Dans le paysage contemporain de la recherche quantitative et de la science des donn\u00e9es, l’inf\u00e9rence statistique constitue la cl\u00e9 de vo\u00fbte permettant de transcender la simple description d’un \u00e9chantillon pour formuler des conclusions g\u00e9n\u00e9ralisables \u00e0 une population parente. Parmi la panoplie des outils inf\u00e9rentiels d\u00e9velopp\u00e9s depuis le d\u00e9but du XXe si\u00e8cle, le test Z pour une proportion occupe une place pr\u00e9pond\u00e9rante d\u00e8s lors qu’il s’agit d’analyser des variables cat\u00e9gorielles dichotomiques. Qu’il s’agisse d’\u00e9valuer le taux d’efficacit\u00e9 d’un protocole d’intervention psychoth\u00e9rapeutique, d’analyser l’adh\u00e9sion \u00e0 un traitement pharmacologique, ou de sonder la r\u00e9ussite \u00e0 une \u00e9preuve cognitive standardis\u00e9e, les chercheurs sont constamment confront\u00e9s \u00e0 la n\u00e9cessit\u00e9 d’\u00e9prouver la conformit\u00e9 d’une fr\u00e9quence observ\u00e9e empiriquement par rapport \u00e0 une valeur th\u00e9orique de r\u00e9f\u00e9rence, fix\u00e9e a priori par des cadres normatifs ou des postulats probabilistes.<\/p>\n
Sur le plan computationnel, le langage de programmation Python<\/a> s’est affirm\u00e9 comme l’environnement h\u00e9g\u00e9monique pour l’analyse de donn\u00e9es scientifiques, gr\u00e2ce \u00e0 un \u00e9cosyst\u00e8me modulaire particuli\u00e8rement riche comprenant des biblioth\u00e8ques de r\u00e9f\u00e9rence telles que NumPy, SciPy et Statsmodels. Toutefois, la facilit\u00e9 d’ex\u00e9cution offerte par les interfaces de programmation modernes ne saurait dissimuler les exigences math\u00e9matiques et \u00e9pist\u00e9mologiques sous-jacentes \u00e0 leur d\u00e9ploiement. L’usage aveugle de routines logicielles expose le praticien \u00e0 des erreurs d’interpr\u00e9tation m\u00e9thodologiques s\u00e9v\u00e8res, notamment lorsque les conditions de validit\u00e9 asymptotiques sont enfreintes ou lorsque la nature des hypoth\u00e8ses directionnelles est mal articul\u00e9e avec les objectifs de recherche.<\/p>\n Le pr\u00e9sent article propose un trait\u00e9 m\u00e9thodologique exhaustif sur le test Z pour une proportion unique. Nous explorerons les fondements th\u00e9oriques enracin\u00e9s dans la th\u00e9orie des probabilit\u00e9s et le th\u00e9or\u00e8me central limite, avant de d\u00e9tailler la formulation rigoureuse des hypoth\u00e8ses statistiques et l’examen critique des postulats pr\u00e9alables. Nous aborderons ensuite la d\u00e9rivation analytique de la statistique de test, les subtilit\u00e9s de la correction de continuit\u00e9, puis la mise en \u0153uvre pratique via l’\u00e9cosyst\u00e8me Python. Enfin, nous traiterons des m\u00e9thodes d’estimation par intervalle de confiance, du calcul de la taille d’effet par le h<\/em> de Cohen, ainsi que des normes acad\u00e9miques de restitution selon les canons de l’American Psychological Association<\/a> (APA 7).<\/p>\n Le test Z pour une proportion unique, fr\u00e9quemment d\u00e9sign\u00e9 sous l’appellation anglo-saxonne de one-proportion Z-test<\/em>, est un test param\u00e9trique asymptotique con\u00e7u pour d\u00e9terminer si la fr\u00e9quence relative observ\u00e9e d’un \u00e9v\u00e9nement binaire au sein d’un \u00e9chantillon al\u00e9atoire diff\u00e8re de mani\u00e8re statistiquement significative d’une valeur param\u00e9trique th\u00e9orique ou historique, not\u00e9e $p_0$<\/span>. Dans les sciences du comportement, en psychologie cognitive et en \u00e9pid\u00e9miologie psychiatrique, ce dispositif est sollicit\u00e9 pour \u00e9valuer des crit\u00e8res d’ad\u00e9quation diagnostique, des taux de pr\u00e9valence clinique ou des fr\u00e9quences de succ\u00e8s \u00e0 des t\u00e2ches neuropsychologiques \u00e0 choix forc\u00e9.<\/p>\n Sur le plan formel, la mod\u00e9lisation sous-jacente repose sur la formalisation de Jacob Bernoulli. Chaque unit\u00e9 statistique observ\u00e9e $i$<\/span> (avec $i in {1, dots, n}$<\/span>) est assimil\u00e9e \u00e0 une variable al\u00e9atoire indicatrice $X_i$<\/span>, suivant une loi de Bernoulli de param\u00e8tre $p$<\/span>, o\u00f9 $X_i = 1$<\/span> mat\u00e9rialise l’occurrence de l’\u00e9v\u00e9nement \u00e9tudi\u00e9 (le \u00ab succ\u00e8s \u00bb) avec une probabilit\u00e9 $p$<\/span>, et $X_i = 0$<\/span> son alternative (l’\u00ab \u00e9chec \u00bb) avec une probabilit\u00e9 $q = 1 – p$<\/span>. Lorsque les observations sont ind\u00e9pendantes et identiquement distribu\u00e9es, la somme de ces variables al\u00e9atoires, $Y = \\sum_{i=1}^n X_i$<\/span>, suit une loi binomiale de param\u00e8tres $n$<\/span> et $p$<\/span>, not\u00e9e $\\mathcal{B}(n, p)$<\/span>. La proportion empirique observ\u00e9e s’exprime alors par le quotient $\\hat{p} = \\frac{Y}{n}$<\/span>.