de deux lignes par deux colonnes ($2 \\times 2$<\/span>).<\/p>\n Un d\u00e9bat \u00e9pist\u00e9mologique et th\u00e9orique majeur concerne le statut des totaux marginaux dans le test exact de Fisher. Le calcul combinatoire originel postule formellement que les marges horizontales et verticales sont conditionnellement fix\u00e9es a priori par le design exp\u00e9rimental, \u00e0 l’instar de l’exp\u00e9rience historique de d\u00e9gustation de th\u00e9 o\u00f9 l’exp\u00e9rimentateur et le sujet connaissaient \u00e0 l’avance le nombre total de tasses de chaque cat\u00e9gorie. Or, dans la pratique de la recherche psychologique et clinique, ce mod\u00e8le d’\u00e9chantillonnage \u00e0 doubles marges fixes est extr\u00eamement rare. La majorit\u00e9 des devis observationnels ou randomis\u00e9s rel\u00e8vent soit d’un \u00e9chantillonnage multinomial (seul le total g\u00e9n\u00e9ral $N$<\/span> est fix\u00e9), soit d’un \u00e9chantillonnage binomial ind\u00e9pendant (seules les marges d’une seule dimension, par exemple la taille des groupes clinique et t\u00e9moin, sont fix\u00e9es).<\/p>\n N\u00e9anmoins, les travaux th\u00e9oriques de Jerzy Neyman et Egon Pearson, confirm\u00e9s par la suite par Sir David Cox, ont d\u00e9montr\u00e9 que le conditionnement a posteriori sur les marges observ\u00e9es constitue une proc\u00e9dure inf\u00e9rentielle valide, les totaux marginaux fournissant une statistique exhaustive auxiliaire (ancillary statistic<\/em>) qui renseigne sur les param\u00e8tres de nuisance sans alt\u00e9rer l’\u00e9valuation de l’effet d’association principal. Bien que certains statisticiens privil\u00e9gient dans ces conditions des tests inconditionnels comme le test de Barnard, le test exact de Fisher demeure largement accept\u00e9 par la communaut\u00e9 biom\u00e9dicale internationale.<\/p>\n L’application du test exact de Fisher s’av\u00e8re particuli\u00e8rement f\u00e9conde dans de nombreux sous-champs de la psychologie contemporaine. En psychologie cognitive exp\u00e9rimentale, les chercheurs explorent r\u00e9guli\u00e8rement les r\u00e9ponses comportementales dichotomiques face \u00e0 des stimuli rares ou \u00e0 forte valence \u00e9motionnelle au sein de paradigmes de d\u00e9tection de signaux ou de franchissement de seuils attentionnels. L’analyse de l’\u00e9chec ou de la r\u00e9ussite \u00e0 une t\u00e2che cognitive complexe impliquant des patients porteurs de l\u00e9sions c\u00e9r\u00e9brales focales g\u00e9n\u00e8re typiquement des effectifs tr\u00e8s faibles pour lesquels le test de Fisher constitue l’unique modalit\u00e9 d’inf\u00e9rence s\u00e9curis\u00e9e.<\/p>\n En psychopathologie et en psychiatrie biologique, l’exploration des comorbidit\u00e9s complexes au sein d’\u00e9chantillons cliniques s\u00e9v\u00e8rement atteints repr\u00e9sente un autre champ d’\u00e9lection. Par exemple, l’\u00e9valuation de l’association entre la pr\u00e9sence d’un all\u00e8le g\u00e9n\u00e9tique rare et la survenue d’effets ind\u00e9sirables extrapyramidaux induits par les antipsychotiques au sein d’un groupe restreint de patients schizophr\u00e8nes r\u00e9fractaires ($N = 18$<\/span>) produit in\u00e9vitablement des cellules quasi vides. Seule l’approche hyperg\u00e9om\u00e9trique permet d’\u00e9tablir si la co-occurrence observ\u00e9e exc\u00e8de significativement la distribution stochastique attendue sous l’hypoth\u00e8se nulle d’ind\u00e9pendance.<\/p>\n Dans le domaine des psychoth\u00e9rapies interventionnelles, le test exact de Fisher joue un r\u00f4le crucial dans les essais cliniques pilotes randomis\u00e9s en double aveugle. Avant de d\u00e9ployer des essais multicentriques massifs de phase III n\u00e9cessitant des investissements financiers et humains colossaux, les \u00e9quipes de recherche \u00e9valuent la faisabilit\u00e9 et le signal pr\u00e9liminaire d’efficacit\u00e9 d’interventions innovantes (par exemple, la th\u00e9rapie d’exposition par r\u00e9alit\u00e9 virtuelle ou l’administration conjointe d’un psych\u00e9d\u00e9lique et d’une psychoth\u00e9rapie) sur des cohortes pilotes ($N \\approx 20$<\/span>). Le crit\u00e8re d’\u00e9valuation principal, souvent dichotomis\u00e9 en \u00ab r\u00e9ponse clinique compl\u00e8te \u00bb versus \u00ab \u00e9chec\/stagnation \u00bb, est alors soumis au test exact de Fisher pour statuer sur la pertinence du maintien du programme d’investigation clinique.