{"id":4155,"date":"2026-09-11T06:17:05","date_gmt":"2026-09-11T06:17:05","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-effectuer-le-test-de-dunn-en-python\/"},"modified":"2026-09-11T06:17:05","modified_gmt":"2026-09-11T06:17:05","slug":"comment-effectuer-le-test-de-dunn-en-python","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-effectuer-le-test-de-dunn-en-python","title":{"rendered":"Comment effectuer le test de Dunn en Python"},"content":{"rendered":"

Dans le domaine de l’inf\u00e9rence statistique moderne, l’analyse comparative de plusieurs \u00e9chantillons ind\u00e9pendants constitue l’un des piliers m\u00e9thodologiques les plus sollicit\u00e9s en sciences biom\u00e9dicales, en psychologie, en neurosciences et en \u00e9conom\u00e9trie appliqu\u00e9e. Lorsque les distributions empiriques violent les postulats stricts de normalit\u00e9 gaussienne ou d’homog\u00e9n\u00e9it\u00e9 des variances intrins\u00e8ques \u00e0 l’analyse de variance classique (ANOVA de Fisher), les chercheurs se tournent vers les m\u00e9thodes non param\u00e9triques. Le test d’analyse de variance \u00e0 un facteur de Kruskal-Wallis s’impose alors comme l’alternative par excellence pour tester l’hypoth\u00e8se nulle selon laquelle plusieurs populations partagent une distribution stochastique identique. Toutefois, ce test dit \u00ab omnibus \u00bb se heurte \u00e0 une limite intrins\u00e8que majeure : il se borne \u00e0 d\u00e9tecter l’existence d’une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 globale au sein du syst\u00e8me exp\u00e9rimental sans jamais pr\u00e9ciser quelles paires de sous-groupes se diff\u00e9rencient mutuellement.<\/p>\n

L’identification rigoureuse de ces disparit\u00e9s intergroupes impose le recours \u00e0 une proc\u00e9dure d’analyse post-hoc sp\u00e9cialis\u00e9e, capable de pr\u00e9server la structure distributionnelle des donn\u00e9es tout en jugulant l’inflation probabiliste de l’erreur de type I inh\u00e9rente \u00e0 la multiplication des tests d’hypoth\u00e8ses. C’est pr\u00e9cis\u00e9ment \u00e0 cette crois\u00e9e des exigences statistiques que s’illustre le test propos\u00e9 par la biostatisticienne Olive Jean Dunn en 1964<\/a>. Con\u00e7u express\u00e9ment pour faire suite \u00e0 un test de Kruskal-Wallis significatif, le test de Dunn repose sur l’\u00e9valuation des \u00e9carts entre les rangs moyens calcul\u00e9s \u00e0 l’\u00e9chelle globale de l’\u00e9chantillon group\u00e9, fournissant un cadre math\u00e9matiquement coh\u00e9rent avec la statistique globale initiale.<\/p>\n

Alors que les progiciels statistiques propri\u00e9taires tels que SPSS, SAS ou Stata ont longtemps domin\u00e9 la pratique analytique en milieu acad\u00e9mique, le paradigme de la recherche ouverte et reproductible a catalys\u00e9 une adoption massive de l’\u00e9cosyst\u00e8me Python pour le traitement des donn\u00e9es empiriques. Gr\u00e2ce \u00e0 des biblioth\u00e8ques hautement sp\u00e9cialis\u00e9es telles que SciPy, Pandas et particuli\u00e8rement scikit-posthocs, l’ex\u00e9cution computationnelle du test de Dunn b\u00e9n\u00e9ficie aujourd’hui d’une puissance algorithmique, d’une flexibilit\u00e9 d’ajustement des valeurs critiques et d’une int\u00e9gration graphique sans pr\u00e9c\u00e9dent. Ce guide m\u00e9thodologique exhaustif a pour vocation d’exposer de mani\u00e8re exhaustive les fondements math\u00e9matiques, les crit\u00e8res de d\u00e9cision \u00e9pist\u00e9mologiques, les protocoles de programmation en Python ainsi que les normes de restitution acad\u00e9mique du test de Dunn, fournissant ainsi aux chercheurs et analystes de donn\u00e9es un cadre de r\u00e9f\u00e9rence rigoureux et p\u00e9renne.<\/p>\n

1. Introduction aux tests post-hoc non param\u00e9triques et au test de Dunn<\/h2>\n

1.1 Fondements th\u00e9oriques des analyses post-hoc apr\u00e8s Kruskal-Wallis<\/h3>\n

L’inf\u00e9rence statistique sur donn\u00e9es quantitatives repose traditionnellement sur la distinction fondamentale entre les approches param\u00e9triques, qui postulent une forme fonctionnelle a priori de la distribution sous-jacente des populations sources, et les approches non param\u00e9triques, qui s’affranchissent de ces contraintes de mod\u00e9lisation en substituant aux grandeurs m\u00e9triques brutes leurs statistiques de rangs relatives. Lorsqu’une exp\u00e9rience scientifique implique trois conditions ind\u00e9pendantes ou davantage, la strat\u00e9gie inf\u00e9rentielle canonique consiste \u00e0 soumettre les donn\u00e9es \u00e0 un test omnibus. Le test de Kruskal-Wallis joue ce r\u00f4le pivot dans le paradigme non param\u00e9trique : il \u00e9value si les fonctions de r\u00e9partition empiriques des $k$<\/span> groupes proviennent d’une population parente commune en comparant la variance intergroupe des rangs moyens \u00e0 la variance th\u00e9orique attendue sous l’hypoth\u00e8se nulle.<\/p>\n

N\u00e9anmoins, la puissance de rejet du test de Kruskal-Wallis s’accompagne d’une c\u00e9cit\u00e9 directionnelle compl\u00e8te. Une valeur p inf\u00e9rieure au seuil critique conventionnel indique avec certitude qu’au moins une population domine stochastiquement une autre, mais elle ne fournit aucun moyen formel d’isoler la ou les paires sp\u00e9cifiques responsables de ce d\u00e9s\u00e9quilibre statistique global. Tenter de d\u00e9duire la structure sous-jacente des diff\u00e9rences \u00e0 partir de la simple inspection visuelle des m\u00e9dianes \u00e9chantillonnales constitue une grave faute m\u00e9thodologique, car les fluctuations d’\u00e9chantillonnage et les disparit\u00e9s d’effectifs faussent l’intuition descriptive. Il devient d\u00e8s lors math\u00e9matiquement indispensable de d\u00e9ployer des tests d’hypoth\u00e8ses secondaires cibl\u00e9s sur les \u00e9carts de rangs moyens, calibr\u00e9s pour contr\u00f4ler le risque de faux positifs.<\/p>\n

Le positionnement \u00e9pist\u00e9mologique du test de Dunn face aux contraintes non gaussiennes r\u00e9pond \u00e0 cette exigence d’alignement th\u00e9orique. Contrairement aux approches post-hoc d\u00e9riv\u00e9es de la th\u00e9orie des mod\u00e8les lin\u00e9aires g\u00e9n\u00e9raux (telles que le test HSD de Tukey ou le test de Scheff\u00e9), le test de Dunn op\u00e8re exclusivement dans l’espace topologique des rangs combin\u00e9s. Il respecte fid\u00e8lement la sp\u00e9cificit\u00e9 m\u00e9thodologique de l’analyse non param\u00e9trique en recherche quantitative, qui refuse d’attribuer une signification probabiliste \u00e0 des moyennes arithm\u00e9tiques lorsque les donn\u00e9es sont asym\u00e9triques, plafonn\u00e9es ou issues d’\u00e9chelles de mesure ordinales o\u00f9 les intervalles m\u00e9triques ne poss\u00e8dent aucune \u00e9quidistance d\u00e9montr\u00e9e.<\/p>\n

