Dans le domaine de la psychom\u00e9trie, des sciences cognitives et de la mod\u00e9lisation statistique comportementale, l’analyse empirique repose sur la collecte d’indicateurs multiples destin\u00e9s \u00e0 \u00e9valuer des variables latentes inobservables directement. Qu’il s’agisse de mesurer des dimensions fondamentales de la personnalit\u00e9, des indices de d\u00e9tresse psychologique ou des aptitudes cognitives, le protocole standard consiste \u00e0 administrer des batteries de questions structur\u00e9es sous forme d’\u00e9chelles de Likert ou de tests standardis\u00e9s. D\u00e8s lors, le traitement quantitatif impose une op\u00e9ration fondamentale : le calcul de la tendance centrale transversale \u00e0 travers un ensemble d\u00e9fini de variables num\u00e9riques pour chaque unit\u00e9 d’observation. Cette d\u00e9marche, commun\u00e9ment d\u00e9sign\u00e9e sous le terme de calcul de moyenne par ligne ou agr\u00e9gation horizontale, constitue le socle m\u00e9thodologique sur lequel reposent la cr\u00e9ation de scores composites et l’estimation de construits th\u00e9oriques robustes.<\/p>\n
Le langage de programmation statistique R s’est impos\u00e9 au fil des d\u00e9cennies comme l’environnement de r\u00e9f\u00e9rence pour les chercheurs en sciences humaines et sociales, offrant une polyvalence algorithmique sans \u00e9gale pour manipuler, transformer et mod\u00e9liser des matrices de donn\u00e9es complexes. Cependant, l’architecture computationnelle de R, initialement con\u00e7ue autour de calculs vectoriels optimis\u00e9s pour les colonnes, peut poser des d\u00e9fis d’efficacit\u00e9 et d’interpr\u00e9tabilit\u00e9 lorsque le praticien doit agr\u00e9ger des informations horizontalement. De nombreux analystes d\u00e9butants ou interm\u00e9diaires se heurtent \u00e0 des \u00e9cueils r\u00e9currents tels que la contamination des scores par des donn\u00e9es manquantes non trait\u00e9es, des d\u00e9gradations s\u00e9v\u00e8res de performances lors de l’usage de boucles it\u00e9ratives inadapt\u00e9es, ou des erreurs de conversion typologique alt\u00e9rant la validit\u00e9 de leurs conclusions empiriques.<\/p>\n
Ce guide exhaustif a pour vocation d’exposer avec une rigueur acad\u00e9mique et pratique les m\u00e9thodologies computationnelles permettant de calculer des moyennes entre colonnes dans R. En parcourant les fonctions vectoris\u00e9es du noyau de base (base R), les environnements d’analyse fonctionnelle, l’\u00e9cosyst\u00e8me moderne de manipulation de donn\u00e9es dplyr<\/a>, ainsi que les infrastructures de calcul \u00e0 haute performance comme L’agr\u00e9gation des r\u00e9ponses \u00e0 travers un ensemble d’indicateurs observ\u00e9s constitue le m\u00e9canisme central par lequel la th\u00e9orie classique des tests op\u00e9rationnalise les construits latents. En psychom\u00e9trie, un construit tel que l’anxi\u00e9t\u00e9-trait, l’extraversion ou le sentiment d’auto-efficacit\u00e9 ne peut \u00eatre mesur\u00e9 fid\u00e8lement par un item isol\u00e9 en raison de l’erreur de mesure al\u00e9atoire inh\u00e9rente \u00e0 chaque formulation verbale. D\u00e8s lors, la combinaison lin\u00e9aire de multiples items unidimensionnels permet de neutraliser cette variance r\u00e9siduelle non syst\u00e9matique, augmentant la fid\u00e9lit\u00e9 globale du score obtenu en vertu du postulat de Spearman-Brown. Le choix entre l’\u00e9laboration d’un score total sommatif et la d\u00e9termination d’un score moyen repr\u00e9sente une d\u00e9cision m\u00e9thodologique cruciale ayant des r\u00e9percussions directes sur l’interpr\u00e9tabilit\u00e9 des donn\u00e9es.<\/p>\n Le calcul d’un score moyen pr\u00e9sente l’avantage majeur de pr\u00e9server la m\u00e9trique originelle du protocole d’\u00e9valuation. Lorsqu’une \u00e9chelle de Likert s’\u00e9tend de 1 (pas du tout d’accord) \u00e0 7 (tout \u00e0 fait d’accord), l’attribution d’une moyenne arithm\u00e9tique comprise entre 1 et 7 offre une interpr\u00e9tabilit\u00e9 intuitive imm\u00e9diate : une valeur individuelle de 5,5 se situe directement au-dessus du point d’ancrage neutre de l’\u00e9chelle, quelle que soit la quantit\u00e9 totale d’items constituant le bloc psychom\u00e9trique. \u00c0 l’inverse, un score sommatif cumulant 15 items produira une valeur comprise entre 15 et 105, masquant l’ancrage ph\u00e9nom\u00e9nologique de la r\u00e9ponse initiale et compliquant la comparaison transversale avec des inventaires psychom\u00e9triques comportant un nombre diff\u00e9rent d’items pour une m\u00eame dimension th\u00e9orique.<\/p>\n Cette normalisation intuitive facilite \u00e9galement l’alignement des scores moyens avec des seuils diagnostiques ou cliniques pr\u00e9alablement standardis\u00e9s dans la litt\u00e9rature empirique. De plus, elle pr\u00e9serve la comparabilit\u00e9 longitudinale des \u00e9valuations lorsque des adaptations d’instruments r\u00e9duisent ou augmentent la quantit\u00e9 de variables observ\u00e9es au fil des protocoles de recherche. Le calcul horizontal de la moyenne arithm\u00e9tique constitue ainsi le garant d’une coh\u00e9rence d’\u00e9chelle indispensable aux mod\u00e9lisations inf\u00e9rentielles subs\u00e9quentes, telles que les r\u00e9gressions multivari\u00e9es ou les mod\u00e8les par \u00e9quations structurelles.<\/p>\n Dans l’architecture de donn\u00e9es matricielles sous R, l’orientation vectorielle d\u00e9termine la nature \u00e9pist\u00e9mologique et statistique des inf\u00e9rences produites. La distinction fondamentale entre les fonctions \u00c0 l’oppos\u00e9, la fonction Sur le plan computationnel interne, le moteur d’ex\u00e9cution de R stocke les matrices et les structures bidimensionnelles selon un ordre majeur de colonnes (column-major order<\/em>), h\u00e9rit\u00e9 du langage Fortran. Cette configuration mat\u00e9rielle implique que les \u00e9l\u00e9ments d’une m\u00eame colonne sont s\u00e9quentiellement contigus en m\u00e9moire vive, rendant l’acc\u00e8s vertical nativement rapide pour le microprocesseur. Effectuer un calcul par ligne via La fonction Pour \u00eatre admissible au sein de la fonction Avant d’invoquer la fonction, le praticien doit s’assurer que les donn\u00e9es ont franchi les phases initiales de nettoyage, comprenant l’uniformisation des formats et l’isolation des variables purement signal\u00e9tiques telles que les identifiants de participants, les estampilles temporelles ou les codes d’assignation exp\u00e9rimentale. La ma\u00eetrise des pr\u00e9requis techniques associ\u00e9s \u00e0 La manipulation rigoureuse de donn\u00e9es empiriques requiert l’\u00e9tablissement d’une structure rectangulaire standardis\u00e9e au moyen de la fonction native L’inspection de la g\u00e9om\u00e9trie du tableau s’effectue traditionnellement par l’interm\u00e9diaire de commandes fondamentales telles que Une bonne structuration exige \u00e9galement que le tableau soit exempt d’indexation confuse. Les lignes doivent \u00eatre associ\u00e9es \u00e0 des identifiants alphanum\u00e9riques stables mais conserv\u00e9es dans une colonne d\u00e9di\u00e9e plut\u00f4t que sous forme d’attributs marginaux volatils (row names<\/em>), conform\u00e9ment aux recommandations contemporaines de gestion des donn\u00e9es. D\u00e8s lors, le tableau rectangulaire devient un artefact analytique robuste, pr\u00eat \u00e0 subir des transformations matricielles sans perte d’information contextuelle.<\/p>\n L’un des d\u00e9fis les plus constants lors du traitement de questionnaires psychom\u00e9triques r\u00e9side dans la pr\u00e9sence de colonnes mal typ\u00e9es cons\u00e9cutivement \u00e0 l’importation de fichiers issus de plateformes d’enqu\u00eates \u00e9lectroniques. Il est fr\u00e9quent que des items cens\u00e9s contenir des valeurs num\u00e9riques de 1 \u00e0 5 soient import\u00e9s sous le type Le protocole de v\u00e9rification s’appuie sur l’usage de fonctions de diagnostic comme Pour convertir de mani\u00e8re s\u00e9curis\u00e9e un facteur repr\u00e9sentant des nombres en une variable num\u00e9rique valide, il est indispensable de passer par la cha\u00eene de caract\u00e8res interm\u00e9diaire au moyen de la formulation Une architecture de donn\u00e9es efficiente repose sur une dissociation explicite entre les m\u00e9tadonn\u00e9es d’identification et les donn\u00e9es de mesure psychom\u00e9trique pure. Dans un inventaire clinique, les donn\u00e9es relatives \u00e0 l’identifiant du patient, \u00e0 sa cohorte de rattachement, au centre d’investigation ou \u00e0 l’horodatage de la passation constituent des informations contextuelles fondamentales qui ne doivent en aucun cas \u00eatre int\u00e9gr\u00e9es dans le calcul horizontal des scores composites. Conserver ces m\u00e9tadonn\u00e9es au sein des m\u00eames structures de calcul sans partition pr\u00e9alable expose le chercheur \u00e0 des erreurs d’agr\u00e9gation catastrophiques.