La mod\u00e9lisation statistique et l’exp\u00e9rimentation empirique reposent sur une pr\u00e9misse fondamentale : la capacit\u00e9 d’extraire des sous-ensembles d’observations fid\u00e8les \u00e0 une population parente plus vaste. Dans le champ des sciences comportementales, de la psychologie cognitive, de l’\u00e9pid\u00e9miologie et des sciences sociales quantitatives, la s\u00e9lection d’un \u00e9chantillon ne constitue pas un simple pr\u00e9liminaire technique, mais la condition sine qua non de toute inf\u00e9rence valide. L’essor du langage de programmation statistique R a transform\u00e9 ces op\u00e9rations m\u00e9thodologiques en routines programmables de haute pr\u00e9cision. Gr\u00e2ce \u00e0 un \u00e9cosyst\u00e8me alliant fonctions canoniques du noyau et biblioth\u00e8ques sp\u00e9cialis\u00e9es, le chercheur dispose d’un contr\u00f4le rigoureux sur les m\u00e9canismes g\u00e9n\u00e9rateurs d’al\u00e9a et sur la structure probabiliste de ses extractions.<\/p>\n
Pourtant, la simplicit\u00e9 apparente d’instructions courantes dissimule des complexit\u00e9s th\u00e9oriques et algorithmiques substantielles. Un tirage al\u00e9atoire mal configur\u00e9 peut introduire des biais de s\u00e9lection destructeurs, invalider les postulats d’\u00e9quiprobabilit\u00e9 ou d\u00e9grader la puissance statistique des tests d’hypoth\u00e8se ult\u00e9rieurs. De l’\u00e9chantillonnage al\u00e9atoire simple sans remise jusqu’aux plans d’\u00e9chantillonnage complexes \u00e0 plusieurs degr\u00e9s int\u00e9grant des corrections de variance et des poids de sondage, la ma\u00eetrise de ces architectures algorithmiques conditionne l’int\u00e9grit\u00e9 de la d\u00e9marche scientifique. Comprendre la mani\u00e8re dont l’interpr\u00e9teur R manipule les vecteurs, les structures multidimensionnelles et les g\u00e9n\u00e9rateurs de nombres pseudo-al\u00e9atoires s’av\u00e8re indispensable pour tout praticien soucieux de reproductibilit\u00e9.<\/p>\n
Ce guide exhaustif propose une exploration approfondie des th\u00e9ories math\u00e9matiques et des impl\u00e9mentations computationnelles de l’\u00e9chantillonnage al\u00e9atoire au sein de l’environnement R. \u00c0 travers l’analyse d\u00e9taill\u00e9e des fonctions fondamentales, l’\u00e9tude des structures du paradigme Tidyverse<\/a>, l’\u00e9valuation des allocations stratifi\u00e9es optimales et la r\u00e9solution des \u00e9cueils classiques du code, ce document fournit les rep\u00e8res m\u00e9thodologiques et informatiques n\u00e9cessaires pour concevoir des protocoles de s\u00e9lection robustes, transparents et conformes aux exigences contemporaines de la science ouverte.<\/p>\n L’inf\u00e9rence statistique repose sur le passage inductif de l’observation d’un \u00e9chantillon fini vers la caract\u00e9risation d’une population cible infinie ou inaccessible. En psychologie empirique et en sciences du comportement, cette transition est particuli\u00e8rement vuln\u00e9rable aux biais syst\u00e9matiques inh\u00e9rents au recrutement des participants humains. Les cohortes d’\u00e9tudiants de premier cycle ou les panels d’utilisateurs recrut\u00e9s sur Internet introduisent spontan\u00e9ment des distorsions relatives au niveau d’\u00e9ducation, \u00e0 l’\u00e2ge, aux capacit\u00e9s cognitives ou aux traits de personnalit\u00e9. L’\u00e9chantillonnage al\u00e9atoire constitue le m\u00e9canisme math\u00e9matique correctif par excellence, garantissant que chaque individu de la population parente poss\u00e8de une probabilit\u00e9 connue et non nulle d’int\u00e9grer le groupe d’\u00e9tude, limitant ainsi les facteurs de confusion non observ\u00e9s.<\/p>\n Au sein des architectures de recherche exp\u00e9rimentale, une distinction \u00e9pist\u00e9mologique cruciale s\u00e9pare la validit\u00e9 interne de la validit\u00e9 externe. La validit\u00e9 interne concerne la certitude avec laquelle une relation causale peut \u00eatre attribu\u00e9e \u00e0 la manipulation d’une variable ind\u00e9pendante plut\u00f4t qu’\u00e0 des art\u00e9facts m\u00e9thodologiques. La randomisation, c’est-\u00e0-dire l’assignation al\u00e9atoire des participants \u00e0 des conditions exp\u00e9rimentales distinctes, neutralise les biais de s\u00e9lection initiaux en distribuant uniform\u00e9ment les caract\u00e9ristiques individuelles, tant mesur\u00e9es qu’inobserv\u00e9es, entre le groupe contr\u00f4le et le groupe trait\u00e9. \u00c0 l’inverse, la validit\u00e9 externe quantifie la g\u00e9n\u00e9ralisabilit\u00e9 des conclusions empiriques \u00e0 d’autres contextes, populations et moments temporels. Cette dimension d\u00e9pend presque exclusivement de la technique d’\u00e9chantillonnage mise en \u0153uvre lors de l’extraction initiale des participants.<\/p>\n Dans le domaine des essais contr\u00f4l\u00e9s randomis\u00e9s et de la psychom\u00e9trie appliqu\u00e9e, l’\u00e9chantillonnage al\u00e9atoire garantit la stabilit\u00e9 m\u00e9trologique des instruments de mesure. Lorsque l’on calibre une \u00e9chelle d’\u00e9valuation psychologique ou un test de m\u00e9moire de travail, l’estimation des param\u00e8tres de discrimination et de difficult\u00e9 des items, formul\u00e9e sous les postulats de la th\u00e9orie de la r\u00e9ponse \u00e0 l’item<\/a>, requiert une distribution d’aptitude latente non biais\u00e9e. Si l’\u00e9chantillon d’\u00e9talonnage souffre d’une troncature non al\u00e9atoire ou d’une s\u00e9lection auto-s\u00e9lectionn\u00e9e, les courbes caract\u00e9ristiques des items pr\u00e9senteront une invariance illusoire, g\u00e9n\u00e9rant des faux positifs lors des diagnostics cliniques ult\u00e9rieurs.