1.2 Pertinence et cas d’usage en psychologie et neurosciences<\/h3>\n

Les sciences du comportement et les neurosciences cognitives constituent des champs d’application privil\u00e9gi\u00e9s pour les analyses non param\u00e9triques par rangs. La psychom\u00e9trie quantitative manipule quotidiennement des inventaires cliniques, des questionnaires de personnalit\u00e9 et des batteries d’\u00e9valuation de l’humeur calibr\u00e9s sur des \u00e9chelles de type Likert \u00e0 cinq, sept ou dix points. Attribuer des propri\u00e9t\u00e9s d’intervalles stricts \u00e0 de tels indicateurs psychologiques rel\u00e8ve d’une hypoth\u00e8se excessivement hardie : la distance subjective s\u00e9parant un score de \u00ab Pas du tout d’accord \u00bb \u00e0 \u00ab Mod\u00e9r\u00e9ment d’accord \u00bb n’est en rien comparable \u00e0 celle s\u00e9parant \u00ab Tout \u00e0 fait d’accord \u00bb d’un stade sup\u00e9rieur fictif. Le test de Dunn fournit le cadre idoine pour comparer les profils de s\u00e9v\u00e9rit\u00e9 symptomatique sans imposer de lin\u00e9arit\u00e9 artificielle aux construits psychologiques latents.<\/p>\n

Par ailleurs, la recherche neurobiologique et clinique contemporaine se heurte r\u00e9guli\u00e8rement \u00e0 la contrainte de petits \u00e9chantillons d’individus, particuli\u00e8rement lors de l’\u00e9tude de pathologies neurod\u00e9g\u00e9n\u00e9ratives rares, de l\u00e9sions c\u00e9r\u00e9brales focalis\u00e9es ou d’essais pharmacologiques de phase pr\u00e9coce impliquant des primates non humains ou des rongeurs g\u00e9n\u00e9tiquement modifi\u00e9s. Ces configurations exp\u00e9rimentales induisent fr\u00e9quemment une asym\u00e9trie de distribution tr\u00e8s prononc\u00e9e ainsi qu’une h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 structurelle que le th\u00e9or\u00e8me central limite ne peut compenser en raison d’effectifs restreints (souvent compris entre six et douze observations par groupe). L’\u00e9valuation de protocoles d’intervention comportementale comparant, par exemple, un groupe recevant une th\u00e9rapie d’exposition, un groupe soumis \u00e0 un entra\u00eenement attentionnel informatis\u00e9 et un groupe contr\u00f4le sur liste d’attente, n\u00e9cessite une analyse robuste capable de tol\u00e9rer de tels \u00e9carts morphologiques.<\/p>\n

Enfin, les paradigmes de chronom\u00e9trie mentale fournissent une illustration saisissante de l’utilit\u00e9 du test de Dunn. Les donn\u00e9es de temps de r\u00e9action (TR) enregistr\u00e9es lors de t\u00e2ches de d\u00e9cision lexicale, d’indi\u00e7age spatial de Posner ou de discrimination visuelle rapide pr\u00e9sentent une distribution invariablement tronqu\u00e9e \u00e0 gauche par les limites physiologiques de la conduction neuronale et \u00e9tir\u00e9e \u00e0 droite par des latences cognitives atypiques ou des fluctuations d’attention. L’exclusion arbitraire des valeurs extr\u00eames afin de normaliser artificiellement la distribution expose le chercheur au biais de confirmation ; le recours au test de Dunn permet de pr\u00e9server l’int\u00e9grit\u00e9 de l’\u00e9chantillon complet tout en garantissant une estimation non biais\u00e9e des contrastes de performance motrice et cognitive entre conditions de stimulation.<\/p>\n

1.3 Comparaison critique entre Dunn et les tests de Mann-Whitney par paires<\/h3>\n

Face au d\u00e9fi des comparaisons multiples cons\u00e9cutives \u00e0 un test de Kruskal-Wallis, une pratique erron\u00e9e mais tristement r\u00e9pandue dans la litt\u00e9rature scientifique consiste \u00e0 ex\u00e9cuter une s\u00e9rie de tests U de Mann-Whitney (ou tests de la somme des rangs de Wilcoxon) distincts pour chaque dyade possible, en y associant une simple correction de Bonferroni. Cette d\u00e9marche repose sur un contresens alg\u00e9brique fondamental : lors de l’ex\u00e9cution d’un test de Mann-Whitney entre deux sous-groupes $A$<\/span> et $B$<\/span>, l’ensemble des donn\u00e9es des autres groupes ($C$<\/span>, $D$<\/span>, etc.) est exclu de l’algorithme, ce qui oblige la proc\u00e9dure \u00e0 recalculer une assignation de rangs locale et isol\u00e9e, propre \u00e0 cette seule paire restreinte. Ce r\u00e9arrangement dynamique d\u00e9truit la coh\u00e9rence topologique globale qui avait servi \u00e0 rejeter l’hypoth\u00e8se nulle lors du test omnibus de Kruskal-Wallis.<\/p>\n

\u00c0 l’inverse, la formulation originale de Dunn (1964) calcule la statistique de contraste en conservant la structure d’ordonnancement \u00e9tablie sur la totalit\u00e9 des $N$<\/span> observations mutualis\u00e9es au sein de l’exp\u00e9rience. Chaque sujet conserve son rang global, garantissant une parfaite consistance math\u00e9matique entre l’inf\u00e9rence omnibus et l’inf\u00e9rence par paires. Comme le souligne la litt\u00e9rature m\u00e9thodologique sp\u00e9cialis\u00e9e, dissocier la phase post-hoc de la matrice globale des rangs produit des inversions de classement paradoxales o\u00f9 la hi\u00e9rarchie stochastique locale contredit l’ordre \u00e9tabli au niveau de la population consolid\u00e9e.<\/p>\n

Sur le plan de l’efficacit\u00e9 asymptotique et du contr\u00f4le du risque d’erreur, le test de Dunn tire parti de l’estimation mutualis\u00e9e de la variance calcul\u00e9e sur l’ensemble de l’\u00e9chantillon \u00e9largi, conf\u00e9rant \u00e0 la statistique de d\u00e9cision une plus grande stabilit\u00e9 param\u00e9trique en pr\u00e9sence de d\u00e9s\u00e9quilibres d’effectifs locaux. Les recommandations m\u00e9thodologiques unanimes de la communaut\u00e9 biostatistique pr\u00e9conisent l’exclusion syst\u00e9matique des batteries de tests de Mann-Whitney non coordonn\u00e9es au profit de la proc\u00e9dure standardis\u00e9e de Dunn, consid\u00e9r\u00e9e comme le prolongement th\u00e9orique direct, naturel et exact de la statistique de Kruskal-Wallis.<\/p>\n

2. Fondements math\u00e9matiques et statistiques du test de Dunn<\/h2>\n

2.1 Algorithme de calcul des sommes et moyennes des rangs<\/h3>\n

Pour appr\u00e9hender l’architecture formelle du test de Dunn, il convient d’expliciter son algorithme de calcul pas \u00e0 pas. Soit un ensemble exp\u00e9rimental comportant $k$<\/span> groupes ind\u00e9pendants, chaque groupe $i$<\/span> (pour $i in {1, 2, dots, k}$<\/span>) poss\u00e9dant un effectif d\u00e9sign\u00e9 par $n_i$<\/span>. L’effectif total agr\u00e9g\u00e9 de l’\u00e9tude est not\u00e9 $N = \\sum_{i=1}^k n_i$<\/span>. La premi\u00e8re \u00e9tape algorithmique consiste \u00e0 regrouper l’int\u00e9gralit\u00e9 des $N$<\/span> observations scalaires dans un unique vecteur conjoint, sans consid\u00e9ration de leur appartenance factorielle d’origine, puis \u00e0 trier ce vecteur de mani\u00e8re strictement croissante.<\/p>\n

