{"id":4158,"date":"2026-09-11T06:19:19","date_gmt":"2026-09-11T06:19:19","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/test-de-dunn-pour-comparaisons-multiples\/"},"modified":"2026-09-11T06:19:19","modified_gmt":"2026-09-11T06:19:19","slug":"test-de-dunn-pour-comparaisons-multiples","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=test-de-dunn-pour-comparaisons-multiples","title":{"rendered":"Test de Dunn pour comparaisons multiples"},"content":{"rendered":"

Dans le paysage contemporain de la recherche quantitative et de la mod\u00e9lisation statistique, l’analyse des donn\u00e9es non gaussiennes repr\u00e9sente un d\u00e9fi r\u00e9current pour les chercheurs en sciences du comportement, en psychologie clinique, en neurosciences et en m\u00e9decine translationnelle. Lorsque les hypoth\u00e8ses strictes de normalit\u00e9 distributionnelle et d’homosc\u00e9dasticit\u00e9 sous-jacentes au mod\u00e8le lin\u00e9aire g\u00e9n\u00e9ral et \u00e0 l’analyse de variance<\/a> (ANOVA) univari\u00e9e se trouvent compromises, le recours \u00e0 l’inf\u00e9rence non param\u00e9trique s’impose comme un imp\u00e9ratif m\u00e9thodologique incontournable. Le test de Kruskal-Wallis permet alors de d\u00e9terminer si au moins une population diff\u00e8re de mani\u00e8re stochastique par rapport aux autres face \u00e0 une variable ind\u00e9pendante cat\u00e9gorielle comportant trois modalit\u00e9s ou plus.<\/p>\n

Toutefois, la d\u00e9tection d’un effet omnibus statistiquement significatif ne r\u00e9v\u00e8le rien sur la localisation exacte des divergences intergroupes. C’est pr\u00e9cis\u00e9ment pour lever cette ambigu\u00eft\u00e9 fondamentale que les proc\u00e9dures de comparaisons multiples a posteriori<\/em> ont \u00e9t\u00e9 d\u00e9velopp\u00e9es. Au premier rang de ces m\u00e9thodes non param\u00e9triques post-hoc se trouve le test de Dunn<\/strong>, con\u00e7u pour isoler les contrastes par paires tout en maintenant les propri\u00e9t\u00e9s d’attribution des rangs \u00e9tablies \u00e0 l’\u00e9chelle globale de l’\u00e9chantillon. Cette proc\u00e9dure constitue la v\u00e9ritable suite logique du test de Kruskal-Wallis, palliant les biais inh\u00e9rents \u00e0 la r\u00e9application successive de tests de Wilcoxon-Mann-Whitney isol\u00e9s.<\/p>\n

Le pr\u00e9sent article propose un trait\u00e9 m\u00e9thodologique exhaustif du test de Dunn pour comparaisons multiples. \u00c0 travers une exploration approfondie de ses fondements math\u00e9matiques, de son comportement face \u00e0 l’inflation de l’erreur de Type I, de son protocole d’application pas \u00e0 pas, de son impl\u00e9mentation dans les environnements informatiques modernes (R, Python, SPSS, JASP) et de son articulation avec les standards de publication scientifique, ce guide offre aux chercheurs et praticiens une r\u00e9f\u00e9rence rigoureuse pour fiabiliser leurs analyses non param\u00e9triques.<\/p>\n

1. Introduction et fondements th\u00e9oriques du test de Dunn<\/h2>\n

1.1 Origine historique et justification statistique<\/h3>\n

L’essor de la statistique moderne dans la seconde moiti\u00e9 du vingti\u00e8me si\u00e8cle a \u00e9t\u00e9 marqu\u00e9 par une prise de conscience graduelle des limites du paradigme param\u00e9trique fond\u00e9 par Ronald Fisher, Jerzy Neyman et Egon Pearson. Bien que les m\u00e9thodes param\u00e9triques b\u00e9n\u00e9ficient d’une puissance statistique optimale lorsque leurs postulats d’application sont rigoureusement satisfaits, leur r\u00e9silience s’effondre notablement lorsque les distributions empiriques pr\u00e9sentent des asym\u00e9tries prononc\u00e9es, un aplatissement anomal ou une contamination par des valeurs aberrantes extr\u00eames. C’est dans ce contexte de renouveau \u00e9pist\u00e9mologique qu’ont \u00e9merg\u00e9 les m\u00e9thodes d’inf\u00e9rence non param\u00e9triques, dites \u00e0 distribution libre, dont les propri\u00e9t\u00e9s ne reposent pas sur l’estimation des moments d’une loi th\u00e9orique d\u00e9finie a priori<\/em>.<\/p>\n

