Chi-carr\u00e9 de Pearson<\/a> \u00e0 un degr\u00e9 de libert\u00e9. Sur le plan alg\u00e9brique strict, le carr\u00e9 de la statistique Z calcul\u00e9e sans correction de continuit\u00e9 est parfaitement \u00e9quivalent \u00e0 la statistique du Chi-carr\u00e9 \u00e0 un degr\u00e9 de libert\u00e9 obtenue sur le tableau de contingence unidimensionnel binaire opposant succ\u00e8s et \u00e9checs. Le choix entre la formulation en Z et la formulation en Chi-carr\u00e9 rel\u00e8ve principalement d’une convention de pr\u00e9sentation, bien que le formalisme en Z poss\u00e8de l’avantage distinctif de pr\u00e9server le signe de la d\u00e9viation et d’autoriser imm\u00e9diatement des hypoth\u00e8ses unilat\u00e9rales.<\/p>\nFace au test d’approximation normale, le test binomial exact d\u00e9velopp\u00e9 historiquement par Clopper et Pearson repr\u00e9sente l’alternative non param\u00e9trique de r\u00e9f\u00e9rence pour les variables cat\u00e9gorielles. Contrairement au test Z, le test binomial exact ne repose sur aucune approximation asymptotique et calcule directement les probabilit\u00e9s combinatoires associ\u00e9es aux files d’attente de la distribution binomiale discr\u00e8te. Si cette propri\u00e9t\u00e9 lui conf\u00e8re une validit\u00e9 math\u00e9matique absolue quel que soit l’effectif consid\u00e9r\u00e9, elle se traduit souvent par un conservatisme excessif, la fonction de distribution discr\u00e8te interdisant d’atteindre exactement le niveau d’erreur de premi\u00e8re esp\u00e8ce nominal.<\/p>\n
Les crit\u00e8res guidant la s\u00e9lection du test Z plut\u00f4t que du test binomial exact reposent principalement sur des consid\u00e9rations d’ad\u00e9quation asymptotique et d’ergonomie inf\u00e9rentielle. Lorsque le volume d’observations est substantiel et que les fr\u00e9quences attendues s’\u00e9loignent des fronti\u00e8res z\u00e9ro et un, le test Z offre une pr\u00e9cision remarquable tout en permettant la construction d’intervalles de confiance du score particuli\u00e8rement informatifs. Il facilite en outre l’articulation directe avec les m\u00e9thodologies de calcul de puissance statistique prospective, un atout m\u00e9thodologique d\u00e9terminant dans la recherche comportementale contemporaine.<\/p>\n
2. Cadre math\u00e9matique et formulation rigoureuse des hypoth\u00e8ses statistiques<\/h2>\n2.1 \u00c9nonciation et r\u00f4le de l’hypoth\u00e8se nulle<\/h3>\n
L’\u00e9difice de l’inf\u00e9rence statistique fr\u00e9quentiste repose sur la formulation d’une hypoth\u00e8se nulle d’\u00e9galit\u00e9, formellement not\u00e9e H0 : p = p0<\/em>. Cette proposition stipule que la probabilit\u00e9 sous-jacente de succ\u00e8s au sein de la population cible est strictement \u00e9gale \u00e0 la valeur th\u00e9orique d\u00e9sign\u00e9e. L’hypoth\u00e8se nulle ne postule pas que l’\u00e9chantillon observ\u00e9 pr\u00e9sentera exactement la proportion p0<\/em>, mais affirme que toute divergence constat\u00e9e entre l’estimateur empirique et la constante de r\u00e9f\u00e9rence est int\u00e9gralement attribuable \u00e0 l’al\u00e9a d’\u00e9chantillonnage r\u00e9sultant du tirage probabiliste.<\/p>\nSur le plan \u00e9pist\u00e9mologique, l’hypoth\u00e8se nulle joue un r\u00f4le conservateur fondamental : elle mat\u00e9rialise le principe de parcimonie selon lequel aucun effet exp\u00e9rimental, aucune sup\u00e9riorit\u00e9 th\u00e9rapeutique ni aucune d\u00e9viation cognitive n’est admise sans preuves quantitatives irr\u00e9futables. Dans les protocoles d’\u00e9valuation d’un nouveau protocole de rem\u00e9diation cognitive pour patients c\u00e9r\u00e9brol\u00e9s\u00e9s, l’hypoth\u00e8se nulle pose par d\u00e9faut que le taux d’am\u00e9lioration sous cette nouvelle approche n’exc\u00e8de pas le taux historique de r\u00e9mission spontan\u00e9e observ\u00e9 sans prise en charge active.<\/p>\n
Ce point d’ancrage constitue le socle math\u00e9matique indispensable \u00e0 toute la cha\u00eene inf\u00e9rentielle ult\u00e9rieure. C’est pr\u00e9cis\u00e9ment parce que l’on postule la v\u00e9racit\u00e9 stricte de H0<\/em> que l’on peut d\u00e9river avec certitude la distribution d’\u00e9chantillonnage de la statistique de test. Sans cette hypoth\u00e8se op\u00e9rationnelle pr\u00e9liminaire, le calcul de l’erreur type devient ind\u00e9termin\u00e9, an\u00e9antissant toute possibilit\u00e9 d’estimer la probabilit\u00e9 d’observer les donn\u00e9es recueillies sous le r\u00e9gime du hasard pur.<\/p>\n2.2 Les trois d\u00e9clinaisons de l’hypoth\u00e8se alternative<\/h3>\n
En miroir de l’hypoth\u00e8se nulle, l’exp\u00e9rimentateur doit sp\u00e9cifier une hypoth\u00e8se alternative, traditionnellement d\u00e9sign\u00e9e par H1<\/em>, qui capture l’effet recherch\u00e9 ou pressenti par la th\u00e9orie scientifique sous-jacente. Cette hypoth\u00e8se peut adopter trois architectures topologiques distinctes au sein de l’espace param\u00e9trique, d\u00e9terminant la nature bilat\u00e9rale ou unilat\u00e9rale de l’appareil de rejet.<\/p>\nLa premi\u00e8re configuration est l’hypoth\u00e8se bilat\u00e9rale, mod\u00e9lis\u00e9e sous la forme H1 : p \u2260 p0<\/em>. Dans cette optique non directionnelle, le chercheur s’int\u00e9resse \u00e0 toute divergence statistiquement significative, qu’elle se manifeste par un exc\u00e8s ou par un d\u00e9ficit de succ\u00e8s par rapport \u00e0 la norme. Cette approche s’impose lorsque l’\u00e9tat des connaissances th\u00e9oriques ne permet pas d’anticiper la direction de l’effet, comme lors du test exploratoire d’une mol\u00e9cule psychoactive susceptible d’induire soit une facilitation motrice, soit une s\u00e9dation ind\u00e9sirable.<\/p>\nLes deux autres d\u00e9clinaisons constituent les hypoth\u00e8ses unilat\u00e9rales, respectivement \u00e0 droite et \u00e0 gauche :<\/p>\n
\n- Hypoth\u00e8se unilat\u00e9rale droite (H1 : p > p0<\/em>) :<\/strong> Elle est mobilis\u00e9e lorsque la question de recherche cible exclusivement une sup\u00e9riorit\u00e9, une facilitation ou un gain de performance. C’est le cas typique des protocoles de renforcement cognitif o\u00f9 seule une am\u00e9lioration des capacit\u00e9s mn\u00e9siques au-del\u00e0 du seuil de base justifie la validation de l’hypoth\u00e8se exp\u00e9rimentale.<\/li>\n
- Hypoth\u00e8se unilat\u00e9rale gauche (H1 : p < p0<\/em>) :<\/strong> Elle s’applique aux situations d’\u00e9valuation centr\u00e9es sur la r\u00e9duction d’un risque, la diminution d’un taux d’erreur comportemental ou la baisse de l’incidence d’un comportement autodestructeur suite \u00e0 un suivi clinique intensif.<\/li>\n<\/ul>\n
Le choix entre une architecture bilat\u00e9rale ou unilat\u00e9rale doit imp\u00e9rativement \u00eatre arr\u00eat\u00e9 a priori, avant toute inspection des donn\u00e9es empiriques, pour pr\u00e9venir l’\u00e9cueil m\u00e9thodologique majeur de l’inflation non contr\u00f4l\u00e9e de l’erreur de type I induite par une s\u00e9lection opportuniste de la directionnalit\u00e9 du test.<\/p>\n
