$\\alpha = 0.20$<\/span>) offre un \u00e9quilibre remarquable entre le biais potentiel et la variance de l’estimateur dans la grande majorit\u00e9 des applications comportementales. Une troncature \u00e0 20 % (qui retire les 20 % les plus bas et les 20 % les plus hauts pour conserver les 60 % centraux) garantit une protection robuste contre des formes s\u00e9v\u00e8res de non-normalit\u00e9, de kurtosis excessif et d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9, tout en maintenant une puissance statistique particuli\u00e8rement \u00e9lev\u00e9e lors des tests d’hypoth\u00e8ses ult\u00e9rieurs.<\/p>\nIl importe toutefois de souligner les risques inh\u00e9rents \u00e0 un rognage excessif. Lorsque la proportion $\\alpha$<\/span> augmente au-del\u00e0 de 25 % pour approcher la limite th\u00e9orique de 50 % (qui correspond fonctionnellement \u00e0 la m\u00e9diane), l’estimateur commence \u00e0 souffrir d’une perte d’efficacit\u00e9 statistique non n\u00e9gligeable si les donn\u00e9es sous-jacentes \u00e9taient en r\u00e9alit\u00e9 mod\u00e9r\u00e9ment r\u00e9guli\u00e8res. De plus, une amputation trop large de l’\u00e9chantillon r\u00e9duit artificiellement la repr\u00e9sentativit\u00e9 de la dispersion naturelle du ph\u00e9nom\u00e8ne \u00e9tudi\u00e9, risquant de masquer des h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9s fonctionnelles l\u00e9gitimes au sein des populations \u00e9valu\u00e9es.<\/p>\n3.2 Rognage sym\u00e9trique versus rognage asym\u00e9trique<\/h3>\n La r\u00e8gle canonique en inf\u00e9rence statistique robuste impose un rognage strictement sym\u00e9trique<\/strong>, consistant \u00e0 \u00e9laguer exactement la m\u00eame proportion $\\alpha$<\/span> ou le m\u00eame nombre $k$<\/span> d’observations aux deux queues de la distribution. Cette sym\u00e9trie structurelle pr\u00e9serve les propri\u00e9t\u00e9s asymptotiques de l’estimateur et \u00e9vite de d\u00e9placer artificiellement la tendance centrale vers l’un des p\u00f4les lorsque la distribution g\u00e9n\u00e9ratrice est par essence sym\u00e9trique. Sous l’hypoth\u00e8se d’une loi de probabilit\u00e9 sous-jacente sym\u00e9trique, la moyenne tronqu\u00e9e sym\u00e9trique demeure un estimateur strictement sans biais de la moyenne de la population.<\/p>\nN\u00e9anmoins, des circonstances exp\u00e9rimentales exceptionnelles et motiv\u00e9es th\u00e9oriquement peuvent inciter certains praticiens \u00e0 envisager un rognage directionnel asym\u00e9trique (ou unilat\u00e9ral). Ce cas de figure se rencontre principalement en chronom\u00e9trie mentale lorsqu’un effet plancher physiologique ind\u00e9passable (par exemple, le temps incompressible de transduction sensorielle et de conduction nerveuse motrice, fix\u00e9 \u00e0 environ 120 ms) pr\u00e9vient tout risque d’art\u00e9fact sur la queue inf\u00e9rieure, tandis que la queue sup\u00e9rieure subit des contaminations massives dues aux divagations attentionnelles. Dans une telle situation, \u00e9laguer uniquement la queue sup\u00e9rieure semblerait intuitivement attrayant.<\/p>\n
Toutefois, la prudence m\u00e9thodologique la plus stricte doit \u00eatre observ\u00e9e : le rognage asym\u00e9trique modifie fondamentalement la cible de l’estimation. Si l’on tronque davantage une extr\u00e9mit\u00e9 que l’autre sur une distribution continue, l’estimateur obtenu ne converge plus vers l’esp\u00e9rance math\u00e9matique de la distribution d’origine, mais introduit un biais syst\u00e9matique orient\u00e9. Sauf dans des protocoles psychom\u00e9triques tr\u00e8s sp\u00e9cifiques disposant d’un mod\u00e8le formel de distribution asym\u00e9trique valid\u00e9 a priori, le rognage asym\u00e9trique est vivement d\u00e9conseill\u00e9 en recherche inf\u00e9rentielle en raison des biais arbitraires qu’il injecte directement dans les comparaisons inter-groupes.<\/p>\n
