Dans le champ de l’analyse statistique moderne et de l’\u00e9pist\u00e9mologie des sciences empiriques, l’\u00e9valuation de l’ind\u00e9pendance stochastique constitue une \u00e9tape m\u00e9thodologique fondamentale, conditionnant la validit\u00e9 de l’ensemble des inf\u00e9rences ult\u00e9rieures. Bien que les chercheurs consacrent une \u00e9nergie consid\u00e9rable \u00e0 v\u00e9rifier l’hypoth\u00e8se de normalit\u00e9 distributionnelle ou l’homog\u00e9n\u00e9it\u00e9 des variances, l’hypoth\u00e8se sous-jacente d’ind\u00e9pendance s\u00e9rielle des observations est trop fr\u00e9quemment admise sans v\u00e9rification empirique formelle. Or, la violation de cette ind\u00e9pendance compromet gravement les estimations de l’erreur type, gonfle artificiellement le taux d’erreur de premi\u00e8re esp\u00e8ce et vicie les conclusions tir\u00e9es des mod\u00e8les statistiques tant param\u00e9triques que non param\u00e9triques.<\/p>\n
Le test des suites, originellement conceptualis\u00e9 par Abraham Wald et Jacob Wolfowitz, s’\u00e9rige comme l’un des instruments non param\u00e9triques les plus \u00e9l\u00e9gants et polyvalents pour sonder la structure s\u00e9quentielle d’un ensemble de donn\u00e9es. En s’affranchissant totalement des postulats distributionnels restrictifs inh\u00e9rents aux approches gaussiennes, cette m\u00e9thode statistique \u00e9value si l’agencement temporel ou spatial d’\u00e9l\u00e9ments dichotomiques d\u00e9vie significativement d’un processus purement al\u00e9atoire. Que ce soit pour auditer les r\u00e9sidus d’une r\u00e9gression lin\u00e9aire, diagnostiquer des biais cognitifs dans la g\u00e9n\u00e9ration humaine de s\u00e9quences al\u00e9atoires, ou valider l’absence d’effets d’ordre au sein de protocoles exp\u00e9rimentaux complexes, le test des suites offre une rigueur analytique indispensable.<\/p>\n
L’environnement de programmation statistique R s’impose aujourd’hui comme le standard international pour l’impl\u00e9mentation de ces protocoles non param\u00e9triques. Gr\u00e2ce \u00e0 une architecture modulaire et \u00e0 la disponibilit\u00e9 d’extensions sp\u00e9cialis\u00e9es telles que snpar<\/a>, randtests<\/a> ou encore tseries<\/a>, le praticien dispose d’un \u00e9cosyst\u00e8me computationnel d’une pr\u00e9cision remarquable. Ce guide exhaustif a pour vocation d’exposer de mani\u00e8re approfondie les soubassements th\u00e9oriques, les mod\u00e9lisations math\u00e9matiques, les proc\u00e9dures d’impl\u00e9mentation algorithmique et les strat\u00e9gies d’interpr\u00e9tation clinique et psychom\u00e9trique n\u00e9cessaires pour ma\u00eetriser le test des suites dans l’environnement R.<\/p>\n D’un point de vue strictement math\u00e9matique, une suite, traditionnellement d\u00e9sign\u00e9e sous l’anglicisme run<\/em>, se d\u00e9finit comme une s\u00e9quence ininterrompue d’\u00e9l\u00e9ments identiques partageant un m\u00eame attribut qualitatif ou quantitatif, pr\u00e9c\u00e9d\u00e9e et suivie par des \u00e9l\u00e9ments d’une nature diff\u00e9rente ou par les bornes terminales de l’\u00e9chantillon. Soit une suite finie d’observations binaires ordonn\u00e9es chronologiquement ou spatialement. Si nous observons une alternance d’\u00e9tats repr\u00e9sent\u00e9s par les symboles A et B, une sous-s\u00e9quence continue telle que AAA constitue une suite unique de longueur trois, tandis qu’un basculement vers B inaugure imm\u00e9diatement une nouvelle suite. L’analyse du nombre total de suites observ\u00e9es au sein d’une s\u00e9rie donn\u00e9e constitue la mati\u00e8re premi\u00e8re \u00e0 partir de laquelle s’\u00e9labore le jugement statistique d’al\u00e9atoirit\u00e9.<\/p>\n Cette approche permet d’\u00e9tablir une ligne de d\u00e9marcation \u00e9pist\u00e9mologique nette entre un processus stochastique ind\u00e9pendant et identiquement distribu\u00e9 et un processus dot\u00e9 d’une m\u00e9moire s\u00e9rielle, qu’elle soit de nature markovienne ou autor\u00e9gressive. Dans un processus stochastique ind\u00e9pendant, l’\u00e9tat observ\u00e9 \u00e0 l’indice temporel t<\/em> n’apporte strictement aucune information pr\u00e9dictive sur l’\u00e9tat qui \u00e9mergera \u00e0 l’indice t+1<\/em>. En revanche, lorsqu’une d\u00e9pendance s\u00e9rielle s’installe, le syst\u00e8me conserve une r\u00e9manence de ses \u00e9tats ant\u00e9rieurs, ce qui modifie la probabilit\u00e9 de transition entre les cat\u00e9gories. Le test des suites quantifie pr\u00e9cis\u00e9ment cette dynamique de transition \u00e0 travers l’observation macroscopique du d\u00e9nombrement des suites.