2.3 D\u00e9rivation analytique de la statistique de test Z<\/h3>\n
La m\u00e9canique analytique du test repose sur la construction d’une variable centr\u00e9e r\u00e9duite issue de la lin\u00e9arisation de l’estimateur binomial. Soit X<\/em> le nombre de succ\u00e8s observ\u00e9s au sein d’un \u00e9chantillon ind\u00e9pendant et identiquement distribu\u00e9 de taille n<\/em>, de sorte que X<\/em> suive une loi binomiale de param\u00e8tres n<\/em> et p<\/em>. La proportion empirique s’\u00e9crit p = X \/ n<\/em>. Sous l’hypoth\u00e8se nulle H0 : p = p0<\/em>, l’esp\u00e9rance math\u00e9matique de cet estimateur est E(p) = p0<\/em> et sa variance exacte s’exprime par la quantit\u00e9 Var(p) = p0 * (1 – p0) \/ n<\/em>.<\/p>\nEn vertu du th\u00e9or\u00e8me central limite, lorsque la taille de l’\u00e9chantillon n<\/em> tend vers l’infini, la distribution d’\u00e9chantillonnage de la variable standardis\u00e9e converge en loi vers la loi normale centr\u00e9e r\u00e9duite standardis\u00e9e. La statistique de test Z s’\u00e9crit formellement :<\/p>\nZ = (p – p0) \/ sqrt( (p0 * (1 – p0)) \/ n )<\/em><\/p>\nIl importe de souligner avec rigueur que le d\u00e9nominateur de cette fraction mobilise explicitement la valeur th\u00e9orique p0<\/em> et non l’estimateur d’\u00e9chantillon p<\/em>. En effet, l’estimation de l’erreur type s’effectue sous la condition suspensive de l’exactitude de l’hypoth\u00e8se nulle. Cette sp\u00e9cificit\u00e9 diff\u00e9rencie nettement le test Z pour une proportion d’autres tests de Wald appliqu\u00e9s aux grands \u00e9chantillons o\u00f9 la variance asymptotique est estim\u00e9e sans contrainte \u00e0 partir des param\u00e8tres empiriques observ\u00e9s.<\/p>\nUne fois la valeur empirique de Z<\/em> calcul\u00e9e, elle est confront\u00e9e aux quantiles de la distribution normale standard correspondant au seuil de signification choisi, traditionnellement not\u00e9 alpha<\/em>. Pour un seuil conventionnel de alpha = 0.05<\/em> en approche bilat\u00e9rale, la zone critique de rejet correspond \u00e0 toute valeur de Z<\/em> v\u00e9rifiant la condition |Z| >= 1.96<\/em>. En formulation unilat\u00e9rale au m\u00eame seuil nominal, le rejet de l’hypoth\u00e8se nulle s’op\u00e8re d\u00e8s lors que Z >= 1.645<\/em> pour un test orient\u00e9 \u00e0 droite, ou Z <= -1.645<\/em> pour un test orient\u00e9 \u00e0 gauche.<\/p>\n3. Conditions pr\u00e9alables et postulats d’application du test Z<\/h2>\n3.1 Ind\u00e9pendance des observations et plan d’\u00e9chantillonnage<\/h3>\n
L’application l\u00e9gitime du test Z pour une proportion requiert le respect scrupuleux de postulats d’\u00e9chantillonnage probabiliste. Le premier de ces postulats, et de loin le plus intransigeant, est celui de l’ind\u00e9pendance mutuelle stricte des observations individuelles constituant le jeu de donn\u00e9es. D’un point de vue exp\u00e9rimental, la survenue d’un succ\u00e8s chez un participant donn\u00e9 ne doit en aucun cas alt\u00e9rer ou pr\u00e9dire la probabilit\u00e9 de succ\u00e8s chez les autres sujets du protocole. Cette ind\u00e9pendance stochastique garantit que la somme des variables al\u00e9atoires ob\u00e9it fid\u00e8lement \u00e0 la distribution d’une somme de variables ind\u00e9pendantes, condition imp\u00e9rative pour mobiliser les th\u00e9or\u00e8mes de convergence limites.<\/p>\n
Cette exigence m\u00e9thodologique disqualifie d’embl\u00e9e l’usage du test Z pour une proportion classique dans le cadre de plans exp\u00e9rimentaux \u00e0 mesures r\u00e9p\u00e9t\u00e9es, d’\u00e9valuations pr\u00e9-test\/post-test au sein d’une cohorte unique, ou de dispositifs de recueil comportant un appariement intra-sujet. De m\u00eame, la collecte de donn\u00e9es sur des structures d’interaction sociale (comme des dyades de n\u00e9gociation psychologique ou des \u00e9l\u00e8ves partageant le m\u00eame groupe classe) g\u00e9n\u00e8re une corr\u00e9lation intra-classe qui viole l’hypoth\u00e8se d’ind\u00e9pendance. Dans ces configurations complexes, l’ignorance d\u00e9lib\u00e9r\u00e9e de la structure group\u00e9e provoque une sous-estimation syst\u00e9matique de l’erreur type, conduisant \u00e0 une inflation dramatique du taux d’erreur de premi\u00e8re esp\u00e8ce et \u00e0 des rejets abusifs de l’hypoth\u00e8se nulle.<\/p>\n
Le chercheur doit s’assurer que le tirage s’apparente \u00e0 un \u00e9chantillonnage al\u00e9atoire simple au sein d’une population virtuellement infinie. Lorsque le pr\u00e9l\u00e8vement s’op\u00e8re sans remise dans une population finie restreinte, la dynamique rel\u00e8ve de la loi hyperg\u00e9om\u00e9trique et le test Z ne peut s’appliquer sans l’adjonction formelle d’un facteur de correction pour population finie.<\/p>\n
3.2 R\u00e8gle de normalit\u00e9 asymptotique de Laplace-Gauss<\/h3>\n
La loi normale \u00e9tant une distribution continue s’\u00e9tendant de moins l’infini \u00e0 plus l’infini, son utilisation pour mod\u00e9liser une variable binomiale discr\u00e8te born\u00e9e sur l’intervalle ferm\u00e9 [0, n] ne repr\u00e9sente qu’une approximation. Pour que cette substitution de mod\u00e8le pr\u00e9serve une pr\u00e9cision analytique acceptable, la distribution binomiale doit imp\u00e9rativement pr\u00e9senter une forme en cloche sym\u00e9trique et un volume probabiliste suffisant pour minimiser l’impact des discontinuit\u00e9s de queue.<\/p>\n
La r\u00e8gle empirique pr\u00e9dominante dans les manuels de m\u00e9thodologie statistique exige que les deux produits factoriels form\u00e9s par la taille d’\u00e9chantillon et les probabilit\u00e9s th\u00e9oriques attendues atteignent ou d\u00e9passent le seuil de dix :<\/p>\n
\n- n * p0 >= 10<\/em> (effectif th\u00e9orique attendu de succ\u00e8s)<\/li>\n
- n * (1 – p0) >= 10<\/em> (effectif th\u00e9orique attendu d’\u00e9checs)<\/li>\n<\/ul>\n
Certains analystes particuli\u00e8rement conservateurs pr\u00e9conisent d’\u00e9lever ce seuil \u00e0 quinze, notamment lorsque les d\u00e9cisions issues de l’analyse ont une port\u00e9e diagnostique ou m\u00e9dicol\u00e9gale imm\u00e9diate. Inversement, certains manuels d’initiation tol\u00e8rent un seuil minimal fix\u00e9 \u00e0 cinq, bien qu’il ait \u00e9t\u00e9 d\u00e9montr\u00e9 que ce seuil d\u00e9grade notablement le contr\u00f4le du risque d’erreur alpha r\u00e9el d\u00e8s lors que p0<\/em> d\u00e9vie de la valeur 0.50. En effet, l’asym\u00e9trie de la distribution binomiale s’accentue dramatiquement \u00e0 mesure que la probabilit\u00e9 th\u00e9orique se rapproche de z\u00e9ro ou de un. Si p0 = 0.02<\/em>, un effectif de cent sujets reste largement insuffisant puisque n * p0 = 2<\/em>, ce qui entra\u00eene une distorsion majeure de la forme distributionnelle et invalide l’hypoth\u00e8se de normalit\u00e9 asymptotique.<\/p>\n3.3 Arbitrage m\u00e9thodologique selon la taille de l’\u00e9chantillon<\/h3>\n