Un rang num\u00e9rique entier compris entre $1$ (attribu\u00e9 \u00e0 l’observation pr\u00e9sentant la plus faible magnitude) et $N$<\/span> (attribu\u00e9 \u00e0 la valeur la plus \u00e9lev\u00e9e) est ensuite allou\u00e9 \u00e0 chaque donn\u00e9e. Une fois cette op\u00e9ration d’indexation matricielle achev\u00e9e, les observations sont r\u00e9assign\u00e9es \u00e0 leurs sous-groupes exp\u00e9rimentaux d’origine tout en conservant leur \u00e9tiquette de rang global $R_{ij}$<\/span>, d\u00e9signant le rang attribu\u00e9 au $j$<\/span>-i\u00e8me individu du $i$<\/span>-i\u00e8me groupe. La somme des rangs pour un groupe d\u00e9termin\u00e9 s’\u00e9tablit formellement comme :<\/p>\n

$$R_i = \\sum_{j=1}^{n_i} R_{ij}$$<\/span><\/p>\n

\u00c0 partir de cette somme factorielle, on calcule le rang moyen du sous-groupe consid\u00e9r\u00e9, grandeur centrale de toute la th\u00e9orisation non param\u00e9trique :<\/p>\n

$$\\bar{R}_i = \\frac{R_i}{n_i}$$<\/span><\/p>\n

La statistique diff\u00e9rentielle au c\u0153ur du test de Dunn pour \u00e9valuer l’\u00e9cart s\u00e9parant deux groupes distincts arbitraires $i$<\/span> et $j$<\/span> repose directement sur la valeur absolue de la diff\u00e9rence de leurs rangs moyens respectifs :<\/p>\n

$$D_{ij} = |\\bar{R}_i – \\bar{R}_j|$$<\/span><\/p>\n

Sous l’hypoth\u00e8se nulle fondamentale $H_0$<\/span> stipulant que toutes les observations sont issues d’une m\u00eame distribution continue sous-jacente continue et homog\u00e8ne, la distribution d’\u00e9chantillonnage de cette diff\u00e9rence de rangs moyens admet une esp\u00e9rance math\u00e9matique strictement nulle, $E(D_{ij}) = 0$<\/span>, et converge asymptotiquement vers une structure stochastique pr\u00e9visible r\u00e9gie par les lois limites combinatoires.<\/p>\n

2.2 Distribution asymptotique z et calcul de l’erreur type<\/h3>\n

Pour convertir la diff\u00e9rence arithm\u00e9tique $D_{ij}$<\/span> en une m\u00e9trique de d\u00e9cision standardis\u00e9e, le test de Dunn divise cet \u00e9cart brut par l’erreur type th\u00e9orique de la diff\u00e9rence des rangs moyens sous l’hypoth\u00e8se nulle. La variance th\u00e9orique d’une observation de rang tir\u00e9e al\u00e9atoirement au sein d’un ensemble de $N$<\/span> \u00e9l\u00e9ments distincts sans ex \u00e6quo est d\u00e9finie par $\\sigma^2 = \\frac{N(N+1)}{12}$<\/span>. En vertu de l’ind\u00e9pendance mutuelle postul\u00e9e entre les \u00e9chantillons exp\u00e9rimentaux, la variance th\u00e9orique associ\u00e9e \u00e0 l’\u00e9cart s\u00e9parant les estimateurs $\\bar{R}_i$<\/span> et $\\bar{R}_j$<\/span> correspond \u00e0 la somme de leurs variances individuelles respectives :<\/p>\n

$$\\sigma^2_{ij} = V(\\bar{R}_i – \\bar{R}_j) = \\left( \\frac{N(N + 1)}{12} \\right) \\left( \\frac{1}{n_i} + \\frac{1}{n_j} \\right)$$<\/span><\/p>\n

L’erreur type formelle, not\u00e9e $SE_{ij}$<\/span>, s’obtient directement par extraction de la racine carr\u00e9e de cette variance combin\u00e9e :<\/p>\n

$$SE_{ij} = \\sqrt{\\left( \\frac{N(N + 1)}{12} \\right) \\left( \\frac{1}{n_i} + \\frac{1}{n_j} \\right)}$$<\/span><\/p>\n

La statistique de test standardis\u00e9e de Dunn, d\u00e9sign\u00e9e universellement par la lettre $z$<\/span>, se formule d\u00e8s lors par le quotient suivant :<\/p>\n

$$z = \\frac{\\bar{R}_i – \\bar{R}_j}{\\sqrt{\\left( \\frac{N(N + 1)}{12} \\right) \\left( \\frac{1}{n_i} + \\frac{1}{n_j} \\right)}}$$<\/span><\/p>\n

En vertu des th\u00e9or\u00e8mes limites asymptotiques r\u00e9gissant les statistiques d’ordre, \u00e0 mesure que la taille d’\u00e9chantillon globale $N$<\/span> cro\u00eet, la variable al\u00e9atoire $z$<\/span> converge en loi vers une distribution normale centr\u00e9e r\u00e9duite standard $\\mathcal{N}(0, 1)$<\/span>. Il appara\u00eet clairement dans cette formulation que l’erreur type s’ajuste dynamiquement aux effectifs partiels $n_i$<\/span> et $n_j$<\/span>. Une disparit\u00e9 structurelle dans la distribution des effectifs n’invalide pas le calcul, mais augmente proportionnellement l’erreur type associ\u00e9e aux contrastes impliquant des groupes minoritaires, pr\u00e9servant ainsi la rigueur inf\u00e9rentielle contre les faux artefacts statistiques g\u00e9n\u00e9r\u00e9s par une fausse pr\u00e9cision d’\u00e9chantillonnage.<\/p>\n

2.3 Traitement rigoureux des ex \u00e6quo (rangs li\u00e9s)<\/h3>\n

L’id\u00e9al th\u00e9orique d’une variable quantitative parfaitement continue implique une probabilit\u00e9 nulle d’observer deux valeurs rigoureusement identiques. Cependant, dans la pratique empirique de la recherche \u2014 et tout particuli\u00e8rement lors du recueil de donn\u00e9es discr\u00e8tes ou de scores psychom\u00e9triques calibr\u00e9s sur des \u00e9chelles enti\u00e8res \u2014, la pr\u00e9sence d’ex \u00e6quo (rangs li\u00e9s ou ties<\/em>) s’av\u00e8re omnipr\u00e9sente. Ignorer la pr\u00e9sence de donn\u00e9es identiques alt\u00e9rerait le calcul de la variance combin\u00e9e des rangs en surestimant artificiellement la dispersion stochastique th\u00e9orique.<\/p>\n

Le traitement math\u00e9matique canonique des ex \u00e6quo repose sur le protocole des rangs moyens (mid-ranks<\/em>). Lorsque plusieurs observations partagent une valeur m\u00e9trique rigoureusement identique, le protocole algorithmique leur attribue \u00e0 chacune la moyenne arithm\u00e9tique des positions de rangs contigu\u00ebs qu’elles auraient occup\u00e9es si elles avaient pr\u00e9sent\u00e9 une variation infinit\u00e9simale. Par exemple, si trois observations se disputent les positions ordinales 4, 5 et 6, le rang moyen attribu\u00e9 uniform\u00e9ment \u00e0 ces trois observations s’\u00e9tablit \u00e0 $(4 + 5 + 6) \/ 3 = 5$<\/span>.<\/p>\n

Cette condensation artificielle de la variabilit\u00e9 impose l’application d’un facteur de correction formel \u00e0 l’expression de la variance sous hypoth\u00e8se nulle. Si l’on recense $m$<\/span> groupes distincts d’ex \u00e6quo, chaque groupe $e$<\/span> (pour $e in {1, 2, dots, m}$<\/span>) contenant $t_e$<\/span> observations mutuellement identiques, la variance corrig\u00e9e de l’erreur type s’\u00e9nonce selon l’expression :<\/p>\n

$$\\sigma^2_{corrigee} = \\left[ \\frac{N(N + 1)}{12} – \\frac{\\sum_{e=1}^m (t_e^3 – t_e)}{12(N – 1)} \\right] \\left( \\frac{1}{n_i} + \\frac{1}{n_j} \\right)$$<\/span><\/p>\n