La statisticienne am\u00e9ricaine Olive Jean Dunn<\/a> (1915\u20132008), professeure de biostatistique \u00e0 l’Universit\u00e9 de Californie \u00e0 Los Angeles (UCLA), a jou\u00e9 un r\u00f4le d\u00e9terminant dans la formalisation des proc\u00e9dures de d\u00e9cision simultan\u00e9es. En 1964, Dunn publie dans les pages de la revue Technometrics<\/em> un article fondateur intitul\u00e9 \u00ab Multiple Comparisons Using Rank Sums \u00bb. Dans cette contribution majeure, elle th\u00e9orise une proc\u00e9dure post-hoc destin\u00e9e \u00e0 faire suite au test de Kruskal-Wallis en utilisant l’information distributionnelle conjointe issue du classement initial de toutes les observations. Dunn a d\u00e9montr\u00e9 qu’il \u00e9tait erron\u00e9 de r\u00e9assigner de nouveaux rangs pour chaque paire de sous-\u00e9chantillons, car cette pratique d\u00e9truisait la structure g\u00e9om\u00e9trique globale \u00e9tablie par le mod\u00e8le omnibus.<\/p>\n

Dans l’inf\u00e9rence statistique contemporaine, le test de Dunn s’est consolid\u00e9 comme la r\u00e9f\u00e9rence th\u00e9orique canonique pour les contrastes par paires non param\u00e9triques sur \u00e9chantillons ind\u00e9pendants. En int\u00e9grant la variance d’\u00e9chantillonnage de l’ensemble du dispositif exp\u00e9rimental dans le d\u00e9nominateur de sa statistique de test, Dunn a fourni aux exp\u00e9rimentateurs une m\u00e9thode robuste, \u00e9l\u00e9gante et universellement applicable, garantissant la coh\u00e9rence math\u00e9matique interne entre le test global et la localisation fine des effets.<\/p>\n

1.2 La probl\u00e9matique des comparaisons multiples a posteriori<\/h3>\n

L’un des d\u00e9fis \u00e9pist\u00e9mologiques majeurs de la mod\u00e9lisation statistique r\u00e9side dans la transition entre l’hypoth\u00e8se globale et les hypoth\u00e8ses sp\u00e9cifiques. Une analyse omnibus, qu’elle soit param\u00e9trique (comme l’ANOVA) ou non param\u00e9trique (comme le test de Kruskal-Wallis), \u00e9value l’hypoth\u00e8se nulle g\u00e9n\u00e9rale selon laquelle l’ensemble des populations sous-jacentes partagent la m\u00eame fonction de r\u00e9partition. Cependant, le rejet de cette hypoth\u00e8se nulle ne renseigne en aucun cas sur le nombre, l’orientation ou l’amplitude des contrastes sp\u00e9cifiques responsables de ce rejet. L’exp\u00e9rimentateur se trouve alors confront\u00e9 au dilemme de la localisation des effets.<\/p>\n

La recherche de ces effets localis\u00e9s s’effectue g\u00e9n\u00e9ralement par le biais de comparaisons par paires dites a posteriori<\/em> ou post-hoc. Contrairement aux contrastes planifi\u00e9s, qui sont d\u00e9duits d’hypoth\u00e8ses th\u00e9oriques d\u00e9limit\u00e9es avant la collecte des donn\u00e9es et dont le nombre restreint pr\u00e9serve une fraction substantielle de la puissance statistique, les comparaisons post-hoc rev\u00eatent une dimension exploratoire. Elles comparent potentiellement toutes les combinaisons possibles de deux groupes pris parmi k<\/em> modalit\u00e9s exp\u00e9rimentales. Pour k<\/em> groupes, le nombre total de comparaisons binaires non redondantes est donn\u00e9 par le coefficient binomial k(k – 1) \/ 2<\/em>.<\/p>\n

Cette multiplication des tests engendre une instabilit\u00e9 probabiliste critique : sans ajustement formel, l’accumulation des d\u00e9cisions statistiques individuelles accro\u00eet de fa\u00e7on g\u00e9om\u00e9trique la probabilit\u00e9 d’observer des rejets fortuits de l’hypoth\u00e8se nulle. La n\u00e9cessit\u00e9 de recourir \u00e0 des tests post-hoc adapt\u00e9s aux distributions ordinales devient alors imp\u00e9rieuse pour cartographier rigoureusement les fronti\u00e8res de significativit\u00e9 au sein de l’espace exp\u00e9rimental.<\/p>\n

1.3 Pertinence m\u00e9thodologique en psychologie quantitative<\/h3>\n

La psychologie quantitative, la neuropsychologie et les sciences sociales appliqu\u00e9es constituent un terrain privil\u00e9gi\u00e9 pour le test de Dunn. Les protocoles de mesure dans ces disciplines reposent tr\u00e8s fr\u00e9quemment sur des instruments psychom\u00e9triques g\u00e9n\u00e9rant des donn\u00e9es typiquement non continues. L’usage g\u00e9n\u00e9ralis\u00e9 des \u00e9chelles de Likert<\/a>, des scores composites d’anxi\u00e9t\u00e9 ou de d\u00e9pression (comme le BDI ou l’HAD), des temps de r\u00e9action soumis \u00e0 un plancher ou un plafond, ou encore des indices de performance cognitive produit des distributions qui violent syst\u00e9matiquement l’hypoth\u00e8se de normalit\u00e9 univari\u00e9e.<\/p>\n