3.3 Gestion des contraintes li\u00e9es \u00e0 la taille d’\u00e9chantillon<\/h3>\n L’impl\u00e9mentation op\u00e9rationnelle du rognage d\u00e9pend intimement de la taille d’\u00e9chantillon disponible ($n$<\/span>). En pratique, l’application d’une moyenne tronqu\u00e9e exige un effectif minimal pour que l’op\u00e9ration conserve un sens math\u00e9matique et m\u00e9thodologique. Si l’on travaille sur un \u00e9chantillon minuscule de $n = 5$<\/span> participants, un taux de rognage usuel de 20 % correspond \u00e0 \u00e9liminer une observation de part et d’autre ($k = 1$<\/span>), laissant seulement trois observations pour estimer la tendance centrale. Si $n$<\/span> tombe en dessous de 4 ou 5 unit\u00e9s, le rognage sym\u00e9trique devient virtuellement impraticable ou \u00e9quivaut stricto sensu \u00e0 la m\u00e9diane.<\/p>\nEn neuropsychologie clinique ou dans les \u00e9tudes portant sur des pathologies rares o\u00f9 les effectifs oscillent fr\u00e9quemment entre 8 et 15 sujets, la probl\u00e9matique du rognage se pose avec acuit\u00e9. L’exclusion de donn\u00e9es r\u00e9duit m\u00e9caniquement l’effectif r\u00e9siduel effectif ($n – 2k$<\/span>), ce qui influence directement le calcul des degr\u00e9s de libert\u00e9 lors des proc\u00e9dures inf\u00e9rentielles associ\u00e9es (telles que le test de Yuen). Il convient d\u00e8s lors de ne pas adopter des taux de troncature disproportionn\u00e9s sur des petits \u00e9chantillons, sous peine d’\u00e9roder dramatiquement la puissance statistique des analyses comparatives.<\/p>\nDe plus, lorsque la multiplication de la taille d’\u00e9chantillon par la proportion de rognage ($n \\times \\alpha$<\/span>) ne produit pas un nombre entier strict, des conventions computationnelles d’arrondi formel doivent \u00eatre instaur\u00e9es. La mani\u00e8re de r\u00e9soudre ce r\u00e9sultat fractionnaire d\u00e9termine avec pr\u00e9cision les limites d’inclusion et d’exclusion des rangs dans l’\u00e9chantillon fini, un enjeu op\u00e9rationnel capital que nous allons d\u00e9tailler dans les sections computationnelles suivantes.<\/p>\n4. \u00c9tape 1 : Ordonnancement syst\u00e9matique de la s\u00e9rie de donn\u00e9es<\/h2>\n4.1 Proc\u00e9dure de tri s\u00e9quentiel des observations quantitatives<\/h3>\n La premi\u00e8re \u00e9tape algorithmique du calcul d’une moyenne tronqu\u00e9e r\u00e9side dans l’ordonnancement rigoureux et syst\u00e9matique de l’ensemble de la s\u00e9rie de donn\u00e9es univari\u00e9e. Soit une s\u00e9rie brute de mesures empiriques collect\u00e9es aupr\u00e8s de $n$<\/span> participants, not\u00e9e $X = {x_1, x_2, dots, x_n}$<\/span>. Cette s\u00e9rie brute non ordonn\u00e9e doit \u00eatre transform\u00e9e par une bijection de tri croissant afin d’engendrer le vecteur des statistiques d’ordre<\/em> :<\/p>\n$$X_{(1)} le X_{(2)} le X_{(3)} le dots le X_{(n)}$$<\/span><\/p>\nDans cette notation standardis\u00e9e, $X_{(1)}$<\/span> repr\u00e9sente imp\u00e9rativement la valeur minimale absolue observ\u00e9e dans l’\u00e9chantillon, tandis que $X_{(n)}$<\/span> correspond \u00e0 la valeur maximale absolue observ\u00e9e. Cette phase de tri s\u00e9quentiel constitue le socle indispensable \u00e0 l’identification univoque des positions relatives des scores sur l’axe continu de mesure. Avant d’ex\u00e9cuter cette op\u00e9ration, l’analyste doit imp\u00e9rativement auditer l’int\u00e9grit\u00e9 de la structure num\u00e9rique du jeu de donn\u00e9es, en v\u00e9rifiant l’absence d’incoh\u00e9rences de codage (telles que des valeurs n\u00e9gatives sur des \u00e9chelles strictement positives ou des encodages de valeurs manquantes mal format\u00e9s sous forme de 999).<\/p>\nIl est \u00e9galement crucial, pour la tra\u00e7abilit\u00e9 d\u00e9ontologique de la recherche, de pr\u00e9server l’indexation initiale reliant chaque score $x_i$<\/span> \u00e0 l’identifiant unique du participant correspondant. Bien que la moyenne tronqu\u00e9e travaille sur des statistiques d’ordre anonymis\u00e9es dans leur classement, la conservation de la table d’association entre rangs ordonn\u00e9s et identifiants exp\u00e9rimentaux permet de documenter ult\u00e9rieurement quels participants sp\u00e9cifiques ont vu leurs donn\u00e9es marginalis\u00e9es par le rognage, assurant une parfaite transparence m\u00e9thodologique lors de l’audit des donn\u00e9es brutes.<\/p>\n4.2 Traitement rigoureux des scores ex \u00e6quo lors du tri<\/h3>\n Dans les jeux de donn\u00e9es issus des sciences du comportement, l’apparition de scores ex \u00e6quo (valeurs strictement identiques partag\u00e9es par plusieurs participants) est extr\u00eamement fr\u00e9quente, particuli\u00e8rement sur les \u00e9chelles psychom\u00e9triques discr\u00e8tes comportant un nombre fini d’\u00e9chelons (\u00e9chelles de Likert en 5 ou 7 points, scores de pr\u00e9cision discrets sur 20 items). La pr\u00e9sence d’\u00e9galit\u00e9s multiples impose une clarification rigoureuse des r\u00e8gles de tri afin d’\u00e9viter toute ambigu\u00eft\u00e9 sur les limites du rognage.<\/p>\n