<\/p>\n La standardisation du nommage des colonnes constitue la seconde exigence d’une bonne organisation matricielle. L’adoption d’une nomenclature syst\u00e9matique combinant le nom de l’\u00e9chelle ou de la sous-dimension avec un indice s\u00e9quentiel num\u00e9rique \u2014 par exemple, Enfin, l’audit pr\u00e9liminaire du tableau doit imp\u00e9rativement certifier l’absence de colonnes r\u00e9siduelles int\u00e9gralement vides, d’espaces blancs parasites dissimul\u00e9s dans les noms de colonnes et de duplications d’items issues d’erreurs de fusion de fichiers. La validation de ces propri\u00e9t\u00e9s structurelles garantit que le sous-ensemble de donn\u00e9es qui sera soumis aux fonctions de calcul de moyennes pr\u00e9sente une g\u00e9om\u00e9trie parfaitement saine et exempte de redondances computationnelles masqu\u00e9es.<\/p>\n L’utilisation de la fonction Cette vectorisation intrins\u00e8que \u00e9limine le besoin d’\u00e9crire des boucles explicites dans l’environnement R. En interne, l’appel traverse la structure de donn\u00e9es en appliquant l’algorithme d’accumulation arithm\u00e9tique au niveau du compilateur C sous-jacent. La concordance dimensionnelle peut \u00eatre imm\u00e9diatement v\u00e9rifi\u00e9e \u00e0 l’aide de la fonction Cette simplicit\u00e9 d’ex\u00e9cution ne doit cependant pas occulter la n\u00e9cessit\u00e9 d’une vigilance m\u00e9thodologique absolue quant au contenu de l’objet pass\u00e9 en argument. Si un tableau de vingt colonnes contient par inadvertance une dix-neuvi\u00e8me variable d’\u00e2ge et une vingti\u00e8me variable d’indice de masse corporelle au milieu d’items d’\u00e9valuation de l’anxi\u00e9t\u00e9, D’un point de vue arithm\u00e9tique formel, la valeur produite par la fonction Score_Moyen_i = (1 \/ p) * Somme(j = 1 \u00e0 p, Item_ij)<\/p>\n Cette formulation lin\u00e9aire implique une hypoth\u00e8se de pond\u00e9ration unitaire implicite : chaque item psychom\u00e9trique contribue de mani\u00e8re rigoureusement \u00e9quivalente \u00e0 l’estimation du trait latent mesur\u00e9. Les valeurs obtenues se d\u00e9ploient ainsi sur un intervalle th\u00e9orique born\u00e9 par la valeur minimale et la valeur maximale de l’\u00e9chelle de r\u00e9ponse utilis\u00e9e. Par exemple, sur une \u00e9chelle de Likert calibr\u00e9e de 1 \u00e0 5, le vecteur de moyennes r\u00e9sultant est math\u00e9matiquement contraint de s’inscrire dans le continuum ferm\u00e9 [1.0, 5.0].<\/p>\n L’analyse vectorielle des sorties obtenues implique l’\u00e9valuation de la distribution des scores composites au regard des attentes th\u00e9oriques. En examinant les propri\u00e9t\u00e9s distributionnelles du vecteur g\u00e9n\u00e9r\u00e9 via les fonctions L’obtention d’un vecteur isol\u00e9 contenant les scores moyens par observation n’est que rarement une fin en soi dans les protocoles d’investigation scientifique. Pour permettre la conduite d’analyses inf\u00e9rentielles subs\u00e9quentes \u2014 telles que des analyses de variance, des mod\u00e8les lin\u00e9aires g\u00e9n\u00e9raux ou des r\u00e9gressions logistiques \u2014, il est imp\u00e9ratif d’int\u00e9grer ce vecteur calcul\u00e9 en tant que nouvelle colonne au sein de la structure de donn\u00e9es originelle. Cette \u00e9tape d’assignation dynamique assure la parfaite conservation du couplage entre les m\u00e9tadonn\u00e9es signal\u00e9tiques, les items unitaires et le score composite de synth\u00e8se.<\/p>\n L’op\u00e9rateur d’assignation dollar constitue le m\u00e9canisme canonique en R de base pour adjoindre cette nouvelle dimension vectorielle \u00e0 un tableau de donn\u00e9es, selon la notation formelle Cette approche favorise une reproductibilit\u00e9 int\u00e9grale du pipeline analytique. Dans une d\u00e9marche de science ouverte, conserver les donn\u00e9es brutes alongside les variables calcul\u00e9es au sein d'une structure rectangulaire unifi\u00e9e permet \u00e0 des r\u00e9viseurs ou collaborateurs d'auditer la fid\u00e9lit\u00e9 de l'agr\u00e9gation, de recalculer les scores selon des m\u00e9thodologies alternatives et d'exporter l'int\u00e9gralit\u00e9 du tableau de donn\u00e9es sans perte de granularit\u00e9 informationnelle.<\/p>\n Dans les enqu\u00eates psychologiques et les \u00e9tudes cliniques de grande envergure, l'omission de r\u00e9ponses \u00e0 certains items par les participants constitue un ph\u00e9nom\u00e8ne quasi in\u00e9vitable. Dans l'\u00e9cosyst\u00e8me R, l'absence de donn\u00e9e est formellement mat\u00e9rialis\u00e9e par la valeur sp\u00e9ciale L'activation explicite de l'argument Toutefois, cette commodit\u00e9 algorithmique ne doit pas \u00eatre utilis\u00e9e sans discernement statistique. L'ajustement dynamique du d\u00e9nominateur repose sur le postulat m\u00e9thodologique fort selon lequel les items manqu\u00e9s pr\u00e9sentent la m\u00eame esp\u00e9rance math\u00e9matique conditionnelle que les items compl\u00e9t\u00e9s. Si ce postulat est viol\u00e9, l'activation na\u00efve de D'un point de vue \u00e9pid\u00e9miologique et psychom\u00e9trique, l'exclusion locale des valeurs manquantes au niveau de la rang\u00e9e s'apparente \u00e0 une technique de suppression par paire ou suppression disponible (available-case analysis<\/em>). Selon la taxonomie formalis\u00e9e par Donald Rubin (1976)<\/a>, les donn\u00e9es manquantes peuvent ob\u00e9ir \u00e0 trois m\u00e9canismes distincts : manquant compl\u00e8tement de mani\u00e8re al\u00e9atoire (MCAR), manquant de mani\u00e8re al\u00e9atoire sous condition (MAR), ou manquant de mani\u00e8re non al\u00e9atoire (MNAR). La suppression tacite d'items au moyen de Dans la pratique clinique, les donn\u00e9es sont fr\u00e9quemment MNAR : un individu pr\u00e9sentant un degr\u00e9 de d\u00e9pression s\u00e9v\u00e8re ou d'anxi\u00e9t\u00e9 parano\u00efde avanc\u00e9e est significativement plus enclin \u00e0 omettre de r\u00e9pondre aux items les plus intrusifs, stigmatisants ou douloureux d'un inventaire. Dans cette configuration, ignorer simplement les De surcro\u00eet, le calcul d'une moyenne sur un nombre restreint d'items d\u00e9grade consid\u00e9rablement la fid\u00e9lit\u00e9 de mesure pour le sujet concern\u00e9. L'erreur standard de mesure (SEM) associ\u00e9e \u00e0 un score individuel augmente de mani\u00e8re inversement proportionnelle \u00e0 la racine carr\u00e9e du nombre d'indicateurs valides. Par cons\u00e9quent, comparer directement le score composite d'un participant ayant compl\u00e9t\u00e9 dix items avec celui d'un individu n'ayant r\u00e9pondu qu'\u00e0 deux items constitue une anomalie statistique majeure, les deux estimations ne partageant absolument pas le m\u00eame degr\u00e9 de pr\u00e9cision psychom\u00e9trique.<\/p>\n Pour concilier la n\u00e9cessit\u00e9 de r\u00e9cup\u00e9rer des scores composites en pr\u00e9sence de donn\u00e9es partiellement manquantes et l'exigence de rigueur psychom\u00e9trique, les standards m\u00e9thodologiques internationaux recommandent l'application d'une r\u00e8gle de tol\u00e9rance conditionnelle bas\u00e9e sur un seuil de compl\u00e9tion minimal. Une convention empirique largement adopt\u00e9e en psychologie diff\u00e9rentielle postule qu'un score moyen ne peut \u00eatre valid\u00e9 pour un participant donn\u00e9 que si celui-ci a fourni des r\u00e9ponses valides \u00e0 au moins 70 % \u00e0 80 % des items constitutifs de l'\u00e9chelle ou de la sous-dimension \u00e9valu\u00e9e.