De surcro\u00eet, la recherche clinique et cognitive est souvent contrainte par des contraintes d’\u00e9chantillonnage s\u00e9v\u00e8res. Les cohortes de patients pr\u00e9sentant des psychopathologies rares ou des l\u00e9sions c\u00e9r\u00e9brales sp\u00e9cifiques pr\u00e9sentent fr\u00e9quemment des effectifs restreints (parfois moins d’une quinzaine d’individus par bras exp\u00e9rimental) et des variances d’une grande h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9. L’application d’un test post-hoc param\u00e9trique classique comme le test de Tukey HSD (Honestly Significant Difference) ou le test de Scheff\u00e9 s’av\u00e8re m\u00e9thodologiquement hasardeuse dans ces conditions, exposant le chercheur \u00e0 des conclusions erron\u00e9es.<\/p>\n

Le test de Dunn apporte une r\u00e9ponse math\u00e9matiquement valide \u00e0 cette configuration exp\u00e9rimentale en transformant les valeurs brutes en rangs conjoints. Il garantit que l’\u00e9chelle ordinale intrins\u00e8que des instruments d’\u00e9valuation psychologique est respect\u00e9e sans postuler arbitrairement l’\u00e9quidistance des intervalles de mesure, tout en assurant une d\u00e9tection fine des \u00e9carts de localisation entre des conditions d’intervention th\u00e9rapeutiques distinctes.<\/p>\n

2. Le test de Kruskal-Wallis comme pr\u00e9requis m\u00e9thodologique<\/h2>\n

2.1 Propri\u00e9t\u00e9s fondamentales du test de Kruskal-Wallis<\/h3>\n

Le test \u00e9labor\u00e9 par William Kruskal et W. Allen Wallis en 1952 repr\u00e9sente l’extension non param\u00e9trique directe de l’ANOVA univari\u00e9e pour k<\/em> \u00e9chantillons ind\u00e9pendants. Son architecture conceptuelle repose sur l’\u00e9limination des m\u00e9triques d’origine au profit d’un classement unifi\u00e9 de l’ensemble des N<\/em> observations collect\u00e9es \u00e0 travers tous les groupes d’\u00e9tude. Chaque observation se voit attribuer un rang compris entre 1 (pour la plus petite valeur observ\u00e9e) et N<\/em> (pour la valeur la plus \u00e9lev\u00e9e), en r\u00e9solvant les \u00e9ventuelles \u00e9galit\u00e9s par la moyenne des rangs partag\u00e9s.<\/p>\n

Sous l’hypoth\u00e8se nulle fondamentale (H0), le test postule que les k<\/em> \u00e9chantillons proviennent de populations ayant des fonctions de r\u00e9partition identiques. Si cette hypoth\u00e8se est exacte, les rangs attribu\u00e9s doivent se distribuer de mani\u00e8re al\u00e9atoire et uniforme entre les diff\u00e9rents groupes exp\u00e9rimentaux. La statistique globale de Kruskal-Wallis, g\u00e9n\u00e9ralement d\u00e9sign\u00e9e par la lettre H<\/em>, quantifie l’\u00e9cart quadratique pond\u00e9r\u00e9 entre la moyenne des rangs observ\u00e9e au sein de chaque groupe et la moyenne th\u00e9orique globale des rangs qui est \u00e9gale \u00e0 (N + 1) \/ 2<\/em>.<\/p>\n

Lorsque la taille globale de l’\u00e9chantillon est suffisante (g\u00e9n\u00e9ralement lorsque chaque sous-groupe comporte au moins cinq sujets), la distribution d’\u00e9chantillonnage de la statistique H<\/em> converge de mani\u00e8re asymptotique vers une loi de Chi-deux<\/a> avec k – 1<\/em> degr\u00e9s de libert\u00e9. Cette propri\u00e9t\u00e9 math\u00e9matique permet d’obtenir une probabilit\u00e9 critique (p-valeur<\/em>) permettant d’infirmer ou de conserver l’hypoth\u00e8se d’\u00e9quivalence distributionnelle globale.<\/p>\n