En pr\u00e9sence d’observations ex \u00e6quo, la convention standard des statistiques d’ordre consiste \u00e0 attribuer des rangs cons\u00e9cutifs arbitraires aux valeurs identiques, sans modifier la valeur quantitative elle-m\u00eame. Si deux participants obtiennent un score de 42, l’un occupera par exemple le rang ordonn\u00e9 $X_{(4)}$<\/span> et le second le rang $X_{(5)}$<\/span>, l’ordre pr\u00e9cis entre ces deux valeurs identiques n’ayant strictement aucun impact sur le calcul final tant que ces scores se situent \u00e0 l’int\u00e9rieur du segment central conserv\u00e9.<\/p>\nCependant, une complexit\u00e9 th\u00e9orique \u00e9merge lorsqu’une \u00e9galit\u00e9 survient pr\u00e9cis\u00e9ment au seuil critique de d\u00e9marcation du rognage, c’est-\u00e0-dire au rang $k$<\/span> ou au rang $k+1$<\/span>. Si la valeur au rang $k$<\/span> (qui doit \u00eatre \u00e9limin\u00e9e) est num\u00e9riquement identique \u00e0 la valeur au rang $k+1$<\/span> (qui doit \u00eatre conserv\u00e9e), l’application stricte de l’algorithme retire l’une des instances et conserve l’autre. Cette situation, parfaitement g\u00e9r\u00e9e par les environnements informatiques standardis\u00e9s via l’indexation matricielle d\u00e9terministe, doit \u00eatre document\u00e9e avec pr\u00e9cision si un calcul manuel ou semi-automatis\u00e9 est entrepris, garantissant que l’objectivit\u00e9 de l’analyste ne soit jamais mise en d\u00e9faut.<\/p>\n4.3 Diagnostic exploratoire visuel pr\u00e9alable<\/h3>\n Avant d’engager m\u00e9caniquement le calcul math\u00e9matique de la troncature, il est hautement recommand\u00e9 d’effectuer un diagnostic exploratoire visuel de la distribution des donn\u00e9es ordonn\u00e9es. L’exploration graphique permet de confirmer empiriquement la pr\u00e9sence effective de queues de distribution \u00e9paisses, de valeurs isol\u00e9es atypiques ou d’asym\u00e9tries structurelles qui l\u00e9gitiment le recours \u00e0 un estimateur robuste plut\u00f4t qu’\u00e0 la moyenne arithm\u00e9tique ordinaire.<\/p>\n
Deux outils graphiques se r\u00e9v\u00e8lent particuli\u00e8rement pr\u00e9cieux pour cette analyse pr\u00e9liminaire :<\/p>\n
\nLe diagramme en bo\u00eete (Boxplot) de Tukey :<\/strong> Il met imm\u00e9diatement en exergue les valeurs situ\u00e9es au-del\u00e0 des cl\u00f4tures int\u00e9rieure ($1,5 \\times \\text{IQR}$<\/span>) et ext\u00e9rieure ($3 \\times \\text{IQR}$<\/span>), offrant un rep\u00e9rage visuel instantan\u00e9 des scores aberrants potentiels qui se trouveront sous le coup de l’\u00e9lagage.<\/li>\nLe diagramme quantile-quantile (Q-Q plot ou droite de Henry) :<\/strong> En confrontant les quantiles observ\u00e9s de l’\u00e9chantillon aux quantiles th\u00e9oriques d’une loi normale, il met en \u00e9vidence les d\u00e9viations en forme de \u00ab\u00a0S\u00a0\u00bb caract\u00e9ristiques des distributions leptokurtiques ou les courbures r\u00e9v\u00e9latrices d’une asym\u00e9trie marqu\u00e9e.<\/li>\n<\/ul>\nCette \u00e9tape exploratoire permet \u00e9galement de d\u00e9tecter la pr\u00e9sence \u00e9ventuelle d’une multimodalit\u00e9 s\u00e9v\u00e8re dans l’\u00e9chantillon. Si la distribution se compose de deux sous-populations distinctes formant deux bosses clairement s\u00e9par\u00e9es (distribution bimodalement stratifi\u00e9e), le recours \u00e0 une moyenne \u2014 qu’elle soit classique ou tronqu\u00e9e \u2014 perd largement de sa pertinence conceptuelle, car une seule valeur centrale ne saurait r\u00e9sumer fid\u00e8lement deux r\u00e9gimes comportementaux concurrents. Le diagnostic visuel pr\u00e9alable prot\u00e8ge ainsi l’exp\u00e9rimentateur contre une utilisation aveugle et inappropri\u00e9e des outils de r\u00e9duction statistique.<\/p>\n
5. \u00c9tape 2 : D\u00e9termination du nombre exact d’observations \u00e0 exclure<\/h2>\n5.1 Application de l’\u00e9quation standard du nombre d’exclusions<\/h3>\n Une fois les donn\u00e9es rigoureusement class\u00e9es par ordre croissant, la deuxi\u00e8me \u00e9tape consiste \u00e0 formaliser le volume pr\u00e9cis d’observations \u00e0 soustraire de chaque extr\u00e9mit\u00e9 de la distribution. Le calcul du nombre d’unit\u00e9s \u00e0 exclure, d\u00e9sign\u00e9 conventionnellement par la lettre $k$<\/span>, d\u00e9pend de deux facteurs : la taille totale de l’\u00e9chantillon ($n$<\/span>) et la proportion de rognage pr\u00e9d\u00e9termin\u00e9e ($\\alpha$<\/span>, exprim\u00e9e sous forme d\u00e9cimale, par exemple 0.10 pour 10 % ou 0.20 pour 20 %).<\/p>\nL’\u00e9quation fondamentale d\u00e9finissant le nombre th\u00e9orique d’exclusions unilat\u00e9rales s’\u00e9nonce simplement comme le produit de la taille d’\u00e9chantillon par la proportion de troncature choisie :<\/p>\n