<\/p>\n Sur le plan historique, le test trouve ses lettres de noblesse dans les travaux fondateurs publi\u00e9s en 1940 par Abraham Wald et Jacob Wolfowitz au sein des Annals of Mathematical Statistics<\/a>. Con\u00e7u initialement comme un test non param\u00e9trique bilat\u00e9ral destin\u00e9 \u00e0 \u00e9prouver l’hypoth\u00e8se selon laquelle deux \u00e9chantillons continus ind\u00e9pendants sont issus d’une m\u00eame population parente continue, le test de Wald-Wolfowitz a rapidement r\u00e9v\u00e9l\u00e9 son immense valeur heuristique en tant qu’\u00e9preuve g\u00e9n\u00e9rique d’al\u00e9atoirit\u00e9 s\u00e9quentielle. En statistique industrielle et en contr\u00f4le de la qualit\u00e9, les pionniers de l’\u00e9chantillonnage de r\u00e9ception ont rapidement adopt\u00e9 cette technique pour s’assurer que les fluctuations observ\u00e9es le long des cha\u00eenes de production ne d\u00e9coulaient pas d’une d\u00e9rive syst\u00e9matique de l’outillage ou d’une p\u00e9riodicit\u00e9 masqu\u00e9e dans l’approvisionnement en mati\u00e8res premi\u00e8res.<\/p>\n La formalisation inf\u00e9rentielle du test des suites repose sur la d\u00e9finition minutieuse de l’espace des hypoth\u00e8ses. L’hypoth\u00e8se nulle, conventionnellement not\u00e9e H0, stipule que les observations de la s\u00e9quence ont \u00e9t\u00e9 g\u00e9n\u00e9r\u00e9es par un processus stochastique mutuellement ind\u00e9pendant et identiquement distribu\u00e9, ce qui implique que chaque permutation possible des observations observ\u00e9es est rigoureusement \u00e9quiprobable. Sous H0, l’ordre d’apparition des \u00e9l\u00e9ments est enti\u00e8rement gouvern\u00e9 par le hasard pur, conditionnellement aux effectifs marginaux des deux cat\u00e9gories consid\u00e9r\u00e9es. Il n’existe donc aucun couplage dynamique, aucune m\u00e9moire temporelle et aucune influence r\u00e9ciproque entre les unit\u00e9s d’observation successives.<\/p>\n \u00c0 l’oppos\u00e9, l’hypoth\u00e8se alternative g\u00e9n\u00e9rale, not\u00e9e Ha, affirme l’absence de g\u00e9n\u00e9ration al\u00e9atoire ind\u00e9pendante, signifiant que la structure s\u00e9quentielle observ\u00e9e s’\u00e9carte des lois de la combinatoire stochastique. Toutefois, cette hypoth\u00e8se alternative peut se d\u00e9cliner sous une forme bilat\u00e9rale ou sous deux variantes unilat\u00e9rales aux implications interpr\u00e9tatives radicalement divergentes. L’hypoth\u00e8se alternative bilat\u00e9rale postule simplement que le nombre observ\u00e9 de suites diff\u00e8re significativement de l’esp\u00e9rance math\u00e9matique th\u00e9orique, sans pr\u00e9juger de la direction de cette d\u00e9viation. C’est l’approche privil\u00e9gi\u00e9e lors d’un audit exploratoire global d’une s\u00e9rie chronologique.<\/p>\n Les variantes unilat\u00e9rales exigent une attention analytique accrue en raison de leur sens th\u00e9orique direct. D’une part, l’hypoth\u00e8se alternative unilat\u00e9rale \u00e0 gauche (nombre de suites anormalement bas) r\u00e9v\u00e8le une tendance \u00e0 l’agr\u00e9gation, fr\u00e9quemment d\u00e9sign\u00e9e par le terme de regroupement s\u00e9riel ou clustering<\/em>. Cette condition traduit une inertie temporelle, une persistance d’\u00e9tat ou une tendance d\u00e9terministe sous-jacente qui maintient le syst\u00e8me dans une modalit\u00e9 donn\u00e9e bien plus longtemps que le hasard ne le permettrait. D’autre part, l’hypoth\u00e8se alternative unilat\u00e9rale \u00e0 droite (nombre de suites anormalement \u00e9lev\u00e9) d\u00e9note une hyper-alternance ou une sur-dispersion s\u00e9quentielle, caract\u00e9ris\u00e9e par des basculements d’\u00e9tats fr\u00e9n\u00e9tiques. Le rejet de l’hypoth\u00e8se nulle impose au chercheur une r\u00e9vision drastique de sa strat\u00e9gie de mod\u00e9lisation, interdisant l’usage na\u00eff de mod\u00e8les supposant l’ind\u00e9pendance sous peine de produire des inf\u00e9rences fallacieuses.