Face \u00e0 un jeu de donn\u00e9es sp\u00e9cifique, le statisticien est confront\u00e9 \u00e0 un arbitrage m\u00e9thodologique fondamental dict\u00e9 par le volume d’observations collect\u00e9es et la localisation de la proportion de r\u00e9f\u00e9rence. Lorsque la taille globale de l’\u00e9chantillon n<\/em> est inf\u00e9rieure ou \u00e9gale \u00e0 trente, ou lorsque la condition de normalit\u00e9 asymptotique \u00e9nonc\u00e9e ci-dessus fait d\u00e9faut, le recours \u00e0 l’approximation par la loi normale doit \u00eatre formellement rejet\u00e9 au profit exclusif du test binomial exact.<\/p>\nCette exigence d\u00e9coule directement des limitations math\u00e9matiques inh\u00e9rentes au th\u00e9or\u00e8me central limite. Pour les petits volumes d’\u00e9chantillonnage, la discr\u00e9tisation des quantiles de probabilit\u00e9 binomiale engendre des discontinuit\u00e9s massives : l’ajout d’une unique observation modifie substantiellement la structure des queues de distribution, ce qui rend l’usage d’une densit\u00e9 continue hautement erron\u00e9. L’erreur de type I effective calcul\u00e9e via l’approximation normale pour de petits \u00e9chantillons oscille de mani\u00e8re chaotique autour du niveau nominal alpha<\/em>, affichant des distorsions impr\u00e9visibles.<\/p>\nEn revanche, lorsque la taille n<\/em> d\u00e9passe confortablement les effectifs minimaux requis (typiquement pour n > 100<\/em> avec des fr\u00e9quences \u00e9quilibr\u00e9es), l’appareil inf\u00e9rentiel bas\u00e9 sur la loi normale d\u00e9livre une pr\u00e9cision remarquable. La statistique asymptotique b\u00e9n\u00e9ficie alors des propri\u00e9t\u00e9s d’optimalit\u00e9 asymptotique locale des tests de score de Rao, conf\u00e9rant au test Z une puissance statistique maximale sous des contraintes computationnelles l\u00e9g\u00e8res.<\/p>\n4. \u00c9cosyst\u00e8me computationnel dans R : panorama des fonctions d\u00e9di\u00e9es<\/h2>\n4.1 Structure des donn\u00e9es psychologiques sous R pour l’analyse de proportions<\/h3>\n
L’analyse de donn\u00e9es cat\u00e9gorielles dans le langage R implique une ma\u00eetrise rigoureuse des formats de stockage des variables empiriques. Dans les protocoles comportementaux, les donn\u00e9es issues de questionnaires ou de consoles exp\u00e9rimentales se pr\u00e9sentent sous deux formes principales : les vecteurs bruts de niveau micro (une ligne par essai ou par individu) ou les tables de contingence agr\u00e9g\u00e9es au niveau macro.<\/p>\n
Au niveau brut, les r\u00e9ponses dichotomiques peuvent \u00eatre cod\u00e9es soit sous forme de vecteurs num\u00e9riques binaires (prenant exclusivement les valeurs 0 et 1), soit sous forme de vecteurs logiques bool\u00e9ens (TRUE et FALSE), soit sous forme de facteurs ordonn\u00e9s ou non factoriels contenant deux modalit\u00e9s s\u00e9mantiques distinctes telles que c(\u00ab\u00a0Succ\u00e8s\u00a0\u00bb, \u00ab\u00a0\u00c9chec\u00a0\u00bb) ou c(\u00ab\u00a0R\u00e9mission\u00a0\u00bb, \u00ab\u00a0Rechute\u00a0\u00bb). L’utilisation de vecteurs de facteurs requiert une vigilance particuli\u00e8re sous R : le logiciel attribue par d\u00e9faut les niveaux par ordre alphab\u00e9tique, ce qui peut conduire involontairement \u00e0 d\u00e9finir la modalit\u00e9 \u00ab\u00a0\u00c9chec\u00a0\u00bb comme la r\u00e9f\u00e9rence si l’exp\u00e9rimentateur n’explicite pas les niveaux via la fonction factor().<\/p>\n
Avant d’ex\u00e9cuter un test inf\u00e9rentiel, le chercheur doit g\u00e9n\u00e9ralement agr\u00e9ger ces donn\u00e9es individuelles pour extraire deux scalaires fondamentaux : le nombre total d’observations valides n<\/em> et la somme brute des succ\u00e8s observ\u00e9s x<\/em>. Lors de cette \u00e9tape pr\u00e9paratoire, la gestion des donn\u00e9es manquantes, not\u00e9es NA dans l’\u00e9cosyst\u00e8me R, rev\u00eat une importance capitale. L’omission d’arguments tels que na.rm = TRUE lors du calcul de la somme ou de la longueur du vecteur faussera irr\u00e9m\u00e9diablement les effectifs inject\u00e9s dans les moteurs inf\u00e9rentiels, compromettant l’int\u00e9grit\u00e9 de l’analyse globale.<\/p>\n4.2 Analyse approfondie de la fonction prop.test()<\/h3>\n
Dans la distribution standard de R (package stats), la fonction native de r\u00e9f\u00e9rence pour \u00e9valuer les proportions est la fonction prop.test()<\/strong>. Cette routine informatique polyvalente permet de tester une proportion unique contre une valeur th\u00e9orique, mais \u00e9galement de comparer plusieurs proportions ind\u00e9pendantes. Sa signature pour un \u00e9chantillon unique se d\u00e9ploie selon la syntaxe g\u00e9n\u00e9rale : prop.test(x, n, p = NULL, alternative = c(\u00ab\u00a0two.sided\u00a0\u00bb, \u00ab\u00a0less\u00a0\u00bb, \u00ab\u00a0greater\u00a0\u00bb), conf.level = 0.95, correct = TRUE).<\/p>\nL’argument x<\/em> re\u00e7oit le nombre scalaire de succ\u00e8s empiriques, n<\/em> sp\u00e9cifie la taille de l’\u00e9chantillon total, et p<\/em> d\u00e9finit la proportion th\u00e9orique d’ad\u00e9quation p0<\/em>. L’argument alternative<\/em> r\u00e9git la directionalit\u00e9 du test en autorisant les modalit\u00e9s \u00ab\u00a0two.sided\u00a0\u00bb (test bilat\u00e9ral), \u00ab\u00a0greater\u00a0\u00bb (test unilat\u00e9ral droit) ou \u00ab\u00a0less\u00a0\u00bb (test unilat\u00e9ral gauche). L’argument correct<\/em> active ou d\u00e9sactive l’ajustement de continuit\u00e9 de Yates, un param\u00e8tre dont l’impact num\u00e9rique sera analys\u00e9 ult\u00e9rieurement.<\/p>\nUne particularit\u00e9 essentielle de prop.test()<\/strong> r\u00e9side dans la formulation de sa sortie machine. Au lieu de renvoyer directement une statistique standardis\u00e9e z<\/em>, la fonction affiche une statistique du Chi-carr\u00e9 not\u00e9e \u00ab\u00a0X-squared\u00a0\u00bb associ\u00e9e \u00e0 un degr\u00e9 de libert\u00e9 (df = 1). Sur le plan math\u00e9matique, cette impl\u00e9mentation d\u00e9coule de la relation canonique d\u00e9montr\u00e9e par Pearson reliant la loi normale centr\u00e9e r\u00e9duite et la loi du Chi-carr\u00e9 : le carr\u00e9 d’une variable distribu\u00e9e selon N(0, 1) suit rigoureusement une loi du Chi-carr\u00e9 \u00e0 un degr\u00e9 de libert\u00e9. Ainsi, la valeur de la statistique Z s’obtient simplement par l’extraction de la racine carr\u00e9e arithm\u00e9tique de la valeur \u00ab\u00a0X-squared\u00a0\u00bb, en r\u00e9tablissant manuellement le signe de la d\u00e9viation (positif si p > p0<\/em>, n\u00e9gatif si p < p0<\/em>).<\/p>\n4.3 Examen de la fonction binom.test() pour les \u00e9chantillons restreints<\/h3>\n