<\/p>\n L'impl\u00e9mentation de cette contrainte sous R requiert la combinaison de fonctions de d\u00e9tection logique et d'instructions conditionnelles vectoris\u00e9es. Dans un premier temps, l'analyste d\u00e9nombre la quantit\u00e9 exacte d'items manquants le long de chaque ligne au moyen de l'expression La commande conditionnelle Dans la majorit\u00e9 des architectures de bases de donn\u00e9es r\u00e9elles, les items mesurant un construit psychologique pr\u00e9cis ne constituent qu'un fragment d'un tableau plus vaste comprenant de multiples \u00e9chelles intriqu\u00e9es et des descripteurs socio-d\u00e9mographiques. Pour restreindre l'action de La s\u00e9lection par positions ordinales utilise des vecteurs d'entiers pour cibler pr\u00e9cis\u00e9ment les colonnes d'int\u00e9r\u00eat. Par exemple, l'instruction Bien que cette strat\u00e9gie d'indexation par positions pr\u00e9sente une concision syntaxique ind\u00e9niable, elle expose l'analyste \u00e0 des risques consid\u00e9rables de fragilit\u00e9 logicielle. Si, au cours des \u00e9tapes ult\u00e9rieures de collecte ou de pr\u00e9traitement, une nouvelle variable est ins\u00e9r\u00e9e en amont dans la base de donn\u00e9es, la totalit\u00e9 des index positionnels se trouve d\u00e9cal\u00e9e sans avertissement formel du syst\u00e8me. D\u00e8s lors, le script continuera de s'ex\u00e9cuter sans g\u00e9n\u00e9rer d'erreur de syntaxe, mais en calculant des moyennes sur des variables enti\u00e8rement \u00e9trang\u00e8res au construit psychologique vis\u00e9, introduisant des erreurs silencieuses particuli\u00e8rement difficiles \u00e0 diagnostiquer.<\/p>\n Pour s'affranchir de la vuln\u00e9rabilit\u00e9 intrins\u00e8que \u00e0 l'indexation par positions ordinales, la s\u00e9lection explicite par vecteurs de cha\u00eenes de caract\u00e8res repr\u00e9sentant les noms de colonnes constitue la norme d'ing\u00e9nierie statistique recommand\u00e9e. L'interrogation de la structure de donn\u00e9es s'op\u00e8re toujours via les crochets matriciels, mais en fournissant cette fois un vecteur de cha\u00eenes litt\u00e9rales, selon la syntaxe L'utilisation de noms explicites conf\u00e8re au script une robustesse absolue face aux r\u00e9organisations structurelles de la base de donn\u00e9es. Si des variables annexes sont d\u00e9plac\u00e9es, ajout\u00e9es ou supprim\u00e9es dans d'autres sections du tableau, le sous-ensemble extrait demeure parfaitement invariant. De surcro\u00eet, si une coquille typographique s'immisce dans l'\u00e9criture d'un nom de colonne ou si une variable attendue a disparu du fichier source, R interrompra imm\u00e9diatement son ex\u00e9cution en renvoyant une erreur informative explicite signalant l'absence de la colonne ind\u00e9finie, emp\u00eachant toute production de scores corrompus.<\/p>\n Cette approche favorise \u00e9galement l'auto-documentation du code d'analyse. Un chercheur examinant le script peut instantan\u00e9ment appr\u00e9hender quels indicateurs empiriques ont \u00e9t\u00e9 incorpor\u00e9s dans la d\u00e9termination du score composite, sans avoir besoin de compulser continuellement le dictionnaire de variables ou de v\u00e9rifier l'ordre d'empilement physique des colonnes. La combinaison de cette s\u00e9lection nomm\u00e9e avec le param\u00e8tre de gestion des valeurs manquantes, sous la forme Lorsque les protocoles de recherche int\u00e8grent des inventaires multidimensionnels volumineux comprenant des dizaines, voire des centaines d'items standardis\u00e9s, l'\u00e9num\u00e9ration manuelle de chaque nom de variable devient une t\u00e2che fastidieuse et propice aux omissions. Pour optimiser ce processus, R met \u00e0 la disposition du biostatisticien et du psychom\u00e9tricien des fonctions d'analyse textuelle fond\u00e9es sur les expressions r\u00e9guli\u00e8res, principalement les fonctions natives La fonction L'int\u00e9gration de cette s\u00e9lection programmatique au sein de la commande Au-del\u00e0 des primitives hautement sp\u00e9cialis\u00e9es comme La transmission de la fonction arithm\u00e9tique s'effectue en passant l'identifiant La sup\u00e9riorit\u00e9 conceptuelle de l'approche fonctionnelle par Si la fonction Cette divergence ph\u00e9nom\u00e9nale s'explique par les m\u00e9canismes internes d'ex\u00e9cution propres \u00e0 chaque fonction. La fonction Sur une matrice de simulation comportant 100 000 participants et 50 items psychom\u00e9triques, L'utilisation pr\u00e9f\u00e9rentielle d' Pour neutraliser cette vuln\u00e9rabilit\u00e9, le statisticien peut solliciter une moyenne tronqu\u00e9e (trimmed mean<\/em>), qui consiste \u00e0 \u00e9carter un pourcentage d\u00e9termin\u00e9 des valeurs les plus basses et les plus hautes d'une rang\u00e9e avant d'en estimer la moyenne. Cette op\u00e9ration s'impl\u00e9mente avec une simplicit\u00e9 remarquable au sein d' De surcro\u00eet, le chercheur peut formuler des fonctions anonymes hautement sophistiqu\u00e9es directement au sein du corps de la commande Au sein de l'\u00e9cosyst\u00e8me moderne de manipulation de donn\u00e9es formalis\u00e9 par Hadley Wickham sous l'appellation Tidyverse<\/a>, le paquet L'invocation de Cette m\u00e9thodologie d'analyse s'int\u00e8gre harmonieusement dans les scripts de manipulation d\u00e9clarative de donn\u00e9es, en assurant une lisibilit\u00e9 narrative exceptionnelle. L'analyste d\u00e9crit la s\u00e9quence d'op\u00e9rations sous une forme lin\u00e9aire et intuitive qui s'auto-documente de mani\u00e8re transparente. Toutefois, il convient de souligner que cette s\u00e9mantique repose sur une instanciation it\u00e9rative sous-jacente qui, \u00e0 l'instar d' Pour exploiter pleinement la puissance du modificateur contextuel L'atout pr\u00e9pond\u00e9rant de donnees %>% rowwise() %>% mutate(Score_Moyen = mean(c_across(starts_with(\"BFI_\")), na.rm = TRUE)) %>% ungroup()<\/p>\n Cette articulation syntaxique \u00e9limine d\u00e9finitivement les risques d'erreurs typographiques inh\u00e9rents \u00e0 la saisie manuelle de multiples intitul\u00e9s de variables. Elle conf\u00e8re \u00e9galement une r\u00e9silience structurelle absolue au pipeline d'analyse face \u00e0 d'\u00e9ventuelles modifications de l'inventaire psychom\u00e9trique source, adaptant dynamiquement l'inclusion des items au respect scrupuleux des crit\u00e8res grammaticaux \u00e9nonc\u00e9s dans les s\u00e9lecteurs.<\/p>\n Bien que la combinaison de Cette synth\u00e8se m\u00e9thodologique s'appuie sur l'op\u00e9rateur de s\u00e9lection vectoris\u00e9 Cette approche hybride constitue la quintessence des bonnes pratiques d'ing\u00e9nierie sous R moderne. Elle permet aux chercheurs de b\u00e9n\u00e9ficier de la puissance expressive, de la clart\u00e9 syntaxique et des capacit\u00e9s d'int\u00e9gration de l'\u00e9cosyst\u00e8me Tidyverse, tout en maintenant des temps de calcul comparables aux architectures logicielles les plus performantes de la programmation scientifique vectoris\u00e9e.<\/p>\n L'attribution d'un score moyen arithm\u00e9tique simple repose sur le postulat psychom\u00e9trique strict de parall\u00e9lisme ou de quasi-tau-\u00e9quivalence des items, formalis\u00e9 au sein de la th\u00e9orie classique des tests par Frederic Lord et Melvin Novick (1968)<\/a>. Ce postulat stipule que chaque item d'un inventaire mesure le construit th\u00e9orique sous-jacent avec une pr\u00e9cision et une sensibilit\u00e9 strictement identiques, justifiant l'assignation d'une pond\u00e9ration arithm\u00e9tique unitaire \u00e9gale \u00e0 1 pour l'ensemble des indicateurs observables. Cependant, dans la r\u00e9alit\u00e9 empirique des inventaires comportementaux, cette hypoth\u00e8se est presque syst\u00e9matiquement viol\u00e9e.<\/p>\n L'administration d'analyses factorielles exploratoires ou confirmatoires (CFA) d\u00e9montre r\u00e9guli\u00e8rement que les saturations factorielles (factor loadings<\/em>, not\u00e9es lambda) varient substantiellement d'un item \u00e0 un autre. Un \u00e9nonc\u00e9 pr\u00e9sentant une saturation factorielle de 0,85 partage une part de variance avec le construit latent consid\u00e9rablement plus \u00e9lev\u00e9e qu'un item secondaire affichant une saturation marginale de 0,35. D\u00e8s lors, le calcul d'une moyenne pond\u00e9r\u00e9e, o\u00f9 le poids de chaque variable est directement calibr\u00e9 sur sa saturation factorielle normalis\u00e9e, permet de conf\u00e9rer une pr\u00e9cision psychom\u00e9trique accrue au score composite r\u00e9sultant.