<\/p>\n Les cons\u00e9quences th\u00e9oriques d’un mauvais \u00e9chantillonnage r\u00e9sonnent au c\u0153ur de la crise de la reproductibilit\u00e9 qui traverse les sciences comportementales. Un \u00e9chantillon de convenance non repr\u00e9sentatif produit syst\u00e9matiquement une sous-estimation ou une surestimation de la variance r\u00e9elle des variables mesur\u00e9es. Ce ph\u00e9nom\u00e8ne comprime artificiellement les erreurs types des estimateurs statistiques, entra\u00eenant une inflation majeure du taux d’erreur de type I (rejeter \u00e0 tort l’hypoth\u00e8se nulle d’absence d’effet). Lorsque d’autres laboratoires tentent de reproduire l’exp\u00e9rience sur des \u00e9chantillons probabilistes ind\u00e9pendants, les effets pr\u00e9alablement rapport\u00e9s s’\u00e9vanouissent, illustrant le caract\u00e8re d\u00e9l\u00e9t\u00e8re des distorsions d’\u00e9chantillonnage non contr\u00f4l\u00e9es sur la solidit\u00e9 de l’\u00e9difice scientifique.<\/p>\n L’analyse formelle des m\u00e9thodes de s\u00e9lection impose une fronti\u00e8re nette entre les protocoles d’\u00e9chantillonnage non probabilistes et probabilistes. Dans un cadre non probabiliste (\u00e9chantillons de convenance, m\u00e9thode des quotas, \u00e9chantillonnage par effet boule de neige), les probabilit\u00e9s individuelles d’inclusion sont rigoureusement inconnues ou nulles pour une partie de la population. D\u00e8s lors, le recours \u00e0 la th\u00e9orie classique des probabilit\u00e9s s’av\u00e8re caduc : il est formellement impossible de calculer sans biais l’erreur type des estimateurs ou d’\u00e9tablir des intervalles de confiance valides. \u00c0 l’oppos\u00e9, les d\u00e9marches probabilistes reposent sur une formalisation rigoureuse de la loi de s\u00e9lection, attribuant \u00e0 chaque unit\u00e9 statistique une chance quantifiable d’\u00eatre mesur\u00e9e.<\/p>\n Parmi les approches probabilistes, l’\u00e9chantillonnage al\u00e9atoire simple constitue la formulation arch\u00e9typale o\u00f9 chaque combinaison possible de n unit\u00e9s parmi une population N poss\u00e8de la m\u00eame probabilit\u00e9 d’\u00eatre s\u00e9lectionn\u00e9e. Cette m\u00e9thode est adapt\u00e9e aux populations homog\u00e8nes disposant d’une base de sondage exhaustive. Cependant, lorsque la population pr\u00e9sente une structure h\u00e9t\u00e9rog\u00e8ne bien identifi\u00e9e selon des variables d\u00e9mographiques d\u00e9terminantes (sexe, cat\u00e9gorie socio-professionnelle, localisation g\u00e9ographique), l’\u00e9chantillonnage stratifi\u00e9 s’impose. Il consiste \u00e0 subdiviser la population en strates mutuellement exclusives et collectivement exhaustives, puis \u00e0 proc\u00e9der \u00e0 un tirage al\u00e9atoire simple au sein de chaque strate, garantissant la repr\u00e9sentation fid\u00e8le des sous-groupes minoritaires.<\/p>\n L’\u00e9chantillonnage en grappes r\u00e9pond \u00e0 des contraintes de co\u00fbt ou d’accessibilit\u00e9 logistique. Au lieu d’\u00e9chantillonner directement les individus, le chercheur s\u00e9lectionne al\u00e9atoirement des regroupements naturels d’individus, d\u00e9sign\u00e9s sous le terme d’unit\u00e9s primaires d’\u00e9chantillonnage (\u00e9coles, services hospitaliers, municipalit\u00e9s). Deux modalit\u00e9s se pr\u00e9sentent : l’\u00e9chantillonnage en grappes \u00e0 un degr\u00e9, o\u00f9 l’ensemble des individus des grappes retenues est investigu\u00e9, et l’\u00e9chantillonnage \u00e0 plusieurs degr\u00e9s, o\u00f9 un sous-\u00e9chantillonnage probabiliste successif est op\u00e9r\u00e9 \u00e0 l’int\u00e9rieur des grappes extraites. Bien que logistiquement efficace, cette m\u00e9thode s’accompagne d’une perte d’information due \u00e0 la ressemblance mutuelle des individus appartenant \u00e0 une m\u00eame grappe.<\/p>\n Le concept fondamental d’\u00e9quiprobabilit\u00e9 implique que toute unit\u00e9 statistique pr\u00e9sente une probabilit\u00e9 d’inclusion marginale strictement \u00e9gale \u00e0 pi = n \/ N. Si cette propri\u00e9t\u00e9 caract\u00e9rise l’\u00e9chantillonnage al\u00e9atoire simple, elle ne constitue pas une condition obligatoire de l’\u00e9chantillonnage probabiliste. Il est fr\u00e9quent d’adopter des probabilit\u00e9s in\u00e9gales pour optimiser l’efficacit\u00e9 de l’estimation. L’impact sur la variance d’\u00e9chantillonnage varie selon l’architecture retenue : l’\u00e9chantillonnage stratifi\u00e9 permet g\u00e9n\u00e9ralement une r\u00e9duction significative de la variance par rapport au tirage al\u00e9atoire simple, en \u00e9liminant la variance inter-strates du calcul d’erreur. \u00c0 l’inverse, l’\u00e9chantillonnage en grappes amplifie la variance de l’estimateur d’un facteur d\u00e9pendant du coefficient de corr\u00e9lation intraclasse, n\u00e9cessitant des corrections analytiques rigoureuses lors des phases d’estimation des param\u00e8tres de population.<\/p>\n Au sein de l’environnement de base de R, la fonction sample()<\/strong> constitue la brique algorithmique primitive pour l’ex\u00e9cution d’extractions al\u00e9atoires. Con\u00e7ue comme une interface vectorielle performante, elle encapsule des m\u00e9canismes \u00e9crits en langage C pour garantir rapidit\u00e9 et rigueur computationnelle. Sa signature formelle comprend quatre arguments principaux : l’objet source x<\/em>, la taille du sous-ensemble d\u00e9sir\u00e9 size<\/em>, le bool\u00e9en logique replace<\/em> d\u00e9finissant le mode de tirage, et le vecteur de pond\u00e9ration prob<\/em> d\u00e9terminant les probabilit\u00e9s attribu\u00e9es \u00e0 chaque \u00e9l\u00e9ment du vecteur source.