<\/p>\n L’infrastructure computationnelle de Python d\u00e9di\u00e9e aux analyses quantitatives repose sur un ensemble de biblioth\u00e8ques open-source hautement optimis\u00e9es et interconnect\u00e9es. Au c\u0153ur de cette architecture se trouve la biblioth\u00e8que SciPy<\/a>, dont le sous-module La structuration et le pr\u00e9traitement des jeux de donn\u00e9es cliniques ou psychom\u00e9triques s’effectuent majoritairement via la biblioth\u00e8que Pandas<\/a>, qui introduit le paradigme des Dans un contexte de science ouverte et de reproductibilit\u00e9 computationnelle, la gestion des environnements virtuels constitue une exigence d\u00e9ontologique indispensable. L’utilisation d’outils d’isolation tels que L’amorce d’un script d’analyse statistique en Python requiert l’importation ordonn\u00e9e et explicite des fonctions n\u00e9cessaires, conform\u00e9ment aux conventions de codage PEP 8. L’acc\u00e8s au test exact de Fisher s’op\u00e8re par l’importation de la fonction d\u00e9di\u00e9e Pour la restitution visuelle des donn\u00e9es, les modules L’ex\u00e9cution de ces op\u00e9rations analytiques au sein d’un calepin interactif (Jupyter Notebook ou JupyterLab) offre un cadre d’analyse id\u00e9al en int\u00e9grant dans un m\u00eame document dynamique la narration th\u00e9orique, les blocs d’ex\u00e9cution du code source, la g\u00e9n\u00e9ration en ligne des graphiques et les sorties statistiques brutes. Cette tra\u00e7abilit\u00e9 int\u00e9grale garantit une cha\u00eene de reproductibilit\u00e9 parfaite (audit trail<\/em>), r\u00e9pondant aux exigences contemporaines de rigueur m\u00e9thodologique impos\u00e9es par les comit\u00e9s \u00e9ditoriaux acad\u00e9miques.<\/p>\n La formulation computationnelle du test exact de Fisher sous Python requiert en premier lieu la transposition du probl\u00e8me exp\u00e9rimental sous une forme matricielle bidimensionnelle standardis\u00e9e. Par convention m\u00e9thodologique universelle, la disposition spatiale d’une table de contingence $2 \\times 2$<\/span> affecte les modalit\u00e9s de la variable ind\u00e9pendante, explicative ou d’exposition aux lignes du tableau, tandis que les modalit\u00e9s de la variable d\u00e9pendante, d’int\u00e9r\u00eat ou de crit\u00e8re clinique sont distribu\u00e9es sur les colonnes du tableau.<\/p>\n Dans la configuration standard, les cellules sont \u00e9tiquet\u00e9es de la mani\u00e8re suivante : la cellule sup\u00e9rieure gauche ($a$<\/span>, index Sous Python, la m\u00e9thode la plus directe pour encoder cette matrice consiste \u00e0 utiliser une structure native de listes imbriqu\u00e9es, de la forme Dans la conduite r\u00e9elle de la recherche psychologique, les donn\u00e9es brutes proviennent rarement d’une matrice synth\u00e9tique pr\u00e9d\u00e9finie, mais se pr\u00e9sentent sous la forme de fichiers tabulaires d\u00e9limit\u00e9s (formats CSV, TSV ou classeurs Microsoft Excel) dans lesquels chaque ligne consigne les observations individuelles relatives \u00e0 un sujet unique. \u00c0 partir d’un tel Cette fonction accepte comme arguments principaux deux s\u00e9ries cat\u00e9gorielles issues du Avant d’engager la tabulation crois\u00e9e, une phase rigoureuse de nettoyage et d’apurement des donn\u00e9es brutes s’impose. Les valeurs manquantes (valeurs La fonction Le param\u00e8tre obligatoire L’ex\u00e9cution de la fonction retourne un objet r\u00e9sultat (ou historiquement un tuple de deux \u00e9l\u00e9ments) compos\u00e9 de deux m\u00e9triques fondamentales :<\/p>\n Sur le plan de la complexit\u00e9 algorithmique, l’ex\u00e9cution temporelle de Le param\u00e8tre formel Il est imp\u00e9ratif de souligner que l’interpr\u00e9tation des arguments unilat\u00e9raux Dans le cadre du test exact de Fisher, la p-valeur ne constitue pas une estimation asymptotique d\u00e9riv\u00e9e d’une fonction de r\u00e9partition d’une variable al\u00e9atoire continue (comme la loi normale ou la loi du $\\chi^2$<\/span>), mais repr\u00e9sente la somme discr\u00e8te exacte des probabilit\u00e9s combinatoires associ\u00e9es aux configurations matricielles jug\u00e9es au moins aussi extr\u00eames que celle constat\u00e9e lors de l’exp\u00e9rimentation. De ce fait, la distribution de la p-valeur sous l’hypoth\u00e8se nulle n’est pas uniform\u00e9ment continue sur l’intervalle $[0, 1]$<\/span>, mais pr\u00e9sente un comportement discret en escalier.