2.2 De la significativit\u00e9 omnibus aux comparaisons par paires<\/h3>\n

L’obtention d’un seuil de significativit\u00e9 inf\u00e9rieur au risque d’erreur conventionnel (typiquement p < 0,05<\/em>) lors de l’ex\u00e9cution du test de Kruskal-Wallis constitue la condition pr\u00e9alable requise pour autoriser l’investigation des contrastes individuels. Ce m\u00e9canisme de protection, th\u00e9oris\u00e9 dans les protocoles de tests d’hypoth\u00e8ses s\u00e9quentiels, vise \u00e0 pr\u00e9munir le chercheur contre les illusions inf\u00e9rentielles li\u00e9es au chalutage de donn\u00e9es (data dredging<\/em>).<\/p>\n

Si la statistique H<\/em> n’atteint pas le seuil de rejet critique, l’analyste doit imp\u00e9rativement conclure \u00e0 l’absence de preuve suffisante pour discriminer les groupes, et le processus d’inf\u00e9rence s’arr\u00eate l\u00e0. Entreprendre des comparaisons par paires en pr\u00e9sence d’un test omnibus non significatif induit un risque d\u00e9mesur\u00e9 de fausse d\u00e9couverte, car n’importe quel \u00e9cart binaire fortuitement significatif rel\u00e8verait du pur bruit d’\u00e9chantillonnage plut\u00f4t que d’un effet exp\u00e9rimental tangible.<\/p>\n

En revanche, d\u00e8s lors que l’hypoth\u00e8se nulle globale est r\u00e9fut\u00e9e, la transition th\u00e9orique vers les comparaisons multiples prend tout son sens. Le test de Dunn intervient pr\u00e9cis\u00e9ment \u00e0 ce stade : il h\u00e9rite du classement conjoint \u00e9tabli lors de l’\u00e9tape omnibus et proc\u00e8de \u00e0 la d\u00e9composition analytique de la variance des rangs pour situer quelles paires sp\u00e9cifiques s’\u00e9cartent l’une de l’autre au-del\u00e0 des fluctuations pr\u00e9visibles de l’\u00e9chantillonnage.<\/p>\n

2.3 Gestion des rangs moyens et distributions sous-jacentes<\/h3>\n

L’un des aspects les plus d\u00e9licats et fr\u00e9quemment mal compris de l’analyse non param\u00e9trique concerne la m\u00e9trique exacte sur laquelle porte l’inf\u00e9rence. Contrairement \u00e0 une croyance r\u00e9pandue dans de nombreux manuels d’introduction, le test de Kruskal-Wallis et le test de Dunn ne constituent pas intrins\u00e8quement des comparaisons directes des m\u00e9dianes arithm\u00e9tiques des populations, mais bien des comparaisons de la distribution globale des rangs moyens.<\/p>\n

Pour qu’un test sur les rangs moyens puisse \u00eatre rigoureusement interpr\u00e9t\u00e9 comme un test d’\u00e9galit\u00e9 des m\u00e9dianes, une contrainte g\u00e9om\u00e9trique s\u00e9v\u00e8re doit \u00eatre respect\u00e9e : l’hypoth\u00e8se de formes distributionnelles identiques (shape assumption<\/em>). Cela implique que les densit\u00e9s de probabilit\u00e9 des diff\u00e9rents groupes doivent poss\u00e9der une forme rigoureusement superposable, incluant la variance, l’asym\u00e9trie (skewness<\/em>) et l’aplatissement (kurtosis<\/em>), ne diff\u00e9rant \u00e9ventuellement que par un simple param\u00e8tre de translation spatiale sur l’axe des abscisses (d\u00e9calage de localisation).<\/p>\n

Si cette condition de stricte homog\u00e9n\u00e9it\u00e9 des formes n’est pas v\u00e9rifi\u00e9e \u2014 ce qui constitue le cas le plus fr\u00e9quent dans les donn\u00e9es psychologiques cliniques o\u00f9 un traitement induit \u00e0 la fois une baisse de la moyenne et une r\u00e9duction drastique de la dispersion \u2014, l’interpr\u00e9tation du test de Dunn doit \u00eatre formul\u00e9e en termes de dominance stochastique<\/a>. La dominance stochastique \u00e9tablit qu’un groupe pr\u00e9sente une probabilit\u00e9 syst\u00e9matiquement sup\u00e9rieure \u00e0 celle d’un autre groupe de g\u00e9n\u00e9rer une valeur arbitrairement \u00e9lev\u00e9e lors d’un tirage au sort individuel.<\/p>\n

3. Principes math\u00e9matiques et formulation statistique du test de Dunn<\/h2>\n

3.1 Calcul de la statistique standardis\u00e9e z<\/h3>\n

La statistique fondamentale du test de Dunn repose sur l’\u00e9valuation de l’\u00e9cart standardis\u00e9 entre les rangs moyens de deux groupes distincts, conditionnellement au classement conjoint total op\u00e9r\u00e9 sur les k<\/em> groupes. Soit R_i<\/em> la somme des rangs assign\u00e9s aux observations du groupe i<\/em>, et n_i<\/em> l’effectif associ\u00e9 \u00e0 ce groupe. Le rang moyen empirique du groupe i<\/em> est donn\u00e9 par l’expression math\u00e9matique \u00e9l\u00e9mentaire :<\/p>\n