<\/p>\n Le param\u00e8tre x<\/em> repr\u00e9sente le conteneur vectoriel source \u00e0 partir duquel la s\u00e9lection est op\u00e9r\u00e9e. Il peut adopter diverses natures atomiques : vecteur num\u00e9rique, vecteur de cha\u00eenes de caract\u00e8res, vecteur de bool\u00e9ens ou encore facteur ordonn\u00e9. Lorsque x<\/em> est un vecteur de taille sup\u00e9rieure \u00e0 1, R identifie imm\u00e9diatement ses composantes individuelles comme l’ensemble des \u00e9tats possibles. L’argument size<\/em>, quant \u00e0 lui, est un entier scalaire non n\u00e9gatif dictant le nombre pr\u00e9cis d’\u00e9l\u00e9ments \u00e0 extraire. Dans le cadre de protocoles d’analyse de puissance, la valeur de size<\/em> est fix\u00e9e a priori par des \u00e9quations analytiques d\u00e9terminant le nombre minimal d’observations requis pour rejeter l’hypoth\u00e8se nulle sous une taille d’effet th\u00e9orique donn\u00e9e.<\/p>\n Le comportement combinatoire de l’extraction d\u00e9pend de l’argument bool\u00e9en replace<\/em>. Lorsque replace = FALSE<\/em>, l’algorithme proc\u00e8de \u00e0 un tirage exhaustif sans remise : chaque \u00e9l\u00e9ment s\u00e9lectionn\u00e9 est imm\u00e9diatement retir\u00e9 de l’ensemble disponible pour les it\u00e9rations suivantes. Cette configuration impose une contrainte stricte sur le param\u00e8tre dimensionnel, exigeant imp\u00e9rativement que size<\/em> soit inf\u00e9rieur ou \u00e9gal \u00e0 la longueur du vecteur x<\/em>. Inversement, la sp\u00e9cification replace = TRUE<\/em> restaure l’\u00e9l\u00e9ment extrait dans la population parente \u00e0 chaque \u00e9tape, autorisant la s\u00e9lection r\u00e9p\u00e9t\u00e9e d’un m\u00eame item et permettant d’extraire un \u00e9chantillon dont la taille exc\u00e8de celle du vecteur source d’origine.<\/p>\n Enfin, l’argument prob<\/em> permet de s’\u00e9manciper du postulat standard de distribution uniforme. Par d\u00e9faut, ce param\u00e8tre est fix\u00e9 \u00e0 NULL<\/em>, ce qui instancie une probabilit\u00e9 rigoureusement identique pour chaque entr\u00e9e de x<\/em>, soit 1 \/ length(x). Lorsqu’un utilisateur transmet un vecteur num\u00e9rique \u00e0 prob<\/em>, celui-ci doit poss\u00e9der une longueur identique \u00e0 celle de x<\/em>. Ce vecteur est automatiquement normalis\u00e9 en interne par le syst\u00e8me de mani\u00e8re \u00e0 ce que la somme de ses composantes soit \u00e9gale \u00e0 1. Les poids relatifs permettent ainsi d’introduire des asym\u00e9tries de s\u00e9lection, mod\u00e9lisant avec fid\u00e9lit\u00e9 des lois de probabilit\u00e9 empiriques ou des fr\u00e9quences de survenue observ\u00e9es dans des bases de donn\u00e9es r\u00e9elles.<\/p>\n L’une des singularit\u00e9s les plus probl\u00e9matiques de la fonction sample()<\/strong> r\u00e9side dans son traitement asym\u00e9trique des scalaires num\u00e9riques entiers pass\u00e9s en argument x<\/em>. Lorsqu’un utilisateur transmet un vecteur dont la longueur est strictement \u00e9gale \u00e0 1 et dont le contenu est un entier positif n, R ne traite pas cet \u00e9l\u00e9ment unique comme un ensemble unitaire \u00e0 \u00e9chantillonner. L’interpr\u00e9teur bascule de mani\u00e8re implicite vers une r\u00e8gle de substitution o\u00f9 l’appel est interpr\u00e9t\u00e9 comme un tirage r\u00e9alis\u00e9 sur la s\u00e9quence ordonn\u00e9e s’\u00e9tendant de 1 jusqu’\u00e0 la valeur enti\u00e8re de x<\/em>, soit l’\u00e9quivalent formel de sample(1:x, size, …)<\/em>.<\/p>\n Cette commodit\u00e9 syntaxique se transforme en source majeure d’erreurs logiques silencieuses au sein de fonctions automatis\u00e9es ou de boucles de traitement. Consid\u00e9rons un script de psychom\u00e9trie extrayant des identifiants de participants filtr\u00e9s dynamiquement. Si, \u00e0 la suite d’un filtrage restrictif, le sous-ensemble ne contient plus qu’un unique individu portant par exemple le num\u00e9ro d’identification 12, l’appel de sample()<\/strong> ne renverra pas le scalaire 12. La fonction g\u00e9n\u00e9rera un \u00e9chantillon al\u00e9atoire extrait de la s\u00e9quence d’entiers allant de 1 \u00e0 12, introduisant des identifiants totalement fictifs dans l’analyse. Ce comportement requiert la conception de fonctions s\u00e9curis\u00e9es pour pr\u00e9venir les instabilit\u00e9s de code en production.<\/p>\n La gestion des donn\u00e9es manquantes (not\u00e9es NA<\/em> dans R) au sein de la fonction sample()<\/strong> suit une logique de propagation stricte. Si le vecteur x<\/em> contient des valeurs manquantes, celles-ci sont trait\u00e9es comme des unit\u00e9s statistiques ordinaires. Elles poss\u00e8dent la m\u00eame probabilit\u00e9 d’\u00eatre s\u00e9lectionn\u00e9es que n’importe quelle valeur valide, sauf si un vecteur de probabilit\u00e9s explicite leur assigne une pond\u00e9ration nulle. Cette particularit\u00e9 n\u00e9cessite un assainissement pr\u00e9alable des donn\u00e9es par le chercheur, \u00e0 l’aide de fonctions comme na.omit()<\/em> ou de tests logiques bool\u00e9ens, pour \u00e9viter l’inclusion intempestive d’artefacts non observ\u00e9s au sein des \u00e9chantillons finaux.