Le d\u00e9nominateur de la statistique $z$<\/span> incorpore directement ce coefficient r\u00e9ducteur, r\u00e9duisant l’erreur type estim\u00e9e et augmentant l\u00e9g\u00e8rement la valeur absolue de la statistique $z$<\/span>. Dans les jeux de donn\u00e9es caract\u00e9ris\u00e9s par une saturation massive d’ex \u00e6quo (par exemple un \u00e9chantillon psychologique o\u00f9 60 % des sujets obtiennent la note maximale \u00e0 un test de performance cognitive), l’omission de cette correction computationnelle induirait un accroissement fallacieux de l’erreur de type II en masquant des contrastes r\u00e9els sous une variance th\u00e9orique surdimensionn\u00e9e.<\/p>\n

3. Le probl\u00e8me des comparaisons multiples et m\u00e9thodes d’ajustement<\/h2>\n

3.1 Inflation de l’erreur de type I (taux d’erreur par famille)<\/h3>\n

L’exploration analytique des diff\u00e9rences existant entre $k$<\/span> sous-groupes exp\u00e9rimentaux implique la r\u00e9alisation d’un ensemble combinatoire de comparaisons par paires distinctes. Le nombre total de contrastes dyadiques non redondants, traditionnellement not\u00e9 $C$<\/span>, se d\u00e9termine rigoureusement par le coefficient binomial :<\/p>\n

$$C = \\binom{k}{2} = \\frac{k(k – 1)}{2}$$<\/span><\/p>\n

Pour un protocole exp\u00e9rimental modeste impliquant $k = 3$<\/span> groupes, le nombre de comparaisons s’\u00e9tablit \u00e0 $C = 3$<\/span>. D\u00e8s lors que le design s’\u00e9tend \u00e0 $k = 5$<\/span> groupes, ce chiffre grimpe \u00e0 $C = 10$<\/span>, pour atteindre $C = 45$<\/span> lorsque $k = 10$<\/span>. Si l’on teste chacune de ces hypoth\u00e8ses partielles au seuil de significativit\u00e9 conventionnel univari\u00e9 fix\u00e9 \u00e0 $\\alpha = 0{,}05$<\/span>, on s’expose imm\u00e9diatement au ph\u00e9nom\u00e8ne d\u00e9vastateur de l’inflation de l’erreur de type I globale, d\u00e9sign\u00e9 sous le vocable technique de taux d’erreur par famille (Family-Wise Error Rate<\/em> ou FWER).<\/p>\n

Sous l’hypoth\u00e8se nulle conjointe globale o\u00f9 l’ensemble des populations proviendrait d’une m\u00eame distribution parente, et en postulant de mani\u00e8re simplificatrice l’ind\u00e9pendance stochastique des tests, la probabilit\u00e9 d’observer au moins un rejet \u00e0 tort (un faux positif) sur la famille globale des $C$<\/span> tests s’exprime math\u00e9matiquement par la formule probabiliste :<\/p>\n

$$\\alpha_{global} = FWER = 1 – (1 – \\alpha)^C$$<\/span><\/p>\n

Ainsi, pour un dispositif exp\u00e9rimental comportant 5 groupes ind\u00e9pendants ($C = 10$<\/span> contrastes) test\u00e9s \u00e0 un seuil unitaire de 0,05, la probabilit\u00e9 globale d’enregistrer au minimum une d\u00e9couverte illusoire s’\u00e9l\u00e8ve \u00e0 $1 – (1 – 0{,}05)^{10} \\approx 0{,}401$<\/span>, soit plus de 40 % de risque d’erreur. Dans les disciplines exp\u00e9rimentales confront\u00e9es \u00e0 la crise de la reproductibilit\u00e9, tol\u00e9rer une telle d\u00e9rive statistique revient \u00e0 saturer la litt\u00e9rature scientifique de corr\u00e9lations fallacieuses et d’affirmations d’efficacit\u00e9 th\u00e9rapeutique d\u00e9nu\u00e9es de fondement mat\u00e9riel. Il est donc imp\u00e9ratif d’int\u00e9grer des proc\u00e9dures d’ajustement calibr\u00e9es pour restaurer l’int\u00e9grit\u00e9 de la d\u00e9cision inf\u00e9rentielle.<\/p>\n

3.2 Ajustements conservateurs classiques : Bonferroni et \u0160id\u00e1k<\/h3>\n

La r\u00e9ponse historique et conceptuellement la plus intuitive au probl\u00e8me du FWER a \u00e9t\u00e9 formalis\u00e9e \u00e0 travers l’in\u00e9galit\u00e9 de Boole-Bonferroni. La correction classique de Bonferroni pr\u00e9conise une modulation lin\u00e9aire stricte du crit\u00e8re de d\u00e9cision : pour maintenir le risque d’erreur globale par famille \u00e0 un niveau inf\u00e9rieur ou \u00e9gal \u00e0 $\\alpha$<\/span>, chaque contraste individuel $c$<\/span> doit \u00eatre confront\u00e9 \u00e0 un seuil d’exclusion recalcul\u00e9 selon la r\u00e8gle :<\/p>\n

$$\\alpha_{Bonferroni} = \\frac{\\alpha}{C}$$<\/span><\/p>\n

De mani\u00e8re \u00e9quivalente, les environnements computationnels contemporains impl\u00e9mentent cette contrainte en multipliant directement la valeur p brute issue de la distribution asymptotique par le facteur $C$<\/span>, soit $p_{ajustee} = \\min(1, p_{brute} \\times C)$<\/span>. Bien que cette proc\u00e9dure garantisse math\u00e9matiquement un contr\u00f4le irr\u00e9prochable du FWER dans toutes les configurations de d\u00e9pendance stochastique, elle se distingue par un conservatisme excessif. D\u00e8s que le nombre de comparaisons d\u00e9passe une dizaine d’unit\u00e9s, la p\u00e9nalit\u00e9 impos\u00e9e aux valeurs p devient si draconienne que la puissance statistique globale du dispositif s’effondre, augmentant dramatiquement le risque de commettre une erreur de type II en passant sous silence des d\u00e9couvertes scientifiques authentiques.<\/p>\n

La correction de \u0160id\u00e1k propose une variante l\u00e9g\u00e8rement moins r\u00e9pressive, d\u00e9riv\u00e9e directement de l’axiome de d\u00e9composition multiplicative sous hypoth\u00e8se d’ind\u00e9pendance mutuelle des hypoth\u00e8ses nulles partielles :<\/p>\n

$$\\alpha_{Sidak} = 1 – (1 – \\alpha)^{\\frac{1}{C}}$$<\/span><\/p>\n

La valeur p corrig\u00e9e correspondante s’obtient alors via la transformation $p_{ajustee} = 1 – (1 – p_{brute})^C$<\/span>. Bien que la formulation de \u0160id\u00e1k procure un gain infinit\u00e9simal de puissance par rapport au d\u00e9coupage purement lin\u00e9aire de Bonferroni, l’\u00e9cart pratique entre les deux approches s’av\u00e8re n\u00e9gligeable sur les petits \u00e9chantillons, tandis que la condition th\u00e9orique d’ind\u00e9pendance stricte entre les tests de rangs n’est jamais rigoureusement respect\u00e9e dans le test de Dunn (les rangs moyens d’un groupe intervenant dans plusieurs contrastes simultan\u00e9s, introduisant une covariance structurelle positive entre les statistiques de test).<\/p>\n