<\/p>\n Cette granularit\u00e9 intrins\u00e8que conf\u00e8re au test exact de Fisher un caract\u00e8re structurellement conservateur. En d’autres termes, le taux r\u00e9el d’erreur de type I effectif est fr\u00e9quemment inf\u00e9rieur au seuil nominal th\u00e9orique fix\u00e9 conventionnellement par l’exp\u00e9rimentateur (g\u00e9n\u00e9ralement $\\alpha = 0,05$<\/span>). Certains statisticiens ont propos\u00e9 l’utilisation de la \u00ab p-valeur m\u00e9diane \u00bb (mid-p value<\/em>), qui soustrait la moiti\u00e9 de la probabilit\u00e9 de la table observ\u00e9e \u00e0 la p-valeur classique afin d’att\u00e9nuer ce conservatisme. Toutefois, dans le cadre d’un rapport de psychologie clinique stricte, la p-valeur standard exacte demeure la r\u00e9f\u00e9rence l\u00e9gitime incontest\u00e9e.<\/p>\n Sur le plan \u00e9pist\u00e9mologique, il est primordial de distinguer la significativit\u00e9 statistique d’une part, et la pertinence ou significativit\u00e9 clinique d’autre part. L’obtention d’une valeur $p < 0,05$<\/span> atteste simplement qu’il est hautement invraisemblable que l’asym\u00e9trie de distribution constat\u00e9e r\u00e9sulte d’une simple fluctuation stochastique sous l’hypoth\u00e8se d’absence d’effet. En aucun cas elle ne mesure l’amplitude du b\u00e9n\u00e9fice th\u00e9rapeutique pour le patient ni la pertinence pratique de l’intervention mise en place.<\/p>\n L’odds ratio (OR)<\/a>, ou rapport des cotes, constitue la m\u00e9trique standard par excellence pour quantifier la taille d’effet d’une association cat\u00e9gorielle binaire. Math\u00e9matiquement, la cote (odds<\/em>) d’un \u00e9v\u00e9nement se d\u00e9finit comme le ratio de la probabilit\u00e9 de survenue de cet \u00e9v\u00e9nement sur la probabilit\u00e9 de sa non-survenue ($p \/ (1-p)$<\/span>). L’odds ratio repr\u00e9sente quant \u00e0 lui le quotient entre la cote de survenue de l’\u00e9v\u00e9nement dans le groupe expos\u00e9 et la cote correspondante dans le groupe non expos\u00e9.<\/p>\n Pour un tableau de contingence comportant les effectifs $a$<\/span>, $b$<\/span>, $c$<\/span> et $d$<\/span>, l’odds ratio d’\u00e9chantillon brut correspond au produit crois\u00e9 direct des cellules diagonales :<\/p>\n $$\\text{OR} = \\frac{a \/ b}{c \/ d} = \\frac{a \\times d}{b \\times c}$$<\/span><\/p>\n Il convient n\u00e9anmoins d’apporter une pr\u00e9cision algorithmique cruciale concernant le comportement de SciPy : par d\u00e9faut, la fonction L’interpr\u00e9tation clinique de la magnitude de l’odds ratio s’articule autour de la valeur pivot unitaire ($\\text{OR} = 1$<\/span>) :<\/p>\n L’attribution exclusive d’une estimation ponctuelle de l’odds ratio est scientifiquement incompl\u00e8te sans la mention conjointe de son intervalle de confiance \u00e0 95 % ($\\text{IC}_{95%}$<\/span>), lequel quantifie l’incertitude d’\u00e9chantillonnage inh\u00e9rente \u00e0 la taille restreinte de la cohorte. \u00c9tant donn\u00e9 que la distribution d’\u00e9chantillonnage de l’odds ratio brut est fortement asym\u00e9trique et born\u00e9e inf\u00e9rieurement par z\u00e9ro tout en s’\u00e9tendant \u00e0 l’infini positif, la proc\u00e9dure d’inf\u00e9rence standard repose sur la transformation logarithmique n\u00e9p\u00e9rienne de l’odds ratio ($\\ln(\\text{OR})$<\/span>), dont la distribution asymptotique converge vers une loi normale.