$$k = n \\times \\alpha$$<\/span><\/p>\nLa valeur de $k$<\/span> repr\u00e9sente exclusivement le nombre d’observations \u00e0 \u00e9liminer sur la queue inf\u00e9rieure ET<\/strong> le nombre d’observations \u00e0 \u00e9liminer sur la queue sup\u00e9rieure. Par cons\u00e9quent, le volume total de donn\u00e9es \u00e9limin\u00e9es de l’\u00e9chantillon global s’\u00e9l\u00e8ve syst\u00e9matiquement \u00e0 $2k$<\/span>. La taille effective du sous-ensemble r\u00e9siduel sur lequel portera le calcul arithm\u00e9tique final est donc rigoureusement d\u00e9termin\u00e9e par la relation :<\/p>\n$$n_{\\text{r\u00e9siduel}} = n – 2k$$<\/span><\/p>\n\u00c0 titre d’illustration imm\u00e9diate, si un chercheur dispose d’une cohorte exp\u00e9rimentale de $n = 40$<\/span> participants et d\u00e9cide d’appliquer un rognage classique \u00e0 10 % ($\\alpha = 0.10$<\/span>), le calcul produit $k = 40 \\times 0.10 = 4$<\/span>. Il conviendra alors d’exclure les 4 plus petites valeurs et les 4 plus grandes valeurs de l’\u00e9chantillon ordonn\u00e9, laissant un sous-ensemble central intact comprenant $40 – (2 \\times 4) = 32$<\/span> observations.<\/p>\n5.2 Gestion des r\u00e9sultats fractionnaires et r\u00e8gles d’arrondi<\/h3>\n Dans la pratique de la recherche empirique, la taille d’\u00e9chantillon $n$<\/span> n’est que rarement un multiple parfait de la proportion de troncature choisie. Par exemple, si l’on applique un taux de rognage de 20 % ($\\alpha = 0.20$<\/span>) sur un groupe de $n = 23$<\/span> participants, le produit direct donne $k = 23 \\times 0.20 = 4.6$<\/span>. Puisqu’il est impossible dans un protocole discret d’\u00e9liminer physiquement 4,6 participants, des r\u00e8gles computationnelles standardis\u00e9es doivent \u00eatre appliqu\u00e9es pour r\u00e9soudre cette valeur fractionnaire.<\/p>\nTrois approches distinctes existent dans la litt\u00e9rature statistique :<\/p>\n
\nLa fonction partie enti\u00e8re (troncature \/ floor) :<\/strong> Not\u00e9e $k = \\lfloor n \\times \\alpha \\rfloor$<\/span>. Cette convention, la plus largement impl\u00e9ment\u00e9e dans les progiciels statistiques universitaires (notamment dans la syntaxe de base de R ou de SAS), arrondit syst\u00e9matiquement le r\u00e9sultat \u00e0 l’entier imm\u00e9diatement inf\u00e9rieur. Pour $k = 4.6$<\/span>, on retiendra donc strictement $k = 4$<\/span>. C’est une approche conservatrice qui garantit que la proportion r\u00e9elle d’\u00e9lagage ne d\u00e9passe jamais la proportion th\u00e9orique $\\alpha$<\/span>.<\/li>\nL’arrondi \u00e0 l’entier le plus proche (nearest integer) :<\/strong> Le r\u00e9sultat est arrondi \u00e0 l’entier arithm\u00e9tiquement le plus proche (pour 4.6, on retient $k = 5$<\/span>). Bien qu’intuitive, cette m\u00e9thode peut conduire \u00e0 \u00e9liminer une fraction de donn\u00e9es l\u00e9g\u00e8rement sup\u00e9rieure au taux annonc\u00e9.<\/li>\nLa moyenne tronqu\u00e9e avec pond\u00e9ration partielle (fractional trimming) :<\/strong> Formul\u00e9e initialement par Stephen Stigler, cette m\u00e9thode avanc\u00e9e conserve l’entier inf\u00e9rieur $k = \\lfloor n \\times \\alpha \\rfloor$<\/span>, mais pond\u00e8re la $(k+1)$<\/span>-i\u00e8me observation par la fraction d\u00e9cimale r\u00e9siduelle (dans notre exemple, $1 – 0.6 = 0.4$<\/span>) afin que la contribution effective corresponde exactement au ratio math\u00e9matique continu $\\alpha$<\/span>.<\/li>\n<\/ul>\nDans le cadre de ce guide didactique et pour assurer une compatibilit\u00e9 optimale avec la majorit\u00e9 des impl\u00e9mentations logicielles en recherche comportementale, nous retiendrons la convention dominante : la fonction partie enti\u00e8re par d\u00e9faut<\/strong> ($k = \\lfloor n \\times \\alpha \\rfloor$<\/span>).