En miroir de prop.test()<\/strong>, le package stats int\u00e8gre la fonction binom.test()<\/strong>, d\u00e9di\u00e9e \u00e0 l’inf\u00e9rence non param\u00e9trique exacte sur distribution binomiale. Sa signature op\u00e9rationnelle est remarquablement similaire : binom.test(x, n, p = 0.5, alternative = c(\u00ab\u00a0two.sided\u00a0\u00bb, \u00ab\u00a0less\u00a0\u00bb, \u00ab\u00a0greater\u00a0\u00bb), conf.level = 0.95). L’algorithme interne de cette fonction s’affranchit totalement des approximations continues et calcule les probabilit\u00e9s discr\u00e8tes cumul\u00e9es sous la loi binomiale th\u00e9orique B(n, p0).<\/p>\nL’un des atouts distinctifs majeurs de binom.test()<\/strong> r\u00e9side dans la m\u00e9thode de construction de son intervalle de confiance. La fonction renvoie l’intervalle exact de Clopper-Pearson, d\u00e9riv\u00e9 de l’inversion des queues de la fonction de r\u00e9partition binomiale via la relation fondamentale reliant la loi binomiale et la distribution Beta de Fisher-Snedecor. Cet intervalle poss\u00e8de la caract\u00e9ristique d’avoir un taux de couverture r\u00e9el garanti au moins \u00e9gal au niveau nominal sp\u00e9cifi\u00e9, garantissant l’absence de toute sous-couverture probabiliste.<\/p>\nLe choix programmatique entre ces deux routines d\u00e9pend de l’effectif : lorsque les postulats asymptotiques sont satisfaits, la fonction prop.test()<\/strong> offre une concordance th\u00e9orique imm\u00e9diate avec les mod\u00e9lisations en r\u00e9gression logistique et les tests de Wald, tandis que binom.test()<\/strong> s’impose imp\u00e9rativement comme l’outil m\u00e9thodologique incontournable pour tout \u00e9chantillon clinique restreint ou asym\u00e9trique.<\/p>\n5. La correction de continuit\u00e9 de Yates : fondements et mise en \u0153uvre<\/h2>\n5.1 Justification th\u00e9orique du passage du discret au continu<\/h3>\n
L’incorporation d’une correction de continuit\u00e9 trouve sa justification dans le hiatus structurel s\u00e9parant la nature arithm\u00e9tique d’une variable al\u00e9atoire binomiale et la nature infinit\u00e9simale de la loi normale. La distribution binomiale est strictement discr\u00e8te : pour une taille d’\u00e9chantillon n<\/em> fix\u00e9e, le nombre de succ\u00e8s X<\/em> ne peut assumer que des valeurs enti\u00e8res positives appartenant \u00e0 l’ensemble fini {0, 1, 2, …, n}. Par voie de cons\u00e9quence, la proportion observ\u00e9e p = X \/ n<\/em> progresse par paliers discrets d’amplitude constante 1 \/ n<\/em>.<\/p>\n\u00c0 l’oppos\u00e9, la distribution normale est absolument continue, d\u00e9ployant une densit\u00e9 diff\u00e9rentiable sur l’ensemble du continuum des nombres r\u00e9els. Lorsque l’on approche une fonction de masse discr\u00e8te par une int\u00e9grale sous une courbe continue, l’attribution de la probabilit\u00e9 ponctuelle associ\u00e9e \u00e0 un entier k<\/em> correspond \u00e0 l’aire sous la courbe normale comprise entre les bornes r\u00e9elles k – 0.5<\/em> et k + 0.5<\/em>. Transpos\u00e9e \u00e0 l’\u00e9chelle des proportions empiriques, cette rectification d’intervalle requiert un glissement g\u00e9om\u00e9trique de magnitude 1 \/ (2n)<\/em>.<\/p>\nPropos\u00e9e initialement par le statisticien Frank Yates en 1934 pour am\u00e9liorer l’ajustement du Chi-carr\u00e9 de Pearson sur les tables 2×2, cette modification alg\u00e9brique modifie le num\u00e9rateur de la statistique de test standardis\u00e9e. La formule analytique de la statistique Z corrig\u00e9e s’\u00e9nonce :<\/p>\n
Z_corr = ( |p – p0| – (1 \/ (2n)) ) \/ sqrt( (p0 * (1 – p0)) \/ n )<\/em>, avec une convention fixant Z_corr = 0<\/em> si l’\u00e9cart absolu est inf\u00e9rieur \u00e0 l’ajustement.<\/p>\nCette soustraction d\u00e9lib\u00e9r\u00e9e d’une demi-unit\u00e9 discr\u00e8te r\u00e9duit m\u00e9caniquement la valeur absolue du num\u00e9rateur, comprimant la distance per\u00e7ue entre l’observation empirique et l’attente th\u00e9orique pour amortir le biais de discr\u00e9tisation.<\/p>\n
5.2 Configuration de l’argument correct dans prop.test()<\/h3>\n
Au sein de l’interpr\u00e9teur R, la fonction prop.test()<\/strong> active par d\u00e9faut la correction de continuit\u00e9 de Yates. Cet \u00e9tat algorithmique initial est mat\u00e9rialis\u00e9 par l’argument implicite correct = TRUE<\/em>. D\u00e8s lors que l’utilisateur soumet une commande sans sp\u00e9cifier ce param\u00e8tre, la sortie console indique explicitement la mention \u00ab\u00a0with continuity correction\u00a0\u00bb accol\u00e9e au r\u00e9sultat de la statistique \u00ab\u00a0X-squared\u00a0\u00bb.<\/p>\nSi le chercheur d\u00e9sire extraire le test Z de proportion pur sans alt\u00e9ration de continuit\u00e9 \u2014 configuration indispensable pour reproduire manuellement les formules th\u00e9oriques standard ou aligner ses r\u00e9sultats sur les mod\u00e9lisations asymptotiques avanc\u00e9es \u2014, il doit explicitement neutraliser ce m\u00e9canisme en renseignant correct = FALSE<\/em>. La comparaison num\u00e9rique entre ces deux ex\u00e9cutions r\u00e9v\u00e8le syst\u00e9matiquement une d\u00e9croissance de la statistique du test sous l’effet du correcteur de Yates :<\/p>\n\n- Sous correct = FALSE<\/em>, la statistique Chi-carr\u00e9 correspond exactement au carr\u00e9 de la formule classique de Wald : X-squared = Z^2<\/em>.<\/li>\n
- Sous correct = TRUE<\/em>, la valeur de la statistique est minor\u00e9e, entra\u00eenant une \u00e9l\u00e9vation conjointe de la p-valeur associ\u00e9e.<\/li>\n<\/ul>\n
La documentation formelle de ce choix de param\u00e9trage au sein des rapports de recherche scientifique constitue un crit\u00e8re indispensable de transparence computationnelle.<\/p>\n
5.3 Cons\u00e9quences sur l’erreur de type I et la puissance statistique<\/h3>\n
L’int\u00e9gration de la correction de continuit\u00e9 a suscit\u00e9 d’intenses d\u00e9bats au sein de la communaut\u00e9 biom\u00e9trique internationale. \u00c0 l’origine, Yates a con\u00e7u cette correction pour forcer la probabilit\u00e9 de d\u00e9passement asymptotique \u00e0 se conformer au plus pr\u00e8s aux probabilit\u00e9s calcul\u00e9es par le test exact. Cependant, des travaux m\u00e9thodologiques d’envergure ont \u00e9tabli que l’application conjointe de la correction de Yates conduit fr\u00e9quemment \u00e0 un comportement excessivement conservateur du test.<\/p>\n