<\/p>\n La formulation analytique classique d\u00e9velopp\u00e9e par Woolf \u00e9tablit l’erreur-type asymptotique du log de l’odds ratio selon la formule :<\/p>\n $$\\text{SE}(\\ln(\\text{OR})) = \\sqrt{\\frac{1}{a} + \\frac{1}{b} + \\frac{1}{c} + \\frac{1}{d}}$$<\/span><\/p>\n Les bornes de l’intervalle de confiance sont ensuite obtenues en retranchant et en ajoutant 1,96 fois cette erreur-type au $\\ln(\\text{OR})$<\/span>, avant d’appliquer une transformation exponentielle inverse aux bornes ainsi d\u00e9riv\u00e9es. Sous Python, la biblioth\u00e8que L’analyse visuelle de l’intervalle de confiance constitue un crit\u00e8re de d\u00e9cision statistique direct : si la valeur neutre 1,00 est comprise entre la borne inf\u00e9rieure et la borne sup\u00e9rieure de l’intervalle \u00e0 95 % (par exemple, $\\text{IC}_{95%} [0,85 ; 4,20]$<\/span>), il est impossible d’exclure l’hypoth\u00e8se nulle d’ind\u00e9pendance au seuil alpha de 5 %, et ce ind\u00e9pendamment de la valeur ponctuelle de l’odds ratio.<\/p>\n Le choix d’opter pour un test d’hypoth\u00e8se bilat\u00e9ral (two-tailed test<\/em>) ou unilat\u00e9ral (one-tailed test<\/em>) engage la responsabilit\u00e9 \u00e9pist\u00e9mologique du chercheur et touche aux fondements de la m\u00e9thode scientifique. Un test unilat\u00e9ral ne peut \u00eatre m\u00e9thodologiquement justifi\u00e9 que si, et seulement si, une d\u00e9viation dans la direction oppos\u00e9e \u00e0 l’hypoth\u00e8se postul\u00e9e est conceptuellement impossible ou d\u00e9pourvue du moindre sens th\u00e9orique ou clinique. En psychologie empirique, une intervention psychoth\u00e9rapeutique novatrice, bien que con\u00e7ue pour \u00eatre b\u00e9n\u00e9fique, peut s’av\u00e9rer inefficace, voire d\u00e9l\u00e9t\u00e8re en induisant une d\u00e9t\u00e9rioration iatrog\u00e8ne de l’\u00e9tat clinique.<\/p>\n Le recours r\u00e9trospectif \u00e0 un test unilat\u00e9ral apr\u00e8s avoir pris connaissance des donn\u00e9es (HARKing : Hypothesizing After the Results are Known<\/em>) afin d’abaisser artificiellement le seuil de d\u00e9cision et de faire basculer une p-valeur marginale ($p = 0,07$<\/span>) sous le couperet conventionnel de la significativit\u00e9 ($p = 0,035$<\/span>) constitue une faute m\u00e9thodologique majeure qui vicie l’int\u00e9grit\u00e9 de la litt\u00e9rature scientifique. Pour cette raison, les crit\u00e8res \u00e9ditoriaux des revues de rang mondial en psychologie (telles que celles affili\u00e9es \u00e0 l’APA) imposent par d\u00e9faut l’application de tests bilat\u00e9raux, sauf en cas de pr\u00e9-enregistrement formel et inalt\u00e9rable d’une hypoth\u00e8se directionnelle unilat\u00e9rale aupr\u00e8s d’un registre agr\u00e9\u00e9 (tel que l’Open Science Framework<\/a>).<\/p>\n D’un point de vue de la puissance statistique, le test unilat\u00e9ral alloue l’int\u00e9gralit\u00e9 du risque d’erreur de premi\u00e8re esp\u00e8ce $\\alpha$<\/span> \u00e0 une seule extr\u00e9mit\u00e9 de la distribution combinatoire, augmentant m\u00e9caniquement la probabilit\u00e9 de d\u00e9tecter un effet conforme \u00e0 l’attente lorsque l’effectif global de l’\u00e9chantillon est faible. Cependant, ce gain de sensibilit\u00e9 s’accompagne d’une aveuglement complet vis-\u00e0-vis d’un potentiel effet adverse impr\u00e9vu.<\/p>\n L’impl\u00e9mentation pratique de la directionnalit\u00e9 sous Python n\u00e9cessite d’aligner rigoureusement la th\u00e9orie avec la syntaxe formelle de Ligne 1 (Groupe Rem\u00e9diation) : 8 r\u00e9ussites ($a$<\/span>), 2 \u00e9checs ($b$<\/span>)<\/p>\n Ligne 2 (Groupe Contr\u00f4le) : 3 r\u00e9ussites ($c$<\/span>), 7 \u00e9checs ($d$<\/span>)<\/p>\n Si l’on postule a priori que la rem\u00e9diation cognitive majore la probabilit\u00e9 de r\u00e9ussite, l’appel s’ex\u00e9cute via la commande formelle Sur le plan quantitatif, la p-valeur obtenue avec l’option Afin d’ancrer ces d\u00e9veloppements th\u00e9oriques dans une r\u00e9alit\u00e9 clinique tangible, nous proposons d’analyser une \u00e9tude pilote interventionnelle fictive mais rigoureusement construite selon les normes de la recherche contemporaine en psychiatrie. L’investigation porte sur l’efficacit\u00e9 d’un protocole novateur de th\u00e9rapie br\u00e8ve d’int\u00e9gration mn\u00e9sique assist\u00e9e par reconsolidation mn\u00e9sique, comparativement \u00e0 une prise en charge standard (groupe contr\u00f4le sur liste d’attente active), aupr\u00e8s de militaires souffrant d’un \u00e9tat de stress post-traumatique (ESPT) r\u00e9sistant aux traitements pharmacologiques de premi\u00e8re ligne.