R_bar_i = R_i \/ n_i<\/em><\/p>\n

Consid\u00e9rons \u00e0 pr\u00e9sent la comparaison sp\u00e9cifique entre deux groupes exp\u00e9rimentaux index\u00e9s par i<\/em> et j<\/em> (avec i<\/em> distinct de j<\/em>). La quantit\u00e9 d’int\u00e9r\u00eat primaire r\u00e9side dans la diff\u00e9rence arithm\u00e9tique simple observ\u00e9e entre leurs rangs moyens respectifs :<\/p>\n

Delta_R_ij = R_bar_i – R_bar_j<\/em><\/p>\n

Afin de transformer cette diff\u00e9rence brute en une m\u00e9trique d’inf\u00e9rence exploitable, Dunn normalise cette quantit\u00e9 en la divisant par l’erreur type th\u00e9orique de la diff\u00e9rence des rangs moyens sous l’hypoth\u00e8se nulle. Cette op\u00e9ration engendre une statistique de test standardis\u00e9e, usuellement d\u00e9not\u00e9e z_ij<\/em> ou Q<\/em> selon les conventions de notation acad\u00e9miques :<\/p>\n

z_ij = (R_bar_i – R_bar_j) \/ sigma_ij<\/em><\/p>\n

En vertu du th\u00e9or\u00e8me central limite et des propri\u00e9t\u00e9s combinatoires du reclassement conjoint de Wilcoxon et Kruskal-Wallis, la distribution d’\u00e9chantillonnage de cette quantit\u00e9 z_ij<\/em> converge de mani\u00e8re asymptotique vers la loi normale standard<\/a> centr\u00e9e et r\u00e9duite N(0, 1)<\/em> lorsque la taille globale de l’\u00e9chantillon N<\/em> tend vers l’infini. Cette convergence autorise l’usage des quantiles gaussiens pour \u00e9valuer la significativit\u00e9 statistique.<\/p>\n

3.2 Formule de l’erreur type et correction pour ex-aequo<\/h3>\n

L’expression de l’erreur type sigma_ij<\/em> refl\u00e8te la variance th\u00e9orique sous-jacente des rangs d’un \u00e9chantillon tir\u00e9 sans remise parmi une population finie de taille N<\/em>. En l’absence totale de valeurs ex-aequo (c’est-\u00e0-dire si l’ensemble des N<\/em> observations sont strictement distinctes et uniques), la variance conjointe th\u00e9orique des rangs est fonction exclusive de la taille d’\u00e9chantillon globale. L’erreur type est alors rigoureusement formul\u00e9e ainsi :<\/p>\n

sigma_ij = sqrt( [ (N * (N + 1)) \/ 12 ] * [ (1 \/ n_i) + (1 \/ n_j) ] )<\/em><\/p>\n

Le terme (N * (N + 1)) \/ 12<\/em> repr\u00e9sente la variance intrins\u00e8que d’une distribution uniforme discr\u00e8te des entiers de 1 \u00e0 N<\/em>. Cependant, dans les donn\u00e9es empiriques r\u00e9elles \u2014 tout particuli\u00e8rement dans le cadre d’instruments psychom\u00e9triques \u00e0 \u00e9chelle discr\u00e8te \u2014, des valeurs identiques surviennent fr\u00e9quemment entre plusieurs sujets. L’attribution d’un rang moyen \u00e0 ces observations conjointes r\u00e9duit artificiellement la variance globale des rangs attribu\u00e9s.<\/p>\n

Pour neutraliser ce biais et restaurer la validit\u00e9 de l’erreur de Type I, Dunn a incorpor\u00e9 un coefficient r\u00e9ducteur fond\u00e9 sur les sommes de rangs li\u00e9s. Soit g<\/em> le nombre total de groupes de valeurs ex-aequo distincts, et t_m<\/em> le nombre d’observations li\u00e9es composant le m<\/em>-i\u00e8me groupe de n\u0153uds. La formule de l’erreur type corrig\u00e9e pour la pr\u00e9sence d’ex-aequo prend la forme analytique suivante :<\/p>\n

sigma_ij_corrig\u00e9 = sqrt( [ (N * (N + 1)) \/ 12 – sum(t_m^3 – t_m) \/ (12 * (N – 1)) ] * [ (1 \/ n_i) + (1 \/ n_j) ] )<\/em><\/p>\n

L’introduction de ce terme correctif au sein du d\u00e9nominateur diminue l\u00e9g\u00e8rement la valeur de l’erreur type, augmentant ainsi de mani\u00e8re proportionn\u00e9e la valeur absolue de la statistique standardis\u00e9e z_ij<\/em>. Cette correction emp\u00eache une perte artificielle de puissance statistique lorsque les donn\u00e9es comportent une abondance de valeurs redondantes.<\/p>\n