<\/p>\n Bien que la distribution binomiale fournisse la distribution exacte du nombre de succ\u00e8s, le calcul combinatoire associ\u00e9 \u00e0 des effectifs d’\u00e9chantillon massifs a historiquement justifi\u00e9 le recours \u00e0 des approximations continues. La pierre angulaire du test Z r\u00e9side dans la convergence asymptotique de cette distribution discr\u00e8te vers une distribution normale continue, formalis\u00e9e initialement par Abraham de Moivre en 1738 puis g\u00e9n\u00e9ralis\u00e9e par Pierre-Simon de Laplace en 1812. Lorsque la taille d’\u00e9chantillon $n$<\/span> tend vers l’infini, la variable centr\u00e9e et r\u00e9duite issue de la proportion empirique converge en loi vers la distribution normale standard $\\mathcal{N}(0, 1)$<\/span>, autorisant l’utilisation des quantiles de cette derni\u00e8re pour inf\u00e9rer la significativit\u00e9 statistique des d\u00e9viations observ\u00e9es.<\/p>\n L’assise math\u00e9matique de l’inf\u00e9rence sur une proportion s’articule autour de deux th\u00e9or\u00e8mes fondamentaux de la th\u00e9orie des probabilit\u00e9s : la loi forte des grands nombres et le th\u00e9or\u00e8me central limite<\/a> (TCL). La loi des grands nombres assure la coh\u00e9rence asymptotique de l’estimateur : lorsque la taille d’\u00e9chantillon $n$<\/span> cro\u00eet ind\u00e9finiment, la moyenne empirique $\\hat{p}_n$<\/span> converge presque s\u00fbrement vers l’esp\u00e9rance math\u00e9matique th\u00e9orique du processus de Bernoulli sous-jacent, soit le param\u00e8tre $p$<\/span>. Cette propri\u00e9t\u00e9 garantit que pour de grands \u00e9chantillons, la proportion observ\u00e9e constitue un estimateur sans biais et convergent de la probabilit\u00e9 populationnelle.<\/p>\n N\u00e9anmoins, la convergence ponctuelle ne suffit pas \u00e0 quantifier l’incertitude d’\u00e9chantillonnage. C’est ici qu’intervient le th\u00e9or\u00e8me de Moivre-Laplace, cas particulier du th\u00e9or\u00e8me central limite appliqu\u00e9 aux variables d’indicatrices binaires somm\u00e9es. Puisque les variables $X_i$<\/span> sont ind\u00e9pendantes et identiquement distribu\u00e9es avec une esp\u00e9rance $\\mathbb{E}[X_i] = p$<\/span> et une variance finie $\\mathbb{V}ar(X_i) = p(1-p)$<\/span>, la somme standardis\u00e9e v\u00e9rifie la relation asymptotique :<\/p>\n $$\\lim_{n to \\infty} P\\left( a le \\frac{\\sum_{i=1}^n X_i – np}{\\sqrt{np(1-p)}} le b \\right) = \\int_{a}^{b} \\frac{1}{\\sqrt{2\\pi}} e^{-\\frac{u^2}{2}} , du$$<\/span><\/p>\n Cette convergence impose toutefois une vigilance m\u00e9thodologique constante. L’approximation de la distribution discr\u00e8te binomiale par une densit\u00e9 gaussienne continue est intrins\u00e8quement sym\u00e9trique par rapport \u00e0 sa moyenne. Or, si le param\u00e8tre sous-jacent $p$<\/span> est fortement asym\u00e9trique (tr\u00e8s proche de 0 ou de 1), la distribution binomiale conserve une asym\u00e9trie positive ou n\u00e9gative prononc\u00e9e (coefficient d’asym\u00e9trie de Fisher $\\gamma_1 = \\frac{1-2p}{\\sqrt{np(1-p)}}$<\/span>). Pour de faibles tailles d’\u00e9chantillon, le th\u00e9or\u00e8me central limite op\u00e8re lentement, et la distribution d’\u00e9chantillonnage de $\\hat{p}$<\/span> pr\u00e9sente une queue de distribution tronqu\u00e9e qui invalide le recours aux quantiles gaussiens sym\u00e9triques.<\/p>\n Une rigueur m\u00e9thodologique sans faille exige de distinguer sans ambigu\u00eft\u00e9 le test Z pour une proportion de ses alternatives analytiques, notamment le test binomial exact et le test d’ad\u00e9quation du Chi-deux de Pearson ($\\chi^2$<\/span>). Le test binomial exact ne repose sur aucune hypoth\u00e8se asymptotique ; il calcule directement la probabilit\u00e9 cumulative d’observer un nombre de succ\u00e8s au moins aussi extr\u00eame que le r\u00e9sultat empirique en sommant les probabilit\u00e9s ponctuelles discr\u00e8tes donn\u00e9es par la fonction de masse de la loi binomiale. Le test binomial constitue le gold standard<\/em> m\u00e9thodologique pour les petits \u00e9chantillons ($n < 30$) ou en pr\u00e9sence de fr\u00e9quences de cellules attendues tr\u00e8s faibles, car il ne g\u00e9n\u00e8re aucune erreur d'approximation distributionnelle.<\/p>\n Le test du Chi-deux d’ad\u00e9quation pour une variable cat\u00e9gorielle dichotomique repr\u00e9sente, quant \u00e0 lui, le pendant quadratique exact du test Z bilat\u00e9ral. En effet, lorsqu’on compare une variable binaire \u00e0 une distribution th\u00e9orique $(p_0, 1-p_0)$<\/span>, la statistique de test $\\chi^2$<\/span> calcul\u00e9e sur deux classes mutuellement exclusives avec un seul degr\u00e9 de libert\u00e9 ($ddl = 1$<\/span>) est rigoureusement \u00e9gale au carr\u00e9 de la statistique Z standardis\u00e9e : $\\chi^2_{1} = Z^2$<\/span>. La table de distribution du $\\chi^2$<\/span> \u00e0 1 degr\u00e9 de libert\u00e9 n’\u00e9tant autre que la distribution du carr\u00e9 d’une variable normale centr\u00e9e r\u00e9duite, les deux approches g\u00e9n\u00e8rent des $p$<\/span>-valeurs strictement identiques pour une hypoth\u00e8se alternative bilat\u00e9rale.