<\/p>\n L’\u00e9chantillon exp\u00e9rimental pilote se compose de $N = 24$<\/span> v\u00e9t\u00e9rans randomis\u00e9s selon un ratio $1:1$<\/span> au sein des deux bras d’intervention : $n_1 = 12$<\/span> patients sont assign\u00e9s au groupe de th\u00e9rapie d’int\u00e9gration mn\u00e9sique, et $n_2 = 12$<\/span> patients sont affect\u00e9s au groupe contr\u00f4le. Le crit\u00e8re d’\u00e9valuation principal est \u00e9valu\u00e9 \u00e0 trois mois post-intervention au moyen de l’\u00e9chelle clinique de r\u00e9f\u00e9rence PCL-5 (PTSD Checklist for DSM-5<\/em>). Le r\u00e9sultat est dichotomis\u00e9 en une variable binaire : \u00ab R\u00e9mission clinique compl\u00e8te \u00bb (diminution du score PCL-5 sous le seuil diagnostique d’\u00e9vidence clinique) versus \u00ab Non-r\u00e9mission \/ Persistance des sympt\u00f4mes \u00bb.<\/p>\n \u00c0 l’issue des trois mois de suivi longitudinal, les observations collig\u00e9es se d\u00e9clinent comme suit : au sein du groupe trait\u00e9 par int\u00e9gration mn\u00e9sique, 9 patients ont atteint le statut de r\u00e9mission clinique compl\u00e8te, tandis que 3 patients demeurent en \u00e9chec th\u00e9rapeutique. \u00c0 l’inverse, au sein du groupe contr\u00f4le, seuls 2 patients ont manifest\u00e9 une r\u00e9mission spontan\u00e9e, tandis que 10 patients maintiennent une symptomatologie post-traumatique s\u00e9v\u00e8re.<\/p>\n Les hypoth\u00e8ses statistiques formelles s’\u00e9noncent de la mani\u00e8re suivante :<\/p>\n L’impl\u00e9mentation logicielle int\u00e9grale de ce cas clinique s’op\u00e8re par le d\u00e9ploiement d’un pipeline d’analyse transparent et reproductible sous Python, mobilisant conjointement Pandas pour l’instanciation des donn\u00e9es individuelles et SciPy ainsi que Statsmodels pour les op\u00e9rations d’inf\u00e9rence statistique. Le code est structur\u00e9 selon les meilleures pratiques acad\u00e9miques :<\/p>\n En premier lieu, les donn\u00e9es d’observation des 24 sujets cliniques sont formalis\u00e9es sous la forme d’un dictionnaire comprenant deux cl\u00e9s explicites : En second lieu, la table de contingence est compil\u00e9e via la commande 1. Introduction aux fondements th\u00e9oriques du test exact de Fisher<\/h2>\n
1.1 Origine historique et logique math\u00e9matique de Ronald Fisher<\/h3>\n
1.2 Utilit\u00e9 m\u00e9thodologique dans les sciences du comportement<\/h3>\n
2. Le test exact de Fisher versus le test du Chi-deux d’ind\u00e9pendance<\/h2>\n
2.1 Limites intrins\u00e8ques de l’approximation du Chi-deux de Pearson<\/h3>\n
2.2 Crit\u00e8res d\u00e9cisionnels de s\u00e9lection du test statistique<\/h3>\n
\n
3. Les postulats statistiques et conditions d’application en psychologie<\/h2>\n
3.1 Hypoth\u00e8ses fondamentales du mod\u00e8le d’\u00e9chantillonnage<\/h3>\n
3.2 Contextes d’application privil\u00e9gi\u00e9s en psychologie clinique et cognitive<\/h3>\n
4. Environnement Python et biblioth\u00e8ques requises pour l’analyse<\/h2>\n
4.1 Installation et configuration de l’\u00e9cosyst\u00e8me scientifique<\/h3>\n
scipy.stats<\/code> concentre l’impl\u00e9mentation des distributions statistiques continues et discr\u00e8tes, ainsi qu’une panoplie compl\u00e8te de tests d’hypoth\u00e8se param\u00e9triques et non param\u00e9triques. Pour le calcul matriciel sous-jacent et l’ex\u00e9cution d’op\u00e9rations vectoris\u00e9es, l’infrastructure s’appuie sur NumPy<\/a>, garantissant une manipulation performante de structures de tableaux homog\u00e8nes multidimensionnels en m\u00e9moire vive.<\/p>\nDataFrame<\/code>. Cette structure bidimensionnelle \u00e9tiquet\u00e9e permet de manipuler conjointement des variables cat\u00e9gorielles textuelles et des m\u00e9triques quantitatives, tout en facilitant l’agr\u00e9gation crois\u00e9e. Pour les calculs \u00e9pid\u00e9miologiques avanc\u00e9s, notamment la mod\u00e9lisation des rapports de cotes et l’extraction de leurs intervalles de confiance selon diverses m\u00e9thodes probabilistes, la biblioth\u00e8que Statsmodels<\/a> compl\u00e8te avantageusement l’environnement de base.