<\/p>\n Pour immuniser les scripts d’analyse contre ces comportements implicites, il convient d’adopter des strat\u00e9gies de programmation d\u00e9fensive. Une approche recommand\u00e9e par les d\u00e9veloppeurs de la communaut\u00e9 CRAN<\/a> consiste \u00e0 encapsuler l’op\u00e9ration dans une fonction personnalis\u00e9e, classiquement baptis\u00e9e resample()<\/em>. Cette alternative v\u00e9rifie syst\u00e9matiquement la dimension du conteneur d’entr\u00e9e \u00e0 l’aide de l’instruction length(x)<\/em>. Si cette longueur est \u00e9gale \u00e0 un, l’\u00e9l\u00e9ment unique est directement dupliqu\u00e9 ou retourn\u00e9 selon les sp\u00e9cifications de taille, neutralisant l’invocation du g\u00e9n\u00e9rateur de s\u00e9quence automatique et garantissant une robustesse absolue du flux d’analyse statistique.<\/p>\n D’un point de vue math\u00e9matique, l’\u00e9chantillonnage al\u00e9atoire simple sans remise s’inscrit dans le cadre du calcul combinatoire et de la loi hyperg\u00e9om\u00e9trique. Lorsqu’une unit\u00e9 est pr\u00e9lev\u00e9e au sein d’une population finie sans y \u00eatre r\u00e9introduite, la structure probabiliste du syst\u00e8me se trouve modifi\u00e9e pour les pr\u00e9l\u00e8vements subs\u00e9quents. La probabilit\u00e9 d’extraction conditionnelle d’un \u00e9l\u00e9ment donn\u00e9 d\u00e9pend directement de la composition r\u00e9siduelle de la population. Si l’on extrait un \u00e9chantillon de taille n \u00e0 partir d’un ensemble de taille N, le nombre total d’\u00e9chantillons distincts pouvant \u00eatre form\u00e9s sans tenir compte de l’ordre de sortie est donn\u00e9 par le coefficient binomial repr\u00e9sentant les combinaisons possibles de n parmi N.<\/p>\n Cette approche garantit l’unicit\u00e9 formelle de chaque observation au sein du sous-ensemble g\u00e9n\u00e9r\u00e9 : aucune unit\u00e9 statistique ne peut appara\u00eetre plus d’une fois dans l’\u00e9chantillon extrait. Cette propri\u00e9t\u00e9 d’exhaustivit\u00e9 est requise lorsque les entit\u00e9s mesur\u00e9es repr\u00e9sentent des participants humains dans une \u00e9tude transversale, des paires de stimuli cognitifs non r\u00e9p\u00e9t\u00e9s ou des enregistrements \u00e9lectrophysiologiques distincts. La d\u00e9pendance statistique entre les tirages cons\u00e9cutifs implique que la covariance entre les variables d’inclusion indicatrices est n\u00e9gative, ce qui influe directement sur la formule de variance de l’estimateur de la moyenne de population, laquelle int\u00e8gre le facteur de correction pour population finie : (N – n) \/ (N – 1).<\/p>\n La contrainte dimensionnelle imposant que n soit inf\u00e9rieur ou \u00e9gal \u00e0 N constitue un postulat inviolable du tirage sans remise. Sur le plan op\u00e9rationnel, toute tentative d’extraire une taille sup\u00e9rieure \u00e0 la population parente conduit \u00e0 un arr\u00eat imm\u00e9diat de l’ex\u00e9cution avec un message d’erreur explicite renvoy\u00e9 par l’interpr\u00e9teur R. Cette caract\u00e9ristique math\u00e9matique sous-tend de nombreuses applications psychom\u00e9triques, notamment la construction de banques d’items parall\u00e9lis\u00e9es et les d\u00e9marches de partitionnement de questionnaires sans redondance d’indicateurs comportementaux.<\/p>\n Dans l’\u00e9valuation psychom\u00e9trique de la m\u00e9moire ou des fonctions ex\u00e9cutives, l’\u00e9chantillonnage sans remise intervient lors de l’assignation de stimuli visuels ou verbaux. Par exemple, lors de la constitution de listes de mots pour une t\u00e2che de rappel libre, la pr\u00e9sence d’un mot en double biaiserait les mesures de r\u00e9tention en introduisant un effet de r\u00e9p\u00e9tition non ma\u00eetris\u00e9. L’algorithme d’\u00e9chantillonnage sans remise garantit l’\u00e9quivalence probabiliste de s\u00e9lection tout en imposant une orthogonalit\u00e9 parfaite des stimuli pr\u00e9sent\u00e9s au participant.<\/p>\n L’ex\u00e9cution pratique d’un tirage sans remise sous R s’appuie sur la syntaxe native de sample()<\/strong> en laissant l’argument replace<\/em> sur sa modalit\u00e9 par d\u00e9faut, soit replace = FALSE<\/em>. Pour illustrer cette manipulation, imaginons la constitution d’un \u00e9chantillon de recherche comportementale \u00e0 partir d’une cohorte de scores standardis\u00e9s d’anxi\u00e9t\u00e9 mesur\u00e9s \u00e0 l’aide de l’inventaire de Spielberger (STAI-Y). Le chercheur dispose d’une population parente de 200 participants et souhaite s\u00e9lectionner al\u00e9atoirement 25 individus pour une phase d’exploration qualitative approfondie.<\/p>\n Le script s’initialise par la d\u00e9finition du vecteur num\u00e9rique repr\u00e9sentant la population. L’appel de la fonction prend la forme textuelle suivante : l’assignation du vecteur source \u00e0 l’argument x<\/em>, la sp\u00e9cification scalaire de size = 25<\/em>, et l’indication explicite replace = FALSE<\/em> pour garantir la lisibilit\u00e9 du code aupr\u00e8s d’\u00e9valuateurs tiers. Lors de l’\u00e9valuation de cette ligne de code, l’interpr\u00e9teur s\u00e9lectionne une permutation partielle du vecteur sous-jacent et renvoie un nouveau vecteur atomique contenant exactement 25 observations distinctes, sans aucune duplication d’indices.<\/p>\n L’analyse des erreurs constitue un volet p\u00e9dagogique essentiel. Si un utilisateur d\u00e9finit un vecteur de 10 scores de QI et tente d’ex\u00e9cuter un appel avec size = 15<\/em> sans modifier l’argument de remise, R interrompt le processus et signale que la taille requise est sup\u00e9rieure au nombre d’\u00e9l\u00e9ments disponibles lorsque le remplacement n’est pas autoris\u00e9. Ce garde-fou pr\u00e9vient l’introduction accidentelle d’\u00e9l\u00e9ments ind\u00e9termin\u00e9s dans l’espace m\u00e9moire de l’environnement de calcul.