3.3 Proc\u00e9dures s\u00e9quentielles et contr\u00f4le du FDR : Holm et Benjamini-Hochberg<\/h3>\n

Pour d\u00e9passer l’\u00e9cueil du conservatisme outrancier sans pour autant compromettre la rigueur du contr\u00f4le du risque alpha, les statisticiens ont d\u00e9velopp\u00e9 des proc\u00e9dures s\u00e9quentielles pas \u00e0 pas (stepwise procedures<\/em>). Parmi celles-ci, la m\u00e9thode de Holm-Bonferroni (ou m\u00e9thode de Holm) s’impose comme la r\u00e9f\u00e9rence m\u00e9thodologique dominante pour le contr\u00f4le strict du FWER. L’algorithme op\u00e8re de fa\u00e7on s\u00e9quentielle ascendante : les $C$<\/span> valeurs p non ajust\u00e9es issues des comparaisons de Dunn sont initialement tri\u00e9es par ordre strictement croissant :<\/p>\n

$$p_{(1)} le p_{(2)} le dots le p_{(C)}$$<\/span><\/p>\n

Chaque probabilit\u00e9 empirique ordonn\u00e9e $p_{(i)}$<\/span> est ensuite confront\u00e9e successivement \u00e0 un seuil glissant recalcul\u00e9 de fa\u00e7on adaptative :<\/p>\n

$$\\alpha_{(i)} = \\frac{\\alpha}{C – i + 1}$$<\/span><\/p>\n

Le processus d\u00e9cisionnel s’interrompt d\u00e8s lors qu’une valeur p \u00e9choue \u00e0 franchir le seuil assign\u00e9 \u00e0 son rang d’ordre. Toutes les hypoth\u00e8ses associ\u00e9es aux valeurs p sup\u00e9rieures ou \u00e9gales \u00e0 cet indice de rupture sont alors d\u00e9clar\u00e9es non significatives. Sur le plan computationnel, l’algorithme g\u00e9n\u00e8re des valeurs p ajust\u00e9es monotones croissantes. La m\u00e9thode de Holm domine uniform\u00e9ment la correction de Bonferroni : elle procure une puissance statistique substantiellement sup\u00e9rieure tout en pr\u00e9servant exactement le m\u00eame niveau de garantie probabiliste contre l’erreur de type I \u00e0 l’\u00e9chelle de la famille globale.<\/p>\n

Dans un paradigme philosophique distinct, ax\u00e9 sur la d\u00e9couverte exploratoire plut\u00f4t que sur la validation confirmatoire stricte, Yoav Benjamini et Yosef Hochberg (1995)<\/a> ont formalis\u00e9 le contr\u00f4le du taux de fausses d\u00e9couvertes (False Discovery Rate<\/em> ou FDR). Plut\u00f4t que de chercher \u00e0 interdire l’occurrence d’un seul faux positif au sein de l’\u00e9tude (objectif du FWER), la proc\u00e9dure de Benjamini-Hochberg (BH) vise \u00e0 borner l’esp\u00e9rance math\u00e9matique de la proportion de rejets fallacieux parmi l’ensemble des hypoth\u00e8ses rejet\u00e9es. La formule d’\u00e9valuation s\u00e9quentielle descendante confronte les valeurs p ordonn\u00e9es au crit\u00e8re :<\/p>\n

$$p_{(i)} le \\frac{i}{C} \\times Q$$<\/span><\/p>\n

o\u00f9 $Q$<\/span> repr\u00e9sente le taux de tol\u00e9rance d’erreur cibl\u00e9 (usuellement fix\u00e9 \u00e0 0,05). Cette approche conf\u00e8re une puissance statistique particuli\u00e8rement \u00e9lev\u00e9e lors de criblages exp\u00e9rimentaux impliquant des matrices de donn\u00e9es hautement multidimensionnelles, fr\u00e9quemment rencontr\u00e9es en profilage transcriptomique c\u00e9r\u00e9bral ou en analyse neuro-imagerie computationnelle.<\/p>\n

4. Configuration de l’environnement d’analyse sous Python<\/h2>\n

4.1 L’\u00e9cosyst\u00e8me open source pour la statistique post-hoc<\/h3>\n

La mise en \u0153uvre pratique des calculs non param\u00e9triques avanc\u00e9s exige un environnement scientifique structur\u00e9, coh\u00e9rent et p\u00e9renne. L’\u00e9cosyst\u00e8me Python d\u00e9di\u00e9 \u00e0 l’analyse de donn\u00e9es s’appuie sur une hi\u00e9rarchie modulaire de biblioth\u00e8ques hautement sp\u00e9cialis\u00e9es dont la synergie garantit \u00e0 la fois l’exactitude des calculs matriciels et l’\u00e9l\u00e9gance de la programmation orient\u00e9e objet. Au c\u0153ur de cette infrastructure statistique, la biblioth\u00e8que sp\u00e9cialis\u00e9e scikit-posthocs<\/strong> occupe une place pr\u00e9pond\u00e9rante. Con\u00e7ue sp\u00e9cifiquement par Maksim Terpilowski pour combler les lacunes historiques des grandes suites statistiques en mati\u00e8re d’analyses post-hoc non param\u00e9triques, elle fournit une impl\u00e9mentation native et optimis\u00e9e du test de Dunn, ainsi que de multiples variantes de contrastes stochastiques.<\/p>\n

En amont de ces routines post-hoc, la biblioth\u00e8que SciPy<\/strong> (\u00e0 travers son sous-module scipy.stats<\/code>) constitue le socle algorithmique indispensable pour conduire les calculs inf\u00e9rentiels initiaux, au premier rang desquels figure le test omnibus de Kruskal-Wallis. SciPy prend en charge l’\u00e9valuation de la fonction de r\u00e9partition empirique, le calcul des rangs et l’extraction formelle des statistiques d’ordre.<\/p>\n

La manipulation tabulaire, le nettoyage des matrices exp\u00e9rimentales et la structuration des cohortes reposent sans \u00e9quivoque sur le tandem NumPy<\/strong> et Pandas<\/strong>. Pandas permet de g\u00e9rer avec pr\u00e9cision les s\u00e9ries h\u00e9t\u00e9rog\u00e8nes, les \u00e9tiquettes factorielles et les indexations hi\u00e9rarchiques propres aux designs exp\u00e9rimentaux contemporains. Enfin, l’articulation graphique s’op\u00e8re via les biblioth\u00e8ques Matplotlib<\/strong> et Seaborn<\/strong>, capables de convertir les matrices de d\u00e9cision statistiques abstraites en repr\u00e9sentations iconographiques de haute qualit\u00e9 visuelle conformes aux exigences \u00e9ditoriales des plus prestigieuses revues \u00e0 comit\u00e9 de lecture.<\/p>\n

4.2 Installation et configuration des biblioth\u00e8ques d\u00e9pendantes<\/h3>\n

Pour garantir la stabilit\u00e9 op\u00e9rationnelle des calculs et \u00e9liminer les risques de conflits de biblioth\u00e8ques crois\u00e9es, il est imp\u00e9ratif d’installer l’ensemble des modules analytiques au sein d’un environnement virtuel isol\u00e9 (par exemple via venv<\/code> ou un gestionnaire d’environnement Conda d\u00e9di\u00e9). Le d\u00e9ploiement s’effectue simplement en ex\u00e9cutant les instructions d’installation standardis\u00e9es via le terminal de commandes. L’installation native via l’utilitaire pip<\/code> s’effectue en invoquant les paquets suivants :<\/p>\n

pip install numpy scipy pandas scikit-posthocs matplotlib seaborn statsmodels<\/code><\/p>\n

Pour les infrastructures scientifiques d\u00e9ploy\u00e9es sur la distribution Anaconda ou Miniconda, la r\u00e9solution des d\u00e9pendances pr\u00e9compil\u00e9es peut \u00eatre ordonn\u00e9e via le canal communautaire de r\u00e9f\u00e9rence :<\/p>\n

conda install -c conda-forge scikit-posthocs scipy pandas matplotlib seaborn<\/code><\/p>\n