<\/p>\n Math\u00e9matiquement, le score composite pond\u00e9r\u00e9 pour une observation donn\u00e9e se d\u00e9finit par la sommation du produit de chaque valeur d'item par son coefficient de pond\u00e9ration respectif, normalis\u00e9e par la somme totale de ces coefficients. Ce m\u00e9canisme math\u00e9matique garantit que le score composite final continue de s'inscrire rigoureusement dans l'intervalle de mesure original de l'\u00e9chelle d'\u00e9valuation, tout en refl\u00e9tant fid\u00e8lement l'importance relative de chaque indicateur dans la d\u00e9finition du domaine psychologique mesur\u00e9.<\/p>\n L'impl\u00e9mentation la plus \u00e9l\u00e9gante et la plus rapide sur le plan computationnel pour estimer des moyennes pond\u00e9r\u00e9es sur des matrices de donn\u00e9es massives repose sur l'exploitation directe de l'alg\u00e8bre lin\u00e9aire via l'op\u00e9rateur de produit matriciel La premi\u00e8re \u00e9tape m\u00e9thodologique consiste \u00e0 extraire le bloc des colonnes psychom\u00e9triques cibles et \u00e0 s'assurer de sa coercition stricte en une matrice num\u00e9rique pure au moyen de la fonction L'application du produit matriciel s'ex\u00e9cute ensuite en multipliant la matrice de donn\u00e9es de dimensions n<\/em> lignes par p<\/em> colonnes par le vecteur colonne de pond\u00e9ration de dimensions p<\/em> lignes par 1 colonne, selon l'expression math\u00e9matique Bien que le produit matriciel soit d'une efficacit\u00e9 algorithmique supr\u00eame, il souffre d'une rigidit\u00e9 notable en pr\u00e9sence de valeurs manquantes : si une seule cellule d'une ligne comporte la valeur La fonction Le comportement interne de Dans la construction d'\u00e9chelles d'\u00e9valuation psychologique standardis\u00e9es, il est d'usage d'incorporer des items formul\u00e9s de mani\u00e8re invers\u00e9e ou n\u00e9gative afin de contr\u00f4ler et d'att\u00e9nuer les biais de r\u00e9ponse syst\u00e9matiques, tels que l'acquiescement passif ou les r\u00e9ponses automatiques non diff\u00e9renci\u00e9es. Par exemple, au sein d'une \u00e9chelle mesurant l'optimisme, un item formul\u00e9 sous la forme \u00ab J'envisage rarement l'avenir avec enthousiasme \u00bb doit imp\u00e9rativement voir son \u00e9chelle de cotation invers\u00e9e avant d'\u00eatre agr\u00e9g\u00e9 avec des propositions affirmatives comme \u00ab J'ai confiance en mon avenir \u00bb, sous peine de neutraliser la variance du construit et de d\u00e9truire la coh\u00e9rence interne de la mesure.<\/p>\n Le calcul d'inversion arithm\u00e9tique s'appuie sur une formulation math\u00e9matique universelle d\u00e9pendante des bornes th\u00e9oriques de l'\u00e9chelle d'administration. Pour une \u00e9chelle d'\u00e9valuation dont les valeurs discr\u00e8tes s'\u00e9tendent d'une valeur minimale not\u00e9e Min<\/em> \u00e0 une valeur maximale not\u00e9e Max<\/em>, la valeur recod\u00e9e d'une observation s'obtient par l'\u00e9quation lin\u00e9aire :<\/p>\n Valeur_Recodee = (Max + Min) - Valeur_Originale<\/p>\n Sur une \u00e9chelle de Likert s'\u00e9tendant de 1 \u00e0 6, la somme des bornes extr\u00eames \u00e9quivaut \u00e0 7 ; une r\u00e9ponse brute de 6 devient ainsi 1 (7 - 6 = 1), tandis qu'une r\u00e9ponse initiale de 1 est convertie en 6 (7 - 1 = 6). Dans l'environnement R, cette op\u00e9ration se vectorise avec une fluidit\u00e9 totale sur l'ensemble des colonnes identifi\u00e9es comme invers\u00e9es, sans recourir \u00e0 des structures conditionnelles imbriqu\u00e9es complexes. L'\u00e9valuation du coefficient alpha de Cronbach ou du coefficient om\u00e9ga de McDonald avant et apr\u00e8s cette op\u00e9ration constitue un diagnostic qualit\u00e9 incontournable : l'inversion correcte des items n\u00e9gatifs doit se traduire par une augmentation drastique de la coh\u00e9rence interne globale de l'instrument.<\/p>\n Le mod\u00e8le de personnalit\u00e9 en cinq facteurs op\u00e9rationnalis\u00e9 par le Big Five Inventory<\/em> (BFI) constitue l'un des instruments les plus universellement investigu\u00e9s en psychologie diff\u00e9rentielle. Le BFI \u00e9value quarante-quatre items structur\u00e9s autour de cinq dimensions orthogonales fondamentales : l'Ouverture \u00e0 l'exp\u00e9rience (Openness<\/em>), la Conscienciosit\u00e9 (Conscientiousness<\/em>), l'Extraversion (Extraversion<\/em>), l'Agr\u00e9abilit\u00e9 (Agreeableness<\/em>) et le N\u00e9vrosisme (Neuroticism<\/em>). Chacune de ces sous-dimensions est mesur\u00e9e par un ensemble sp\u00e9cifique d'items comprenant une mixit\u00e9 d'\u00e9nonc\u00e9s directs et d'\u00e9nonc\u00e9s invers\u00e9s.<\/p>\n Le protocole de traitement computationnel sous R d\u00e9bute par la recodification syst\u00e9matique de l'ensemble des items invers\u00e9s du BFI en appliquant la formule d'inversion lin\u00e9aire sur la m\u00e9trique de l'\u00e9chelle allant de 1 \u00e0 5. Une fois cette normalisation achev\u00e9e, l'analyste d\u00e9finit des listes d\u00e9claratives r\u00e9pertoriant les identifiants textuels pr\u00e9cis des items composant chaque domaine psychologique, par exemple en associant au vecteur de l'Extraversion les items 1, 6R, 11, 16, 21R, 26, 31R et 36. L'automatisation du calcul simultan\u00e9 des cinq sous-scores s'effectue alors en articulant des appels s\u00e9quentiels ou programmatiques \u00e0 la fonction Le r\u00e9sultat de ce traitement structure un tableau r\u00e9capitulatif enrichi o\u00f9 chaque sujet dispose de cinq scores composites continus born\u00e9s entre 1,0 et 5,0. Ces variables agr\u00e9g\u00e9es peuvent alors \u00eatre imm\u00e9diatement inject\u00e9es dans des matrices de corr\u00e9lation bivari\u00e9e, des visualisations en profils radar ou des mod\u00e9lisations typologiques en classes latentes (Latent Profile Analysis<\/em>), assurant une tra\u00e7abilit\u00e9 totale entre le recueil des micro-comportements et la mod\u00e9lisation des macro-traits de la personnalit\u00e9.<\/p>\n L'Inventaire d'Anxi\u00e9t\u00e9 de Beck (Beck et al., 1988<\/a>) est un instrument clinique standardis\u00e9 compos\u00e9 de 21 items \u00e9valuant la s\u00e9v\u00e9rit\u00e9 des manifestations \u00e9motionnelles, physiologiques et cognitives de l'anxi\u00e9t\u00e9 au cours de la semaine \u00e9coul\u00e9e. Chaque \u00e9nonc\u00e9 est quantifi\u00e9 selon une \u00e9chelle d'\u00e9valuation ordinale \u00e0 quatre points, gradu\u00e9e de 0 (pas du tout) \u00e0 3 (s\u00e9v\u00e8rement, j'ai eu beaucoup de mal \u00e0 le supporter). Bien que la cotation conventionnelle repose sur l'\u00e9tablissement d'un score total sommatif oscillant entre 0 et 63, le calcul d'un score moyen horizontal par participant offre une lecture diagnostique hautement compl\u00e9mentaire de l'intensit\u00e9 moyenne des sympt\u00f4mes.<\/p>\n Le traitement des donn\u00e9es sous R implique l'extraction du bloc des 21 items et l'application s\u00e9curis\u00e9e de la fonction Sur la base de ces indices agr\u00e9g\u00e9s, l'analyste impl\u00e9mente la stratification clinique normalis\u00e9e en mobilisant la fonction Lorsque la recherche psychologique ou comportementale s'\u00e9tend \u00e0 des bases de donn\u00e9es massives issues de cohortes \u00e9pid\u00e9miologiques nationales, de registres de sant\u00e9 publique ou de plateformes d'apprentissage en ligne comptant des millions d'enregistrements, les structures standard de L'optimisation des calculs horizontaux au sein de data.table<\/code>, ce document fournit un cadre op\u00e9ratoire complet. Chaque technique est analys\u00e9e sous l’angle de ses fondements math\u00e9matiques, de son comportement en m\u00e9moire vive et de ses implications statistiques directes pour la recherche en psychologie et en sciences comportementales.<\/p>\n1. Introduction aux calculs de moyennes par ligne en psychom\u00e9trie et sciences du comportement avec R<\/h2>\n