<\/p>\n Une application exp\u00e9rimentale majeure du tirage sans remise r\u00e9side dans la randomisation de l’ordre de pr\u00e9sentation des blocs de t\u00e2ches cognitives. Pour contrer les effets d’apprentissage, d’habituation ou de fatigue mentale, les chercheurs utilisent le tirage sans remise pour permuter al\u00e9atoirement l’int\u00e9gralit\u00e9 d’un vecteur de conditions. Si l’on dispose d’un vecteur cat\u00e9goriel comprenant quatre modalit\u00e9s de charge de m\u00e9moire de travail (Nulle, Faible, Moyenne, \u00c9lev\u00e9e), l’instruction sample(conditions, size = length(conditions), replace = FALSE)<\/em> g\u00e9n\u00e8re une permutation pseudo-al\u00e9atoire exhaustive. Cette op\u00e9ration, r\u00e9p\u00e9t\u00e9e pour chaque sujet individuel, r\u00e9alise un contrebalancement complet garantissant la neutralisation des art\u00e9facts d’ordre de passation.<\/p>\n L’\u00e9chantillonnage al\u00e9atoire avec remise (ou remplacement) repose sur une structure probabiliste dans laquelle chaque extraction est strictement ind\u00e9pendante des \u00e9v\u00e9nements ant\u00e9rieurs. Contrairement au tirage sans remplacement, l’espace d’\u00e9chantillonnage demeure invariant tout au long du processus it\u00e9ratif. La probabilit\u00e9 d’extraire une unit\u00e9 sp\u00e9cifique quelconque demeure rigoureusement constante et \u00e9gale \u00e0 1 \/ N \u00e0 chaque \u00e9tape, satisfaisant aux crit\u00e8res de l’ind\u00e9pendance conditionnelle au sens stochastique. Ce cadre th\u00e9orique s’associe aux lois binomiales et multinomiales, mod\u00e9lisant la fr\u00e9quence d’apparition d’\u00e9v\u00e9nements discrets lors d’exp\u00e9riences renouvel\u00e9es de mani\u00e8re identique.<\/p>\n Une cons\u00e9quence imm\u00e9diate de cette ind\u00e9pendance r\u00e9side dans la lev\u00e9e de la contrainte sur la taille de l’\u00e9chantillon. Il devient math\u00e9matiquement et techniquement possible de fixer une valeur de size<\/em> infiniment sup\u00e9rieure au cardinal N de la population parente. Les unit\u00e9s statistiques peuvent ainsi \u00eatre s\u00e9lectionn\u00e9es plusieurs fois au sein de l’\u00e9chantillon final, ou au contraire ne jamais y figurer. Dans le cas asymptotique o\u00f9 la taille de l’\u00e9chantillon n devient \u00e9gale \u00e0 la taille de la population N, la probabilit\u00e9 qu’une observation sp\u00e9cifique soit omise converge vers la limite de (1 – 1 \/ N) puissance N, c’est-\u00e0-dire vers l’inverse de la constante math\u00e9matique d’Euler, soit environ 36,8 %, tandis qu’environ 63,2 % des observations uniques sont retenues au moins une fois.<\/p>\n Cette propri\u00e9t\u00e9 constitue le fondement math\u00e9matique des techniques modernes de r\u00e9\u00e9chantillonnage non param\u00e9trique, et singuli\u00e8rement de la m\u00e9thodologie du bootstrap d\u00e9velopp\u00e9e par Bradley Efron<\/a>. Le bootstrap postule que la distribution empirique d’un \u00e9chantillon observ\u00e9 constitue la meilleure approximation non param\u00e9trique de la loi de probabilit\u00e9 sous-jacente de la population parente. D\u00e8s lors, le r\u00e9\u00e9chantillonnage avec remise \u00e0 partir des donn\u00e9es observ\u00e9es permet de simuler la variabilit\u00e9 d’\u00e9chantillonnage th\u00e9orique sans formuler d’hypoth\u00e8ses contraignantes sur la normalit\u00e9 ou l’homosc\u00e9dasticit\u00e9 de la distribution parente.<\/p>\n Dans les contextes de mod\u00e9lisation pr\u00e9dictive et d’apprentissage automatique supervis\u00e9, l’\u00e9chantillonnage avec remplacement est au c\u0153ur des m\u00e9thodes d’agr\u00e9gation de mod\u00e8les (bagging), utilis\u00e9es notamment dans les algorithmes de for\u00eats al\u00e9atoires. En extrayant de multiples sous-\u00e9chantillons bootstrap de l’ensemble d’entra\u00eenement, on entra\u00eene des estimateurs ind\u00e9pendants dont l’agr\u00e9gation finale stabilise la pr\u00e9diction et r\u00e9duit drastiquement la variance d’estimation globale du mod\u00e8le sans accro\u00eetre son biais.<\/p>\n L’activation de l’\u00e9chantillonnage avec remplacement s’op\u00e8re sous R par la modification explicite du drapeau bool\u00e9en : replace = TRUE<\/em>. Cette instruction modifie la routine interne en C appel\u00e9e par sample()<\/strong>, basculant d’un algorithme de m\u00e9lange de Fisher-Yates partiel vers un g\u00e9n\u00e9rateur d’entiers uniformes ind\u00e9pendants pointant vers les indices du vecteur vectoriel source. La syntaxe est concise : sample(x = vecteur_donnees, size = 1000, replace = TRUE)<\/em>.<\/p>\n En \u00e9conomie comportementale et dans les \u00e9tudes sur la prise de d\u00e9cision en situation d’incertitude, l’\u00e9chantillonnage avec remise sert d’outil pour simuler des environnements probabilistes discrets. Par exemple, pour mod\u00e9liser une \u00e9preuve d’\u00e9valuation de la tol\u00e9rance au risque financi\u00e8re sous forme de lancers successifs de pi\u00e8ces biais\u00e9es ou de tirages de jetons color\u00e9s dans une urne ferm\u00e9e, le vecteur d’\u00e9tats (Succ\u00e8s, \u00c9chec) est \u00e9chantillonn\u00e9 sur une grande taille avec replace = TRUE<\/em>. Cette approche permet d’observer la trajectoire dynamique des choix des agents face \u00e0 des s\u00e9ries de gains et de pertes simul\u00e9es sous un contr\u00f4le strict des param\u00e8tres de variance.