<\/p>\nvenv<\/code> ou le gestionnaire de paquets conda<\/code> permet de figer les versions pr\u00e9cises de chaque biblioth\u00e8que, neutralisant tout risque d’incompatibilit\u00e9 syntaxique ou d’alt\u00e9ration algorithmique au fil des mises \u00e0 jour des d\u00e9pendances logicielles. L’installation des biblioth\u00e8ques requises s’op\u00e8re usuellement via l’utilitaire en ligne de commande pip install numpy scipy pandas statsmodels matplotlib seaborn<\/code>.<\/p>\n4.2 Imports n\u00e9cessaires et v\u00e9rification de l’environnement<\/h3>\n
fisher_exact<\/code> localis\u00e9e au sein du sous-module scipy.stats<\/code>. Parall\u00e8lement, l’importation conventionnelle de pandas<\/code> sous l’alias pd<\/code> et de numpy<\/code> sous l’alias np<\/code> assure la disponibilit\u00e9 des structures tabulaires et matricielles fondamentales.<\/p>\nmatplotlib.pyplot<\/code> et seaborn<\/code> sont mobilis\u00e9s afin de concevoir des repr\u00e9sentations graphiques publiables r\u00e9pondant aux standards des revues scientifiques. Il est \u00e9galement recommand\u00e9 de configurer le comportement global de formatage des nombres d\u00e9cimaux dans l’environnement d’ex\u00e9cution afin de pr\u00e9venir l’affichage d’un nombre excessif de d\u00e9cimales qui nuit \u00e0 la lisibilit\u00e9 des r\u00e9sultats, sans pour autant tronquer la pr\u00e9cision des calculs interm\u00e9diaires.<\/p>\n5. Structuration des donn\u00e9es et cr\u00e9ation de la table de contingence 2×2<\/h2>\n
5.1 Formatage manuel sous forme de listes et de tableaux NumPy<\/h3>\n
[0, 0]<\/code>) comptabilise le nombre d’individus expos\u00e9s au facteur de risque ou recevant le traitement exp\u00e9rimental et pr\u00e9sentant l’\u00e9v\u00e9nement d’int\u00e9r\u00eat (par exemple, la r\u00e9mission clinique). La cellule sup\u00e9rieure droite ($b$<\/span>, index [0, 1]<\/code>) rassemble les individus expos\u00e9s mais ne manifestant pas l’\u00e9v\u00e9nement. La ligne inf\u00e9rieure regroupe le groupe contr\u00f4le ou non expos\u00e9 : la cellule ($c$<\/span>, index [1, 0]<\/code>) contient les sujets t\u00e9moins pr\u00e9sentant n\u00e9anmoins l’\u00e9v\u00e9nement, et la cellule ($d$<\/span>, index [1, 1]<\/code>) r\u00e9unit les sujets t\u00e9moins exempts de l’\u00e9v\u00e9nement.<\/p>\n[[a, b], [c, d]]<\/code>. Cette structure peut ensuite \u00eatre convertie en un tableau matriciel \u00e0 deux dimensions via l’appel constructeur np.array([[a, b], [c, d]])<\/code>. Lors de cette \u00e9tape manuelle, une vigilance formelle doit \u00eatre accord\u00e9e au type de donn\u00e9es sous-jacent : les effectifs doivent imp\u00e9rativement \u00eatre instanci\u00e9s sous la forme d’entiers strictement positifs ou nuls (int<\/code>), l’introduction accidentelle de valeurs flottantes ou de cha\u00eenes de caract\u00e8res bloquant l’\u00e9valuation combinatoire de la factorielle.<\/p>\n5.2 G\u00e9n\u00e9ration d’une table de contingence \u00e0 partir d’un DataFrame pandas<\/h3>\n
DataFrame<\/code> Pandas, la transition vers une matrice de contingence exploitable s’effectue au moyen de la fonction hautement optimis\u00e9e pandas.crosstab()<\/code>.<\/p>\nDataFrame<\/code>, correspondant respectivement aux cat\u00e9gories de lignes et de colonnes \u00e0 croiser. L’utilisation du param\u00e8tre bool\u00e9en optionnel margins=True<\/code> permet d’adjoindre automatiquement les totaux marginaux horizontaux et verticaux (intitul\u00e9s par d\u00e9faut All<\/code>), fournissant un moyen imm\u00e9diat de contr\u00f4le visuel de la distribution globale des effectifs au sein des diff\u00e9rents bras d’\u00e9chantillonnage.<\/p>\nNaN<\/code> ou None<\/code>) doivent faire l’objet d’un examen minutieux afin de d\u00e9terminer si elles rel\u00e8vent d’un m\u00e9canisme d’absence compl\u00e8tement al\u00e9atoire (MCAR) ou non al\u00e9atoire (MNAR). La suppression par liste compl\u00e8te (listwise deletion<\/em>) des observations incompl\u00e8tes peut \u00eatre appliqu\u00e9e via la m\u00e9thode dropna(subset=['Groupe', 'Issue'])<\/code>, tout en veillant \u00e0 consigner explicitement dans le rapport m\u00e9thodologique le nombre exact de sujets exclus pour cause de d\u00e9perdition de donn\u00e9es (attrition exp\u00e9rimentale).<\/p>\n6. Ex\u00e9cution du test exact de Fisher avec SciPy : Syntaxe et param\u00e8tres<\/h2>\n