Ce conservatisme structurel signifie que le taux d’erreur de premi\u00e8re esp\u00e8ce empirique (le risque r\u00e9el de rejeter l’hypoth\u00e8se nulle \u00e0 tort) chute fr\u00e9quemment tr\u00e8s en de\u00e7\u00e0 du seuil nominal alpha = 0.05<\/em>, atteignant parfois des valeurs r\u00e9elles inf\u00e9rieures \u00e0 0.03 ou 0.02. Si ce ph\u00e9nom\u00e8ne offre une immunit\u00e9 th\u00e9orique contre les faux positifs, il se paie in\u00e9vitablement par une p\u00e9nalisation de la puissance statistique du dispositif exp\u00e9rimental. La capacit\u00e9 du chercheur \u00e0 d\u00e9tecter un effet psychologique ou cognitif r\u00e9el s’en trouve amoindrie, augmentant l’incidence des erreurs de type II.<\/p>\nLa doctrine biom\u00e9trique moderne tend ainsi \u00e0 recommander la d\u00e9sactivation de la correction de continuit\u00e9 (correct = FALSE<\/em>) lorsque la taille d’\u00e9chantillon est vaste et que les conditions asymptotiques classiques sont largement v\u00e9rifi\u00e9es. Si l’\u00e9chantillon pr\u00e9sente une taille restreinte justifiant des r\u00e9serves sur la normalit\u00e9, l’abandon de l’approximation continue au profit pur et simple de binom.test()<\/strong> repr\u00e9sente une d\u00e9marche m\u00e9thodologiquement plus \u00e9l\u00e9gante et rigoureuse que l’application d’un ajustement semi-empirique de continuit\u00e9.<\/p>\n6. Exemple pratique 1 : Test Z bilat\u00e9ral en neuropsychologie cognitive<\/h2>\n6.1 Mise en situation clinique et formulation des hypoth\u00e8ses<\/h3>\n
Consid\u00e9rons une \u00e9tude de neuropsychologie cognitive clinique portant sur la perception subliminale des signaux sociaux non verbaux chez des patients pr\u00e9sentant des l\u00e9sions bilat\u00e9rales acquises du cortex occipito-temporal ventral (associ\u00e9es \u00e0 un tableau de prosopagnosie s\u00e9v\u00e8re). L’\u00e9quipe de recherche postule que des voies sous-corticales accessoires (colliculo-pulvinaires) permettent de traiter l’expression affective d’un visage ind\u00e9pendamment de l’identification consciente de l’identit\u00e9 faciale. Pour tester cette hypoth\u00e8se, un protocole exp\u00e9rimental informatis\u00e9 de choix forc\u00e9 \u00e0 deux alternatives (2-AFC) est administr\u00e9.<\/p>\n
Le paradigme se compose de 120 essais ind\u00e9pendants au cours desquels une photographie de visage exprimant soit la peur, soit la joie, est affich\u00e9e pendant 16 millisecondes, suivie d’un masque visuel textur\u00e9 dynamique. Le patient doit indiquer verbalement la valence affective per\u00e7ue. Sous l’hypoth\u00e8se d’une abolition totale de la capacit\u00e9 discriminative, les r\u00e9ponses du sujet rel\u00e8vent du hasard stochastique le plus pur. La proportion th\u00e9orique d’ad\u00e9quation est donc fix\u00e9e par combinatoire \u00e0 p0 = 0.50<\/em>. L’\u00e9quipe d’investigation ne souhaitant pas postuler univoquement une performance sup\u00e9rieure au hasard (en pr\u00e9vision d’\u00e9ventuels ph\u00e9nom\u00e8nes d’inhibition paradoxale entra\u00eenant une sous-performance active), l’hypoth\u00e8se est formellement arr\u00eat\u00e9e en mode bilat\u00e9ral :<\/p>\n\n- Hypoth\u00e8se nulle : H0 : p = 0.50<\/em> (la performance du patient est indiscernable de la conjecture al\u00e9atoire)<\/li>\n
- Hypoth\u00e8se alternative : H1 : p \u2260 0.50<\/em> (la probabilit\u00e9 de cat\u00e9gorisation affective d\u00e9vie significativement du hasard)<\/li>\n<\/ul>\n
\u00c0 l’issue de la session exp\u00e9rimentale de 120 essais cliniques (n = 120<\/em>), le patient enregistre un total empirique de 78 cat\u00e9gorisations exactes (x = 78<\/em>), ce qui correspond \u00e0 une proportion brute observ\u00e9e de p = 78 \/ 120 = 0.65<\/em> (65 % de succ\u00e8s). Avant d’engager le traitement logiciel, la v\u00e9rification des crit\u00e8res asymptotiques s’impose : n * p0 = 120 * 0.50 = 60 >= 10<\/em>, et n * (1 – p0) = 60 >= 10<\/em>. Les postulats de normalit\u00e9 asymptotique de Laplace-Gauss sont pleinement satisfaits.<\/p>\n6.2 Ex\u00e9cution du code R et manipulation des r\u00e9sultats<\/h3>\n
Pour ex\u00e9cuter le test statistique dans l’environnement R, nous proc\u00e9dons \u00e0 l’appel de la fonction prop.test()<\/strong> en d\u00e9sactivant volontairement la correction de continuit\u00e9 de Yates afin d’obtenir l’estimation pure de la statistique asymptotique standard, tout en sp\u00e9cifiant un niveau de confiance bilat\u00e9ral conventionnel de 95 % :<\/p>\nresultat_neuro <- prop.test(x = 78, n = 120, p = 0.50, alternative = \u00ab\u00a0two.sided\u00a0\u00bb, correct = FALSE)<\/p>\n
L’affichage renvoy\u00e9 par l’interpr\u00e9teur se pr\u00e9sente sous la forme structur\u00e9e suivante :<\/p>\n
1-sample proportions test without continuity correction
\n78 out of 120, null probability 0.5
\nX-squared = 10.8, df = 1, p-value = 0.001015
\nalternative hypothesis: true p is not equal to 0.5
\n95 percent confidence interval:
\n 0.5606623 0.7297839
\nsample estimates:
\n p
\n0.65<\/p>\n
Sur le plan algorithmique, R g\u00e9n\u00e8re un objet de classe htest<\/strong> contenant une liste d’\u00e9l\u00e9ments atomiques accessibles via l’op\u00e9rateur dollar. L’exp\u00e9rimentateur peut extraire de mani\u00e8re cibl\u00e9e la statistique du Chi-carr\u00e9 via resultat_neuro$statistic, le degr\u00e9 de libert\u00e9 via resultat_neuro$<\/span>parameter, la p-valeur probabiliste via resultat_neuro$p.value, et les bornes de l’intervalle de confiance via resultat_neuro$<\/span>conf.int. Pour convertir la valeur \u00ab\u00a0X-squared\u00a0\u00bb en statistique Z classique, il suffit d’ex\u00e9cuter la fonction racine carr\u00e9e en assignant le signe ad\u00e9quat : z_obs <- sqrt(resultat_neuro$statistic) * sign(resultat_neuro$<\/span>estimate – 0.50), ce qui d\u00e9livre la valeur exacte Z = 3.2863<\/em>.<\/p>\n6.3 Interpr\u00e9tation statistique et inf\u00e9rence neuropsychologique<\/h3>\n
L’inspection du bilan quantitatif fournit une probabilit\u00e9 critique p = 0.001015<\/em>. En confrontant cette p-valeur empirique au seuil conventionnel alpha = 0.05<\/em>, le constat de sa nette inf\u00e9riorit\u00e9 (p < 0.001<\/em>) autorise un rejet indiscutable de l’hypoth\u00e8se nulle d’\u00e9quiprobabilit\u00e9. La valeur de la statistique Z standardis\u00e9e (Z = +3.29<\/em>) franchit tr\u00e8s largement la valeur critique bilat\u00e9rale tabul\u00e9e de 1.96 sous la loi normale univari\u00e9e standardis\u00e9e.<\/p>\nL’examen de l’intervalle de confiance bilat\u00e9ral \u00e0 95 % du score de Wilson corrobore de fa\u00e7on spectaculaire cette d\u00e9cision d’inf\u00e9rence statistique. Cet intervalle s’\u00e9tend de 0.5607 \u00e0 0.7298, ce qui signifie que nous pouvons \u00eatre confiants \u00e0 95 % que la v\u00e9ritable capacit\u00e9 d’identification affective sous-jacente du patient dans la population asymptotique d’essais se situe entre 56.1 % et 73.0 %. La borne inf\u00e9rieure de cet intervalle se situant strictement au-dessus du seuil al\u00e9atoire de 0.50, l’hypoth\u00e8se d’une performance guid\u00e9e par le pur hasard peut \u00eatre d\u00e9finitivement cart\u00e9e.<\/p>\n