<\/p>\n Le choix en faveur du test Z se justifie principalement par deux propri\u00e9t\u00e9s fondamentales. D’une part, le test Z permet d’examiner directement des hypoth\u00e8ses alternatives unilat\u00e9rales (directionnelles), ce que la statistique quadratique du Chi-deux ne permet pas sans ajustement manuel ult\u00e9rieur de la $p$<\/span>-valeur. D’autre part, la statistique Z conserve le signe de la d\u00e9viation empirique, informant imm\u00e9diatement le chercheur sur le sens de la divergence (sur-repr\u00e9sentation ou sous-repr\u00e9sentation) sans n\u00e9cessiter de d\u00e9composition computationnelle additionnelle.<\/p>\n La formalisation rigoureuse de la proc\u00e9dure inf\u00e9rentielle d\u00e9bute par l’\u00e9nonciation de l’hypoth\u00e8se nulle, not\u00e9e conventionnellement $H_0$<\/span>. Dans le cadre du test Z pour une proportion unique, $H_0$<\/span> postule l’invariance ou la conformit\u00e9 parfaite entre le param\u00e8tre inconnu de la population parente, not\u00e9 $p$<\/span>, et une valeur scalaire pr\u00e9d\u00e9termin\u00e9e, not\u00e9e $p_0$<\/span>. L’hypoth\u00e8se nulle s’\u00e9crit formellement sous la forme :<\/p>\n $$H_0 : p = p_0$$<\/span><\/p>\n La valeur de r\u00e9f\u00e9rence $p_0$<\/span> ne peut en aucun cas \u00eatre d\u00e9duite de l’\u00e9chantillon analys\u00e9 sous peine de commettre une erreur circulaire fatale. Elle doit n\u00e9cessairement proc\u00e9der d’un cadre th\u00e9orique externalis\u00e9, d’une norme psychom\u00e9trique pr\u00e9\u00e9tablie, ou de donn\u00e9es de pr\u00e9valence \u00e9pid\u00e9miologique document\u00e9es au niveau national. Par exemple, dans une \u00e9preuve cognitive \u00e0 choix forc\u00e9 entre deux alternatives \u00e9quiprobables, le niveau du hasard dicte rigoureusement $p_0 = 0.50$<\/span>. En \u00e9pid\u00e9miologie psychiatrique, $p_0$<\/span> peut repr\u00e9senter le taux d’incidence annuel standard d’un trouble anxieux au sein de la population g\u00e9n\u00e9rale (par exemple, $p_0 = 0.08$<\/span>).<\/p>\n Sous l’hypoth\u00e8se nulle, le postulat fondamental stipule que l’\u00e9chantillon observ\u00e9 constitue une r\u00e9alisation stochastique issue d’une population binomiale dont le param\u00e8tre de succ\u00e8s est invariant et exactement \u00e9gal \u00e0 $p_0$<\/span>. Toute divergence observ\u00e9e entre $\\hat{p}$<\/span> et $p_0$<\/span> est ainsi provisoirement imput\u00e9e aux seules fluctuations al\u00e9atoires d’\u00e9chantillonnage, jusqu’\u00e0 ce que la preuve empirique r\u00e9fute cette pr\u00e9misse avec un niveau d’erreur consenti.<\/p>\n L’hypoth\u00e8se alternative, not\u00e9e $H_1$<\/span> ou $H_a$<\/span>, d\u00e9finit la r\u00e9gion de l’espace param\u00e9trique qui sera accept\u00e9e si l’hypoth\u00e8se nulle vient \u00e0 \u00eatre rejet\u00e9e. La formulation de $H_1$<\/span> d\u00e9coule directement des questions \u00e9pist\u00e9mologiques et th\u00e9oriques pos\u00e9es par l’investigateur pr\u00e9alablement \u00e0 la collecte des donn\u00e9es. On distingue trois configurations structurelles : l’approche bilat\u00e9rale et deux approches unilat\u00e9rales.<\/p>\n La formulation bilat\u00e9rale (ou non directionnelle) est sp\u00e9cifi\u00e9e lorsque le chercheur cherche \u00e0 d\u00e9tecter toute anomalie ou d\u00e9viation significative de la proportion empirique, que celle-ci soit sup\u00e9rieure ou inf\u00e9rieure \u00e0 la norme de r\u00e9f\u00e9rence :<\/p>\n $$H_1 : p \\neq p_0$$<\/span><\/p>\n Dans ce sc\u00e9nario, la r\u00e9gion critique de rejet de taille $\\alpha$<\/span> est \u00e9quitablement partitionn\u00e9e entre les deux extr\u00e9mit\u00e9s de la distribution normale standard, allouant une probabilit\u00e9 $alpha\/2$<\/span> \u00e0 la queue gauche et $alpha\/2$<\/span> \u00e0 la queue droite. \u00c0 l’inverse, une formulation unilat\u00e9rale \u00e0 droite (directionnelle sup\u00e9rieure) est retenue lorsqu’une justification th\u00e9orique forte permet de postuler a priori que la proportion ne peut qu’augmenter sous l’effet du ph\u00e9nom\u00e8ne \u00e9tudi\u00e9 :<\/p>\n $$H_1 : p > p_0$$<\/span><\/p>\n Sym\u00e9triquement, l’approche unilat\u00e9rale \u00e0 gauche (directionnelle inf\u00e9rieure) teste une d\u00e9croissance ou une r\u00e9gression syst\u00e9matique :<\/p>\n $$H_1 : p < p_0$$<\/span><\/p>\n Le choix directionnel exerce un impact d\u00e9terminant sur la puissance statistique de l’\u00e9tude. Pour un seuil d’erreur de premi\u00e8re esp\u00e8ce identique (par exemple $\\alpha = 0.05$<\/span>), le test unilat\u00e9ral concentre l’int\u00e9gralit\u00e9 de la r\u00e9gion de rejet \u00e0 une seule extr\u00e9mit\u00e9 de la distribution normale (valeur critique $z_{crit} = 1.645$<\/span> au lieu de $z_{crit} = 1.96$<\/span> en bilat\u00e9ral). Cette concentration abaisse le seuil de significativit\u00e9 requis pour rejeter $H_0$<\/span> dans la direction pr\u00e9dite, mais rend formellement impossible la d\u00e9tection d’une variation majeure survenant dans le sens oppos\u00e9. Ce choix engage donc la responsabilit\u00e9 th\u00e9orique du chercheur et doit obligatoirement \u00eatre sp\u00e9cifi\u00e9 dans le plan d’analyse pr\u00e9-enregistr\u00e9.