<\/p>\n5.3 Formalisation des seuils de d\u00e9marcation<\/h3>\n L’attribution exacte de l’entier $k$<\/span> permet d’\u00e9tablir formellement les seuils de d\u00e9marcation qui s\u00e9parent le sous-ensemble central conserv\u00e9 des segments extr\u00eames rejet\u00e9s. Dans le vecteur des statistiques d’ordre $X_{(1)}, X_{(2)}, dots, X_{(n)}$<\/span>, la ligne de partition s’\u00e9tablit sans aucune ambigu\u00eft\u00e9 spatiale :<\/p>\nLa zone d’exclusion inf\u00e9rieure est constitu\u00e9e par les $k$<\/span> premi\u00e8res statistiques d’ordre de la s\u00e9rie :<\/p>\n$$\\text{Zone inf\u00e9rieure rejet\u00e9e} = { X_{(1)}, X_{(2)}, dots, X_{(k)} }$$<\/span><\/p>\nSym\u00e9triquement, la zone d’exclusion sup\u00e9rieure est form\u00e9e par les $k$<\/span> derni\u00e8res statistiques d’ordre, ce qui correspond aux rangs ordonn\u00e9s partant de $(n – k + 1)$<\/span> jusqu’\u00e0 $n$<\/span> inclus :<\/p>\n$$\\text{Zone sup\u00e9rieure rejet\u00e9e} = { X_{(n – k + 1)}, X_{(n – k + 2)}, dots, X_{(n)} }$$<\/span><\/p>\nUne condition math\u00e9matique imp\u00e9rative de validit\u00e9 doit syst\u00e9matiquement \u00eatre valid\u00e9e lors de cette \u00e9tape : la non-intersection des zones de coupure. Il est imp\u00e9ratif que l’in\u00e9galit\u00e9 stricte suivante soit respect\u00e9e :<\/p>\n
$$2k < n \\quad iff \\quad k < \\frac{n}{2}$$<\/span><\/p>\nSi cette condition n’\u00e9tait pas remplie, les zones de troncature inf\u00e9rieure et sup\u00e9rieure se chevaucheraient, annihilant l’ensemble de l’\u00e9chantillon. La validation de cette borne assure que le sous-ensemble central contient toujours au minimum une observation (et en pratique, toujours une fraction substantielle de l’\u00e9chantillon, id\u00e9alement sup\u00e9rieure ou \u00e9gale \u00e0 50 % ou 60 % de l’effectif total).<\/p>\n
6. \u00c9tape 3 : \u00c9lagage effectif et isolement du sous-ensemble central<\/h2>\n6.1 Suppression formelle des scores extr\u00eames inf\u00e9rieurs et sup\u00e9rieurs<\/h3>\n L’\u00e9tape d’\u00e9lagage effectif consiste \u00e0 concr\u00e9tiser l’exclusion algorithmique d\u00e9termin\u00e9e \u00e0 l’\u00e9tape pr\u00e9c\u00e9dente. Ayant identifi\u00e9 les $k$<\/span> rangs inf\u00e9rieurs et les $k$<\/span> rangs sup\u00e9rieurs dans la s\u00e9rie ordonn\u00e9e, le chercheur extrait d\u00e9lib\u00e9r\u00e9ment ces observations marginales pour isoler le c\u0153ur de la distribution. Cette op\u00e9ration ne constitue en aucun cas une falsification de donn\u00e9es, mais un filtrage math\u00e9matique contr\u00f4l\u00e9 visant \u00e0 assainir l’estimateur de tendance centrale.<\/p>\nLe sous-ensemble des donn\u00e9es conserv\u00e9es, que l’on qualifiera de sous-\u00e9chantillon central \u00e9pur\u00e9 et que l’on notera $X_{\\text{central}}$<\/span>, est alors constitu\u00e9 exclusivement des observations s’\u00e9tendant du rang ordinal $(k + 1)$<\/span> au rang ordinal $(n – k)$<\/span> :<\/p>\n$$X_{\\text{central}} = { X_{(k+1)}, X_{(k+2)}, dots, X_{(n-k-1)}, X_{(n-k)} }$$<\/span><\/p>\nToutes les observations contenues dans ce sous-ensemble b\u00e9n\u00e9ficient d\u00e8s lors d’un statut d’inclusion parfait, conservant leur valeur m\u00e9trique brute originelle sans aucune modification ni r\u00e9tr\u00e9cissement d’\u00e9chelle. \u00c0 ce stade, le profil de distribution r\u00e9siduel se trouve m\u00e9caniquement d\u00e9barrass\u00e9 des scores les plus atypiques qui auraient pu exercer un bras de levier disproportionn\u00e9 sur l’agr\u00e9gation statistique.<\/p>\n
6.2 V\u00e9rification post-\u00e9lagage de la structure de l’\u00e9chantillon<\/h3>\n Avant d’engager le calcul arithm\u00e9tique de synth\u00e8se, une v\u00e9rification d’assurance qualit\u00e9 s’impose. L’analyste doit contr\u00f4ler que la cardinalit\u00e9 du sous-ensemble \u00e9pur\u00e9 correspond rigoureusement \u00e0 la pr\u00e9diction th\u00e9orique. Si l’on d\u00e9nombre les \u00e9l\u00e9ments de $X_{\\text{central}}$<\/span>, la quantit\u00e9 exacte d’observations r\u00e9siduelles doit imp\u00e9rativement satisfaire l’\u00e9galit\u00e9 :<\/p>\n$$\\text{Effectif conserv\u00e9} = (n – k) – (k + 1) + 1 = n – 2k$$<\/span><\/p>\nToute discordance num\u00e9rique \u00e0 ce stade signale une erreur d’indexation d’indice ou une mauvaise interpr\u00e9tation des bornes d’inclusion lors du tri manuel. Par ailleurs, cette \u00e9tape post-\u00e9lagage offre l’opportunit\u00e9 de r\u00e9\u00e9valuer bri\u00e8vement les propri\u00e9t\u00e9s descriptives du vecteur $X_{\\text{central}}$<\/span>. On observe typiquement un effondrement spectaculaire de l’asym\u00e9trie empirique (skewness<\/em>) et un retour de l’aplatissement (kurtosis<\/em>) vers des valeurs beaucoup plus raisonnables, d\u00e9montrant concr\u00e8tement l’action r\u00e9gulatrice du rognage sur la morphologie distributionnelle.<\/p>\nCette v\u00e9rification pr\u00e9vient \u00e9galement le risque d’un biais de troncature accidentelle asym\u00e9trique, qui surviendrait si un op\u00e9rateur omettait d’extraire le m\u00eame nombre d’\u00e9l\u00e9ments \u00e0 gauche et \u00e0 droite. L’\u00e9quilibrage strict du retrait garantit la pr\u00e9servation des garanties th\u00e9oriques de l’estimateur robuste.<\/p>\n