D’un point de vue neuropsychologique et clinique, ce r\u00e9sultat constitue la d\u00e9monstration exp\u00e9rimentale de l’existence d’une capacit\u00e9 de discrimination \u00e9motionnelle inconsciente pr\u00e9serv\u00e9e chez ce patient en d\u00e9pit de la destruction structurelle des voies g\u00e9niculo-stri\u00e9es de la reconnaissance visuelle consciente. Ce ph\u00e9nom\u00e8ne, analogue au paradigme du \u00ab\u00a0blindsight\u00a0\u00bb affectif, atteste de la fonctionnalit\u00e9 des circuits sous-corticaux directs reliant le colliculus sup\u00e9rieur et l’amygdale, validant les hypoth\u00e8ses fondamentales sur l’architecture du traitement visuo-\u00e9motionnel en neurosciences cognitives.<\/p>\n
7. Exemple pratique 2 : Test unilat\u00e9ral \u00e0 droite en psychologie clinique<\/h2>\n7.1 \u00c9valuation de l’efficacit\u00e9 d’une th\u00e9rapie cognitivo-comportementale<\/h3>\n
En psychologie clinique empirique et en psychiatrie interventionnelle, les chercheurs \u00e9valuent l’efficacit\u00e9 de protocoles th\u00e9rapeutiques \u00e9mergents en les confrontant aux donn\u00e9es normatives issues d’\u00e9tudes ant\u00e9rieures d’histoire naturelle des pathologies. Envisageons ici une \u00e9tude consacr\u00e9e \u00e0 la r\u00e9mission du trouble d’anxi\u00e9t\u00e9 sociale s\u00e9v\u00e8re suite \u00e0 la mise en \u0153uvre d’un protocole innovant de th\u00e9rapie cognitivo-comportementale (TCC) de troisi\u00e8me vague int\u00e9grant l’exposition en r\u00e9alit\u00e9 virtuelle immersive et la pleine conscience attentionnelle.<\/p>\n
La litt\u00e9rature \u00e9pid\u00e9miologique et les m\u00e9ta-analyses contemporaines s’accordent pour fixer le taux moyen historique de r\u00e9mission spontan\u00e9e compl\u00e8te \u00e0 p0 = 0.30<\/em> (30 %) \u00e0 l’issue d’une p\u00e9riode de suivi de six mois pour des patients plac\u00e9s sur liste d’attente ou b\u00e9n\u00e9ficiant d’un simple suivi de soutien non structur\u00e9. L’\u00e9quipe m\u00e9dicale \u00e9value ce nouveau protocole sur une cohorte cons\u00e9cutive de 85 participants r\u00e9pondant aux crit\u00e8res diagnostiques standardis\u00e9s (n = 85<\/em>). L’ambition th\u00e9rapeutique et th\u00e9orique du projet est de prouver l’efficacit\u00e9 sup\u00e9rieure du nouveau traitement par rapport au cours naturel du trouble.<\/p>\nLa question scientifique pos\u00e9e n’est pas de d\u00e9terminer si le traitement induit une divergence quelconque, mais bien d’\u00e9tablir s’il \u00e9l\u00e8ve le taux de r\u00e9mission au-del\u00e0 du seuil de base. L’hypoth\u00e8se alternative de recherche est par nature directionnelle ascendante. En application des canons m\u00e9thodologiques, le mod\u00e8le formel s’\u00e9nonce :<\/p>\n
\n- Hypoth\u00e8se nulle : H0 : p <= 0.30<\/em> (le protocole n’am\u00e9liore pas le taux de r\u00e9mission historique)<\/li>\n
- Hypoth\u00e8se alternative : H1 : p > 0.30<\/em> (le protocole de TCC induit un taux de r\u00e9mission sup\u00e9rieur \u00e0 30 %)<\/li>\n<\/ul>\n
Au terme de la prise en charge de six mois, l’\u00e9valuation psychom\u00e9trique standardis\u00e9e r\u00e9v\u00e8le que 37 des 85 patients suivis manifestent une r\u00e9mission symptomatique stable et compl\u00e8te (x = 37<\/em>). La proportion empirique observ\u00e9e atteint ainsi p = 37 \/ 85 \u2248 0.4353<\/em> (43.53 %). Les crit\u00e8res de validit\u00e9 asymptotique sont v\u00e9rifi\u00e9s sans ambigu\u00eft\u00e9 : n * p0 = 85 * 0.30 = 25.5 >= 10<\/em>, et n * (1 – p0) = 85 * 0.70 = 59.5 >= 10<\/em>.<\/p>\n7.2 Param\u00e9trage sous R avec alternative = ‘greater’<\/h3>\n
Pour traduire fid\u00e8lement l’orientation directionnelle de l’hypoth\u00e8se sous le moteur computationnel de R, l’exp\u00e9rimentateur doit imp\u00e9rativement configurer l’argument alternative<\/em> sur la valeur textuelle \u00ab\u00a0greater\u00a0\u00bb. Cette syntaxe contraint l’algorithme \u00e0 projeter l’ensemble de la r\u00e9gion critique du rejet dans la queue sup\u00e9rieure droite de la distribution normale asymptotique. Le script R s’ex\u00e9cute selon l’instruction :<\/p>\nresultat_tcc <- prop.test(x = 37, n = 85, p = 0.30, alternative = \u00ab\u00a0greater\u00a0\u00bb, correct = FALSE)<\/p>\n
La console statistique R produit l’analyse d\u00e9taill\u00e9e suivante :<\/p>\n
1-sample proportions test without continuity correction
\n37 out of 85, null probability 0.3
\nX-squared = 7.4044, df = 1, p-value = 0.003251
\nalternative hypothesis: true p is greater than 0.3
\n95 percent confidence interval:
\n 0.3496924 1.0000000
\nsample estimates:
\n p
\n0.4352941<\/p>\n
L’observation attentive des r\u00e9sultats met en lumi\u00e8re une propri\u00e9t\u00e9 math\u00e9matique cruciale propre aux tests unilat\u00e9raux : la structure de l’intervalle de confiance renvoy\u00e9 n’est plus born\u00e9e des deux c\u00f4t\u00e9s. Puisque la r\u00e9gion critique se concentre unilat\u00e9ralement sur les grandes valeurs de probabilit\u00e9, l’intervalle de confiance calcul\u00e9 au niveau 95 % est unilat\u00e9ral : sa borne sup\u00e9rieure est math\u00e9matiquement verrouill\u00e9e \u00e0 1.0000, tandis que sa borne inf\u00e9rieure s’\u00e9tablit \u00e0 0.3497. La statistique Z manuellement extraite via la racine carr\u00e9e positive de la m\u00e9trique \u00ab\u00a0X-squared\u00a0\u00bb atteint Z = sqrt(7.4044) = +2.7211<\/em>.<\/p>\n7.3 Prise de d\u00e9cision m\u00e9thodologique et discussion des retomb\u00e9es<\/h3>\n
La statistique standardis\u00e9e observ\u00e9e (Z = +2.72<\/em>) outrepasse largement la valeur critique unilat\u00e9rale standard z_0.05 = +1.645<\/em>. Concomitamment, la probabilit\u00e9 critique calcul\u00e9e se monte \u00e0 p = 0.00325<\/em>. \u00c9tant tr\u00e8s significativement inf\u00e9rieure au seuil conventionnel de premi\u00e8re esp\u00e8ce alpha = 0.05<\/em>, cette valeur entra\u00eene la d\u00e9cision univoque de rejeter l’hypoth\u00e8se nulle H0<\/em> au b\u00e9n\u00e9fice de l’hypoth\u00e8se alternative de recherche.<\/p>\nL’intervalle de confiance unilat\u00e9ral \u00e0 95 % confirme que nous pouvons affirmer avec un degr\u00e9 de certitude de 95 % que le taux r\u00e9el de r\u00e9mission associ\u00e9 \u00e0 ce nouveau protocole clinique est au moins \u00e9gal \u00e0 34.97 %. \u00c9tant donn\u00e9 que cette borne inf\u00e9rieure exc\u00e8de de pr\u00e8s de 5 points de pourcentage le taux de r\u00e9f\u00e9rence historique de 30 %, le gain th\u00e9rapeutique appara\u00eet statistiquement indubitable.<\/p>\n
Dans la discussion des implications cliniques, cette validation quantitative justifie le d\u00e9ploiement d’essais cliniques randomis\u00e9s contr\u00f4l\u00e9s \u00e0 plus large \u00e9chelle. Toutefois, le chercheur prudent veillera \u00e0 rappeler que la l\u00e9gitimit\u00e9 th\u00e9orique d’un test unilat\u00e9ral d\u00e9pend imp\u00e9rativement d’un pr\u00e9-enregistrement formel du protocole de recherche. Si l’exp\u00e9rimentateur avait opt\u00e9 pour une formulation unilat\u00e9rale a posteriori, guid\u00e9 par la seule observation opportune d’une proportion empirique sup\u00e9rieure \u00e0 0.30, la d\u00e9marche constituerait une falsification m\u00e9thodologique majeure visant \u00e0 doubler artificiellement la p-valeur en r\u00e9duisant le seuil critique d’exclusion.<\/p>\n