<\/p>\n Dans le domaine de la psychom\u00e9trie et de la psychologie computationnelle, le respect de l’ind\u00e9pendance s\u00e9rielle s’av\u00e8re critique lors de l’administration de protocoles exp\u00e9rimentaux r\u00e9p\u00e9t\u00e9s et de questionnaires s\u00e9quentiels informatis\u00e9s. Lorsqu’un participant est expos\u00e9 \u00e0 une batterie d’items \u00e9valuant une dimension latente, les paradigmes psychom\u00e9triques classiques postulent que la r\u00e9ponse apport\u00e9e \u00e0 l’item k<\/em> ne d\u00e9pend que du trait latent du sujet et des propri\u00e9t\u00e9s intrins\u00e8ques de l’item. Toutefois, l’intervention d’effets de contamination s\u00e9quentielle, tels que des strat\u00e9gies de r\u00e9ponse m\u00e9caniques ou des ph\u00e9nom\u00e8nes de halo temporel, induit des d\u00e9pendances s\u00e9rielles que le test des suites permet de diagnostiquer de mani\u00e8re robuste sans n\u00e9cessiter l’estimation lourde de mod\u00e8les autor\u00e9gressifs latents.<\/p>\n Un pan entier de la recherche en sciences cognitives s’est appuy\u00e9 sur le test des suites pour analyser la production subjective de hasard chez l’\u00eatre humain, notamment \u00e0 travers les paradigmes de g\u00e9n\u00e9ration al\u00e9atoire (random number generation tasks<\/em>). De multiples travaux empiriques ont document\u00e9 l’incapacit\u00e9 fondamentale du cerveau humain non entra\u00een\u00e9 \u00e0 simuler fid\u00e8lement le hasard stochastique. En raison de biais cognitifs pr\u00e9gnants, tels que le sophisme du joueur (gambler’s fallacy<\/em>) ou la repr\u00e9sentativit\u00e9 heuristique document\u00e9e par Kahneman et Tversky, les individus tendent syst\u00e9matiquement \u00e0 sous-estimer la probabilit\u00e9 de survenue de longues suites identiques. En cons\u00e9quence, les s\u00e9quences g\u00e9n\u00e9r\u00e9es manuellement par des sujets humains exhibent presque syst\u00e9matiquement une sur-repr\u00e9sentation du nombre de suites par rapport aux attentes math\u00e9matiques, trahissant une \u00e9viction active des r\u00e9p\u00e9titions.<\/p>\n Par ailleurs, sur le plan m\u00e9thodologique de l’exp\u00e9rimentation comportementale, le test des suites s’av\u00e8re un instrument de veille indispensable pour contr\u00f4ler les art\u00e9facts d’apprentissage, d’habituation ou d’\u00e9puisement attentionnel. Dans les \u00e9preuves \u00e9valuant les temps de r\u00e9action continue ou la discrimination perceptive, une d\u00e9rive progressive des performances se traduit imm\u00e9diatement par une sous-dispersion du nombre de suites d\u00e8s lors que les donn\u00e9es sont dichotomis\u00e9es par rapport \u00e0 la m\u00e9diane. V\u00e9rifier syst\u00e9matiquement l’absence de structure s\u00e9quentielle pathologique au sein des s\u00e9ries de donn\u00e9es comportementales constitue donc un pr\u00e9requis \u00e9pist\u00e9mologique absolu avant de d\u00e9ployer des analyses inf\u00e9rentielles fond\u00e9es sur la th\u00e9orie g\u00e9n\u00e9rale des mod\u00e8les lin\u00e9aires.<\/p>\n La th\u00e9orie du test des suites repose sur une d\u00e9rivation combinatoire exacte \u00e9tablie sous l’hypoth\u00e8se nulle d’ind\u00e9pendance conditionnelle. Consid\u00e9rons un \u00e9chantillon global comprenant N<\/em> observations ordonn\u00e9es, r\u00e9parties de fa\u00e7on dichotomique en deux cat\u00e9gories mutuellement exclusives. Notons n1<\/em> l’effectif total d’\u00e9l\u00e9ments appartenant \u00e0 la premi\u00e8re classe (par exemple le symbole positif ou la valeur 1) et n2<\/em> l’effectif associ\u00e9 \u00e0 la seconde classe (le symbole n\u00e9gatif ou la valeur 0), de telle sorte que la relation N = n1 + n2<\/em> soit rigoureusement satisfaite. Le nombre total de configurations s\u00e9quentielles ordonn\u00e9es distinctes pouvant \u00eatre form\u00e9es \u00e0 partir de ces \u00e9l\u00e9ments correspond au coefficient binomial du nombre de combinaisons possibles :<\/p>\n Nombre total d’arrangements = C(N, n1) = N! \/ (n1! * n2!)