<\/p>\n Consid\u00e9rons une \u00e9tude clinique \u00e9valuant l’efficacit\u00e9 d’un nouveau protocole de rem\u00e9diation cognitive pour des patients pr\u00e9sentant un trouble de stress post-traumatique (TSPT). La litt\u00e9rature psychiatrique \u00e9tablie atteste qu’avec les th\u00e9rapies conventionnelles de soutien, le taux de r\u00e9mission stable \u00e0 six mois est de $p_0 = 0.35$<\/span> (soit 35 %). Une \u00e9quipe de recherche con\u00e7oit un protocole combinant r\u00e9alit\u00e9 virtuelle et th\u00e9rapie cognitive, et postule que ce nouveau dispositif am\u00e9liore substantiellement le taux de r\u00e9mission. Avant tout recueil de donn\u00e9es, les hypoth\u00e8ses op\u00e9rationnelles sont formalis\u00e9es comme suit :<\/p>\n $$H_0 : p = 0.35$$<\/span><\/p>\n $$H_1 : p > 0.35$$<\/span><\/p>\n Cette formalisation unilat\u00e9rale sup\u00e9rieure est justifi\u00e9e par la perspective d’un b\u00e9n\u00e9fice th\u00e9rapeutique attendu. Si la recherche avait en revanche port\u00e9 sur l’\u00e9valuation d’un nouvel outil de d\u00e9pistage automatis\u00e9 dont on ignore s’il surestime ou sous-estime la pr\u00e9valence habituelle d’un trouble au sein d’une cohorte clinique non explor\u00e9e, le cadre bilat\u00e9ral $H_1 : p \\neq 0.35$<\/span> se serait impos\u00e9 comme le seul choix \u00e9pist\u00e9mologiquement d\u00e9fendable. La rigueur scientifique interdit rigoureusement de modifier la directionnalit\u00e9 de l’hypoth\u00e8se apr\u00e8s examen des donn\u00e9es empiriques, pratique assimilable \u00e0 du HARKing<\/em> (Hypothesizing After the Results are Known) susceptible de gonfler dramatiquement l’erreur de premi\u00e8re esp\u00e8ce.<\/p>\n La validit\u00e9 interne et externe des inf\u00e9rences tir\u00e9es d’un test Z repose imp\u00e9rativement sur le respect de postulats m\u00e9thodologiques d’\u00e9chantillonnage. Le premier r\u00e9quisit exige que les unit\u00e9s statistiques soient issues d’un \u00e9chantillonnage al\u00e9atoire simple au sein de la population cible. Chaque individu doit poss\u00e9der une probabilit\u00e9 d’inclusion non nulle et connue a priori, excluant les biais de s\u00e9lection syst\u00e9matiques inh\u00e9rents aux \u00e9chantillons de convenance non contr\u00f4l\u00e9s.<\/p>\n Le second r\u00e9quisit, absolu et non n\u00e9gociable, est l’ind\u00e9pendance mutuelle stricte des observations. En termes probabilistes, la probabilit\u00e9 conjointe de survenue des \u00e9v\u00e9nements observ\u00e9s doit satisfaire la d\u00e9composition factorielle :<\/p>\n $$P(X_1 = x_1, X_2 = x_2, dots, X_n = x_n) = \\prod_{i=1}^n P(X_i = x_i)$$<\/span><\/p>\n Cette condition interdit l’utilisation du test Z pour une proportion sur des mesures r\u00e9p\u00e9t\u00e9es effectu\u00e9es sur les m\u00eames sujets (par exemple, tests pr\u00e9- et post-intervention), des donn\u00e9es appari\u00e9es, ou des sujets interconnect\u00e9s au sein de r\u00e9seaux sociaux ou de grappes familiales sans correction de structure multiniveau. Enfin, lorsque le tirage s’effectue sans remise dans une population finie de taille $N$<\/span>, l’ind\u00e9pendance stricte des tirages de Bernoulli est viol\u00e9e car la composition de l’urne \u00e9volue \u00e0 chaque tirage (gouvern\u00e9 alors par la loi hyperg\u00e9om\u00e9trique). On admet conventionnellement que l’approximation binomiale demeure robuste tant que la fraction de sondage reste inf\u00e9rieure \u00e0 10 % de la population totale : $\\frac{n}{N} le 0.10$<\/span>.<\/p>\n L’utilisation de la loi normale comme approximation de la loi binomiale n\u00e9cessite que la distribution d’\u00e9chantillonnage de la statistique de test pr\u00e9sente une dispersion et une sym\u00e9trie suffisantes pour limiter la distorsion d’arrondi infinit\u00e9simal. Cette exigence est formalis\u00e9e par la classique \u00ab condition des succ\u00e8s et des \u00e9checs \u00bb, qui stipule que le nombre attendu d’occurrences favorables et le nombre attendu d’occurrences d\u00e9favorables sous l’hypoth\u00e8se nulle doivent chacun atteindre un seuil minimal de s\u00e9curit\u00e9 empirique :<\/p>\n $$n p_0 ge 10 \\quad \\text{et} \\quad n (1 – p_0) ge 10$$<\/span><\/p>\n Il convient de souligner avec la plus grande fermet\u00e9 que cette v\u00e9rification doit obligatoirement s’op\u00e9rer sur les fr\u00e9quences attendues<\/em> sous $H_0$<\/span> ($n p_0$<\/span>), et non sur les fr\u00e9quences observ\u00e9es dans l’\u00e9chantillon ($n \\hat{p}$<\/span>), bien que certains manuels \u00e9l\u00e9mentaires confondent parfois ces deux entit\u00e9s. En effet, la statistique de test Z est d\u00e9riv\u00e9e sous la supposition explicite de la v\u00e9racit\u00e9 de $H_0$<\/span>.