<\/p>\n L’estimation d’intervalles de confiance par bootstrap non param\u00e9trique illustre la puissance de cette approche. Face \u00e0 des scores de temps de r\u00e9action (exprim\u00e9s en millisecondes) issus de t\u00e2ches de type Stroop, les distributions empiriques pr\u00e9sentent syst\u00e9matiquement une asym\u00e9trie positive marqu\u00e9e, violant les hypoth\u00e8ses de normalit\u00e9 de Student. En g\u00e9n\u00e9rant, par exemple, 10 000 r\u00e9plicats bootstrap de taille identique \u00e0 l’\u00e9chantillon initial au moyen d’it\u00e9rations combinant sample(x, size = length(x), replace = TRUE)<\/em> et le calcul de la m\u00e9diane empirique, on construit la distribution d’\u00e9chantillonnage de la m\u00e9diane. Les percentiles 2,5 % et 97,5 % de cette distribution empirique fournissent alors un intervalle de confiance robuste et exact \u00e0 95 %, sans supposer de loi th\u00e9orique a priori.<\/p>\n Ce protocole est particuli\u00e8rement pertinent pour les scores cliniques d’anxi\u00e9t\u00e9 ou de d\u00e9pression mesur\u00e9s sur des \u00e9chelles de Likert ordinales o\u00f9 le calcul de moyennes arithm\u00e9tiques standard est controvers\u00e9. L’\u00e9chantillonnage avec remise permet de d\u00e9river les erreurs types d’indicateurs robustes d’\u00e9chelle, tels que l’\u00e9cart interquartile ou la moyenne tronqu\u00e9e, offrant aux praticiens des outils diagnostiques fiables m\u00eame en pr\u00e9sence de valeurs extr\u00eames ou d’atypicit\u00e9s de distribution.<\/p>\n L’\u00e9chantillonnage al\u00e9atoire uniforme ne r\u00e9pond pas toujours aux r\u00e9alit\u00e9s m\u00e9thodologiques de la recherche comportementale ou clinique. Dans de nombreuses circonstances, des entit\u00e9s sp\u00e9cifiques doivent poss\u00e9der une probabilit\u00e9 d’int\u00e9gration asym\u00e9trique, dict\u00e9e soit par des fr\u00e9quences d’occurrence naturelles observ\u00e9es dans la population cible, soit par des choix d’optimisation exp\u00e9rimentale d\u00e9lib\u00e9r\u00e9s. L’argument prob<\/em> de la fonction sample()<\/strong> permet de rompre avec l’\u00e9quiprobabilit\u00e9 en introduisant un vecteur de masses de probabilit\u00e9 ou de poids relatifs d’\u00e9chantillonnage.<\/p>\n Sur le plan computationnel, R n’exige pas imp\u00e9rativement que les valeurs transmises \u00e0 l’argument prob<\/em> soient rigoureusement normalis\u00e9es a priori, c’est-\u00e0-dire que leur somme math\u00e9matique soit strictement \u00e9gale \u00e0 l’unit\u00e9. L’environnement r\u00e9alise une normalisation automatique \u00e0 la vol\u00e9e. Si un vecteur de poids arbitraires w = (w_1, w_2, …, w_N) est fourni, R calcule la somme totale W et affecte \u00e0 chaque composante la probabilit\u00e9 effective p_i = w_i \/ W. La condition d’admissibilit\u00e9 est stricte : tous les poids doivent \u00eatre non n\u00e9gatifs, et au moins un \u00e9l\u00e9ment doit \u00eatre strictement positif. La pr\u00e9sence de valeurs n\u00e9gatives ou de valeurs non num\u00e9riques non convertibles entra\u00eene une interruption imm\u00e9diate du processus de tirage avec g\u00e9n\u00e9ration d’une erreur d’ex\u00e9cution.<\/p>\n Cette flexibilit\u00e9 permet la mod\u00e9lisation de l’\u00e9chantillonnage proportionnel \u00e0 la taille (probability proportional to size, PPS). En \u00e9pid\u00e9miologie psychiatrique, la pr\u00e9valence d’un trouble au sein de diff\u00e9rentes sous-populations d\u00e9mographiques peut d\u00e9terminer leur poids d’\u00e9chantillonnage lors de protocoles de d\u00e9tection pr\u00e9coce. Lorsqu’il s’agit de constituer des cohortes artificielles pour simuler l’impact d’une politique de sant\u00e9 mentale publique, pond\u00e9rer l’extraction des profils comportementaux par leur pr\u00e9valence r\u00e9elle \u00e9vite les biais de projection et permet de reproduire fid\u00e8lement la distribution d\u00e9mographique des vuln\u00e9rabilit\u00e9s au sein du corps social.<\/p>\n Par ailleurs, l’\u00e9chantillonnage pond\u00e9r\u00e9 s’av\u00e8re pr\u00e9cieux pour corriger des d\u00e9s\u00e9quilibres connus de recrutement au moyen du calage sur marges. Si une \u00e9tude en neuro-imagerie a sur-repr\u00e9sent\u00e9 involontairement des individus droitiers en raison de contraintes de connectivit\u00e9 c\u00e9r\u00e9brale standardis\u00e9es, le chercheur peut r\u00e9\u00e9quilibrer artificiellement l’\u00e9chantillon pour des analyses comportementales secondaires en appliquant un vecteur de pond\u00e9ration inversement proportionnel \u00e0 la probabilit\u00e9 de s\u00e9lection de chaque groupe au sein de la base de sondage.<\/p>\n La mise en \u0153uvre pratique de l’\u00e9chantillonnage pond\u00e9r\u00e9 sous R s’illustre par l’assignation de conditions exp\u00e9rimentales asym\u00e9triques au sein d’un paradigme d’amor\u00e7age subliminal (priming). Imaginons un protocole d’attention visuelle o\u00f9 le chercheur souhaite exposer les participants \u00e0 trois cat\u00e9gories d’amorces : neutres, \u00e9motionnellement positives et \u00e9motionnellement n\u00e9gatives. Afin d’\u00e9viter l’\u00e9mergence d’une strat\u00e9gie d’anticipation ou d’habituation aux stimuli \u00e9motionnels, le chercheur d\u00e9cide que 60 % des essais doivent utiliser des amorces neutres, tandis que les stimuli positifs et n\u00e9gatifs se partagent \u00e0 parts \u00e9gales les 40 % restants (soit 20 % chacun).