<\/p>\n Sous l’hypoth\u00e8se nulle, chacune de ces permutations \u00e9quiprobables poss\u00e8de la m\u00eame probabilit\u00e9 d’occurrence th\u00e9orique. La variable al\u00e9atoire R<\/em>, d\u00e9signant le nombre total de suites observ\u00e9es le long de la s\u00e9quence, ob\u00e9it \u00e0 une loi de distribution discr\u00e8te exacte dont la masse de probabilit\u00e9 s’exprime analytiquement selon que la valeur r\u00e9alis\u00e9e r<\/em> est paire ou impaire. Lorsque r<\/em> est un nombre pair de la forme r = 2k<\/em>, la s\u00e9quence doit imp\u00e9rativement comporter k<\/em> suites compos\u00e9es d’\u00e9l\u00e9ments du premier type et k<\/em> suites compos\u00e9es d’\u00e9l\u00e9ments du second type. Le calcul combinatoire des partitions d’entiers permet d’\u00e9tablir la probabilit\u00e9 exacte suivante :<\/p>\n P(R = 2k) = 2 * C(n1 – 1, k – 1) * C(n2 – 1, k – 1) \/ C(N, n1)<\/p>\n \u00c0 l’inverse, lorsque le nombre de suites observ\u00e9es r<\/em> est impair, prenant la forme r = 2k + 1<\/em>, le motif s\u00e9quentiel implique n\u00e9cessairement un d\u00e9s\u00e9quilibre unitaire entre le nombre de sous-s\u00e9quences de chaque cat\u00e9gorie (soit k+1<\/em> suites pour la premi\u00e8re et k<\/em> pour la seconde, ou r\u00e9ciproquement). La fonction de masse de probabilit\u00e9 s’\u00e9crit alors formellement :<\/p>\n P(R = 2k + 1) = [C(n1 – 1, k) * C(n2 – 1, k – 1) + C(n1 – 1, k – 1) * C(n2 – 1, k)] \/ C(N, n1)<\/p>\n \u00c0 partir de cette distribution d’\u00e9chantillonnage exacte, les moments fondamentaux de la variable al\u00e9atoire R<\/em> peuvent \u00eatre d\u00e9duits analytiquement. L’esp\u00e9rance math\u00e9matique du nombre de suites sous H0 d\u00e9pend exclusivement des effectifs marginaux n1<\/em> et n2<\/em> :<\/p>\n E(R) = mu = 1 + (2 * n1 * n2) \/ N<\/p>\n De mani\u00e8re analogue, la variance th\u00e9orique sous-jacente du nombre de suites se formule avec une grande rigueur selon l’expression polynomiale suivante :<\/p>\n Var(R) = sigma^2 = [2 * n1 * n2 * (2 * n1 * n2 – N)] \/ [N^2 * (N – 1)]<\/p>\n Ces formulations r\u00e9v\u00e8lent que l’estimation des moments ne d\u00e9pend aucunement de postulats sur la dispersion ou la continuit\u00e9 d’une variable parente continue, mais d\u00e9coule strictement de la structure combinatoire des effectifs marginaux. Pour les \u00e9chantillons de taille restreinte (g\u00e9n\u00e9ralement lorsque n1<\/em> ou n2<\/em> est strictement inf\u00e9rieur \u00e0 20 ou 30), le recours \u00e0 cette distribution exacte est imp\u00e9ratif afin de calculer les probabilit\u00e9s critiques cumul\u00e9es sans commettre d’erreurs d’approximation num\u00e9rique.<\/p>\n Lorsque la taille globale de l’\u00e9chantillon N<\/em> cro\u00eet de telle sorte que les effectifs n1<\/em> et n2<\/em> tendent simultan\u00e9ment vers l’infini tout en maintenant un ratio asymptotiquement stable, le th\u00e9or\u00e8me central limite<\/a> s’applique \u00e0 la variable discr\u00e8te standardis\u00e9e. La distribution de la statistique R<\/em> converge alors en loi vers une distribution normale univari\u00e9e de param\u00e8tres moyenne mu<\/em> et \u00e9cart type sigma<\/em>. D\u00e8s lors, il devient possible de calculer une statistique de test standardis\u00e9e, not\u00e9e classiquement Z<\/em>, autorisant le recours direct aux tables de la loi normale centr\u00e9e r\u00e9duite N(0, 1) pour l’inf\u00e9rence.<\/p>\n Toutefois, la variable al\u00e9atoire R<\/em> \u00e9tant par nature un entier discret, alors que la loi normale repr\u00e9sente une distribution continue sur l’ensemble des r\u00e9els, l’approximation asymptotique gagne en exactitude par l’adjonction d’une correction de continuit\u00e9 dite de Yates. Cette correction ajuste le num\u00e9rateur de la statistique de test d’une demi-unit\u00e9 (0,5) en direction de l’esp\u00e9rance th\u00e9orique, neutralisant ainsi le biais syst\u00e9matique li\u00e9 \u00e0 l’int\u00e9gration d’un histogramme discret sous une courbe de densit\u00e9 lisse. La formulation rigoureuse de la statistique Z standardis\u00e9e s’\u00e9nonce comme suit :<\/p>\n Si R > E(R) : Z = [(R – 0.5) – E(R)] \/ sqrt(Var(R))<\/p>\n Si R < E(R) : Z = [(R + 0.5) - E(R)] \/ sqrt(Var(R))<\/p>\n Si R = E(R) : Z = 0<\/p>\n L’omission de cette correction de continuit\u00e9 dans les calculs logiciels entra\u00eene un gonflement marginal mais bien r\u00e9el de la statistique Z, provoquant une sous-estimation artificielle des p-valeurs et augmentant subs\u00e9quemment le risque d’erreur de premi\u00e8re esp\u00e8ce (rejeter l’hypoth\u00e8se nulle d’ind\u00e9pendance alors qu’elle est vraie). Dans les environnements computationnels contemporains, le basculement entre le calcul exact par d\u00e9nombrement combinatoire et l’approximation normale asymptotique s’effectue usuellement d\u00e8s que les effectifs marginaux satisfont la double condition n1 > 20<\/em> et n2 > 20<\/em>, bien que certains algorithmes \u00e9tendent le calcul exact jusqu’\u00e0 des tailles cumul\u00e9es plus \u00e9lev\u00e9es gr\u00e2ce \u00e0 la puissance des processeurs modernes.