Une fois les modules d\u00e9ploy\u00e9s dans l’interpr\u00e9teur Python, il convient d’ex\u00e9cuter une s\u00e9quence d’initialisation dans l’en-t\u00eate de votre script ou de votre calepin Jupyter afin d’importer explicitement les espaces de noms n\u00e9cessaires et de param\u00e9trer la gestion des avertissements d’ex\u00e9cution (warnings). Le bloc de script fonctionnel suivant illustre cette pr\u00e9paration m\u00e9thodologique :<\/p>\n

import sys
\nimport warnings
\nimport numpy as np
\nimport pandas as pd
\nimport scipy.stats as stats
\nimport scikit_posthocs as sp
\nimport matplotlib.pyplot as plt
\nimport seaborn as sns<\/p>\n

warnings.filterwarnings('ignore', category=FutureWarning)
\nwarnings.filterwarnings('ignore', category=UserWarning)<\/code><\/p>\n

Cette directive de configuration inhibe l’apparition r\u00e9currente des avertissements de d\u00e9pr\u00e9ciation li\u00e9s aux transitions architecturales internes des structures matricielles de Pandas, assurant ainsi une lisibilit\u00e9 optimale de la console d’ex\u00e9cution tout au long des \u00e9tapes de mod\u00e9lisation inf\u00e9rentielle.<\/p>\n

4.3 Gestion de la reproductibilit\u00e9 scientifique<\/h3>\n

L’id\u00e9al m\u00e9thodologique contemporain impose que toute analyse statistique publi\u00e9e s’accompagne d’une tra\u00e7abilit\u00e9 int\u00e9grale de son environnement d’ex\u00e9cution, permettant \u00e0 tout \u00e9valuateur ind\u00e9pendant de r\u00e9g\u00e9n\u00e9rer \u00e0 l’identique les estimations chiffr\u00e9es pr\u00e9sent\u00e9es. En Python, la variabilit\u00e9 des versions de sous-d\u00e9pendances math\u00e9matiques peut induire des alt\u00e9rations infinit\u00e9simales des valeurs p calcul\u00e9es via des d\u00e9viations d’arrondis \u00e0 la quinzi\u00e8me d\u00e9cimale ou des modifications d’algorithmes de tri interne des rangs li\u00e9s. Le verrouillage explicite des versions logicielles constitue donc une obligation d\u00e9ontologique.<\/p>\n

La formalisation d’un fichier standardis\u00e9 requirements.txt<\/code> doit \u00eatre syst\u00e9matiquement op\u00e9r\u00e9e \u00e0 l’issue de l’analyse, en consignant la version exacte de chaque brique algorithmique employ\u00e9e :<\/p>\n

numpy==1.26.4
\nscipy==1.13.0
\npandas==2.2.2
\nscikit-posthocs==0.9.0
\nmatplotlib==3.8.4
\nseaborn==0.13.2<\/code><\/p>\n

Parall\u00e8lement, lorsque l’analyse statistique s’ins\u00e8re dans un flux de travail n\u00e9cessitant la simulation de donn\u00e9es, l’imputation probabiliste ou l’application de m\u00e9thodes de r\u00e9\u00e9chantillonnage par amor\u00e7age (bootstrap) pour estimer les intervalles de confiance des contrastes, il est indispensable de figer la graine du g\u00e9n\u00e9rateur de nombres pseudo-al\u00e9atoires. L’initialisation d\u00e9terministe via la m\u00e9thode np.random.seed(42)<\/code> ou l’instanciation explicite d’un g\u00e9n\u00e9rateur standardis\u00e9 de la classe np.random.default_rng(seed=42)<\/code> garantit que la g\u00e9n\u00e9ration des distributions empiriques et les r\u00e9\u00e9chantillonnages subs\u00e9quents demeureront rigoureusement identiques, assurant une parfaite reproductibilit\u00e9 sur n’importe quel terminal informatique distant.<\/p>\n

5. V\u00e9rification pr\u00e9alable : Ex\u00e9cution du test de Kruskal-Wallis dans Python<\/h2>\n

5.1 V\u00e9rification des postulats d’application<\/h3>\n

Avant d’engager le moindre calcul post-hoc, la probit\u00e9 scientifique impose de valider la conformit\u00e9 du protocole exp\u00e9rimental avec les postulats sous-tendant le test non param\u00e9trique omnibus de Kruskal-Wallis. Le premier axiome m\u00e9thodologique concerne l’ind\u00e9pendance mutuelle stricte des observations entre les diff\u00e9rents sous-groupes exp\u00e9rimentaux. Chaque unit\u00e9 statistique (patient, sujet, mod\u00e8le animal) ne peut appartenir qu’\u00e0 un seul et unique groupe factoriel et ne doit avoir subi aucune mesure r\u00e9p\u00e9t\u00e9e dans le temps. Tout plan exp\u00e9rimental \u00e0 mesures r\u00e9p\u00e9t\u00e9es ou comportant un appariement syst\u00e9matique invalide le recours \u00e0 cette proc\u00e9dure et exige l’orientation vers le test de Friedman ou un mod\u00e8le lin\u00e9aire mixte sur rangs.<\/p>\n

Le second crit\u00e8re structurel r\u00e9side dans la nature de la variable d\u00e9pendante. Celle-ci doit se situer au minimum \u00e0 un niveau d’\u00e9chelle ordinale continue ou discr\u00e8te afin de permettre une hi\u00e9rarchisation monotone non ambigu\u00eb de l’ensemble des observations. Les variables purement nominales ou polytomiques d\u00e9pourvues d’ordre intrins\u00e8que ne peuvent en aucun cas \u00eatre trait\u00e9es par cette m\u00e9thodologie.<\/p>\n

Enfin, une distinction \u00e9pist\u00e9mologique cruciale \u2014 fr\u00e9quemment n\u00e9glig\u00e9e dans la pratique \u2014 s\u00e9pare le test d’homog\u00e9n\u00e9it\u00e9 globale des rangs du test de comparaison des m\u00e9dianes. Pour que le test de Kruskal-Wallis (puis le test de Dunn subs\u00e9quent) puisse formellement s’interpr\u00e9ter comme un test d’\u00e9galit\u00e9 des m\u00e9dianes entre les groupes exp\u00e9rimentaux, il est imp\u00e9ratif que les distributions de chaque condition pr\u00e9sentent une morphologie distributionnelle similaire (c’est-\u00e0-dire un profil de dissym\u00e9trie, d’\u00e9talement et d’aplatissement comparable). Si les distributions partagent une forme g\u00e9om\u00e9trique superposable, tout d\u00e9calage du rang moyen correspond fid\u00e8lement \u00e0 un glissement de la m\u00e9diane. En revanche, si les sous-groupes pr\u00e9sentent des formes distributionnelles divergentes, le test de Dunn conserve toute sa validit\u00e9 math\u00e9matique, mais son interpr\u00e9tation th\u00e9orique doit rigoureusement se limiter \u00e0 l’\u00e9valuation de la dominance stochastique ordinale, sans r\u00e9f\u00e9rence abusive aux m\u00e9dianes physiques des populations sources.<\/p>\n

5.2 Impl\u00e9mentation algorithmique avec scipy.stats.kruskal<\/h3>\n

L’ex\u00e9cution de l’analyse omnibus au sein de l’environnement Python est prise en charge par la fonction kruskal<\/code> h\u00e9berg\u00e9e dans le sous-module sp\u00e9cialis\u00e9 scipy.stats<\/code>. Cette routine accepte en arguments d’entr\u00e9e une s\u00e9rie d’it\u00e9rables (listes num\u00e9riques, tableaux unidimensionnels NumPy ou s\u00e9ries Pandas) repr\u00e9sentant chacun les valeurs mesur\u00e9es au sein d’une modalit\u00e9 factorielle donn\u00e9e. L’extraction matricielle \u00e0 partir d’un DataFrame structur\u00e9 selon les standards modernes s’op\u00e8re de mani\u00e8re concise et \u00e9l\u00e9gante.<\/p>\n