6.3 Documentation m\u00e9thodologique des donn\u00e9es \u00e9cart\u00e9es<\/h3>\n Conform\u00e9ment aux standards modernes de la science ouverte (Open Science<\/em>) et aux principes de l’American Psychological Association<\/a>, l’\u00e9lagage de donn\u00e9es ne doit jamais s’op\u00e9rer dans l’opacit\u00e9. Bien que les valeurs situ\u00e9es au-del\u00e0 des rangs seuils soient exclues du calcul de la moyenne tronqu\u00e9e, elles ne doivent en aucun cas \u00eatre purement et simplement effac\u00e9es du fichier de donn\u00e9es d’origine.<\/p>\nL’exp\u00e9rimentateur doit consigner formellement dans son cahier de laboratoire num\u00e9rique ou dans son script de programmation :<\/p>\n
\nLes identifiants individuels des participants ou des essais dont les valeurs ont \u00e9t\u00e9 soustraites du calcul central.<\/li>\n La valeur num\u00e9rique exacte de chacun des scores \u00e9cart\u00e9s, aux bornes inf\u00e9rieures comme aux bornes sup\u00e9rieures.<\/li>\n La justification statistique a priori ayant guid\u00e9 le choix du pourcentage de troncature $\\alpha$<\/span>.<\/li>\n<\/ul>\nCette rigueur documentaire r\u00e9pond \u00e0 une exigence d\u00e9ontologique et m\u00e9thodologique : elle permet \u00e0 tout auditeur scientifique, \u00e9valuateur par les pairs ou chercheur ind\u00e9pendant souhaitant r\u00e9pliquer l’\u00e9tude d’avoir un acc\u00e8s imm\u00e9diat \u00e0 l’int\u00e9gralit\u00e9 du jeu de donn\u00e9es non transform\u00e9. La moyenne tronqu\u00e9e se distingue fondamentalement des pratiques contestables de recherche (Questionable Research Practices<\/em>) pr\u00e9cis\u00e9ment parce qu’elle repose sur un protocole algorithmique transparent, pr\u00e9dictible et enti\u00e8rement documentable.<\/p>\n7. \u00c9tape 4 : Calcul arithm\u00e9tique de la moyenne sur le sous-ensemble \u00e9pur\u00e9<\/h2>\n7.1 Sommation des donn\u00e9es quantitatives r\u00e9siduelles<\/h3>\n La quatri\u00e8me \u00e9tape op\u00e9rationnelle consiste \u00e0 r\u00e9aliser l’agr\u00e9gation arithm\u00e9tique conventionnelle sur le sous-ensemble central pr\u00e9alablement isol\u00e9. La premi\u00e8re composante de cette agr\u00e9gation est la sommation rigoureuse de l’ensemble des valeurs quantitatives appartenant au vecteur r\u00e9siduel $X_{\\text{central}}$<\/span>.<\/p>\nMath\u00e9matiquement, cette somme cumul\u00e9e s’exprime par l’op\u00e9rateur sigma appliqu\u00e9 entre les indices de rang ordinal $(k+1)$<\/span> et $(n-k)$<\/span> :<\/p>\n$$S_{\\text{tronqu\u00e9e}} = \\sum_{i = k + 1}^{n – k} X_{(i)}$$<\/span><\/p>\nLors d’un calcul manuel ou semi-automatis\u00e9, une vigilance scrupuleuse doit \u00eatre accord\u00e9e \u00e0 la propagation des erreurs d’arrondi interm\u00e9diaires, particuli\u00e8rement si les mesures brutes comportent plusieurs d\u00e9cimales (comme des latences physiologiques exprim\u00e9es en fractions de millisecondes ou des pourcentages de pr\u00e9cision cognitive). Il convient de conserver l’ensemble des d\u00e9cimales natives de l’instrument de mesure durant la sommation cumul\u00e9e afin de ne pas injecter de biais de troncature arithm\u00e9tique dans le total partiel obtenu.<\/p>\n
Un contr\u00f4le \u00e9l\u00e9mentaire de coh\u00e9rence consiste \u00e0 s’assurer que la valeur de la somme $S_{\\text{tronqu\u00e9e}}$<\/span> se situe dans un intervalle strictement pr\u00e9visible : elle doit obligatoirement \u00eatre sup\u00e9rieure ou \u00e9gale \u00e0 $(n – 2k) \\times X_{(k+1)}$<\/span> et inf\u00e9rieure ou \u00e9gale \u00e0 $(n – 2k) \\times X_{(n-k)}$<\/span>. Cette simple validation par encadrement prot\u00e8ge contre les erreurs grossi\u00e8res de calculatrice.<\/p>\n7.2 Normalisation par l’effectif r\u00e9siduel effectif<\/h3>\n L’obtention de la moyenne tronqu\u00e9e finale requiert la normalisation de la somme partielle obtenue par le nombre effectif d’observations ayant contribu\u00e9 \u00e0 cette somme. Une erreur conceptuelle fr\u00e9quente consiste \u00e0 diviser par inadvertance la somme r\u00e9siduelle par la taille d’\u00e9chantillon d’origine $n$<\/span>. Cette confusion conduirait \u00e0 un \u00e9crasement artificiel et totalement faux de la m\u00e9trique centrale.