<\/p>\n Le vecteur d’\u00e9tats s’\u00e9crit sous la forme de cha\u00eenes de caract\u00e8res : c(\u00ab\u00a0Neutre\u00a0\u00bb, \u00ab\u00a0Positif\u00a0\u00bb, \u00ab\u00a0Negatif\u00a0\u00bb). Le vecteur de pond\u00e9ration associ\u00e9 est d\u00e9fini explicitement par la structure num\u00e9rique : c(0.60, 0.20, 0.20). L’appel de l’instruction prend alors la configuration suivante : sample(c(\u00ab\u00a0Neutre\u00a0\u00bb, \u00ab\u00a0Positif\u00a0\u00bb, \u00ab\u00a0Negatif\u00a0\u00bb), size = 500, replace = TRUE, prob = c(0.60, 0.20, 0.20))<\/em>. L’ex\u00e9cution de cette commande g\u00e9n\u00e8re une s\u00e9quence de 500 essais exp\u00e9rimentaux respectant rigoureusement la loi de probabilit\u00e9 multinomiale param\u00e9tr\u00e9e.<\/p>\n Un autre cas d’usage r\u00e9side dans le sur-\u00e9chantillonnage contr\u00f4l\u00e9 de profils psychopathologiques rares au sein de cohortes longitudinales g\u00e9n\u00e9rales. Si une base de donn\u00e9es contient 10 000 sujets dont seulement 1 % r\u00e9pondent aux crit\u00e8res du trouble obsessionnel-compulsif (TOC) s\u00e9v\u00e8re, une extraction uniforme de 100 individus ne capturerait en moyenne qu’un seul sujet clinique, emp\u00eachant toute mod\u00e9lisation statistique robuste. En attribuant aux profils cliniques rares un poids d’\u00e9chantillonnage substantiellement sup\u00e9rieur, le chercheur extrait un sous-\u00e9chantillon enrichi permettant des comparaisons de puissance statistique \u00e9quivalente, sous r\u00e9serve d’int\u00e9grer ult\u00e9rieurement ces poids comme covariables de sondage dans les r\u00e9gressions finales.<\/p>\n La validation empirique de ces tirages non \u00e9quiprobables s’op\u00e8re par l’application de diagnostics de convergence fond\u00e9s sur la loi forte des grands nombres. En R, la tabulation des fr\u00e9quences relatives observ\u00e9es \u00e0 l’aide de l’instruction combin\u00e9e prop.table(table(sample(…)))<\/em> permet de v\u00e9rifier que, pour une taille d’\u00e9chantillon suffisamment vaste, les proportions observ\u00e9es convergent vers les poids stochastiques assign\u00e9s dans l’argument prob<\/em>. L’application d’un test du chi-deux d’ad\u00e9quation permet de formaliser cette convergence et de s’assurer de l’absence de d\u00e9rive algorithmique du g\u00e9n\u00e9rateur pseudo-al\u00e9atoire.<\/p>\n L’informatique contemporaine ne produit pas de hasard physique spontan\u00e9 lors de ses calculs arithm\u00e9tiques standard. Les architectures de calcul s’appuient sur des g\u00e9n\u00e9rateurs de nombres pseudo-al\u00e9atoires (Pseudo-Random Number Generators ou PRNG). Ces moteurs sont des algorithmes d\u00e9terministes qui, \u00e0 partir d’un \u00e9tat interne initial d\u00e9nomm\u00e9 \u00ab graine \u00bb (seed), produisent une suite de nombres dont les propri\u00e9t\u00e9s distributionnelles miment celles d’une s\u00e9quence de variables al\u00e9atoires ind\u00e9pendantes et identiquement distribu\u00e9es, bien que la suite soit enti\u00e8rement reproductible si l’\u00e9tat initial est connu.<\/p>\n Par d\u00e9faut, l’interpr\u00e9teur R exploite l’algorithme du Mersenne-Twister (sp\u00e9cifiquement la variante MT19937), mis au point par Makoto Matsumoto et Takuji Nishimura<\/a> en 1997. Ce g\u00e9n\u00e9rateur poss\u00e8de des propri\u00e9t\u00e9s th\u00e9oriques avanc\u00e9es, notamment une p\u00e9riode gigantesque s’\u00e9levant \u00e0 2^19937 – 1 (un nombre comportant plus de six mille chiffres) et une \u00e9quidistribution garantie jusqu’\u00e0 623 dimensions spatiales. Ces caract\u00e9ristiques assurent que les simulations de Monte-Carlo et les \u00e9chantillonnages massifs sous R ne souffrent pas de corr\u00e9lations s\u00e9rielles ou de r\u00e9p\u00e9titions cycliques pr\u00e9matur\u00e9es au sein de l’espace d’\u00e9tats explor\u00e9.<\/p>\n La fonction set.seed()<\/strong> constitue le m\u00e9canisme d’ancrage d\u00e9terministe de ce moteur. Elle re\u00e7oit un argument entier non sign\u00e9 qui initialise manuellement l’\u00e9tat du PRNG. Lorsque set.seed()<\/strong> est invoqu\u00e9e avec un entier fixe, l’int\u00e9gralit\u00e9 de la cha\u00eene subs\u00e9quente d’instructions stochastiques \u2014 qu’il s’agisse d’appels \u00e0 sample()<\/strong>, \u00e0 rnorm()<\/em> pour les distributions gaussiennes ou \u00e0 runif()<\/em> pour les distributions continues uniformes \u2014 renvoie une s\u00e9quence num\u00e9rique reproductible bit \u00e0 bit, sur n’importe quel ordinateur dot\u00e9 de la m\u00eame configuration de compilation du langage R.<\/p>\n Dans le cadre du mouvement contemporain pour la science ouverte et la reproductibilit\u00e9 des analyses computationnelles, la ma\u00eetrise explicite de cette graine est devenue une norme m\u00e9thodologique incontournable. Elle offre la possibilit\u00e9 \u00e0 tout chercheur tiers ou \u00e9valuateur pair de r\u00e9g\u00e9n\u00e9rer \u00e0 l’identique les \u00e9chantillons d’entra\u00eenement, les partitions de validation crois\u00e9e et les imputations multiples d’un jeu de donn\u00e9es cliniques. L’absence de fixation de la graine condamne une analyse statistique complexe \u00e0 n’\u00eatre qu’un \u00e9v\u00e9nement isol\u00e9, impossible \u00e0 auditer ou \u00e0 d\u00e9boguer avec une fid\u00e9lit\u00e9 num\u00e9rique parfaite.<\/p>\n Le d\u00e9ploiement rigoureux de set.seed()<\/strong> ob\u00e9it \u00e0 des principes d’architecture logicielle pr\u00e9cis. La recommandation centrale consiste \u00e0 d\u00e9clarer l’instruction set.seed()<\/strong> une seule fois, en pr\u00e9ambule imm\u00e9diat du script principal d’analyse, juste apr\u00e8s le chargement des biblioth\u00e8ques logicielles et la d\u00e9finition de l’environnement de travail. Cette approche garantit que l’int\u00e9gralit\u00e9 du flux de travail s’ex\u00e9cute le long d’une trajectoire pseudo-al\u00e9atoire continue sans rupture arbitraire de l’entropie interne du syst\u00e8me.