<\/p>\n La puissance statistique du test des suites n’est pas uniforme face \u00e0 l’ensemble des d\u00e9viations possibles par rapport \u00e0 l’ind\u00e9pendance. La sensibilit\u00e9 de l’\u00e9preuve est maximale lorsque la s\u00e9rie temporelle ou s\u00e9quentielle est alt\u00e9r\u00e9e par une tendance monotone soutenue (qu’elle soit lin\u00e9aire, polynomiale ou exponentielle). En pr\u00e9sence d’une telle tendance, la majorit\u00e9 des observations d’une m\u00eame classe se concentre inexorablement \u00e0 une extr\u00e9mit\u00e9 de la s\u00e9rie, tandis que les observations de l’autre classe s’agr\u00e8gent \u00e0 l’extr\u00e9mit\u00e9 oppos\u00e9e. Il en r\u00e9sulte un effondrement drastique du nombre observ\u00e9 de suites R<\/em>, produisant des scores Z<\/em> fortement n\u00e9gatifs et assurant un rejet net de l’hypoth\u00e8se nulle.<\/p>\n \u00c0 l’inverse, l’impact des oscillations cycliques ou des processus saisonniers p\u00e9riodiques d\u00e9pend intimement de la longueur de la p\u00e9riode par rapport \u00e0 la fr\u00e9quence d’\u00e9chantillonnage. Si une oscillation engendre une alternance rapide de part et d’autre du point de c\u00e9sure, le nombre de suites R<\/em> conna\u00eetra une inflation spectaculaire, propulsant la statistique Z<\/em> vers des valeurs positives extr\u00eames. N\u00e9anmoins, si la p\u00e9riodicit\u00e9 de l’onde correspond exactement \u00e0 de larges fen\u00eatres d’\u00e9chantillonnage, le test peut paradoxalement afficher une statistique R<\/em> proche de l’esp\u00e9rance stochastique globale en agr\u00e9geant des segments artificiellement oppos\u00e9s, masquant ainsi la dynamique temporelle d\u00e9terministe.<\/p>\n Enfin, une vuln\u00e9rabilit\u00e9 math\u00e9matique majeure du test r\u00e9side dans son comportement asymptotique face \u00e0 un d\u00e9s\u00e9quilibre extr\u00eame des effectifs marginaux. Si le ratio entre n1<\/em> et n2<\/em> s’\u00e9carte substantiellement de la parit\u00e9 (par exemple si n1 = 5<\/em> et n2 = 95<\/em>), l’espace combinatoire des suites se contracte de mani\u00e8re asym\u00e9trique. Le nombre maximal th\u00e9orique de suites r\u00e9alisables devient math\u00e9matiquement brid\u00e9 par l’expression 2 * min(n1, n2) + 1<\/em>. Dans cette configuration d’asym\u00e9trie s\u00e9v\u00e8re, la variance th\u00e9orique se r\u00e9duit, mais la distribution d’\u00e9chantillonnage r\u00e9elle devient fortement asym\u00e9trique (\u00e9tal\u00e9e \u00e0 droite), rendant l’approximation par la loi normale hautement trompeuse et justifiant le recours exclusif \u00e0 des calculs exacts ou \u00e0 des r\u00e9\u00e9chantillonnages de Monte-Carlo.<\/p>\n La mise en \u0153uvre rigoureuse d’analyses statistiques non param\u00e9triques sous R requiert la configuration d’un environnement de travail reproductible, exempt d’effets de bord li\u00e9s \u00e0 l’\u00e9tat de sessions ant\u00e9rieures. L’initialisation m\u00e9thodologique implique syst\u00e9matiquement la r\u00e9initialisation de l’espace global, l’ajustement des param\u00e8tres d’affichage num\u00e9rique dans la console et la fixation d’une graine pseudo-al\u00e9atoire lorsque des simulations ou des proc\u00e9dures de permutation sont envisag\u00e9es. L’ajustement des options d’affichage garantit que les p-valeurs infinit\u00e9simales ne soient pas masqu\u00e9es par des arrondis agressifs.<\/p>\n Dans le script directeur de l’analyse, il convient de d\u00e9finir l’encodage des caract\u00e8res en UTF-8 et de configurer l’affichage num\u00e9rique de mani\u00e8re standardis\u00e9e. L’instruction formelle options(scipen = 999, digits = 6)<\/strong> emp\u00eache la notation scientifique pr\u00e9matur\u00e9e pour les p-valeurs standard, facilitant la lecture directe des seuils alpha critiques \u00e0 cinq d\u00e9cimales. De surcro\u00eet, l’affectation d\u00e9lib\u00e9r\u00e9e d’une graine de reproductibilit\u00e9 via la commande set.seed(42)<\/strong> (ou toute autre constante enti\u00e8re d\u00e9finie a priori) repr\u00e9sente une exigence d\u00e9ontologique indispensable pour assurer l’auditabilit\u00e9 algorithmique des proc\u00e9dures impliquant un \u00e9chantillonnage stochastique ou des r\u00e9solutions al\u00e9atoires d’ex \u00e6quo.