<\/p>\nLa division doit s’effectuer exclusivement par l’effectif r\u00e9siduel corrig\u00e9, c’est-\u00e0-dire $(n – 2k)$<\/span>. L’expression formelle exhaustive de l’estimateur de la moyenne tronqu\u00e9e au taux $\\alpha$<\/span>, conventionnellement not\u00e9e $\\bar{X}_{t\\alpha}$<\/span>, s’\u00e9crit d\u00e8s lors sous sa forme canonique :<\/p>\n$$\\bar{X}_{t\\alpha} = \\frac{1}{n – 2k} \\sum_{i = k + 1}^{n – k} X_{(i)}$$<\/span><\/p>\nLe r\u00e9sultat final doit \u00eatre arrondi en respectant la pr\u00e9cision m\u00e9trologique de la variable initiale. En psychom\u00e9trie et en chronom\u00e9trie comportementale, la norme acad\u00e9mique pr\u00e9conise g\u00e9n\u00e9ralement de rapporter la moyenne avec une d\u00e9cimale suppl\u00e9mentaire par rapport \u00e0 la pr\u00e9cision du recueil de donn\u00e9es brut (par exemple, rapporter au dixi\u00e8me de milliseconde pr\u00e8s pour des temps de r\u00e9action initialement enregistr\u00e9s \u00e0 la milliseconde enti\u00e8re).<\/p>\n
7.3 Interpr\u00e9tation substantive du r\u00e9sultat final<\/h3>\n L’aboutissement du calcul math\u00e9matique ne marque pas la fin du travail du chercheur : s’ouvre alors la phase d’interpr\u00e9tation substantive du r\u00e9sultat obtenu. La moyenne tronqu\u00e9e repr\u00e9sente le centre de gravit\u00e9 corrig\u00e9 du comportement typique du groupe \u00e9tudi\u00e9, d\u00e9barrass\u00e9 de l’influence d\u00e9formante des cas extr\u00eames. Pour \u00e9valuer la port\u00e9e pratique de cette correction robuste, il est indispensable de confronter directement la moyenne tronqu\u00e9e $\\bar{X}_{t\\alpha}$<\/span> \u00e0 la moyenne arithm\u00e9tique ordinaire $\\bar{X}_{\\text{classique}}$<\/span>.<\/p>\nTrois configurations comparatives majeures peuvent \u00e9merger de cette confrontation :<\/p>\n
\nConcordance \u00e9troite ($\\bar{X}_{t\\alpha} \\approx \\bar{X}_{\\text{classique}}$<\/span>) :<\/strong> Si les deux valeurs sont quasi identiques, cela confirme que l’\u00e9chantillon d’origine ne souffre d’aucun score marginal influent et que la distribution empirique est remarquablement sym\u00e9trique au centre comme aux extr\u00e9mit\u00e9s. Dans cette situation, la moyenne classique \u00e9tait acceptable, mais la moyenne tronqu\u00e9e confirme empiriquement sa repr\u00e9sentativit\u00e9.<\/li>\nD\u00e9crochement vers le bas ($\\bar{X}_{t\\alpha} ll \\bar{X}_{\\text{classique}}$<\/span>) :<\/strong> Cette configuration, tr\u00e8s courante dans les t\u00e2ches cognitives chronom\u00e9tr\u00e9es, indique que quelques valeurs extr\u00eames positives g\u00e9antes tiraient artificiellement la moyenne vers le haut. La moyenne tronqu\u00e9e restitue la r\u00e9alit\u00e9 de la performance typique des sujets en \u00e9liminant cet effet d’entra\u00eenement trompeur.<\/li>\nD\u00e9crochement vers le haut ($\\bar{X}_{t\\alpha} gg \\bar{X}_{\\text{classique}}$<\/span>) :<\/strong> \u00c0 l’inverse, si la moyenne tronqu\u00e9e est nettement plus \u00e9lev\u00e9e que la moyenne classique, cela traduit la pr\u00e9sence de scores aberrants extr\u00eamement bas (par exemple des abandons ou des scores nuls dans une \u00e9preuve de m\u00e9moire) ayant effondr\u00e9 ind\u00fbment la moyenne ordinaire.<\/li>\n<\/ul>\nL’\u00e9cart absolu et relatif entre ces deux indicateurs fournit une mesure empirique directe de l’intensit\u00e9 de la contamination par les valeurs atypiques au sein du protocole exp\u00e9rimental.<\/p>\n
8. Application guid\u00e9e 1 : Calcul manuel d’une moyenne tronqu\u00e9e \u00e0 10 %<\/h2>\n8.1 Pr\u00e9sentation du jeu de donn\u00e9es exp\u00e9rimentales<\/h3>\n Afin d’ancrer ces concepts dans une pratique op\u00e9rationnelle limpide, d\u00e9ployons une application didactique compl\u00e8te portant sur une t\u00e2che de chronom\u00e9trie cognitive \u00e9l\u00e9mentaire (t\u00e2che de d\u00e9tection visuelle simple avec temps de r\u00e9action). Un \u00e9chantillon de $n = 10$<\/span> participants cons\u00e9cutifs a \u00e9t\u00e9 soumis au protocole exp\u00e9rimental. Les temps de latence de r\u00e9ponse, mesur\u00e9s initialement en millisecondes puis convertis en secondes pour faciliter la lecture didactique, sont pr\u00e9sent\u00e9s dans leur ordre brut de collecte ci-dessous :<\/p>\n$$X_{\\text{brut}} = { 0.45, ; 0.38, ; 1.82, ; 0.41, ; 0.39, ; 0.44, ; 0.12, ; 0.42, ; 0.40, ; 0.47 }$$<\/span><\/p>\nL’inspection substantielle de ces dix valeurs r\u00e9v\u00e8le imm\u00e9diatement deux anomalies manifestes imputables aux al\u00e9as de la passation humaine :<\/p>\n