8. Exemple pratique 3 : Petits \u00e9chantillons et test unilat\u00e9ral gauche avec binom.test()<\/h2>\n8.1 Sc\u00e9nario sur population rare : \u00e9tude d’un ph\u00e9notype comportemental<\/h3>\n
Il est de nombreuses situations en psychologie de la sant\u00e9, en psychiatrie infanto-juv\u00e9nile ou en neuropsychologie des traumatismes s\u00e9v\u00e8res o\u00f9 les cohortes accessibles sont intrins\u00e8quement r\u00e9duites par la raret\u00e9 des inclusions possibles ou la s\u00e9v\u00e9rit\u00e9 des profils cliniques. Consid\u00e9rons une recherche interventionnelle ultrabrief men\u00e9e aupr\u00e8s d’une unit\u00e9 sp\u00e9cialis\u00e9e accueillant des adolescents pr\u00e9sentant un comportement d’automutilation non suicidaire r\u00e9cidivant complexe.<\/p>\n
Les donn\u00e9es cliniques longitudinales indiquent que les adolescents r\u00e9pondant \u00e0 cette trajectoire comportementale pr\u00e9sentent un taux r\u00e9current de r\u00e9cidive \u00e0 court terme (trois mois post-crise) de p0 = 0.65<\/em> (65 %) lorsqu’ils sont soumis aux th\u00e9rapies de soutien g\u00e9n\u00e9riques usuelles. Une \u00e9quipe de psychiatrie universitaire introduit un module th\u00e9rapeutique intensif de r\u00e9gulation \u00e9motionnelle centr\u00e9 sur la tol\u00e9rance \u00e0 la d\u00e9tresse somatique. Au cours d’une p\u00e9riode de recrutement de quatorze mois, seuls 22 adolescents r\u00e9pondant aux crit\u00e8res diagnostiques stricts ont pu \u00eatre int\u00e9gr\u00e9s au protocole (n = 22<\/em>).<\/p>\nL’hypoth\u00e8se clinique postule que cette modalit\u00e9 th\u00e9rapeutique ultracibl\u00e9e permet de faire chuter la proportion de rechutes en de\u00e7\u00e0 du niveau de base. Le formalisme statistique s’articule donc autour d’un test unilat\u00e9ral orient\u00e9 \u00e0 gauche :<\/p>\n
\n- Hypoth\u00e8se nulle : H0 : p >= 0.65<\/em> (le taux de r\u00e9cidive sous le module intensif n’est pas inf\u00e9rieur au standard)<\/li>\n
- Hypoth\u00e8se alternative : H1 : p < 0.65<\/em> (le module th\u00e9rapeutique induit une baisse significative de la proportion de r\u00e9cidive)<\/li>\n<\/ul>\n
L’\u00e9valuation des crit\u00e8res de normalit\u00e9 asymptotique de Laplace-Gauss met imm\u00e9diatement en lumi\u00e8re l’inad\u00e9quation radicale du test Z standard : l’effectif th\u00e9orique d’\u00e9checs attendu sous l’hypoth\u00e8se nulle s’\u00e9l\u00e8ve \u00e0 n * (1 – p0) = 22 * (1 – 0.65) = 22 * 0.35 = 7.7<\/em>. Cette valeur \u00e9tant strictement inf\u00e9rieure au plancher imp\u00e9ratif de 10, le th\u00e9or\u00e8me central limite ne peut s’appliquer sans induire des biais d’approximation inacceptables. Le statisticien a l’obligation formelle de rejeter l’approximation normale pour mobiliser le test exact binomial.<\/p>\n8.2 Ex\u00e9cution script\u00e9e de binom.test() sous R<\/h3>\n
Au terme des trois mois de suivi post-intervention, le recensement empirique r\u00e9v\u00e8le que seuls 8 adolescents sur les 22 inclus ont manifest\u00e9 une r\u00e9cidive comportementale (x = 8<\/em>), soit une proportion observ\u00e9e de p = 8 \/ 22 \u2248 0.3636<\/em> (36.36 %). Pour tester cette r\u00e9duction sous le r\u00e9gime combinatoire exact, le chercheur fait appel \u00e0 la fonction binom.test()<\/strong> en configurant l’orientation \u00e0 gauche :<\/p>\nresultat_exact <- binom.test(x = 8, n = 22, p = 0.65, alternative = \u00ab\u00a0less\u00a0\u00bb)<\/p>\n
Le traitement algorithmique g\u00e9n\u00e8re dans la console R les donn\u00e9es textuelles suivantes :<\/p>\n
Exact binomial test
\n8 and 22
\nnumber of successes = 8, number of trials = 22, p-value = 0.005175
\nalternative hypothesis: true probability of success is less than 0.65
\n95 percent confidence interval:
\n 0.0000000 0.5564883
\nsample estimates:
\nprobability of success
\n 0.3636364<\/p>\n
La p-valeur de 0.005175 est d\u00e9riv\u00e9e directement par l’\u00e9valuation sommative de la distribution binomiale discr\u00e8te selon l’expression : P(X <= 8) pour une loi binomiale B(22, 0.65). Cette probabilit\u00e9 discr\u00e8te cumul\u00e9e s’obtient \u00e9galement sous R via la fonction de distribution pbinom(q = 8, size = 22, prob = 0.65), d\u00e9livrant la valeur rigoureusement identique de 0.00517548. L’intervalle de confiance exact unilat\u00e9ral de Clopper-Pearson indique que la probabilit\u00e9 r\u00e9elle de r\u00e9cidive ne d\u00e9passe pas 55.65 % avec une confiance statistique de 95 %.<\/p>\n
8.3 Mise en regard critique entre approximation Z et test exact<\/h3>\n
Pour illustrer de fa\u00e7on didactique les \u00e9cueils li\u00e9s \u00e0 une mauvaise s\u00e9lection de test, ex\u00e9cutons de fa\u00e7on comparative la fonction asymptotique prop.test()<\/strong> sur ce m\u00eame jeu de donn\u00e9es restreint :<\/p>\nprop_avec_yates <- prop.test(x = 8, n = 22, p = 0.65, alternative = \u00ab\u00a0less\u00a0\u00bb, correct = TRUE)
\nprop_sans_yates <- prop.test(x = 8, n = 22, p = 0.65, alternative = \u00ab\u00a0less\u00a0\u00bb, correct = FALSE)<\/p>\n
La comparaison des m\u00e9triques calcul\u00e9es r\u00e9v\u00e8le des disparit\u00e9s notables qui mettent en relief la sensibilit\u00e9 du traitement aux conditions d’\u00e9chantillonnage :<\/p>\n
\n- Test exact binomial : p = 0.005175<\/em><\/li>\n
- Test Z asymptotique avec correction de Yates : p = 0.008436<\/em><\/li>\n
- Test Z asymptotique sans correction de Yates : p = 0.002447<\/em><\/li>\n<\/ul>\n
L’examen de ces chiffres d\u00e9montre que l’omission de la correction de continuit\u00e9 engendre une sous-estimation massive de la p-valeur (qui passe de 0.0052 \u00e0 0.0024), amplifiant artificiellement la significativit\u00e9 du test de plus du double par rapport \u00e0 la v\u00e9rit\u00e9 combinatoire. Inversement, l’adjonction de la correction de Yates majore la p-valeur \u00e0 0.0084 en raison du conservatisme inh\u00e9rent \u00e0 cette technique. Dans les deux cas, l’approximation normale produit un r\u00e9sultat d\u00e9viant de la probabilit\u00e9 exacte.<\/p>\n
Dans les publications scientifiques \u00e0 haut facteur d’impact en psychologie clinique, l’emploi de prop.test()<\/strong> lorsque n <= 30<\/em> ou lorsque les effectifs attendus sont inf\u00e9rieurs \u00e0 10 est syst\u00e9matiquement sanctionn\u00e9 par les r\u00e9viseurs m\u00e9thodologiques. L’adoption de binom.test()<\/strong> s’impose ainsi comme l’unique d\u00e9marche garante de l’int\u00e9grit\u00e9 de la d\u00e9cision inf\u00e9rentielle.<\/p>\n9. Interpr\u00e9tation avanc\u00e9e des sorties R et reporting aux normes acad\u00e9miques<\/h2>\n9.1 D\u00e9composition exhaustive des \u00e9l\u00e9ments de l’objet htest<\/h3>\n