<\/p>\n Si certains auteurs particuli\u00e8rement permissifs tol\u00e8rent historiquement un seuil de 5 succ\u00e8s et 5 \u00e9checs attendus, les \u00e9tudes par simulations de Monte Carlo d\u00e9montrent sans \u00e9quivoque qu’un seuil minimal de 10 \u2014 voire de 15 lorsque $p_0$<\/span> s’\u00e9carte substantiellement de 0.50 \u2014 est indispensable pour garantir que le taux d’erreur de premi\u00e8re esp\u00e8ce empirique ($\\alpha_{e\\mp}$<\/span>) ne d\u00e9passe pas la valeur nominale fix\u00e9e (typiquement 5 %). La transgression de ce postulat conduit \u00e0 un sous-dimensionnement des queues de distribution, ce qui engendre un taux d’erreurs de type I excessif.<\/p>\n Lorsque le param\u00e8tre de r\u00e9f\u00e9rence $p_0$<\/span> adopte des valeurs ultra-minoritaires (par exemple dans le d\u00e9pistage de pathologies orphelines o\u00f9 $p_0 = 0.005$<\/span>) ou ultra-majoritaires ($p_0 = 0.995$<\/span>), la condition des succ\u00e8s-\u00e9checs impose des tailles d’\u00e9chantillon monumentales pour l\u00e9gitimer le test Z standard. Dans le premier cas, satisfaire $n p_0 ge 10$<\/span> requerrait un effectif minimal de $n = \\frac{10}{0.005} = 2000$<\/span> sujets.<\/p>\n Face \u00e0 des \u00e9chantillons limit\u00e9s en pr\u00e9sence de probabilit\u00e9s asym\u00e9triques, l’approximation normale s’effondre litt\u00e9ralement : l’asym\u00e9trie de la loi binomiale produit des $p$<\/span>-valeurs asym\u00e9triques biais\u00e9es qui faussent radicalement la prise de d\u00e9cision inf\u00e9rentielle. Dans de telles circonstances, le chercheur doit renoncer au test Z param\u00e9trique standard au profit de deux alternatives rigoureuses :<\/p>\n La statistique du test Z standardis\u00e9 pour une proportion unique op\u00e9rationnalise le principe de l’\u00e9cart r\u00e9duit universel : elle quantifie le rapport entre l’erreur empirique observ\u00e9e (la d\u00e9viation du signal) et la variabilit\u00e9 al\u00e9atoire d’\u00e9chantillonnage pr\u00e9dite sous le mod\u00e8le th\u00e9orique (le bruit de fond). L’expression alg\u00e9brique canonique est d\u00e9finie par :<\/p>\n $$Z = \\frac{\\hat{p} – p_0}{\\sigma_{\\hat{p}}} = \\frac{\\hat{p} – p_0}{\\sqrt{\\frac{p_0(1 – p_0)}{n}}}$$<\/span><\/p>\n Dans cette \u00e9quation, $\\hat{p} = \\frac{k}{n}$<\/span> repr\u00e9sente la proportion empirique calcul\u00e9e \u00e0 partir du nombre de r\u00e9alisations positives $k$<\/span> observ\u00e9es sur l’effectif total $n$<\/span>. La valeur $p_0$<\/span> incarne la proportion cible assign\u00e9e par l’hypoth\u00e8se nulle. La valeur r\u00e9sultante $Z$<\/span> traduit, en unit\u00e9s d’\u00e9carts-types th\u00e9oriques, la distance s\u00e9parant l’estimation d’\u00e9chantillon de la pr\u00e9diction th\u00e9orique. Une valeur de $Z = +2.5$<\/span> signifie que la fr\u00e9quence empirique s’\u00e9l\u00e8ve \u00e0 2,5 erreurs-types au-dessus de l’esp\u00e9rance math\u00e9matique postul\u00e9e sous $H_0$<\/span>.<\/p>\n Une distinction fondamentale, source r\u00e9currente d’impr\u00e9cisions dans le d\u00e9veloppement d’algorithmes statistiques, r\u00e9side dans la mod\u00e9lisation de l’erreur-type $\\sigma_{\\hat{p}}$<\/span> figurant au d\u00e9nominateur de la formule de test. Dans un test de conformit\u00e9 d’hypoth\u00e8se pure ($H_0 : p = p_0$<\/span>), l’erreur-type doit obligatoirement \u00eatre calcul\u00e9e en utilisant la probabilit\u00e9 th\u00e9orique $p_0$<\/span> :<\/p>\n $$\\sigma_{H_0} = \\sqrt{\\frac{p_0(1 – p_0)}{n}}$$<\/span><\/p>\n Cette approche se distingue nettement de l’erreur-type d’\u00e9chantillon utilis\u00e9e pour la construction des intervalles de confiance de Wald, laquelle repose sur l’estimateur empirique :<\/p>\n $$SE_{\\hat{p}} = \\sqrt{\\frac{\\hat{p}(1 – \\hat{p})}{n}}$$<\/span><\/p>\n La justification th\u00e9orique sous-jacente est intangible : la distribution d’\u00e9chantillonnage de la statistique de d\u00e9cision n’est \u00e9valu\u00e9e que sous la pr\u00e9misse stricte que $H_0$<\/span> est vraie. D\u00e8s lors, la variance asymptotique de l’estimateur de Bernoulli $\\hat{p}$<\/span> est contrainte par la valeur fixe $p_0(1 – p_0) \/ n$<\/span>. Introduire $\\hat{p}$<\/span> au d\u00e9nominateur du test de conformit\u00e9 constitue une approximation hybride inutile \u2014 dite variante de Wald \u2014 qui d\u00e9grade les propri\u00e9t\u00e9s statistiques de convergence pour les \u00e9chantillons d’effectifs modestes.