<\/p>\n La v\u00e9rification de l’int\u00e9grit\u00e9 de la plateforme computationnelle passe \u00e9galement par la consultation des m\u00e9tadonn\u00e9es de l’interpr\u00e9teur R \u00e0 l’aide de l’appel sessionInfo()<\/strong>. Cette pr\u00e9caution permet d’archiver la version exacte du moteur d’ex\u00e9cution (privil\u00e9gier R 4.x.x ou version ult\u00e9rieure) ainsi que l’architecture du syst\u00e8me d’exploitation sous-jacent. Une telle tra\u00e7abilit\u00e9 pr\u00e9vient les discordances computationnelles pouvant survenir lors du d\u00e9ploiement de paquets de calcul exact compil\u00e9s en C ou Fortran sur des architectures mat\u00e9rielles distinctes.<\/p>\n Bien que le syst\u00e8me de base du langage R offre des primitives d’une grande richesse, il ne dispose pas, au sein de son paquetage par d\u00e9faut, d’une fonction native d\u00e9di\u00e9e au test des suites de Wald-Wolfowitz. Il est donc indispensable d’importer des extensions tierces d\u00e9velopp\u00e9es par la communaut\u00e9 acad\u00e9mique et valid\u00e9es par le r\u00e9seau officiel CRAN (Comprehensive R Archive Network)<\/a>. Les trois biblioth\u00e8ques de r\u00e9f\u00e9rence dans ce domaine sont snpar<\/strong>, randtests<\/strong> et tseries<\/strong>.<\/p>\n La biblioth\u00e8que snpar<\/strong> (Supplementary Nonparametric Statistics) constitue sans doute le choix le plus direct et le plus fid\u00e8le \u00e0 la tradition math\u00e9matique pour l’ex\u00e9cution univari\u00e9e du test des suites. Pour d\u00e9ployer ces outils, l’installation s’effectue de fa\u00e7on conventionnelle \u00e0 travers la syntaxe suivante :<\/p>\n install.packages(c(\u00ab\u00a0snpar\u00a0\u00bb, \u00ab\u00a0randtests\u00a0\u00bb, \u00ab\u00a0tseries\u00a0\u00bb))<\/em><\/p>\n Une fois les paquets install\u00e9s sur le disque dur, leur chargement dans la session s’op\u00e8re par le biais de la fonction library()<\/strong> appliqu\u00e9e successivement \u00e0 chaque d\u00e9pendance. Il importe toutefois de souligner un \u00e9cueil fr\u00e9quent propre \u00e0 l’\u00e9cosyst\u00e8me R : le masquage de noms de fonctions (function masking<\/em>). Les paquets snpar<\/strong>, randtests<\/strong> et tseries<\/strong> exportent tous une fonction d\u00e9nomm\u00e9e rigoureusement \u00e0 l’identique : runs.test()<\/strong>. Si l’utilisateur charge ces trois paquets de fa\u00e7on concurrente dans le m\u00eame script, la derni\u00e8re biblioth\u00e8que charg\u00e9e \u00e9crasera silencieusement l’acc\u00e8s direct aux fonctions des biblioth\u00e8ques ant\u00e9rieures.<\/p>\n Pour contourner de mani\u00e8re absolue ce risque de conflit logiciel et garantir que l’algorithme sous-jacent ex\u00e9cut\u00e9 correspond scrupuleusement aux intentions du chercheur, l’utilisation explicite de l’op\u00e9rateur d’espace de noms double deux-points (::<\/strong>) est formellement requise dans un cadre de production acad\u00e9mique. L’appel explicite de la forme snpar::runs.test()<\/strong> ou randtests::runs.test()<\/strong> garantit une \u00e9tanch\u00e9it\u00e9 m\u00e9thodologique parfaite en \u00e9liminant toute ambigu\u00eft\u00e9 sur la version de l’algorithme mobilis\u00e9e lors de l’ex\u00e9cution du pipeline de traitement.<\/p>\n Avant d’engager le calcul de la statistique de test, les structures de donn\u00e9es brutes doivent faire l’objet d’un assainissement rigoureux. Le test des suites op\u00e8re fondamentalement sur des vecteurs unidimensionnels s\u00e9quentiellement ordonn\u00e9s. Qu’elles soient issues d’un enregistrement chronologique de temps de r\u00e9action, d’une s\u00e9rie de temp\u00e9ratures de surface ou de la sortie binaire d’une t\u00e2che de choix forc\u00e9, les donn\u00e9es doivent \u00eatre extraites sous la forme d’un vecteur atomique propre de type num\u00e9rique, facteur ou logique.<\/p>\n La premi\u00e8re phase du contr\u00f4le consiste \u00e0 inspecter l’absence de valeurs aberrantes ou sentinelles cod\u00e9es par erreur dans le vecteur (telles que les valeurs -999, courantes dans certains logiciels de psychom\u00e9trie patrimoniaux). Ensuite, la pr\u00e9servation int\u00e9grale de l’ordre s\u00e9quentiel impose d’interdire tout tri accidentel du vecteur. L’application par inadvertance d’une fonction de tri telle que sort()<\/strong> sur un vecteur avant un test des suites constitue une erreur m\u00e9thodologique fatale : le tri regroupe artificiellement tous les \u00e9l\u00e9ments identiques, r\u00e9duisant le nombre de suites \u00e0 sa valeur minimale possible (r = 2) et provoquant syst\u00e9matiquement un rejet faussement positif de l’hypoth\u00e8se d’al\u00e9atoirit\u00e9.