L’interrogation programmatique d’un objet issu de prop.test()<\/strong> ou binom.test()<\/strong> n\u00e9cessite une compr\u00e9hension fine de la structure de donn\u00e9es htest<\/strong> (hypothesis test), standardis\u00e9e au sein du noyau de R. Lorsqu’un utilisateur assigne la sortie d’un test \u00e0 un objet tel que fit <- prop.test(…), ce conteneur renferme une liste nomm\u00e9e de composants vectoriels et scalaires hautement informatifs :<\/p>\n\n- fit$statistic :<\/strong> Renvoie la valeur num\u00e9rique scalaire de la statistique du test. Pour prop.test()<\/strong>, il s’agit de la valeur du Chi-carr\u00e9 de Pearson (\u00ab\u00a0X-squared\u00a0\u00bb). Pour en d\u00e9duire la m\u00e9trique Z, le chercheur doit en calculer la racine carr\u00e9e et lui r\u00e9assigner le signe d’orientation empirique.<\/li>\n
- fit$parameter :<\/strong> Sp\u00e9cifie les degr\u00e9s de libert\u00e9 associ\u00e9s \u00e0 la distribution asymptotique de r\u00e9f\u00e9rence (toujours fix\u00e9 \u00e0 1 pour un test sur une proportion unique).<\/li>\n
- fit$p.value :<\/strong> D\u00e9livre la probabilit\u00e9 critique exacte associ\u00e9e \u00e0 la statistique observ\u00e9e, conditionnellement \u00e0 l’hypoth\u00e8se nulle.<\/li>\n
- fit$conf.int :<\/strong> Contient un vecteur num\u00e9rique de longueur deux mat\u00e9rialisant les bornes inf\u00e9rieure et sup\u00e9rieure de l’intervalle de confiance au seuil d\u00e9fini par conf.level. L’objet poss\u00e8de un attribut d’\u00e9chelle accessible via attr(fit$conf.int, \u00ab\u00a0conf.level\u00a0\u00bb).<\/li>\n
- fit$estimate :<\/strong> Fournit la valeur ponctuelle de la proportion empirique d’\u00e9chantillon p = x \/ n<\/em>.<\/li>\n
- fit$null.value :<\/strong> Rappelle la proportion th\u00e9orique d’ad\u00e9quation p0<\/em> sp\u00e9cifi\u00e9e lors de l’appel du test.<\/li>\n
- fit$alternative :<\/strong> Cha\u00eene de caract\u00e8res documentant la nature directionnelle du test (\u00ab\u00a0two.sided\u00a0\u00bb, \u00ab\u00a0greater\u00a0\u00bb, ou \u00ab\u00a0less\u00a0\u00bb).<\/li>\n
- fit$method :<\/strong> Description textuelle compl\u00e8te de la m\u00e9thodologie algorithmique mobilis\u00e9e (ex. \u00ab\u00a01-sample proportions test with continuity correction\u00a0\u00bb).<\/li>\n<\/ul>\n
Il est capital de noter que l’intervalle de confiance g\u00e9n\u00e9r\u00e9 par la routine prop.test()<\/strong> n’est pas le classique et fragile intervalle de Wald, mais l’intervalle de score de Wilson, r\u00e9put\u00e9 pour son excellente couverture empirique y compris \u00e0 proximit\u00e9 des fronti\u00e8res probabilistes.<\/p>\n9.2 R\u00e9daction formelle des r\u00e9sultats selon les normes APA (7e \u00e9dition)<\/h3>\n
L’Association Am\u00e9ricaine de Psychologie (APA) impose des directives r\u00e9dactionnelles d’une extr\u00eame pr\u00e9cision pour rapporter les r\u00e9sultats des tests d’ad\u00e9quation de proportions au sein des manuscrits empiriques (normes APA 7e \u00e9dition). Les conventions typographiques exigent la mise en italique des symboles statistiques latins (Z<\/em>, p<\/em>, n<\/em>), la mention imp\u00e9rative de la taille globale de l’\u00e9chantillon, la valeur exacte de la statistique de test Z (ou du Chi-carr\u00e9 associ\u00e9), la directionnalit\u00e9 du test et les bornes compl\u00e8tes de l’intervalle de confiance.<\/p>\nConsid\u00e9rons l’exemple neuropsychologique trait\u00e9 \u00e0 la section 6 (x = 78, n = 120, p0 = 0.50<\/em>). La transcription textuelle formalis\u00e9e selon les standards APA s’articule selon la structure suivante :<\/p>\n\u00ab Une analyse d’ad\u00e9quation de proportion pour \u00e9chantillon unique a \u00e9t\u00e9 r\u00e9alis\u00e9e afin de comparer le taux de cat\u00e9gorisation affective correcte des patients prosopagnosiques au seuil du hasard (p0 = 0.50). La proportion observ\u00e9e au sein de notre \u00e9chantillon (p = 0.65, n = 120) s’av\u00e8re significativement sup\u00e9rieure au niveau de performance al\u00e9atoire, Z = 3.29, p = .001, IC \u00e0 95 % [0.56, 0.73]. La taille de l’effet standardis\u00e9e correspond \u00e0 un h de Cohen de 0.31, t\u00e9moignant d’un effet d’amplitude moyenne. \u00bb<\/em><\/p>\nSi le chercheur fait le choix de rapporter la statistique originelle du Chi-carr\u00e9 renvoy\u00e9e par R :<\/p>\n
\u00ab Le test de proportion d’ad\u00e9quation sans correction de continuit\u00e9 indique que la proportion observ\u00e9e (65.0 %, 78\/120) d\u00e9vie significativement de l’attente th\u00e9orique de 50.0 %, Chi-carr\u00e9(1, N = 120) = 10.80, p = .001, IC \u00e0 95 % [0.56, 0.73]. \u00bb<\/em><\/p>\nLes r\u00e8gles de typographie imposent d’omettre le z\u00e9ro initial devant la p-valeur (\u00e9crire p = .001<\/em> et non p = 0.001<\/em>) car une probabilit\u00e9 ne peut par d\u00e9finition jamais exc\u00e9der l’unit\u00e9. En cas de p-valeur extr\u00eamement t\u00e9nue inf\u00e9rieure au milli\u00e8me, la notation sera standardis\u00e9e sous la forme p < .001<\/em>.<\/p>\n9.3 Mesures de taille d’effet associ\u00e9es \u00e0 la proportion unique<\/h3>\n
La significativit\u00e9 statistique mesur\u00e9e par la p-valeur d\u00e9pend intimement de la taille de l’\u00e9chantillon : avec un effectif suffisamment massif, un \u00e9cart infime et cliniquement d\u00e9nu\u00e9 de sens entre p<\/em> et p0<\/em> atteindra in\u00e9vitablement le seuil de significativit\u00e9 conventionnel. L’\u00e9valuation scientifique impose donc de quantifier l’amplitude brute et standardis\u00e9e de la d\u00e9viation ind\u00e9pendamment du volume de donn\u00e9es. La m\u00e9trique de taille d’effet standardis\u00e9e de r\u00e9f\u00e9rence pour une proportion unique est le h de Cohen<\/strong>.<\/p>\nLa formulation alg\u00e9brique du h de Cohen repose sur une transformation stabilisatrice de la variance via la fonction arc-sinus de la racine carr\u00e9e :<\/p>\n
h = 2 * arcsin(sqrt(p)) – 2 * arcsin(sqrt(p0))<\/em><\/p>\nCette transformation trigonom\u00e9trique \u00e9galise la m\u00e9trique d’impact tout au long du spectre probabiliste, conf\u00e9rant la m\u00eame importance th\u00e9orique \u00e0 un \u00e9cart de 0.05 intervenant pr\u00e8s d’une fronti\u00e8re (ex. entre 0.01 et 0.06) qu’\u00e0 un \u00e9cart intervenant au centre (ex. entre 0.45 et 0.50). Sous l’\u00e9cosyst\u00e8me R, cette m\u00e9trique se calcule au moyen du package sp\u00e9cialis\u00e9 pwr<\/strong> via l’instruction ES.h(p1 = 0.65, p2 = 0.50). Les conventions heuristiques formul\u00e9es originellement par Jacob Cohen d\u00e9finissent les seuils d’interpr\u00e9tation suivants :<\/p>\n\n- |h| = 0.20 :<\/em> Effet de petite amplitude (d\u00e9viation subtile difficilement perceptible \u00e0 l’\u0153il nu).<\/li>\n
- |h| = 0.50 :<\/em> Effet d’amplitude moyenne (diff\u00e9rence cliniquement pertinente et visible).<\/li>\n