1.1 Pertinence de la moyenne entre colonnes dans les inventaires psychologiques<\/h3>\n
1.2 Distinction structurelle entre colMeans() et rowMeans()<\/h3>\n
colMeans()<\/code> et rowMeans()<\/code> repose sur l’axe d’agr\u00e9gation appliqu\u00e9 aux tableaux bidimensionnels. La fonction colMeans()<\/code> effectue une condensation verticale : elle agr\u00e8ge l’ensemble des observations individuelles pour une variable sp\u00e9cifique, produisant une statistique descriptive inter-sujets. Cette approche permet au statisticien d’\u00e9valuer la tendance centrale d’un item, d’estimer sa difficult\u00e9 relative dans un paradigme d’\u00e9valuation des comp\u00e9tences, ou d’en mesurer l’attractivit\u00e9 moyenne au sein d’une population parente.<\/p>\nrowMeans()<\/code> op\u00e8re une r\u00e9duction horizontale le long de la dimension des colonnes pour chaque rang\u00e9e ind\u00e9pendante. Elle r\u00e9alise une synth\u00e8se intra-sujet en combinant les scores obtenus par une m\u00eame observation sur une batterie d’\u00e9preuves ou de propositions. En sciences du comportement, cette op\u00e9ration correspond formellement \u00e0 l’extraction d’un profil individuel synth\u00e9tique ou d’un indice composite repr\u00e9sentatif du positionnement d’une unit\u00e9 exp\u00e9rimentale sur un continuum psychologique donn\u00e9. L’agr\u00e9gation par ligne traite l’individu comme le d\u00e9nominateur commun des mesures multiples, tandis que l’agr\u00e9gation par colonne traite l’item comme l’invariable structurelle.<\/p>\nrowMeans()<\/code> exige une manipulation des index de pointeurs \u00e0 travers des segments de m\u00e9moire discontinus, un d\u00e9fi algorithmique brillamment r\u00e9solu par les impl\u00e9mentations internes en langage C compil\u00e9 qui contournent la d\u00e9gradation potentielle du cache de donn\u00e9es processeur.<\/p>\n1.3 Pr\u00e9sentation de la fonction centrale rowMeans() et pr\u00e9requis techniques<\/h3>\n
rowMeans()<\/code> fait partie int\u00e9grante du paquet de base (base R<\/em>) h\u00e9berg\u00e9 au sein du noyau d’ex\u00e9cution du syst\u00e8me, ce qui dispense l’analyste de toute d\u00e9pendance logicielle externe ou de l’installation de biblioth\u00e8ques tierces via le Comprehensive R Archive Network (CRAN)<\/a>. Cette appartenance native assure une p\u00e9rennit\u00e9 maximale du code d’analyse, garantissant que des scripts \u00e9labor\u00e9s aujourd’hui s’ex\u00e9cuteront \u00e0 l’identique dans plusieurs d\u00e9cennies sans risque de rupture d’interface d’application. Sa conception s’appuie sur une impl\u00e9mentation ultra-optimis\u00e9e r\u00e9dig\u00e9e en code C bas niveau, ce qui lui conf\u00e8re des vitesses d’ex\u00e9cution consid\u00e9rablement sup\u00e9rieures \u00e0 celles observables lors de l’utilisation de boucles it\u00e9ratives classiques en R interpr\u00e9t\u00e9.<\/p>\nrowMeans()<\/code>, l’argument d’entr\u00e9e principal doit imp\u00e9rativement correspondre \u00e0 une structure bidimensionnelle homog\u00e8ne ou convertible, c’est-\u00e0-dire une matrice math\u00e9matique (matrix<\/em>) ou un tableau de donn\u00e9es rectangulaire (data.frame<\/em>). Toutes les cellules soumises au calcul doivent imp\u00e9rativement appartenir \u00e0 des types atomiques num\u00e9riques, sp\u00e9cifiquement les modes numeric<\/code> (r\u00e9els \u00e0 double pr\u00e9cision) ou integer<\/code> (entiers relatifs). L’inclusion d’une variable contenant des cha\u00eenes de caract\u00e8res (character<\/em>) ou des facteurs nominaux (factor<\/em>) d\u00e9clenche invariablement une exception bloquante du syst\u00e8me d’ex\u00e9cution, signalant que l’objet fourni n’est pas strictement quantitatif.<\/p>\nrowMeans()<\/code> conditionne non seulement la validit\u00e9 arithm\u00e9tique des indices composites calcul\u00e9s, mais \u00e9galement la fluidit\u00e9 du pipeline global de traitement des donn\u00e9es dans les environnements de recherche computationnelle.<\/p>\n2. Pr\u00e9paration des structures de donn\u00e9es et contr\u00f4le pr\u00e9alable des types<\/h2>\n
2.1 Cr\u00e9ation et structuration d’un data.frame d’\u00e9chelles psychologiques<\/h3>\n
data.frame()<\/code>. Dans le contexte de l’administration d’un questionnaire d’\u00e9valuation clinique, chaque rang\u00e9e du tableau repr\u00e9sente de mani\u00e8re univoque un participant ou une unit\u00e9 d’analyse sp\u00e9cifique, tandis que chaque colonne correspond \u00e0 un item mesur\u00e9 ou \u00e0 une caract\u00e9ristique propre au protocole exp\u00e9rimental. La simulation ou l’importation de telles donn\u00e9es implique souvent la coexistence de variables signal\u00e9tiques cat\u00e9gorielles et de r\u00e9ponses quantitatives discr\u00e8tes repr\u00e9sentant des degr\u00e9s d’adh\u00e9sion sur des \u00e9chelles psychom\u00e9triques ordinales.<\/p>\nstr()<\/code> pour l’exploration de la structure interne, et head()<\/code> pour la visualisation des premi\u00e8res observations. La fonction str()<\/code> expose de mani\u00e8re synth\u00e9tique le nombre total d’observations, le volume de variables r\u00e9pertori\u00e9es, ainsi que la classe d’appartenance de chaque vecteur atomique constituant le tableau. La confirmation visuelle et structurelle pr\u00e9coce de ces \u00e9l\u00e9ments permet de pr\u00e9venir les d\u00e9salignements conceptuels, o\u00f9 un item psychom\u00e9trique serait par inadvertance interpr\u00e9t\u00e9 comme une cha\u00eene textuelle en raison de la pr\u00e9sence de valeurs non num\u00e9riques lors de la collecte.<\/p>\n2.2 Conversion et v\u00e9rification des formats num\u00e9riques<\/h3>\n
character<\/code> ou factor<\/code>, soit parce que des libell\u00e9s d’ancrage textuels tels que \u00ab Jamais \u00bb ou \u00ab Toujours \u00bb ont \u00e9t\u00e9 incorpor\u00e9s aux cellules d’extr\u00e9mit\u00e9s, soit en raison de codages de donn\u00e9es manquantes non standardis\u00e9s. Une telle anomalie typologique interdit tout calcul arithm\u00e9tique horizontal et conduit \u00e0 des interruptions d’ex\u00e9cution lors de l’appel de fonctions math\u00e9matiques.<\/p>\nsapply(df, is.numeric)<\/code>, qui retourne un vecteur bool\u00e9en cartographiant fid\u00e8lement l’\u00e9tat typologique de chaque dimension du tableau. D\u00e8s lors qu’une variable quantitative appara\u00eet sous un format non num\u00e9rique, une coercition syst\u00e9matique doit \u00eatre orchestr\u00e9e. Si la colonne est encod\u00e9e sous forme de cha\u00eene de caract\u00e8res, la fonction as.numeric()<\/code> r\u00e9alise une conversion directe. Toutefois, si la colonne a \u00e9t\u00e9 instanci\u00e9e sous la forme d’un facteur qualitatif, l’application directe de as.numeric()<\/code> constitue un \u00e9cueil m\u00e9thodologique classique : elle substitue aux valeurs psychom\u00e9triques r\u00e9elles les entiers internes associ\u00e9s aux niveaux du facteur (factor levels<\/em>), corrompant irr\u00e9m\u00e9diablement la distribution empirique.<\/p>\nas.numeric(as.character(variable))<\/code>. Pour appliquer cette op\u00e9ration \u00e0 l’\u00e9chelle d’un ensemble complet de colonnes probl\u00e9matiques au sein d’un tableau, l’utilisation de lapply()<\/code> combin\u00e9e \u00e0 une r\u00e9assignation s\u00e9lective garantit l’int\u00e9grit\u00e9 du typage sans alt\u00e9rer les colonnes qualitatives annexes.<\/p>\n2.3 Organisation rigoureuse de la matrice de donn\u00e9es<\/h3>\n
Depression_Item_01<\/code>, Depression_Item_02<\/code>, jusqu’\u00e0 Depression_Item_20<\/code> \u2014 optimise consid\u00e9rablement les \u00e9tapes subs\u00e9quentes de s\u00e9lection programmatique. Cette rigueur lexicale permet d’exploiter la puissance des expressions r\u00e9guli\u00e8res et des filtres textuels pour isoler dynamiquement des blocs d’items coh\u00e9rents, sans d\u00e9pendre de positions ordinales statiques au sein de la matrice.<\/p>\n3. Utilisation fondamentale de la fonction rowMeans() sur l’ensemble d’un tableau<\/h2>\n
3.1 Syntaxe de base et ex\u00e9cution globale sur un data.frame<\/h3>\n