Supposons un DataFrame Pandas nomm\u00e9 df_etude<\/code>, contenant une colonne d\u00e9sign\u00e9e par 'Score'<\/code> et une colonne factorielle cat\u00e9gorisant les groupes sous l’\u00e9tiquette 'Protocole'<\/code>. L’impl\u00e9mentation de la fonction de calcul globale et l’extraction de la statistique formelle s’articulent selon le paradigme de programmation suivant :<\/p>\n

groupes_uniques = df_etude['Protocole'].unique()
\ndonnees_par_groupe = [df_etude[df_etude['Protocole'] == g]['Score'].values for g in groupes_uniques]<\/p>\n

statistique_H, p_valeur_globale = stats.kruskal(*donnees_par_groupe)<\/p>\n

print(f\"Statistique omnibus H (Kruskal-Wallis) : {statistique_H:.4f}\")
\nprint(f\"Valeur p globale associ\u00e9e : {p_valeur_globale:.4e}\")<\/code><\/p>\n

La statistique extraite $H$<\/span> int\u00e8gre d’embl\u00e9e la correction math\u00e9matique standard pour les rangs li\u00e9s. L’op\u00e9rateur de d\u00e9compression d’arguments (l’ast\u00e9risque *<\/code>) permet d’injecter dynamiquement un nombre arbitraire de sous-\u00e9chantillons dans la signature de la fonction sans n\u00e9cessiter de coder manuellement chaque modalit\u00e9 exp\u00e9rimentale, conf\u00e9rant \u00e0 la cha\u00eene de traitement un degr\u00e9 \u00e9lev\u00e9 d’automatisation logicielle.<\/p>\n

5.3 Crit\u00e8res de d\u00e9cision pour le passage aux comparaisons par paires<\/h3>\n

L’\u00e9valuation probabiliste issue de l’\u00e9tape pr\u00e9c\u00e9dente gouverne strictement la bifurcation du protocole d’analyse de donn\u00e9es. Selon l’orthodoxie m\u00e9thodologique classique de Fisher appliqu\u00e9e aux tests non param\u00e9triques (principe de la proc\u00e9dure prot\u00e9g\u00e9e), l’engagement des comparaisons par paires via le test de Dunn est subordonn\u00e9 au rejet formel de l’hypoth\u00e8se nulle conjointe au niveau omnibus. Si la valeur p globale g\u00e9n\u00e9r\u00e9e par stats.kruskal<\/code> demeure strictement sup\u00e9rieure au seuil d’exclusion $\\alpha$<\/span> pr\u00e9\u00e9tabli (usuellement fix\u00e9 \u00e0 0,05 ou 0,01 selon les standards disciplinaires), l’analyste se voit interdire d’explorer les contrastes post-hoc sous peine d’alt\u00e9rer le cadre de contr\u00f4le probabiliste.<\/p>\n

Il convient toutefois de souligner l’existence d’un d\u00e9bat contemporain au sein de la communaut\u00e9 des biostatisticiens concernant les contrastes planifi\u00e9s a priori. Certains m\u00e9thodologistes soutiennent que si un contraste particulier entre deux th\u00e9rapies cibl\u00e9es d\u00e9coule d’une hypoth\u00e8se de recherche d\u00e9ductivement postul\u00e9e avant la collecte des donn\u00e9es exp\u00e9rimentales, ce contraste peut faire l’objet d’un test direct cibl\u00e9, ind\u00e9pendamment du r\u00e9sultat du test omnibus. N\u00e9anmoins, d\u00e8s lors que l’on s’inscrit dans un paradigme d’exploration syst\u00e9matique et exhaustive de l’ensemble des combinaisons dyadiques disponibles, le filtre de d\u00e9cision du Kruskal-Wallis demeure le garant inviolable contre la prolif\u00e9ration incontr\u00f4l\u00e9e de faux positifs fortuits.<\/p>\n

La formalisation algorithmique de cette barri\u00e8re d\u00e9cisionnelle se traduit naturellement par une clause conditionnelle au sein du code Python :<\/p>\n

seuil_alpha = 0.05
\nif p_valeur_globale < seuil_alpha:
\n    print(\"Rejet formel de H0 omnibus : Proc\u00e9der aux analyses post-hoc de Dunn.\")
\nelse:
\n    print(\"Non-rejet de H0 : Absence de divergence stochastique globale d\u00e9montr\u00e9e.\")<\/code><\/p>\n

Ce verrouillage logique \u00e9vite la propagation accidentelle de traitements post-hoc superflus au sein des cha\u00eenes de calcul automatis\u00e9es.<\/p>\n

6. Pr\u00e9paration et structuration des donn\u00e9es exp\u00e9rimentales<\/h2>\n

6.1 Structuration matricielle : Format long versus format large<\/h3>\n

La manipulation rigoureuse des donn\u00e9es sous Python impose une ma\u00eetrise experte de la topologie des structures tabulaires. En statistique computationnelle, deux agencements matriciels pr\u00e9dominent : le format large (wide format<\/em>) et le format long (long format<\/em> ou concept de donn\u00e9es rang\u00e9es, formalis\u00e9 sous l’appellation anglophone de tidy data<\/em>). Dans le format large, chaque colonne du tableau est r\u00e9serv\u00e9e \u00e0 un sous-groupe exp\u00e9rimental sp\u00e9cifique, tandis que les lignes r\u00e9pertorient les r\u00e9plicats individuels. Cette pr\u00e9sentation, bien qu’intuitive pour la saisie manuelle sur tableur de bureau, s’av\u00e8re totalement inadapt\u00e9e \u00e0 la mod\u00e9lisation statistique d\u00e8s lors que les effectifs par groupe sont asym\u00e9triques (ce qui force l’insertion artificielle de valeurs manquantes en fin de tableau).<\/p>\n

\u00c0 l’inverse, l’ensemble des fonctions d’analyse avanc\u00e9e de la biblioth\u00e8que scikit-posthocs<\/code>, \u00e0 l’instar des routines de mod\u00e9lisation de Seaborn, exigent imp\u00e9rativement une organisation matricielle sous format long. Dans cette configuration g\u00e9om\u00e9trique, chaque ligne repr\u00e9sente une unit\u00e9 d’observation individuelle unique. Le tableau comporte a minima deux colonnes fondamentales : une colonne de mesure continue ou ordinale (la variable d\u00e9pendante m\u00e9trique) et une colonne cat\u00e9gorielle codifiant le facteur d’appartenance exp\u00e9rimental (le groupe ou traitement). Pour convertir ais\u00e9ment une matrice large pr\u00e9existante en structure longue conforme, Pandas offre la m\u00e9thode vectoris\u00e9e pd.melt()<\/code> :<\/p>\n

df_format_long = pd.melt(
\n    df_large,
\n    var_name='Modalite_Traitement',
\n    value_name='Score_Mesure'
\n).dropna()<\/code><\/p>\n

Pour optimiser les performances de traitement et clarifier la gestion des niveaux factoriels, il est fortement recommand\u00e9 de typer explicitement la variable textuelle de regroupement sous le type category<\/code> de Pandas via l’instruction :<\/p>\n

df_format_long['Modalite_Traitement'] = df_format_long['Modalite_Traitement'].astype('category')<\/code><\/p>\n

6.2 Pr\u00e9traitement et nettoyage des donn\u00e9es psychom\u00e9triques<\/h3>\n

Avant d’injecter les observations dans les moteurs d’inf\u00e9rence, un audit d’int\u00e9grit\u00e9 de la base de donn\u00e9es doit \u00eatre entrepris afin d’\u00e9viter toute corruption math\u00e9matique des rangs. Les donn\u00e9es issues de protocoles psychologiques ou biom\u00e9dicaux comportent invariablement des non-r\u00e9ponses accidentelles ou des omissions de saisie. En mati\u00e8re d’analyse non param\u00e9trique de rangs, l’imputation de valeurs manquantes par la moyenne arithm\u00e9tique constitue une aberration absolue qui d\u00e9truit la structure stochastique r\u00e9elle de la distribution. Les strat\u00e9gies conventionnelles s’orientent soit vers une suppression raisonn\u00e9e des observations incompl\u00e8tes (listwise deletion<\/em>) via df.dropna(subset=['Score_Mesure'])<\/code>, soit vers des m\u00e9thodes d’imputation par la m\u00e9diane ou par mod\u00e9lisation des plus proches voisins (KNN) sp\u00e9cialement calibr\u00e9es pour les donn\u00e9es discr\u00e8tes.<\/p>\n