\nLe score de 0.12 seconde<\/strong> (120 ms) sugg\u00e8re fortement une r\u00e9ponse anticip\u00e9e motrice non contr\u00f4l\u00e9e, le sujet ayant appuy\u00e9 sur le poussoir avant que le traitement perceptif conscient du stimulus n’ait pu s’achever.<\/li>\nLe score de 1.82 seconde<\/strong> (1820 ms) traduit de toute \u00e9vidence un \u00e9pisode de distraction s\u00e9v\u00e8re ou un d\u00e9crochage attentionnel passager, d\u00e9connect\u00e9 de la vitesse r\u00e9elle de traitement neuronal du participant.<\/li>\n<\/ul>\nLe chercheur d\u00e9cide d’appliquer a priori une moyenne tronqu\u00e9e \u00e0 10 % ($\\alpha = 0.10$<\/span>) pour neutraliser ces artefacts sans supprimer arbitrairement des essais apr\u00e8s coup.<\/p>\n8.2 Ex\u00e9cution chronologique des calculs pas \u00e0 pas<\/h3>\n Suivons m\u00e9thodiquement les \u00e9tapes formalis\u00e9es dans les sections pr\u00e9c\u00e9dentes :<\/p>\n
\u00c9tape 1 : Ordonnancement syst\u00e9matique de la s\u00e9rie<\/strong>$$X_{(1)} = 0.12, ; X_{(2)} = 0.38, ; X_{(3)} = 0.39, ; X_{(4)} = 0.40, ; X_{(5)} = 0.41,$$<\/span><\/p>\n$$X_{(6)} = 0.42, ; X_{(7)} = 0.44, ; X_{(8)} = 0.45, ; X_{(9)} = 0.47, ; X_{(10)} = 1.82$$<\/span><\/p>\n\u00c9tape 2 : D\u00e9termination du nombre d’exclusions $k$<\/span><\/strong>$n = 10$<\/span>, et la proportion de rognage est $\\alpha = 0.10$<\/span>. On applique l’\u00e9quation standard :<\/p>\n$$k = n \\times \\alpha = 10 \\times 0.10 = 1$$<\/span><\/p>\nLe calcul aboutit \u00e0 un nombre entier strict : $k = 1$<\/span>. L’exp\u00e9rimentateur doit donc soustraire exactement 1 observation \u00e0 la queue inf\u00e9rieure ($X_{(1)}$<\/span>) et 1 observation \u00e0 la queue sup\u00e9rieure ($X_{(10)}$<\/span>).<\/p>\n\u00c9tape 3 : \u00c9lagage effectif et isolement du sous-ensemble central<\/strong>\nLa valeur minimale : $X_{(1)} = 0.12$<\/span><\/li>\nLa valeur maximale : $X_{(10)} = 1.82$<\/span><\/li>\n<\/ul>\nLe sous-\u00e9chantillon r\u00e9siduel \u00e9pur\u00e9 $X_{\\text{central}}$<\/span> s’\u00e9tend du rang $X_{(2)}$<\/span> au rang $X_{(9)}$<\/span> et comporte $10 – (2 \\times 1) = 8$<\/span> observations :<\/p>\n$$X_{\\text{central}} = { 0.38, ; 0.39, ; 0.40, ; 0.41, ; 0.42, ; 0.44, ; 0.45, ; 0.47 }$$<\/span><\/p>\n\u00c9tape 4 : Calcul de la somme et normalisation<\/strong>$$S_{\\text{tronqu\u00e9e}} = 0.38 + 0.39 + 0.40 + 0.41 + 0.42 + 0.44 + 0.45 + 0.47 = 3.36$$<\/span><\/p>\nNormalisons cette somme par l’effectif r\u00e9siduel effectif ($n_{\\text{r\u00e9siduel}} = 8$<\/span>) :<\/p>\n$$\\bar{X}_{t(0.10)} = \\frac{3.36}{8} = 0.42 \\text{ seconde}$$<\/span><\/p>\nLa moyenne tronqu\u00e9e \u00e0 10 % de cet \u00e9chantillon s’\u00e9tablit avec exactitude \u00e0 0.42 seconde<\/strong> (soit 420 ms).<\/p>\n8.3 Analyse critique des \u00e9carts observ\u00e9s<\/h3>\n Proc\u00e9dons \u00e0 pr\u00e9sent \u00e0 la mise en contraste critique des indicateurs descriptifs sur ce jeu de donn\u00e9es d\u00e9monstratif. Calculons d’abord la moyenne arithm\u00e9tique conventionnelle sur les 10 donn\u00e9es brutes non modifi\u00e9es :<\/p>\n
$$S_{\\text{brute}} = 0.45 + 0.38 + 1.82 + 0.41 + 0.39 + 0.44 + 0.12 + 0.42 + 0.40 + 0.47 = 4.90$$<\/span><\/p>\n$$\\bar{X}_{\\text{classique}} = \\frac{4.90}{10} = 0.49 \\text{ seconde}$$<\/span><\/p>\nLa comparaison num\u00e9rique directe r\u00e9v\u00e8le un \u00e9cart massif :<\/p>\n
\nMoyenne arithm\u00e9tique standard : 0.49 s<\/strong> (490 ms)<\/li>\nMoyenne tronqu\u00e9e \u00e0 10 % : 0.42 s<\/strong> (420 ms)<\/li>\nDiff\u00e9rence absolue : +0.07 s<\/strong> (+70 ms, soit une distorsion haussi\u00e8re de 16.7 % de la moyenne classique)<\/li>\n<\/ul>\nCette divergence substantielle illustre parfaitement le m\u00e9canisme d’amplification caus\u00e9 par les donn\u00e9es asym\u00e9triques. L’observation extr\u00eame sup\u00e9rieure de 1.82 s tire puissamment la moyenne classique vers le haut, faisant croire faussement que la latence cognitive typique du groupe avoisine un demi-seconde. En r\u00e9alit\u00e9, une lecture attentive des donn\u00e9es ordonn\u00e9es montre que 80 % des participants se regroupent de mani\u00e8re remarquablement homog\u00e8ne entre 0.38 s et 0.47 s. La moyenne tronqu\u00e9e neutralise simultan\u00e9ment l’anticipation motrice (0.12 s) et la distraction (1.82 s), fournissant une synth\u00e8se fid\u00e8le qui capture avec pr\u00e9cision la vitesse r\u00e9elle de traitement de l’information cognitive du groupe.<\/p>\n
9. Application guid\u00e9e 2 : Calcul avec seuil de 20 % et gestion des arrondis<\/h2>\n
![\"\"](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/trimmed1.png\")
<\/figure>\n