3.3 Formalisation des hypoth\u00e8ses nulle et alternative<\/h3>\n

La d\u00e9limitation des zones de rejet exige une formalisation math\u00e9matique rigoureuse de l’espace des hypoth\u00e8ses soumises \u00e0 v\u00e9rification. Pour chaque paire sp\u00e9cifique comparant la modalit\u00e9 i<\/em> \u00e0 la modalit\u00e9 j<\/em>, l’hypoth\u00e8se nulle locale (H0_ij<\/em>) stipule l’\u00e9galit\u00e9 stochastique des distributions parentes d’o\u00f9 sont extraits les \u00e9chantillons :<\/p>\n

H0_ij : F_i(x) = F_j(x) pour tout x r\u00e9el<\/em><\/p>\n

o\u00f9 F_i<\/em> et F_j<\/em> d\u00e9signent respectivement les fonctions de r\u00e9partition cumul\u00e9e des populations sous-jacentes. Dans la plupart des contextes de recherche fondamentale et appliqu\u00e9e, le test est formul\u00e9 de mani\u00e8re bilat\u00e9rale (two-tailed<\/em>). L’hypoth\u00e8se alternative correspondante (H1_ij<\/em>) postule la non-\u00e9quivalence des fonctions de distribution :<\/p>\n

H1_ij : F_i(x) != F_j(x) pour au moins une valeur de x<\/em><\/p>\n

Lorsque des consid\u00e9rations th\u00e9oriques hautement \u00e9tay\u00e9es permettent d’anticiper la direction pr\u00e9cise de la sup\u00e9riorit\u00e9 d’un traitement sur un autre (par exemple dans le cas de l’\u00e9valuation d’un principe th\u00e9rapeutique actif contre un placebo inerte), une formulation unilat\u00e9rale peut \u00eatre adopt\u00e9e (H1 : F_i(x) > F_j(x)<\/em> ou H1 : F_i(x) < F_j(x)<\/em>). La r\u00e8gle de d\u00e9cision statistique repose sur la comparaison de la statistique observ\u00e9e z_ij<\/em> \u00e0 un quantile critique de la distribution normale z_alpha<\/em> d\u00e9pendant du seuil d’ajustement retenu pour compenser le risque global d’erreur.<\/p>\n

4. Contr\u00f4le de l’inflation de l’erreur de Type I et m\u00e9thodes d’ajustement<\/h2>\n

4.1 Le ph\u00e9nom\u00e8ne du Family-Wise Error Rate (FWER)<\/h3>\n

L’\u00e9valuation simultan\u00e9e d’un ensemble de conjectures statistiques expose le processus d\u00e9cisionnel au pi\u00e8ge classique de l’inflation du risque global d’erreur de premi\u00e8re esp\u00e8ce, universellement d\u00e9sign\u00e9 sous l’acronyme de Family-Wise Error Rate<\/a> (FWER). Le FWER se d\u00e9finit formellement comme la probabilit\u00e9 d’obtenir au moins un rejet \u00e0 tort de l’hypoth\u00e8se nulle (faux positif) parmi la famille compl\u00e8te des c<\/em> tests statistiques conduits sur le jeu de donn\u00e9es.<\/p>\n

Si l’on postule l’ind\u00e9pendance statistique stricte entre c<\/em> tests \u00e9l\u00e9mentaires distincts men\u00e9s chacun \u00e0 un seuil nominal alpha<\/em> (conventionnellement fix\u00e9 \u00e0 0,05), la probabilit\u00e9 cumulative de commettre au moins une erreur de Type I au cours de la proc\u00e9dure conjointe s’exprime par la relation math\u00e9matique :<\/p>\n

alpha_global = 1 – (1 – alpha)^c<\/em><\/p>\n

Pour un design exp\u00e9rimental modeste comprenant 4 groupes ind\u00e9pendants, le nombre de comparaisons bilat\u00e9rales possibles s’\u00e9l\u00e8ve \u00e0 4 * 3 \/ 2 = 6<\/em> paires. En l’absence totale de contr\u00f4le statistique, le risque d’erreur global atteint :<\/p>\n

alpha_global = 1 – (1 – 0,05)^6 = 1 – (0,95)^6 = 1 – 0,7351 = 0,2649<\/em> (soit plus de 26 %)<\/p>\n