rowMeans()<\/code> dans sa configuration la plus \u00e9l\u00e9mentaire repose sur une syntaxe directe et \u00e9pur\u00e9e. Lorsque le tableau de donn\u00e9es soumis \u00e0 l’\u00e9valuation est strictement restreint \u00e0 des colonnes num\u00e9riques repr\u00e9sentant des items homog\u00e8nes, l’appel s’effectue sans param\u00e9trage interm\u00e9diaire complexe sous la forme rowMeans(x)<\/code>, o\u00f9 x<\/code> repr\u00e9sente la matrice ou le tableau de donn\u00e9es vis\u00e9. Le r\u00e9sultat retourn\u00e9 par cette op\u00e9ration n’est pas un tableau rectangulaire mais un vecteur atomique num\u00e9rique dont la longueur est rigoureusement identique au nombre de lignes du jeu de donn\u00e9es source.<\/p>\nlength()<\/code> appliqu\u00e9e au vecteur obtenu et de la fonction nrow()<\/code> appliqu\u00e9e au tableau de donn\u00e9es d’origine : l’\u00e9galit\u00e9 stricte entre ces deux m\u00e9triques confirme que chaque observation individuelle s’est vu attribuer exactement une valeur synth\u00e9tique moyenne calcul\u00e9e transversalement.<\/p>\nrowMeans()<\/code> traitera aveugl\u00e9ment ces grandeurs physiologiques comme des indicateurs psychom\u00e9triques, produisant un score agr\u00e9g\u00e9 d\u00e9pourvu de toute validit\u00e9 de construit. L’application globale pr\u00e9suppose donc une homog\u00e9n\u00e9it\u00e9 conceptuelle absolue de toutes les colonnes pr\u00e9sentes dans l’objet transmis.<\/p>\n3.2 Interpr\u00e9tation math\u00e9matique et vectorielle des sorties obtenues<\/h3>\n
rowMeans()<\/code> pour une observation indic\u00e9e i<\/em> correspond \u00e0 la somme des r\u00e9ponses fournies \u00e0 travers l’ensemble des p<\/em> colonnes num\u00e9riques s\u00e9lectionn\u00e9es, divis\u00e9e par le cardinal exact de ces colonnes. L’\u00e9quation de base s’\u00e9crit formellement :<\/p>\nsummary()<\/code>, sd()<\/code> et fivenum()<\/code>, le psychom\u00e9tricien peut v\u00e9rifier si la variabilit\u00e9 intra-sujet est coh\u00e9rente avec les lois de distribution postul\u00e9es dans la th\u00e9orie du mesurage. Un score moyen pr\u00e9sentant une variance anormalement faible par rapport \u00e0 la variance attendue des items individuels peut r\u00e9v\u00e9ler des ph\u00e9nom\u00e8nes d’\u00e9crasement statistique ou de biais d’acquiescement g\u00e9n\u00e9ralis\u00e9 chez les participants.<\/p>\n3.3 Assignation dynamique des moyennes dans une nouvelle variable du tableau<\/h3>\n
donnees$Score_Composite <- rowMeans(donnees_items)<\/code>. Cette instruction alloue dynamiquement une nouvelle r\u00e9f\u00e9rence de colonne dans le tableau d'origine, en garantissant que l'indice de chaque rang\u00e9e corresponde scrupuleusement \u00e0 l'indice positionnel du vecteur des moyennes calcul\u00e9es. D\u00e8s lors, le tableau enrichi contient \u00e0 la fois les r\u00e9ponses \u00e9l\u00e9mentaires aux items et la mesure latente synth\u00e9tis\u00e9e.<\/p>\n4. Traitement rigoureux des donn\u00e9es manquantes (NA) lors du calcul des moyennes<\/h2>\n
4.1 M\u00e9canique du param\u00e8tre na.rm et implications statistiques<\/h3>\n
NA<\/code> (Not Available<\/em>). Par d\u00e9faut, la fonction rowMeans()<\/code> op\u00e8re avec le param\u00e8tre logique na.rm = FALSE<\/code>. Cette politique computationnelle stricte dicte qu'en pr\u00e9sence d'une seule valeur manquante le long d'une rang\u00e9e, le r\u00e9sultat de la moyenne pour l'observation concern\u00e9e sera automatiquement \u00e9valu\u00e9 \u00e0 NA<\/code>, contaminant ainsi l'estimation globale de l'individu.<\/p>\nna.rm = TRUE<\/code> (pour NA remove<\/em>) modifie fondamentalement l'algorithme arithm\u00e9tique interne. Lorsque cette option est sp\u00e9cifi\u00e9e, la fonction \u00e9carte les valeurs manquantes avant d'ex\u00e9cuter la sommation et r\u00e9ajuste dynamiquement le d\u00e9nominateur de la fraction au nombre d'items effectivement observ\u00e9s pour chaque participant. Si une observation poss\u00e8de des r\u00e9ponses valides sur 8 items au sein d'un questionnaire de 10 questions, la somme des 8 items sera divis\u00e9e par 8, et non par 10. Cette flexibilit\u00e9 permet de conserver un score moyen interpr\u00e9table sur la m\u00eame m\u00e9trique d'\u00e9chelle sans perte brutale de l'observation.<\/p>\nna.rm = TRUE<\/code> induit un biais syst\u00e9matique dans l'\u00e9valuation du trait psychologique du sujet, r\u00e9duisant artificiellement la comparabilit\u00e9 des scores entre individus ayant compl\u00e9t\u00e9 des nombres divergents d'items.<\/p>\n4.2 Biais induits par la suppression par observation (pairwise deletion)<\/h3>\n
na.rm = TRUE<\/code> n'est th\u00e9oriquement neutre que sous l'hypoth\u00e8se tr\u00e8s restrictive de donn\u00e9es MCAR.<\/p>\nNA<\/code> conduit \u00e0 estimer la moyenne du participant sur la base exclusive des \u00e9nonc\u00e9s les moins compromettants qu'il a accept\u00e9 de renseigner, ce qui g\u00e9n\u00e8re une sous-estimation syst\u00e9matique et pernicieuse de la s\u00e9v\u00e9rit\u00e9 r\u00e9elle de sa pathologie sous-jacente.<\/p>\n4.3 D\u00e9finition de seuils de compl\u00e9tion minimale par sujet avant agr\u00e9gation<\/h3>\n
rowSums(is.na(donnees_items))<\/code>. En comparant ce d\u00e9compte vectoriel au seuil maximal d'omissions tol\u00e9r\u00e9es \u2014 par exemple, un maximum de 2 items absents sur une \u00e9chelle de 10 \u2014, il devient possible d'instancier un filtre logique binaire discriminatif.<\/p>\nifelse()<\/code> permet alors de formaliser le calcul de mani\u00e8re parfaitement s\u00e9curis\u00e9e : si le nombre d'omissions est inf\u00e9rieur ou \u00e9gal au seuil critique pr\u00e9d\u00e9termin\u00e9, la fonction rowMeans(donnees_items, na.rm = TRUE)<\/code> est ex\u00e9cut\u00e9e ; dans le cas contraire, la valeur NA<\/code> est explicitement assign\u00e9e \u00e0 l'observation pour l'ensemble du construit. Cette approche prudente emp\u00eache l'estimation aberrante de scores composites sur des sujets ayant r\u00e9pondu de mani\u00e8re excessivement parcellaire, pr\u00e9servant ainsi la validit\u00e9 interne des inf\u00e9rences statistiques ult\u00e9rieures.<\/p>\n5. Calcul de la moyenne sur un sous-ensemble sp\u00e9cifique de colonnes<\/h2>\n
5.1 Indexation par positions d'indices num\u00e9riques<\/h3>\n
rowMeans()<\/code> \u00e0 un domaine circonscrit, le recours au m\u00e9canisme d'indexation fondamentale par crochets matriciels constitue la m\u00e9thode historique en langage R. L'extraction s'articule autour de la notation bidimensionnelle [lignes, colonnes]<\/code>, o\u00f9 l'omission de l'argument de ligne indique la s\u00e9lection de l'int\u00e9gralit\u00e9 des observations.<\/p>\nrowMeans(donnees[, c(4, 5, 6, 7, 8)])<\/code> applique le calcul de moyenne exclusivement aux quatri\u00e8me, cinqui\u00e8me, sixi\u00e8me, septi\u00e8me et huiti\u00e8me variables du tableau de donn\u00e9es. Lorsque les colonnes cibles occupent des emplacements physiques contigus au sein de la m\u00e9moire du tableau, l'op\u00e9rateur deux-points permet d'exprimer cette plage de fa\u00e7on concise, selon la formulation directe rowMeans(donnees[, 4:8])<\/code>.<\/p>\n5.2 S\u00e9lection explicite par vecteurs de noms de variables<\/h3>\n
rowMeans(donnees[, c(\"Extraversion_1\", \"Extraversion_2\", \"Extraversion_3\")])<\/code>. Cette d\u00e9marche lie s\u00e9mantiquement l'op\u00e9ration d'agr\u00e9gation aux \u00e9tiquettes d\u00e9claratives des variables plut\u00f4t qu'\u00e0 leur disposition spatiale dans la m\u00e9moire de l'interpr\u00e9teur.<\/p>\nrowMeans(donnees[, items_cibles], na.rm = TRUE)<\/code>, constitue ainsi un standard d'excellence pour le codage reproductible.<\/p>\n5.3 S\u00e9lection programmatique via des fonctions de d\u00e9tection de motifs<\/h3>\n