6.1 Analyse d\u00e9taill\u00e9e de la fonction scipy.stats.fisher_exact<\/h3>\n
fisher_exact<\/code> accessible au sein du module scipy.stats<\/code> constitue l’outil de r\u00e9f\u00e9rence absolu pour l’inf\u00e9rence hyperg\u00e9om\u00e9trique standard sous Python. L’architecture algorithmique sous-jacente a \u00e9t\u00e9 cod\u00e9e avec un haut niveau d’optimisation math\u00e9matique afin de minimiser le co\u00fbt combinatoire des factorielles. La signature fondamentale de la fonction s’articule autour de la d\u00e9claration suivante : scipy.stats.fisher_exact(table, alternative='two-sided')<\/code>.<\/p>\ntable<\/code> attend une structure assimilable \u00e0 un tableau bidimensionnel de taille $2 \\times 2$<\/span>, pouvant consister en une liste de listes d’entiers, un tableau numpy.ndarray<\/code>, ou encore un objet pandas.DataFrame<\/code> tronqu\u00e9 de ses marges marginales. L’introduction d’une matrice dont la dimensionalit\u00e9 exc\u00e9derait deux lignes ou deux colonnes g\u00e9n\u00e8re une exception critique de type ValueError<\/code>, la biblioth\u00e8que SciPy ne proposant pas de g\u00e9n\u00e9ralisation native aux tables d’ordre sup\u00e9rieur au sein de cette fonction pr\u00e9cise.<\/p>\n\n
scipy.stats.fisher_exact<\/code> demeure virtuellement instantan\u00e9e pour des tableaux $2 \\times 2$<\/span>, sa complexit\u00e9 spatiale et temporelle \u00e9tant born\u00e9e par $O(min(a+b, c+d, a+c, b+d))$<\/span>. Les calculs ne posent aucune difficult\u00e9 mat\u00e9rielle sur les ordinateurs contemporains, m\u00eame dans le cadre de proc\u00e9dures intensives de r\u00e9\u00e9chantillonnage par bootstrap ou de tests it\u00e9ratifs massifs sur des milliers de g\u00e8nes ou de marqueurs psychom\u00e9triques.<\/p>\n6.2 Configuration de l’argument alternative pour orienter l’hypoth\u00e8se<\/h3>\n
alternative<\/code> gouverne directement la formulation de l’hypoth\u00e8se statistique alternative ($H_1$<\/span>) et modifie en profondeur l’algorithme d’int\u00e9gration des probabilit\u00e9s hyperg\u00e9om\u00e9triques dans le calcul de la p-valeur. Trois options textuelles distinctes peuvent \u00eatre assign\u00e9es \u00e0 ce param\u00e8tre :<\/p>\n\n
'two-sided'<\/code> : Il s’agit du param\u00e9trage par d\u00e9faut et le plus largement pr\u00e9conis\u00e9 par la communaut\u00e9 acad\u00e9mique. Il correspond \u00e0 un test bilat\u00e9ral non directionnel. Sous ce sch\u00e9ma, l’hypoth\u00e8se nulle postule que le rapport de cotes th\u00e9orique de la population sous-jacente est \u00e9gal \u00e0 un ($\\theta = 1$<\/span>). L’algorithme somme les probabilit\u00e9s de toutes les tables th\u00e9oriques admissibles dont la probabilit\u00e9 d’occurrence est inf\u00e9rieure ou \u00e9gale \u00e0 celle de la table observ\u00e9e.<\/li>\n'greater'<\/code> : Ce param\u00e9trage active un test unilat\u00e9ral \u00e0 droite. L’hypoth\u00e8se alternative postule explicitement que le rapport de cotes est strictement sup\u00e9rieur \u00e0 un ($\\theta > 1$<\/span>). Cela signifie conceptuellement que l’exposition au facteur (premi\u00e8re ligne) est statistiquement associ\u00e9e \u00e0 une probabilit\u00e9 accrue de survenue de l’\u00e9v\u00e9nement favorable ou critique (premi\u00e8re colonne).<\/li>\n'less'<\/code> : \u00c0 l’inverse, cette option engage un test unilat\u00e9ral \u00e0 gauche, postulant un rapport de cotes th\u00e9orique strictement inf\u00e9rieur \u00e0 un ($\\theta < 1$<\/span>). Cette formulation est mobilis\u00e9e lorsque l’investigateur cherche \u00e0 d\u00e9montrer un effet protecteur de l’exposition, traduisant une r\u00e9duction significative de l’incidence de l’\u00e9v\u00e9nement dans le groupe expos\u00e9.<\/li>\n<\/ul>\n'greater'<\/code> et 'less'<\/code> d\u00e9pend totalement de l’ordre d’assignation spatiale des cat\u00e9gories au sein de la matrice. L’inversion arbitraire de deux lignes ou de deux colonnes transforme instantan\u00e9ment une hypoth\u00e8se d’accroissement en une hypoth\u00e8se de r\u00e9duction, exposant le chercheur inattentif \u00e0 une erreur de conclusion d\u00e9vastatrice si le sens de codage n’est pas scrupuleusement v\u00e9rifi\u00e9 en amont.<\/p>\n7. Interpr\u00e9tation rigoureuse de l’odds ratio et de la p-valeur<\/h2>\n