Ce niveau de risque compromet gravement la validit\u00e9 des conclusions empiriques. Si l’on pousse l’exp\u00e9rience \u00e0 6 groupes (15 comparaisons), le taux de fausse alerte franchit le cap alarmant des 53 %, ce qui signifie qu’il devient plus probable d’identifier faussement un effet imaginaire que d’aboutir \u00e0 un ensemble de d\u00e9cisions int\u00e8gres. Cette instabilit\u00e9 statistique a \u00e9t\u00e9 identifi\u00e9e comme l’un des d\u00e9terminants majeurs de la crise de la r\u00e9plicabilit\u00e9 qui frappe les sciences empiriques contemporaines, soulignant l’obligation d\u00e9ontologique de calibrer rigoureusement les seuils de d\u00e9cision.<\/p>\n

4.2 La proc\u00e9dure classique de Bonferroni<\/h3>\n

La solution historiquement privil\u00e9gi\u00e9e par Olive Jean Dunn pour juguler cette inflation probabiliste repose sur l’in\u00e9galit\u00e9 de Boole-Bonferroni. Cette approche proc\u00e8de \u00e0 une division uniforme et invariante du seuil nominal alpha<\/em> par le nombre total de comparaisons d’int\u00e9r\u00eat conduites au sein de la famille exp\u00e9rimentale :<\/p>\n

alpha_ajust\u00e9 = alpha \/ c<\/em><\/p>\n

Alternativement, et de fa\u00e7on \u00e9quivalente dans la pratique des logiciels contemporains, la correction peut s’appliquer directement sur la probabilit\u00e9 calcul\u00e9e (p-valeur<\/em> brute), en multipliant celle-ci par le coefficient c<\/em> :<\/p>\n

p_ajust\u00e9e = min(1, c * p_brute)<\/em><\/p>\n

La proc\u00e9dure de Bonferroni offre une garantie absolue de contr\u00f4le du FWER sous n’importe quelle structure de d\u00e9pendance stochastique unissant les statistiques de test. Cette propri\u00e9t\u00e9 d’invariance universelle constitue son atout majeur. N\u00e9anmoins, cette robustesse se paie au prix d’un hyperconservatisme m\u00e9thodologique s\u00e9v\u00e8re. En r\u00e9partissant le risque d’erreur de mani\u00e8re uniforme sans tenir compte des corr\u00e9lations structurelles entre les tests conjoints, Bonferroni abaisse le seuil de significativit\u00e9 \u00e0 des niveaux excessivement restrictifs d\u00e8s que c<\/em> augmente.<\/p>\n

Cet \u00e9cueil entra\u00eene une d\u00e9gradation dramatique de la puissance statistique (1 – beta<\/em>), augmentant de fa\u00e7on drastique la probabilit\u00e9 de commettre une erreur de Type II (omettre d’identifier une diff\u00e9rence r\u00e9elle dans la population). En pratique, la correction classique de Bonferroni ne doit \u00eatre pr\u00e9conis\u00e9e que dans les protocoles impliquant un contingent restreint de contrastes (par exemple 3 ou 4 comparaisons cibl\u00e9es) ou lorsque le co\u00fbt th\u00e9orique d’un faux positif s’av\u00e8re absolument prohibitif.<\/p>\n

4.3 Approches alternatives : Holm, Sidak et Benjamini-Hochberg<\/h3>\n

Face \u00e0 l’intransigeance paralysante de la m\u00e9thode de Bonferroni simple, la litt\u00e9rature m\u00e9thodologique moderne privil\u00e9gie des alternatives algorithmiques capables de pr\u00e9server la puissance d’analyse tout en circonscrivant scrupuleusement l’erreur globale. Parmi celles-ci, la proc\u00e9dure s\u00e9quentielle descendante d\u00e9velopp\u00e9e par Sture Holm en 1979 (dite de Holm-Bonferroni) s’est impos\u00e9e comme le standard d’excellence pour le FWER.<\/p>\n

L’algorithme de Holm op\u00e8re par \u00e9tapes successives apr\u00e8s avoir class\u00e9 les c<\/em> p-valeurs brutes dans un ordre strictement croissant : p_(1) <= p_(2) <= … <= p_(c)<\/em>. Chaque probabilit\u00e9 ordonn\u00e9e est compar\u00e9e s\u00e9quentiellement \u00e0 un seuil dynamique d\u00e9gressif :<\/p>\n

alpha_k = alpha \/ (c – k + 1)<\/em><\/p>\n

o\u00f9 k<\/em> repr\u00e9sente l’indice de l’\u00e9tape courante. D\u00e8s qu’une valeur p_(k)<\/em> \u00e9choue \u00e0 franchir le seuil critique alpha_k<\/em>, le processus s’interrompt d\u00e9finitivement, et toutes les hypoth\u00e8ses restantes sont d\u00e9clar\u00e9es non significatives. La m\u00e9thode de Holm domine uniform\u00e9ment la proc\u00e9dure de Bonferroni car elle contr\u00f4le le FWER avec la m\u00eame exactitude math\u00e9matique tout en offrant une puissance statistique syst\u00e9matiquement sup\u00e9rieure.<\/p>\n