Le traitement des valeurs atypiques (outliers<\/em>) appelle \u00e9galement une r\u00e9flexion \u00e9pist\u00e9mologique mesur\u00e9e. L’un des m\u00e9rites cardinaux des m\u00e9thodes d’assignation de rangs r\u00e9side pr\u00e9cis\u00e9ment dans leur robustesse naturelle face aux valeurs extr\u00eames : une observation aberrante situ\u00e9e \u00e0 six \u00e9carts-types de la m\u00e9diane n’exerce aucune influence disproportionn\u00e9e sur l’inf\u00e9rence, puisqu’elle se voit simplement attribuer le rang maximal $N$<\/span>, exactement au m\u00eame titre qu’une observation ne d\u00e9passant le reste du groupe que de quelques milli\u00e8mes d’unit\u00e9 m\u00e9trique. Il est par cons\u00e9quent fortement d\u00e9conseill\u00e9 de censurer ou de tronquer unilat\u00e9ralement les scores extr\u00eames au sein d’un pipeline de test de Dunn, sauf s’il est av\u00e9r\u00e9 que ces scores r\u00e9sultent d’une erreur d’encodage mat\u00e9riel ou d’un dysfonctionnement instrumental manifeste.<\/p>\n

L’audit de conformit\u00e9 s’ach\u00e8ve par la v\u00e9rification de la monotonicit\u00e9 des variables d’identification et par l’assainissement syntaxique des cha\u00eenes de caract\u00e8res repr\u00e9sentant les \u00e9tiquettes factorielles (\u00e9limination des espaces superflus, normalisation typographique des accents) afin de pr\u00e9venir l’instanciation accidentelle de sous-groupes fant\u00f4mes lors du traitement par l’interpr\u00e9teur Python.<\/p>\n

6.3 Statistiques descriptives pr\u00e9liminaires par groupe<\/h3>\n

Une communication scientifique irr\u00e9prochable ne saurait se cantonner \u00e0 la simple livraison de valeurs p probabilistes ; elle requiert une contextualisation descriptive d\u00e9taill\u00e9e de la position centrale et de l’\u00e9tendue de chaque sous-\u00e9chantillon. Les param\u00e8tres gaussiens traditionnels (moyenne et \u00e9cart-type) \u00e9tant inop\u00e9rants pour restituer fid\u00e8lement la morphologie de distributions asym\u00e9triques, l’analyste doit privil\u00e9gier les estimateurs de position non param\u00e9triques, domin\u00e9s par la m\u00e9diane et l’\u00e9cart interquartile (Interquartile Range<\/em> ou IQR, d\u00e9fini par la diff\u00e9rence $Q_3 – Q_1$<\/span>).<\/p>\n

Parall\u00e8lement, dans la mesure o\u00f9 le test de Dunn op\u00e8re directement sur les propri\u00e9t\u00e9s spatiales des rangs, il est particuli\u00e8rement pertinent de calculer et de consigner formellement le rang moyen global de chaque sous-groupe exp\u00e9rimental au sein du tableau descriptif d’amorce. La biblioth\u00e8que Pandas permet de synth\u00e9tiser ces diff\u00e9rentes m\u00e9triques en une ligne d’agr\u00e9gation hautement expressive :<\/p>\n

df_format_long['Rang_Global'] = df_format_long['Score_Mesure'].rank()<\/p>\n

tableau_descriptif = df_format_long.groupby('Modalite_Traitement', observed=True).agg(
\n    Effectif=('Score_Mesure', 'count'),
\n    Mediane=('Score_Mesure', 'median'),
\n    Q1=('Score_Mesure', lambda x: np.percentile(x, 25)),
\n    Q3=('Score_Mesure', lambda x: np.percentile(x, 75)),
\n    IQR=('Score_Mesure', lambda x: np.percentile(x, 75) - np.percentile(x, 25)),
\n    Rang_Moyen=('Rang_Global', 'mean')
\n).reset_index()<\/p>\n

print(tableau_descriptif)<\/code><\/p>\n

Ce tableau d’agr\u00e9gation constitue la matrice de r\u00e9f\u00e9rence absolue \u00e0 int\u00e9grer dans les annexes m\u00e9thodologiques ou le corps principal de vos rapports de recherche, fournissant aux relecteurs une visibilit\u00e9 totale sur la coh\u00e9rence entre les grandeurs brutes observ\u00e9es et les rangs sous-jacents qui d\u00e9termineront les inf\u00e9rences post-hoc.<\/p>\n

7. Ex\u00e9cution pratique du test de Dunn avec scikit-posthocs<\/h2>\n

7.1 Param\u00e9trage d\u00e9taill\u00e9 de la fonction posthoc_dunn()<\/h3>\n

L’impl\u00e9mentation op\u00e9rationnelle du test de Dunn sous Python atteint son plus haut niveau de raffinement \u00e0 travers la fonction d\u00e9di\u00e9e posthoc_dunn()<\/code> du module scikit_posthocs<\/code>. Con\u00e7ue pour offrir une interface fluide avec les DataFrames Pandas, cette fonction encapsule l’int\u00e9gralit\u00e9 des d\u00e9rivations math\u00e9matiques explicit\u00e9es au chapitre 2, int\u00e9grant la gestion automatique des ex \u00e6quo par la m\u00e9thode des rangs moyens et l’ajustement dynamique de l’erreur type asymptotique.<\/p>\n

La signature de la fonction et ses param\u00e8tres cardinaux m\u00e9ritent un examen analytique approfondi :<\/p>\n

scikit_posthocs.posthoc_dunn(
\n    a,
\n    val_col=None,
\n    group_col=None,
\n    p_adjust=None,
\n    sort=True
\n)<\/code><\/p>\n

Le param\u00e8tre structurel a<\/code> accepte indiff\u00e9remment une matrice de donn\u00e9es sous format large, une liste de listes de valeurs scalaires ou, dans le cas d’usage recommand\u00e9, un DataFrame Pandas structur\u00e9 selon le format long. Lorsque ce dernier format est retenu, il devient obligatoire d’expliciter les cha\u00eenes de caract\u00e8res d\u00e9signant les colonnes cibles via val_col<\/code> (d\u00e9signant la variable num\u00e9rique d\u00e9pendante, par exemple val_col='Score_Mesure'<\/code>) et group_col<\/code> (d\u00e9signant la variable cat\u00e9gorielle d\u00e9finissant les modalit\u00e9s factorielles, par exemple group_col='Modalite_Traitement'<\/code>).<\/p>\n

Le param\u00e8tre critique sort<\/code>, fix\u00e9 par d\u00e9faut \u00e0 True<\/code>, ordonne les groupes par ordre alphanum\u00e9rique sur les index et colonnes de la matrice r\u00e9sultante. Il est vivement recommand\u00e9 de pr\u00e9server ce param\u00e9trage afin d’assurer une parfaite bijection visuelle entre les tableaux de contingence et les axes des futures repr\u00e9sentations graphiques.<\/p>\n

7.2 S\u00e9lection et comparaison des modes de correction de p-valeurs<\/h3>\n

L’argument central r\u00e9gissant le contr\u00f4le de l’erreur de d\u00e9cision est le param\u00e8tre p_adjust<\/code>. Ce commutateur logiciel accepte sous forme de cha\u00eene de caract\u00e8res l’int\u00e9gralit\u00e9 des algorithmes d’ajustement support\u00e9s par la biblioth\u00e8que statsmodels<\/code>, qui sert de moteur d’optimisation sous-jacent. Parmi les configurations les plus sollicit\u00e9es par les standards scientifiques figurent :<\/p>\n