7.1 Compr\u00e9hension de la p-valeur exacte et seuil de significativit\u00e9<\/h3>\n
7.2 Calcul et signification de l’odds ratio (rapport des cotes)<\/h3>\n
scipy.stats.fisher_exact<\/code> ne renvoie pas syst\u00e9matiquement ce simple produit crois\u00e9 d’\u00e9chantillon, mais calcule l’estimateur du maximum de vraisemblance conditionnel (conditional maximum likelihood estimator<\/em>) de l’odds ratio de la population, calcul\u00e9 conditionnellement aux marges fixes. Dans la majorit\u00e9 des tableaux empiriques pr\u00e9sentant des effectifs non nuls, ces deux valeurs demeurent extr\u00eamement proches, mais de l\u00e9g\u00e8res divergences peuvent survenir, notamment sous tr\u00e8s faibles effectifs.<\/p>\n\n
7.3 Calcul des intervalles de confiance de l’odds ratio<\/h3>\n
scipy.stats<\/code> ne fournit pas directement ces bornes dans sa sortie standard de base pour fisher_exact<\/code>. Il est donc hautement recommand\u00e9 de mobiliser la classe Table2x2<\/code> du module statsmodels.stats.contingency_tables<\/code>, qui calcule de mani\u00e8re compl\u00e8tement automatis\u00e9e et s\u00e9curis\u00e9e les intervalles de confiance exacts ou de profil de vraisemblance.<\/p>\n8. Tests unilat\u00e9raux versus bilat\u00e9raux : Formulation des hypoth\u00e8ses<\/h2>\n
8.1 Fondements \u00e9pist\u00e9mologiques du choix de la directionnalit\u00e9<\/h3>\n
8.2 Traduction syntaxique et comparaison des r\u00e9sultats sous SciPy<\/h3>\n
scipy.stats.fisher_exact<\/code>. Pour expliciter cette articulation, consid\u00e9rons un devis \u00e9valuant l’efficacit\u00e9 d’une rem\u00e9diation cognitive sur le taux de r\u00e9ussite \u00e0 un bilan neuropsychologique, o\u00f9 les effectifs observ\u00e9s sont agenc\u00e9s dans la matrice suivante :<\/p>\nres_greater = stats.fisher_exact([[8, 2], [3, 7]], alternative='greater')<\/code>. SciPy va alors calculer la probabilit\u00e9 d’observer au moins 8 r\u00e9ussites dans le premier groupe sachant les marges observ\u00e9es. Si l’on souhaite conduire le test conservateur bilat\u00e9ral de r\u00e9f\u00e9rence, l’appel devient res_two = stats.fisher_exact([[8, 2], [3, 7]], alternative='two-sided')<\/code>.<\/p>\nalternative='greater'<\/code> sera approximativement \u00e9gale \u00e0 la moiti\u00e9 de la valeur obtenue avec alternative='two-sided'<\/code>, bien que cette stricte division par deux ne soit pas math\u00e9matiquement absolue en raison de la discr\u00e9tion et de l’asym\u00e9trie de la distribution hyperg\u00e9om\u00e9trique sous-jacente. Il appara\u00eet donc avec clart\u00e9 que le param\u00e9trage directionnel modifie radicalement le seuil de significativit\u00e9 retenu.<\/p>\n9. Application pratique en recherche psychologique : \u00c9tude de cas clinique<\/h2>\n
9.1 Contexte de l’\u00e9tude : Efficacit\u00e9 d’une th\u00e9rapie br\u00e8ve sur l’\u00e9tat de stress post-traumatique<\/h3>\n
\n
9.2 Codage complet du pipeline analytique en Python<\/h3>\n
'Groupe'<\/code> (modalit\u00e9s : 'Integration_Mnesique'<\/code> versus 'Controle'<\/code>) et 'Statut_3_Mois'<\/code> (modalit\u00e9s : 'Remission'<\/code> versus 'Non_Remission'<\/code>). Ce dictionnaire est converti en un pandas.DataFrame<\/code>.<\/p>\npd.crosstab(df['Groupe'], df['Statut_3_Mois'])<\/code>. Pour assurer la parfaite conformit\u00e9 de la structure d’entr\u00e9e, un r\u00e9ordonnancement explicite des index de lignes et des noms de colonnes est op\u00e9r\u00e9 au moyen de la m\u00e9thode .reindex(index=['Integration_Mnesique', 'Controle'], columns=['Remission', 'Non_Remission'])<\/code>. Cette \u00e9tape garantit sans ambigu\u00eft\u00e9 que la cellule sup\u00e9rieure gauche ($a$<\/span>) contient bien le nombre de succ\u00e8s du traitement exp\u00e9rimental.<\/p>\n