La correction de \u0160id\u00e1k (1967), quant \u00e0 elle, repose sur une mod\u00e9lisation multiplicative sous l’hypoth\u00e8se de variables ind\u00e9pendantes, appliquant le seuil 1 – (1 – alpha)^(1\/c)<\/em>, ce qui procure un gain infinit\u00e9simal par rapport \u00e0 Bonferroni sans en modifier l’essence structurelle.<\/p>\n

Enfin, dans les contextes exploratoires \u00e0 haut d\u00e9bit ou lorsque les hypoth\u00e8ses de recherche tol\u00e8rent une marge de d\u00e9viation contr\u00f4l\u00e9e, le basculement vers le contr\u00f4le du taux de fausses d\u00e9couvertes (False Discovery Rate<\/a> ou FDR), mod\u00e9lis\u00e9 par Yoav Benjamini et Yosef Hochberg en 1995, offre une souplesse remarquable. La proc\u00e9dure de Benjamini-Hochberg ne vise pas \u00e0 emp\u00eacher l’\u00e9mergence du moindre faux positif, mais garantit que la proportion moyenne d’erreurs parmi l’ensemble total des tests d\u00e9clar\u00e9s significatifs demeure inf\u00e9rieure \u00e0 un seuil pr\u00e9d\u00e9termin\u00e9 q<\/em> (habituellement 0,05). Cette strat\u00e9gie est fortement recommand\u00e9e dans les criblages psychologiques exploratoires ou les \u00e9tudes ph\u00e9notypiques \u00e9tendues.<\/p>\n

5. Conditions d’application et robustesse du test en psychologie<\/h2>\n

5.1 Nature des donn\u00e9es et plan d’\u00e9chantillonnage<\/h3>\n

La validit\u00e9 des conclusions tir\u00e9es de l’ex\u00e9cution d’un test de Dunn repose sur le respect scrupuleux d’un ensemble de contraintes architecturales inh\u00e9rentes \u00e0 la mod\u00e9lisation statistique. En premier lieu, la variable ind\u00e9pendante (ou facteur de classification) doit \u00eatre de nature cat\u00e9gorielle et subdivis\u00e9e en au moins trois modalit\u00e9s mutuellement exclusives. Le plan d’\u00e9chantillonnage doit obligatoirement \u00eatre un plan \u00e0 groupes ind\u00e9pendants (entre-sujets), ce qui exclut cat\u00e9goriquement l’application directe du test de Dunn conventionnel \u00e0 des mesures r\u00e9p\u00e9t\u00e9es ou des plans intra-sujets (ces derniers requ\u00e9rant le test de Friedman assorti de comparaisons post-hoc adapt\u00e9es telles que la proc\u00e9dure de Conover ou le test de Nemenyi).<\/p>\n

En second lieu, la variable d\u00e9pendante doit \u00eatre mesur\u00e9e sur une \u00e9chelle au moins ordinale. Cette condition est particuli\u00e8rement favorable aux sciences du comportement o\u00f9 les inventaires cliniques g\u00e9n\u00e8rent des rangements quantitatifs sans que l’on puisse math\u00e9matiquement prouver l’\u00e9galit\u00e9 des intervalles s\u00e9parant chaque \u00e9chelon de cotation. Le test de Dunn accepte indiff\u00e9remment des variables num\u00e9riques continues asym\u00e9triques ou des variables discr\u00e8tes \u00e0 granularit\u00e9 fine.<\/p>\n

Enfin, le postulat fondamental le plus intransigeant r\u00e9side dans l’ind\u00e9pendance mutuelle stricte de l’ensemble des observations. La s\u00e9lection d’un individu dans un groupe ou la valeur prise par sa mesure ne doit exercer aucune influence stochastique sur la s\u00e9lection ou les scores des autres participants. Toute violation de l’ind\u00e9pendance \u2014 comme le regroupement spatial de patients par centres hospitaliers ou le recrutement de fratries sans contr\u00f4le al\u00e9atoire \u2014 fausse radicalement la distribution des rangs et rend inapplicables les lois limites asymptotiques r\u00e9gissant l’erreur type conjointe.<\/p>\n

5.2 Forme des distributions et interpr\u00e9tation des m\u00e9dianes<\/h3>\n

L’\u00e9valuation des profils distributionnels empiriques repr\u00e9sente une \u00e9tape d’un grand raffinement analytique lors de l’usage des m\u00e9thodes non param\u00e9triques. Si le test de Dunn est formellement libre de distribution (il ne pr\u00e9suppose pas la gaussianit\u00e9), sa s\u00e9mantique inf\u00e9rentielle d\u00e9pend intimement de la morphologie compar\u00e9e des densit\u00e9s de probabilit\u00e9 de chaque sous-population.<\/p>\n

Deux situations distinctes se pr\u00e9sentent au statisticien :<\/p>\n