<\/p>\n L’observation analytique du d\u00e9nominateur met \u00e9galement en lumi\u00e8re l’impact direct de la taille de l’\u00e9chantillon $n$<\/span>. La pr\u00e9cision de l’estimation cro\u00eet proportionnellement \u00e0 la racine carr\u00e9e de l’effectif ($\\sqrt{n}$<\/span>). Par voie de cons\u00e9quence, doubler la taille de l’\u00e9chantillon r\u00e9duit l’erreur-type d’un facteur $\\frac{1}{\\sqrt{2}} \\approx 0.707$<\/span>, augmentant m\u00e9caniquement la valeur absolue de la statistique $Z$<\/span> pour une divergence relative fix\u00e9e $(\\hat{p} – p_0)$<\/span>.<\/p>\n L’approximation d’une fonction en escalier (la distribution cumulative discr\u00e8te binomiale) par une courbe lisse diff\u00e9rentiable (la densit\u00e9 normale) induit intrins\u00e8quement une erreur de discr\u00e9tisation aux limites de chaque intervalle unitaire. En 1934, le statisticien Frank Yates a introduit une correction de continuit\u00e9 afin de compenser ce biais g\u00e9om\u00e9trique lors du calcul de la probabilit\u00e9 int\u00e9gr\u00e9e sur des intervalles discrets.<\/p>\n Sur le plan pratique, l’application de la correction de continuit\u00e9 consiste \u00e0 rapprocher la proportion observ\u00e9e $\\hat{p}$<\/span> de la valeur th\u00e9orique $p_0$<\/span> d’une demi-unit\u00e9 de comptage, soit $\\frac{1}{2n}$<\/span>. La formule ajust\u00e9e du score $Z$<\/span> prend la forme suivante :<\/p>\n $$Z_{\\text{Yates}} = \\frac{|\\hat{p} – p_0| – \\frac{1}{2n}}{\\sqrt{\\frac{p_0(1 – p_0)}{n}}} \\times \\text{sgn}(\\hat{p} – p_0)$$<\/span><\/p>\n o\u00f9 $\\text{sgn}(\\cdot)$<\/span> est la fonction signe permettant de conserver l’orientation de la d\u00e9viation. L’introduction de cette fraction soustractive a pour effet m\u00e9canique de r\u00e9duire l’amplitude absolue du score Z calcul\u00e9, entra\u00eenant une augmentation conservative de la $p$<\/span>-valeur associ\u00e9e.<\/p>\n Un d\u00e9bat acad\u00e9mique soutenu persiste quant \u00e0 la pertinence de la correction de continuit\u00e9. Si Yates garantit que le risque r\u00e9el d’erreur de premi\u00e8re esp\u00e8ce ne d\u00e9passe jamais le seuil nominal $\\alpha$<\/span>, de nombreux th\u00e9oriciens soulignent que cet ajustement tend \u00e0 rendre le test excessivement conservateur, particuli\u00e8rement pour les tailles d’\u00e9chantillon mod\u00e9r\u00e9es. En augmentant ind\u00fbment le risque d’erreur de type II (non-rejet \u00e0 tort d’une hypoth\u00e8se nulle fausse), la correction affaiblit la puissance de d\u00e9tection de l’\u00e9tude. Pour cette raison, la pratique moderne privil\u00e9gie soit le test Z asymptotique sans correction de continuit\u00e9 d\u00e8s lors que $n p_0 ge 10$<\/span>, soit le passage direct au test binomial exact sans recourir \u00e0 des ajustements empiriques semi-continus.<\/p>\n L’impl\u00e9mentation op\u00e9rationnelle du test Z pour une proportion en Python repose sur un ensemble de biblioth\u00e8ques scientifiques sp\u00e9cialis\u00e9es qui forment le socle du calcul num\u00e9rique open source. La biblioth\u00e8que centrale d\u00e9di\u00e9e \u00e0 l’inf\u00e9rence formelle est Statsmodels<\/a>, qui met \u00e0 disposition des modules hautement optimis\u00e9s pour la mod\u00e9lisation statistique, les tests param\u00e9triques et les estimations d’intervalles de confiance.<\/p>\n En support imm\u00e9diat, la biblioth\u00e8que SciPy<\/a>, et plus particuli\u00e8rement son sous-module Ces outils garantissent une pr\u00e9cision de calcul en virgule flottante conforme aux normes IEEE 754, \u00e9liminant les risques de d\u00e9bordement arithm\u00e9tique ou d’instabilit\u00e9s num\u00e9riques inh\u00e9rents \u00e0 l’impl\u00e9mentation manuelle d’algorithmes factoriels sur des donn\u00e9es de grande dimension.<\/p>\n L’int\u00e9grit\u00e9 de la d\u00e9marche scientifique implique que les r\u00e9sultats statistiques rapport\u00e9s puissent \u00eatre r\u00e9pliqu\u00e9s avec exactitude sur n’importe quel syst\u00e8me d’exploitation. Cette exigence de reproductibilit\u00e9 impose d’isoler l’environnement de d\u00e9veloppement et de verrouiller rigoureusement les versions logicielles employ\u00e9es. \u00c0 cet effet, l’utilisation d’environnements virtuels via Pour instancier et configurer un environnement d’analyse statistique conforme aux exigences de l’\u00e9tude, l’ex\u00e9cution s\u00e9quentielle des commandes shell suivantes assure le d\u00e9ploiement ad\u00e9quat :<\/p>\n Le verrouillage formel des versions via un fichier d’exigences ( Au sein de l’\u00e9cosyst\u00e8me Statsmodels, la fonction d\u00e9di\u00e9e \u00e0 l’ex\u00e9cution du test de proportion unique se situe dans le module L’argument L’argument L’erreur d’impl\u00e9mentation la plus courante commise par les analystes d\u00e9butants consiste \u00e0 ex\u00e9cuter le test avec Le param\u00e8tre Pour assurer une stricte orthodoxie m\u00e9thodologique et se conformer aux calculs manuels enseign\u00e9s en biostatistique et en psychom\u00e9trie, il est imp\u00e9ratif de conserver l’assignation Afin d’illustrer la m\u00e9canique applicative du test Z bilat\u00e9ral, formalisons un paradigme exp\u00e9rimental standard issu de la psychologie cognitive de la m\u00e9moire. Un chercheur \u00e9tudie le ph\u00e9nom\u00e8ne d’amor\u00e7age s\u00e9mantique subliminal lors d’une t\u00e2che de reconnaissance visuelle informatis\u00e9e. Un \u00e9chantillon al\u00e9atoire de $n = 120$<\/span> adultes jeunes est expos\u00e9 \u00e0 une s\u00e9rie de stimuli masked pr\u00e9sent\u00e9s pendant 16 millisecondes. Imm\u00e9diatement apr\u00e8s chaque essai, le sujet doit d\u00e9terminer si le mot cible appartient \u00e0 une cat\u00e9gorie s\u00e9mantique sp\u00e9cifique au cours d’un choix forc\u00e9 binaire (Oui\/Non).