grep()<\/code> et grepl()<\/code>. Ces outils permettent d'extraire dynamiquement des groupes de colonnes partageant des pr\u00e9fixes ou des motifs syntaxiques communs.<\/p>\ngrep()<\/code> analyse le vecteur des noms de colonnes obtenu via names(donnees)<\/code> et retourne un vecteur d'indices num\u00e9riques correspondant \u00e0 toutes les variables dont l'intitul\u00e9 satisfait le motif formel sp\u00e9cifi\u00e9 en argument. Par exemple, l'expression grep(\"^Anxiete_\", names(donnees))<\/code> identifie avec une pr\u00e9cision absolue l'ensemble des colonnes d\u00e9butant strictement par la cha\u00eene \u00ab Anxiete_ \u00bb, qu'il y ait 5 ou 50 items instanci\u00e9s. La fonction grepl()<\/code> fonctionne sur un principe similaire mais renvoie un vecteur de bool\u00e9ens (TRUE<\/em> ou FALSE<\/em>), utilisable directement pour le sous-\u00e9chantillonnage logique des colonnes.<\/p>\nrowMeans()<\/code> permet d'automatiser le calcul de sous-\u00e9chelles complexes avec une \u00e9l\u00e9gance remarquable. L'instruction condens\u00e9e donnees$Anxiete_Total <- rowMeans(donnees[, grep(\"^Anxiete_\", names(donnees))], na.rm = TRUE)<\/code> garantit une extensibilit\u00e9 totale du pipeline : tout item additionnel respectant la charte de nommage qui viendrait enrichir la base de donn\u00e9es lors d'une vague ult\u00e9rieure de collecte sera imm\u00e9diatement et correctement absorb\u00e9 dans le calcul horizontal, sans n\u00e9cessiter la moindre refonte du code source d'origine.<\/p>\n6. Approche fonctionnelle avec apply() : Flexibilit\u00e9 et analyse comparative<\/h2>\n
6.1 M\u00e9canisme d'it\u00e9ration de la fonction apply() le long des lignes<\/h3>\n
rowMeans()<\/code>, le langage R propose un paradigme de programmation fonctionnelle puissant incarn\u00e9 par la famille des fonctions apply()<\/code>. Con\u00e7ue pour abstraire les m\u00e9canismes it\u00e9ratifs sur des matrices et des tableaux multidimensionnels, la fonction apply()<\/code> permet d'appliquer une op\u00e9ration arbitraire le long d'un axe g\u00e9om\u00e9trique sp\u00e9cifique d\u00e9fini par l'argument cardinal MARGIN<\/code>. Pour ex\u00e9cuter un traitement horizontal le long des rang\u00e9es d'une matrice de donn\u00e9es, le chercheur assigne la valeur MARGIN = 1<\/code>, tandis que la valeur MARGIN = 2<\/code> ciblerait les colonnes.<\/p>\nmean<\/code> comme troisi\u00e8me argument de la commande, compl\u00e9t\u00e9 par les arguments secondaires n\u00e9cessaires \u00e0 l'instar de na.rm = TRUE<\/code>, selon la structure formelle apply(X = donnees_items, MARGIN = 1, FUN = mean, na.rm = TRUE)<\/code>. \u00c0 chaque it\u00e9ration de sa boucle interne, la fonction extrait la ligne courante du tableau, la convertit en un vecteur atomique et la soumet \u00e0 la fonction mean()<\/code>, avant d'assembler l'ensemble des scalaires retourn\u00e9s dans un vecteur final d'agr\u00e9gation.<\/p>\napply()<\/code> r\u00e9side dans son extraordinaire versatilit\u00e9 architecturale. Contrairement \u00e0 rowMeans()<\/code> dont le comportement algorithmique est immuablement fig\u00e9 sur la moyenne arithm\u00e9tique simple, apply()<\/code> peut accueillir virtuellement n'importe quelle fonction statistique existante dans l'environnement R ou toute fonction sur mesure programm\u00e9e par l'analyste, offrant ainsi un cadre unifi\u00e9 pour explorer des m\u00e9triques de dispersion, d'asym\u00e9trie ou de tendance centrale non conventionnelles.<\/p>\n6.2 Benchmark de performance computationnelle : rowMeans() versus apply()<\/h3>\n
apply()<\/code> brille par sa flexibilit\u00e9 m\u00e9thodologique, cette derni\u00e8re se paie au prix d'un co\u00fbt computationnel substantiel en termes de temps d'ex\u00e9cution et de sollicitation de la m\u00e9moire vive. L'\u00e9valuation quantitative de ces disparit\u00e9s de performance peut \u00eatre men\u00e9e avec rigueur \u00e0 l'aide de paquets sp\u00e9cialis\u00e9s dans le profilage de code, tels que microbenchmark<\/a>. Les r\u00e9sultats empiriques r\u00e9v\u00e8lent syst\u00e9matiquement des \u00e9carts de vitesse vertigineux entre les deux approches lorsqu'elles sont d\u00e9ploy\u00e9es sur des matrices de donn\u00e9es de tailles moyennes \u00e0 massives.<\/p>\nrowMeans()<\/code> est une primitive syst\u00e8me compil\u00e9e directement en langage C. L'accumulation des valeurs et le calcul de la moyenne s'op\u00e8rent \u00e0 tr\u00e8s bas niveau, avec un adressage m\u00e9moire direct, une absence totale de duplication interm\u00e9diaire des structures de donn\u00e9es et une vectorisation exploitant pleinement les instructions SIMD (Single Instruction, Multiple Data<\/em>) des processeurs modernes. \u00c0 l'inverse, apply()<\/code> mat\u00e9rialise une boucle it\u00e9rative interpr\u00e9t\u00e9e qui extrait chaque ligne sous la forme d'un vecteur ind\u00e9pendant, d\u00e9clenche un appel de fonction complet pour chaque observation et g\u00e9n\u00e8re une surcharge de gestion d'environnement (overhead<\/em>) consid\u00e9rable.<\/p>\nrowMeans()<\/code> ex\u00e9cute l'agr\u00e9gation en quelques millisecondes, tandis qu'apply()<\/code> requiert plusieurs secondes, affichant couramment un facteur de ralentissement de l'ordre de 20 \u00e0 50 fois. Par cons\u00e9quent, pour le calcul standard d'une moyenne arithm\u00e9tique simple ou assortie du retrait des valeurs manquantes, l'utilisation d'apply()<\/code> doit \u00eatre cat\u00e9goriquement proscrite au profit de rowMeans()<\/code>, son emploi devant \u00eatre r\u00e9serv\u00e9 aux situations o\u00f9 des fonctionnalit\u00e9s statistiques avanc\u00e9es non couvertes par les primitives natives sont strictement requises.<\/p>\n6.3 Utilisation de fonctions personnalis\u00e9es et de moyennes tronqu\u00e9es<\/h3>\n
apply()<\/code> trouve sa pleine justification m\u00e9thodologique lorsque la distribution empirique des donn\u00e9es impose le recours \u00e0 des estimateurs robustes de la tendance centrale, capables de r\u00e9sister \u00e0 la contamination par des observations extr\u00eames ou des erreurs de saisie aberrantes. Dans de nombreuses enqu\u00eates psychologiques, des participants adoptent des comportements d'\u00e9valuation atypiques ou r\u00e9pondent sous l'influence de distractions ponctuelles, g\u00e9n\u00e9rant des valeurs r\u00e9siduelles qui faussent la moyenne arithm\u00e9tique classique.<\/p>\napply()<\/code> en tirant parti du param\u00e8tre trim<\/code> de la fonction de base mean<\/code>, selon la formulation syntaxique apply(donnees_items, 1, mean, trim = 0.10, na.rm = TRUE)<\/code>, qui \u00e9limine 10 % des scores extr\u00eames \u00e0 chaque extr\u00e9mit\u00e9 de la distribution individuelle.<\/p>\napply()<\/code>. Par exemple, il devient possible d'instancier un algorithme d'agr\u00e9gation qui v\u00e9rifie d'abord si la variabilit\u00e9 des r\u00e9ponses d'un individu est strictement nulle \u2014 signalant un potentiel patron de r\u00e9ponse st\u00e9r\u00e9otyp\u00e9 ou inattentif (straightlining<\/em>) \u2014, pour n'attribuer une moyenne valide que si le sujet pr\u00e9sente une variance minimale entre les items. Ce niveau de personnalisation fonctionnelle compense alors largement la perte de vitesse de calcul sur des cohortes d'\u00e9chantillonnage de dimensions mod\u00e9r\u00e9es.<\/p>\n7. Calcul de moyennes de colonnes dans l'\u00e9cosyst\u00e8me Tidyverse (dplyr)<\/h2>\n
7.1 L'approche par ligne avec rowwise() et mutate()<\/h3>\n
dplyr<\/code> privil\u00e9gie par d\u00e9faut une philosophie de traitement vectoriel orient\u00e9 colonnes. Dans ce paradigme, chaque transformation appliqu\u00e9e au sein du verbe fondamental mutate()<\/code> s'ex\u00e9cute le long des dimensions verticales des variables. Cependant, pour r\u00e9pondre aux besoins d'agr\u00e9gation intra-individuelle caract\u00e9ristiques de la psychom\u00e9trie, les concepteurs de dplyr<\/code> ont d\u00e9velopp\u00e9 une structure modale d'ex\u00e9cution par ligne au moyen du modificateur contextuel rowwise()<\/code>.<\/p>\nrowwise()<\/code> alt\u00e8re temporairement la s\u00e9mantique computationnelle du tableau de donn\u00e9es en fragmentant conceptuellement celui-ci en autant de micro-groupes qu'il compte d'observations. Lorsqu'une op\u00e9ration d'agr\u00e9gation comme mean()<\/code> est ensuite invoqu\u00e9e \u00e0 l'int\u00e9rieur de mutate()<\/code>, elle s'applique isol\u00e9ment \u00e0 chaque rang\u00e9e prise individuellement. Pour clore cette phase de traitement et restituer au tableau son comportement vectoriel standard, il est indispensable de rompre la structure group\u00e9e par l'adjonction finale de la commande ungroup()<\/code> au sein de la cha\u00eene d'op\u00e9rations connect\u00e9es par l'op\u00e9rateur de redirection (pipe<\/em>).<\/p>\napply()<\/code>, engendre une d\u00e9gradation sensible des performances temporelles sur des cohortes volumineuses de plusieurs centaines de milliers de lignes.<\/p>\n7.2 Utilisation optimis\u00e9e de c_across() et des assistants de s\u00e9lection<\/h3>\n