<\/p>\n L’inspection pr\u00e9liminaire gagne \u00e0 \u00eatre compl\u00e9t\u00e9e par une approche visuelle directe. L’interrogation de la structure s\u00e9quentielle \u00e0 l’aide des graphiques de dispersion s\u00e9rielle (lag plots<\/em>) et de la fonction d’autocorr\u00e9lation empirique (acf()<\/strong>) permet de d\u00e9tecter d’\u00e9ventuelles d\u00e9pendances d’ordre 1 ou d’ordre sup\u00e9rieur avant m\u00eame l’intervention du test formel. Si le trac\u00e9 temporel r\u00e9v\u00e8le des d\u00e9rives ou des d\u00e9crochements macroscopiques, le statisticien sait par avance que les postulats d’homog\u00e9n\u00e9it\u00e9 s\u00e9quentielle sont compromis, orientant ainsi le choix de l’hypoth\u00e8se alternative lors du param\u00e9trage subs\u00e9quent de l’\u00e9preuve non param\u00e9trique.<\/p>\n La biblioth\u00e8que snpar<\/strong> propose sans conteste l’impl\u00e9mentation la plus orthodoxe et didactique de l’\u00e9preuve statistique de Wald-Wolfowitz. L’anatomie de l’appel de la fonction s’articule autour de trois arguments directeurs qu’il convient de diss\u00e9quer : snpar::runs.test(x, exact = FALSE, alternative = \u00ab\u00a0two.sided\u00a0\u00bb)<\/strong>. L’argument central x<\/strong> d\u00e9signe le vecteur d’observations \u00e0 soumettre \u00e0 l’analyse. Ce vecteur peut \u00eatre imm\u00e9diatement binaire (compos\u00e9 de deux symboles cat\u00e9goriels distincts) ou continu ; dans ce dernier cas, la fonction op\u00e8re une dichotomisation interne automatis\u00e9e en assignant chaque valeur \u00e0 l’une des deux classes selon qu’elle se situe au-dessus ou en dessous du seuil m\u00e9dian calcul\u00e9 sur l’\u00e9chantillon.<\/p>\n Le second param\u00e8tre, exact<\/strong>, commande le mode computationnel d’extraction de la probabilit\u00e9 critique (p-valeur). Lorsqu’il est maintenu \u00e0 sa valeur par d\u00e9faut FALSE<\/strong>, la fonction snpar d\u00e9ploie l’approximation normale asymptotique bas\u00e9e sur le calcul de la statistique standardis\u00e9e Z, incorporant syst\u00e9matiquement la correction de continuit\u00e9 de 0,5. \u00c0 l’inverse, l’assignation explicite exact = TRUE<\/strong> enjoint au moteur sous-jacent d’abandonner l’approximation continue pour calculer directement les probabilit\u00e9s combinatoires discr\u00e8tes par d\u00e9nombrement factoriel exact, une pr\u00e9caution indispensable en pr\u00e9sence d’\u00e9chantillons de faible envergure.<\/p>\n Enfin, le param\u00e8tre alternative<\/strong> autorise l’orientation \u00e9pist\u00e9mologique du test en accord avec le cadre th\u00e9orique d\u00e9fini a priori par l’investigateur. Trois cha\u00eenes de caract\u00e8res sont admises pour ce param\u00e8tre : \u00ab\u00a0two.sided\u00a0\u00bb<\/strong> pour l’\u00e9preuve bilat\u00e9rale sym\u00e9trique, \u00ab\u00a0less\u00a0\u00bb<\/strong> pour tester sp\u00e9cifiquement la sous-dispersion s\u00e9quentielle (tendance au clustering ou \u00e0 la persistance d’\u00e9tats, caract\u00e9ris\u00e9e par un nombre de suites d\u00e9ficitaire), et \u00ab\u00a0greater\u00a0\u00bb<\/strong> pour \u00e9valuer l’hypoth\u00e8se d’une sur-dispersion (tendance \u00e0 l’hyper-alternance et au rejet des r\u00e9p\u00e9titions). L’accord parfait entre le mod\u00e8le th\u00e9orique et cette d\u00e9claration param\u00e9trique conditionne la robustesse des conclusions tir\u00e9es de l’analyse.<\/p>\n Pour illustrer la mise en pratique imm\u00e9diate de l’algorithme, envisageons la cr\u00e9ation d’un vecteur empirique repr\u00e9sentatif des choix successifs effectu\u00e9s par un sujet humain soumis \u00e0 un paradigme binaire d’anticipation motrice. Le vecteur est encod\u00e9 sous forme d’une s\u00e9rie num\u00e9rique comprenant 30 d\u00e9cisions cons\u00e9cutives alternant entre les modalit\u00e9s 0 et 1 :<\/p>\n sequence_decisions <- c(1, 1, 1, 0, 0, 1, 0, 0, 0, 0, 1, 1, 1, 1, 0, 1, 0, 0, 1, 1, 0, 0, 0, 1, 1, 1, 0, 0, 0, 0)<\/em><\/p>\n L’ex\u00e9cution de l’analyse s’effectue en invoquant l’appel standard :<\/p>\n resultat_snpar <- snpar::runs.test(sequence_decisions, exact = FALSE, alternative = \"two.sided\")<\/em><\/p>\n L’interrogation de l’objet r\u00e9sultant dans la console R g\u00e9n\u00e8re un compte rendu statistique structur\u00e9. L’examen attentif de la sortie affiche l’intitul\u00e9 formel de l’\u00e9preuve (Approximate runs rest<\/em>), le nombre effectif de suites comptabilis\u00e9es (not\u00e9 sous le libell\u00e9 statistic<\/em> ou runs<\/em>), les effectifs marginaux respectifs n1<\/em> et n2<\/em>, ainsi que la valeur de la statistique standardis\u00e9e Z<\/em> et la p-valeur bilat\u00e9rale associ\u00e9e. Supposons que le d\u00e9compte observe 12 suites, alors que l’esp\u00e9rance combinatoire th\u00e9orique E(R)<\/em> s’\u00e9tablit \u00e0 15,4 avec un \u00e9cart type de 2,6. La statistique Z r\u00e9sultante se positionnera alors aux alentours de -1,11 (avec correction de continuit\u00e9).<\/p>\n L’interpr\u00e9tation de la p-valeur s’op\u00e8re par confrontation directe au seuil de significativit\u00e9 conventionnel de premi\u00e8re esp\u00e8ce (alpha = 0,05). Dans notre exemple illustratif, une p-valeur s’\u00e9levant \u00e0 0,266 d\u00e9passe largement le seuil critique habituel. En cons\u00e9quence, le chercheur ne dispose pas d’\u00e9l\u00e9ments de preuve empirique suffisants pour rejeter l’hypoth\u00e8se nulle d’al\u00e9atoirit\u00e9. La s\u00e9quence observ\u00e9e peut l\u00e9gitimement \u00eatre consid\u00e9r\u00e9e, \u00e0 ce niveau d’\u00e9chantillonnage, comme compatible avec un processus stochastique ind\u00e9pendant de g\u00e9n\u00e9ration binaire de Bernoulli.<\/p>\n D\u00e8s lors que l’\u00e9chantillon analys\u00e9 comporte un effectif total r\u00e9duit, ou que l’une des deux modalit\u00e9s dichotomiques pr\u00e9sente un effectif marginal restreint (typiquement inf\u00e9rieur \u00e0 15 ou 20 occurrences), l’approximation normale perd de sa validit\u00e9. Dans ces circonstances, la queue de distribution th\u00e9orique s’av\u00e8re mal calibr\u00e9e par la loi de Gauss, ce qui peut induire des distorsions critiques dans l’estimation de la p-valeur. La correction m\u00e9thodologique consiste \u00e0 basculer sans r\u00e9serve vers le calcul combinatoire exact offert par le paquet snpar via l’instruction :<\/p>\n resultat_exact <- snpar::runs.test(sequence_decisions, exact = TRUE, alternative = \"two.sided\")<\/em><\/p>\n Le moteur algorithmique de snpar calcule alors directement les probabilit\u00e9s cumul\u00e9es sous la distribution de masse de probabilit\u00e9s combinatoires de Wald-Wolfowitz. Si l’on compare minutieusement les r\u00e9sultats fournis par l’approximation asymptotique et la r\u00e9solution exacte sur une cohorte r\u00e9duite (par exemple N = 18<\/em> avec n1 = 9<\/em> et n2 = 9<\/em>), des \u00e9carts d’appr\u00e9ciation peuvent survenir, particuli\u00e8rement lorsque la statistique observ\u00e9e se situe aux fronti\u00e8res critiques du rejet (p-valeur asymptotique de 0,047 contre p-valeur exacte de 0,053).<\/p>\n1. Fondements th\u00e9oriques et \u00e9pist\u00e9mologiques du test des suites<\/h2>\n
1.1 D\u00e9finition formelle d’une suite et concept de s\u00e9quen\u00e7age al\u00e9atoire<\/h3>\n
1.2 Formulation rigoureuse des hypoth\u00e8ses nulle et alternative<\/h3>\n
1.3 Pertinence du test en psychom\u00e9trie et sciences comportementales<\/h3>\n
2. Mod\u00e9lisation math\u00e9matique et distribution de la statistique de test<\/h2>\n
2.1 Distribution d’\u00e9chantillonnage exacte sous l’hypoth\u00e8se nulle<\/h3>\n
2.2 Approximation asymptotique par la loi normale pour grands \u00e9chantillons<\/h3>\n
2.3 Sensibilit\u00e9 statistique et anomalies de distribution s\u00e9rielle<\/h3>\n
3. Pr\u00e9paration de l’environnement R et gestion des d\u00e9pendances<\/h2>\n
3.1 Configuration de l’espace de travail RStudio pour les statistiques non param\u00e9triques<\/h3>\n
3.2 Installation et chargement des biblioth\u00e8ques sp\u00e9cialis\u00e9es<\/h3>\n
3.3 Importation et contr\u00f4le pr\u00e9liminaire des structures de donn\u00e9es<\/h3>\n
4. M\u00e9thode 1 : Ex\u00e9cution du test des suites avec la biblioth\u00e8que snpar<\/h2>\n
4.1 D\u00e9composition de la syntaxe de la fonction runs.test() du package snpar<\/h3>\n
4.2 Application pas \u00e0 pas sur un vecteur de donn\u00e9es empiriques<\/h3>\n
4.3 Mise en \u0153uvre du test exact pour petits \u00e9chantillons<\/h3>\n