<\/p>\n En l’absence de tout traitement cognitif inconscient du stimulus subliminal, le taux de r\u00e9ussite attendu correspond strictement au hasard th\u00e9orique, soit une proportion de succ\u00e8s de $p_0 = 0.50$<\/span> (50 %). Le protocole vise \u00e0 d\u00e9terminer si la proportion de reconnaissance observ\u00e9e s’\u00e9carte de fa\u00e7on significative de ce niveau du hasard, sans assomption pr\u00e9alable sur le sens de la modulation (une amorce pouvant potentiellement agir comme facilitateur s\u00e9mantique ou, au contraire, induire une interf\u00e9rence inhibitrice). Les hypoth\u00e8ses formelles sont \u00e9tablies comme suit :<\/p>\n $$H_0 : p = 0.50$$<\/span><\/p>\n $$H_1 : p \\neq 0.50$$<\/span><\/p>\n \u00c0 l’issue de la phase d’exp\u00e9rimentation, les donn\u00e9es enregistr\u00e9es r\u00e9v\u00e8lent que 74 des 120 participants ont identifi\u00e9 correctement la cible s\u00e9mantique, ce qui \u00e9quivaut \u00e0 une proportion observ\u00e9e de $\\hat{p} = \\frac{74}{120} \\approx 0.6167$<\/span> (61,67 %).<\/p>\n La transcription programmatique de cette exp\u00e9rimentation s’ex\u00e9cute avec fluidit\u00e9 dans l’environnement Python. Nous proc\u00e9dons \u00e0 l’importation de la fonction d\u00e9di\u00e9e, \u00e0 la d\u00e9finition des grandeurs d’entr\u00e9e, \u00e0 l’ex\u00e9cution de la routine inf\u00e9rentielle, et \u00e0 la comparaison analytique avec un calcul manuel vectoris\u00e9 pour garantir une transparence totale des op\u00e9rations arithm\u00e9tiques.<\/p>\n Voici le script Python complet permettant d’ex\u00e9cuter ce traitement :<\/p>\n1. Fondements th\u00e9oriques et math\u00e9matiques du test Z pour une proportion<\/h2>\n
1.1 D\u00e9finition et cadre d’application en sciences quantitatives<\/h3>\n
1.2 Loi des grands nombres et th\u00e9or\u00e8me central limite<\/h3>\n
1.3 Diff\u00e9renciation avec les autres tests d’inf\u00e9rence sur proportions<\/h3>\n
2. Formulation formelle des hypoth\u00e8ses statistiques<\/h2>\n
2.1 Hypoth\u00e8se nulle et param\u00e8tre de r\u00e9f\u00e9rence<\/h3>\n
2.2 Hypoth\u00e8ses alternatives bilat\u00e9rales et unilat\u00e9rales<\/h3>\n
2.3 Contextualisation exp\u00e9rimentale en psychologie<\/h3>\n
3. Conditions de validit\u00e9 et postulats statistiques pr\u00e9alables<\/h2>\n
3.1 \u00c9chantillonnage probabiliste et ind\u00e9pendance des observations<\/h3>\n
3.2 Crit\u00e8res de normalit\u00e9 et condition des succ\u00e8s-\u00e9checs<\/h3>\n
3.3 Gestion des \u00e9chantillons extr\u00eames et d\u00e9s\u00e9quilibres s\u00e9v\u00e8res<\/h3>\n
\n
4. D\u00e9rivation math\u00e9matique et m\u00e9canique du score Z<\/h2>\n
4.1 Formule de la statistique de test standardis\u00e9e<\/h3>\n
4.2 Importance du d\u00e9nominateur : l’erreur-type th\u00e9orique<\/h3>\n
4.3 Correction de continuit\u00e9 de Yates<\/h3>\n
5. Environnement Python et pr\u00e9paration de l’infrastructure logicielle<\/h2>\n
5.1 D\u00e9pendances scientifiques et biblioth\u00e8ques requises<\/h3>\n
scipy.stats<\/code>, fournit les moteurs probabilistes requis pour interroger les fonctions de densit\u00e9 cumulative, les fonctions de survie et les quantiles de la loi normale centr\u00e9e r\u00e9duite. Par ailleurs, l’infrastructure de traitement des donn\u00e9es brutes repose traditionnellement sur NumPy<\/a> pour l’alg\u00e8bre vectorielle et sur Pandas<\/a> pour la manipulation structurelle de tableaux d’observations (DataFrames).<\/p>\n5.2 Configuration reproductible de l’environnement virtuel<\/h3>\n
venv<\/code> ou le gestionnaire Conda constitue la r\u00e8gle de l’art en calcul scientifique.<\/p>\npython -m venv ztest_env<\/code>
\nsource ztest_env\/bin\/activate # Sur macOS\/Linux<\/code>
\n# .ztest_envScriptsactivate # Sur Windows<\/code>
\npip install --upgrade pip<\/code>
\npip install numpy==1.26.4 scipy==1.13.0 statsmodels==0.14.2 pandas==2.2.2 matplotlib==3.8.4 seaborn==0.13.2<\/code><\/p>\nrequirements.txt<\/code>) ou un environnement Conda document\u00e9 prot\u00e8ge le chercheur contre les modifications comportementales non r\u00e9trocompatibles des futures versions de biblioth\u00e8ques, garantissant l’invariance temporelle des algorithmes d’analyse d\u00e9ploy\u00e9s dans le cadre d’un protocole acad\u00e9mique.<\/p>\n6. Anatomie de la fonction proportions_ztest de Statsmodels<\/h2>\n