rowwise()<\/code> sans recourir \u00e0 des \u00e9num\u00e9rations redondantes de variables, l'\u00e9cosyst\u00e8me Tidyverse introduit la fonction d'agr\u00e9gation vectorielle horizontale c_across()<\/code>. Con\u00e7ue sp\u00e9cifiquement pour op\u00e9rer \u00e0 l'int\u00e9rieur des rang\u00e9es isol\u00e9es, c_across()<\/code> collecte l'ensemble des valeurs des colonnes cibl\u00e9es et les condense en un unique vecteur atomique temporaire, directement assimilable par des fonctions r\u00e9ductrices univari\u00e9es comme mean()<\/code> ou median()<\/code>.<\/p>\nc_across()<\/code> r\u00e9side dans sa compatibilit\u00e9 native et totale avec les assistants de s\u00e9lection du paquet tidyselect<\/a>. L'analyste peut ainsi d\u00e9ployer des instructions d'une concision et d'une puissance remarquables en mobilisant des s\u00e9lecteurs fonctionnels tels que starts_with(\"BFI_Extraversion_\")<\/code>, ends_with(\"_score\")<\/code>, contains(\"Anxiete\")<\/code> ou des s\u00e9lections bas\u00e9es sur des plages de positions comme Item_01:Item_10<\/code>. L'\u00e9criture du calcul prend alors la forme d'un pipeline unifi\u00e9 :<\/p>\n7.3 Alternative haute performance sans rowwise() via rowMeans() dans mutate()<\/h3>\n
rowwise()<\/code> et c_across()<\/code> offre une \u00e9l\u00e9gance stylistique incontestable, son co\u00fbt algorithmique peut constituer un goulet d'\u00e9tranglement s\u00e9v\u00e8re dans le traitement de donn\u00e9es \u00e9pid\u00e9miologiques massives. Pour concilier la lisibilit\u00e9 conceptuelle des pipelines dplyr<\/code> avec l'efficacit\u00e9 brute du code compil\u00e9 de bas niveau, les experts en sciences des donn\u00e9es recommandent d'int\u00e9grer directement la fonction primitive rowMeans()<\/code> au sein du verbe de transformation mutate()<\/code>, sans jamais activer le mode rowwise()<\/code>.<\/p>\nacross()<\/code> ou sur la s\u00e9lection matricielle int\u00e9gr\u00e9e. En formulant l'instruction sous la forme mutate(Score_Moyen = rowMeans(pick(starts_with(\"BFI_\")), na.rm = TRUE))<\/code>, en employant la fonction contemporaine pick()<\/code> introduite dans les versions r\u00e9centes de dplyr<\/code> pour isoler des sous-ensembles de colonnes, le calcul ne fragmente plus le tableau de donn\u00e9es en micro-environnements it\u00e9ratifs. L'int\u00e9gralit\u00e9 du bloc dimensionnel est transmise d'un seul tenant au moteur C de rowMeans()<\/code>, qui accomplit la synth\u00e8se horizontale \u00e0 une vitesse optimale.<\/p>\n8. Calcul de scores composites pond\u00e9r\u00e9s \u00e0 travers plusieurs colonnes<\/h2>\n
8.1 Distinction entre moyenne arithm\u00e9tique simple et moyenne pond\u00e9r\u00e9e<\/h3>\n
8.2 Calcul vectoris\u00e9 par produit matriciel en R de base<\/h3>\n
%*%<\/code>. Cette technique de base R \u00e9vite toute forme d'it\u00e9ration explicite en confiant la totalit\u00e9 de la charge arithm\u00e9tique aux biblioth\u00e8ques d'alg\u00e8bre BLAS (Basic Linear Algebra Subprograms<\/em>) sous-jacentes du syst\u00e8me d'exploitation.<\/p>\nas.matrix()<\/code>. Dans un second temps, l'analyste d\u00e9finit un vecteur num\u00e9rique contenant les pond\u00e9rations factorielles empiriques pr\u00e9alablement estim\u00e9es. Pour garantir la conservation de l'\u00e9chelle de mesure originale, ce vecteur de poids est imp\u00e9rativement divis\u00e9 par sa propre somme arithm\u00e9tique globale, instanciant ainsi un vecteur de poids normalis\u00e9s dont la somme est unitaire.<\/p>\nScores_Ponderes <- Matrice_Items %*% Poids_Normalises<\/code>. Le r\u00e9sultat produit est imm\u00e9diatement un vecteur colonne de dimension n<\/em> contenant l'ensemble des scores composites pond\u00e9r\u00e9s, obtenu avec une vitesse de calcul in\u00e9galable et une absence absolue d'effet de bord m\u00e9moire.<\/p>\n8.3 Impl\u00e9mentation de weighted.mean() via apply()<\/h3>\n
NA<\/code>, l'int\u00e9gralit\u00e9 du produit matriciel pour cette observation g\u00e9n\u00e9rera la valeur NA<\/code>, \u00e0 moins de proc\u00e9der \u00e0 une imputation pr\u00e9alable ou \u00e0 une suppression globale de la rang\u00e9e. Pour contourner cet obstacle et permettre un recalcul dynamique des poids sur les seuls items observ\u00e9s, l'utilisation de la fonction weighted.mean()<\/code> orchestr\u00e9e au sein d'apply()<\/code> constitue une alternative m\u00e9thodologique indispensable.<\/p>\nweighted.mean()<\/code> accepte en argument natif un param\u00e8tre vectoriel w<\/code> correspondant aux pond\u00e9rations associ\u00e9es aux variables d'entr\u00e9e, ainsi que l'argument logique na.rm = TRUE<\/code>. Lorsque cette fonction est mobilis\u00e9e au sein d'apply()<\/code> avec MARGIN = 1<\/code>, selon la formulation syntaxique apply(donnees_items, 1, weighted.mean, w = poids_factoriels, na.rm = TRUE)<\/code>, l'algorithme \u00e9value chaque ligne de mani\u00e8re totalement autonome.<\/p>\nweighted.mean()<\/code> s'av\u00e8re particuli\u00e8rement sophistiqu\u00e9 en pr\u00e9sence de donn\u00e9es manquantes : si un item est absent pour un sujet donn\u00e9, la fonction exclut simultan\u00e9ment la valeur manquante et le poids correspondant dans le vecteur w<\/code>, avant de recalculer automatiquement la normalisation du d\u00e9nominateur sur la somme exclusive des poids des items effectivement renseign\u00e9s. Cette facult\u00e9 d'adaptation garantit que le score pond\u00e9r\u00e9 final demeure math\u00e9matiquement valide et rigoureusement calibr\u00e9 sur l'\u00e9chelle de mesure, m\u00eame face \u00e0 des patrons d'omission h\u00e9t\u00e9rog\u00e8nes entre les individus.<\/p>\n9. Applications psychom\u00e9triques concr\u00e8tes : Traitement d'inventaires cliniques<\/h2>\n
9.1 Inversion pr\u00e9alable des items n\u00e9gatifs avant le calcul de la moyenne<\/h3>\n
9.2 Calcul des scores dimensionnels du Big Five Inventory (BFI)<\/h3>\n
rowMeans()<\/code>.<\/p>\n9.3 Traitement de l'\u00c9chelle d'Anxi\u00e9t\u00e9 de Beck (BAI)<\/h3>\n
rowMeans(bai_items, na.rm = TRUE)<\/code>, sous r\u00e9serve de la validation pr\u00e9alable du seuil de compl\u00e9tion individuelle minimale. Parall\u00e8lement au score moyen, le score total sommatif peut \u00eatre d\u00e9termin\u00e9 soit par multiplication de la moyenne obtenue par 21 (normalisation par substitution implicite), soit par l'usage rigoureux de rowSums()<\/code>.<\/p>\ncut()<\/code>. Les participants sont ainsi cat\u00e9goris\u00e9s de mani\u00e8re d\u00e9terministe au sein des quatre paliers nosographiques \u00e9tablis par la litt\u00e9rature m\u00e9dicale : anxi\u00e9t\u00e9 minime (scores sommatifs de 0 \u00e0 7), anxi\u00e9t\u00e9 l\u00e9g\u00e8re (8 \u00e0 15), anxi\u00e9t\u00e9 mod\u00e9r\u00e9e (16 \u00e0 25) et anxi\u00e9t\u00e9 s\u00e9v\u00e8re (26 \u00e0 63). L'adjonction de statistiques descriptives r\u00e9capitulatives \u2014 incluant les intervalles de confiance \u00e0 95 % autour des moyennes de groupe \u2014 fournit aux \u00e9quipes cliniques une synth\u00e8se quantitative imm\u00e9diatement actionnable pour le suivi th\u00e9rapeutique.<\/p>\n10. Techniques avanc\u00e9es pour les jeux de donn\u00e9es massifs : data.table et parall\u00e9lisation<\/h2>\n
10.1 Calculs de moyennes horizontales avec la biblioth\u00e8que data.table<\/h3>\n
data.frame<\/code> atteignent leurs limites op\u00e9rationnelles. Dans ce contexte de donn\u00e9es \u00e0 haute volum\u00e9trie, la biblioth\u00e8que data.table<\/a> s'impose comme la solution de r\u00e9f\u00e9rence pour le traitement haute performance sous R.<\/p>\ndata.table<\/code> repose sur l'exploitation combin\u00e9e du symbole sp\u00e9cial .SD<\/code> (Subset of Data<\/em>) et de l'argument de ciblage .SDcols<\/code>. Le symbole .SD<\/code> repr\u00e9sente sous la forme d'un tableau all\u00e9g\u00e9 le sous-ensemble des colonnes num\u00e9riques d\u00e9sign\u00e9es dans le vecteur