6.1 Signature et param\u00e8tres d’entr\u00e9e fondamentaux<\/h3>\n
statsmodels.stats.proportion<\/code> sous l’identifiant canonique proportions_ztest<\/code>. La signature standard de cette fonction est la suivante :<\/p>\nproportions_ztest(count, nobs, value=None, alternative='two-sided', prop_var=False)<\/code><\/p>\ncount<\/code> correspond au nombre absolu de succ\u00e8s empiriques observ\u00e9s ($k$<\/span>). Il peut \u00eatre transmis sous la forme d’un entier scalaire (dans le cas d’un test pour une proportion unique) ou d’un tableau d’entiers lorsqu’on effectue la comparaison de deux proportions ind\u00e9pendantes. L’argument nobs<\/code> (pour number of observations<\/em>) sp\u00e9cifie l’effectif total de l’\u00e9chantillon ($n$<\/span>). L’argument value<\/code> d\u00e9finit la valeur scalaire de la proportion th\u00e9orique de r\u00e9f\u00e9rence fix\u00e9e par l’hypoth\u00e8se nulle ($p_0$<\/span>). Lorsqu’on omet de renseigner value<\/code> dans le cadre d’un test \u00e0 une proportion, la fonction g\u00e9n\u00e8re un comportement ind\u00e9sirable ou compare la valeur \u00e0 z\u00e9ro, rendant indispensable la sp\u00e9cification explicite de cette proportion attendue.<\/p>\n6.2 Configuration de l’orientation du test via l’argument alternative<\/h3>\n
alternative<\/code> gouverne directement la topologie de la r\u00e9gion critique et le calcul de la $p$<\/span>-valeur associ\u00e9e \u00e0 la statistique $Z$<\/span>. Ce param\u00e8tre accepte trois cha\u00eenes de caract\u00e8res strictement normalis\u00e9es :<\/p>\n\n
'two-sided'<\/code> : Il s’agit du param\u00e8tre assign\u00e9 par d\u00e9faut. Il \u00e9value l’hypoth\u00e8se bilat\u00e9rale $H_1 : p \\neq p_0$<\/span>. La $p$<\/span>-valeur retourn\u00e9e correspond \u00e0 la probabilit\u00e9 sym\u00e9trique sous la courbe normale : $p\\text{-val} = 2 \\times [1 – \\Phi(|Z|)]$<\/span>, o\u00f9 $\\Phi(\\cdot)$<\/span> d\u00e9signe la fonction de r\u00e9partition cumulative de la loi normale centr\u00e9e r\u00e9duite.<\/li>\n'smaller'<\/code> : Configure l’hypoth\u00e8se unilat\u00e9rale \u00e0 gauche $H_1 : p < p_0$. La$<\/span>p$-valeur retourn\u00e9e repr\u00e9sente l’int\u00e9grale de la distribution de$<\/span>-infty$ jusqu’\u00e0 la valeur $Z$<\/span> obtenue : $p\\text{-val} = \\Phi(Z)$<\/span>.<\/li>\n'larger'<\/code> : Configure l’hypoth\u00e8se unilat\u00e9rale \u00e0 droite $H_1 : p > p_0$<\/span>. La $p$<\/span>-valeur retourn\u00e9e repr\u00e9sente la fonction de survie de la statistique, c’est-\u00e0-dire l’int\u00e9grale de $Z$<\/span> jusqu’\u00e0 $+\\infty$<\/span> : $p\\text{-val} = 1 – \\Phi(Z)$<\/span>.<\/li>\n<\/ul>\nalternative='larger'<\/code> alors que la proportion empirique $\\hat{p}$<\/span> est en r\u00e9alit\u00e9 inf\u00e9rieure \u00e0 $p_0$<\/span>. Dans cette configuration, la statistique $Z$<\/span> adopte un signe n\u00e9gatif, et la fonction de survie renvoie une $p$<\/span>-valeur trompeusement proche de 1.0 (par exemple $p = 0.985$<\/span>), ce qui traduit simplement que le r\u00e9sultat se situe \u00e0 l’oppos\u00e9 absolu de la r\u00e9gion critique unilat\u00e9rale postul\u00e9e.<\/p>\n6.3 Gestion du param\u00e8tre prop_var et variantes d’estimation<\/h3>\n
prop_var<\/code> repr\u00e9sente un aspect hautement technique de proportions_ztest<\/code> qui commande la mani\u00e8re dont l’erreur-type est estim\u00e9e au d\u00e9nominateur du test. Dans l’impl\u00e9mentation de Statsmodels :<\/p>\n\n
prop_var=False<\/code> (comportement par d\u00e9faut), la variance de la proportion empirique est estim\u00e9e \u00e0 partir de la proportion sous l’hypoth\u00e8se nulle ($p_0$<\/span>). L’erreur-type calcul\u00e9e est rigoureusement $\\sqrt{p_0(1-p_0)\/n}$<\/span>. Il s’agit du standard math\u00e9matique universellement prescrit par la litt\u00e9rature th\u00e9orique pour les tests de conformit\u00e9 d’une proportion unique.<\/li>\nprop_var<\/code> re\u00e7oit une valeur scalaire flottante sp\u00e9cifique ou si l’on applique l’\u00e9valuation sur l’\u00e9chantillon, la variance est calcul\u00e9e \u00e0 partir de la proportion empirique observ\u00e9e $\\hat{p}$<\/span>, soit $\\sqrt{\\hat{p}(1-\\hat{p})\/n}$<\/span>.<\/li>\n<\/ul>\nprop_var=False<\/code> ou de s’assurer que la fonction \u00e9value l’erreur-type sous l’hypoth\u00e8se nulle th\u00e9orique. Modifier ce param\u00e8tre sans justification analytique explicite produit une statistique de Wald qui s’\u00e9carte de la th\u00e9orie fondamentale du test du score de Lagrange.<\/p>\n7. Mise en \u0153uvre pas \u00e0 pas : Test Z bilat\u00e9ral<\/h2>\n
7.1 Sc\u00e9narisation d’une \u00e9tude exp\u00e9rimentale en psychologie cognitive<\/h3>\n
7.2 \u00c9criture du code Python et ex\u00e9cution du test<\/h3>\n
import numpy as np<\/code>
\nfrom statsmodels.stats.proportion import proportions_ztest<\/code>