<\/p>\n Une mauvaise pratique fr\u00e9quente consiste \u00e0 encapsuler des appels r\u00e9p\u00e9t\u00e9s \u00e0 set.seed()<\/strong> \u00e0 l’int\u00e9rieur de boucles d’it\u00e9ration ou au sein de chaque fonction personnalis\u00e9e du pipeline d’analyse. Cette r\u00e9initialisation compulsive d\u00e9truit l’ind\u00e9pendance statistique entre les blocs de traitement successifs : en r\u00e9injectant continuellement la m\u00eame graine, le chercheur force l’algorithme \u00e0 r\u00e9utiliser les m\u00eames segments de la s\u00e9quence pseudo-al\u00e9atoire, cr\u00e9ant des auto-corr\u00e9lations artificielles n\u00e9fastes au sein de ses simulations num\u00e9riques ou de ses r\u00e9\u00e9chantillonnages bootstrap.<\/p>\n Il est \u00e9galement n\u00e9cessaire de prendre en compte l’impact des versions du logiciel R sur les algorithmes d’\u00e9chantillonnage sous-jacents. Lors de la publication de la version 3.6.0 de R en avril 2019, l’\u00e9quipe de d\u00e9veloppement du noyau a modifi\u00e9 l’algorithme de g\u00e9n\u00e9ration d’entiers uniformes discrets (passant d’un arrondi tronqu\u00e9 \u00e0 un \u00e9chantillonnage par rejet) afin d’\u00e9liminer un l\u00e9ger biais d’asym\u00e9trie dans les tirages sur de grands intervalles. Bien que cette modification ait am\u00e9lior\u00e9 la pr\u00e9cision statistique des tirages, elle a rompu la reproductibilit\u00e9 ascendante : un script ex\u00e9cut\u00e9 sous R 3.5.3 avec une graine fixe ne produit pas exactement le m\u00eame \u00e9chantillon sous R 4.x.x, sauf si le chercheur r\u00e9active explicitement l’ancienne m\u00e9thode via la fonction RNGkind(sample.kind = \u00ab\u00a0Rounding\u00a0\u00bb)<\/em>.<\/p>\n Pour assurer la p\u00e9rennit\u00e9 absolue des protocoles sur le long terme, les rapports d’analyse de donn\u00e9es doivent documenter scrupuleusement la graine utilis\u00e9e, le type d’algorithme de PRNG actif, ainsi que l’ensemble des informations de session fournies par l’instruction sessionInfo()<\/em>. Les tests d’int\u00e9grit\u00e9 peuvent s’appuyer sur des assertions logiques formelles, comparant par exemple l’empreinte de hachage num\u00e9rique ou la stricte \u00e9galit\u00e9 bool\u00e9enne via l’instruction identical()<\/em> entre deux g\u00e9n\u00e9rations successives de sous-ensembles d’observations.<\/p>\n L’application de l’\u00e9chantillonnage al\u00e9atoire aux structures de donn\u00e9es tabulaires bidimensionnelles, telles que les objets de type data.frame<\/em>, constitue la routine la plus courante lors de l’analyse empirique de bases de donn\u00e9es de recherche. Contrairement aux vecteurs atomiques simples, un tableau de donn\u00e9es requiert la s\u00e9lection d’enregistrements complets, garantissant que les associations bivari\u00e9es et multivari\u00e9es entre les covariables, les facteurs explicatifs et les variables de r\u00e9ponse mesur\u00e9es chez un m\u00eame individu demeurent rigoureusement pr\u00e9serv\u00e9es au sein du sous-ensemble extrait.<\/p>\n En syntaxe de base R, l’extraction probabiliste d’observations s’effectue par l’indexation matricielle matricielle crois\u00e9e combin\u00e9e \u00e0 la fonction sample()<\/strong>. Le protocole repose sur l’\u00e9chantillonnage des indices de lignes du tableau. Si l’on d\u00e9signe par l’identifiant donnees_psy<\/em> une base de donn\u00e9es contenant 1 000 participants et 30 variables psychom\u00e9triques, la fonction nrow(donnees_psy)<\/em> fournit le nombre total d’unit\u00e9s d’observation disponibles. L’extraction al\u00e9atoire d’un sous-ensemble de 100 lignes s’\u00e9crit formellement : indices <- sample(seq_len(nrow(donnees_psy)), size = 100, replace = FALSE)<\/em>, suivi de la projection matricielle : sous_echantillon <- donnees_psy[indices, , drop = FALSE]<\/em>.<\/p>\n La pr\u00e9servation des identifiants et des m\u00e9tadonn\u00e9es associ\u00e9es aux lignes constitue une \u00e9tape sensible. Lors de l’indexation, le tableau de donn\u00e9es r\u00e9sultant conserve par d\u00e9faut les num\u00e9ros d’indices originaux comme noms de lignes (row.names<\/em>). Dans certains protocoles de calcul, la persistance de ces indices initiaux non s\u00e9quentiels peut interf\u00e9rer avec des boucles ou des fonctions de mod\u00e9lisation s\u00e9quentielle. Il est alors d’usage de r\u00e9initialiser la num\u00e9rotation des lignes en assignant la valeur NULL<\/em> \u00e0 l’attribut concern\u00e9 : row.names(sous_echantillon) <- NULL<\/em>, restaurant une s\u00e9quence arithm\u00e9tique lin\u00e9aire de 1 \u00e0 la nouvelle dimension du sous-ensemble.<\/p>\n Cette technique d’indexation matricielle al\u00e9atoire forme la base algorithmique de la scission d’\u00e9chantillon pour la validation crois\u00e9e (cross-validation) et l’estimation de l’erreur de g\u00e9n\u00e9ralisation des mod\u00e8les statistiques. En g\u00e9n\u00e9rant un vecteur d’indices al\u00e9atoires partitionnant la population en deux sous-ensembles compl\u00e9mentaires (par exemple 70 % d’apprentissage et 30 % de test), le chercheur pr\u00e9vient le surapprentissage des r\u00e9gressions ou des analyses discriminantes, assurant que l’\u00e9valuation des capacit\u00e9s pr\u00e9dictives s’op\u00e8re sur des donn\u00e9es totalement ind\u00e9pendantes de la phase d’estimation param\u00e9trique.<\/p>\n L’al\u00e9a d’\u00e9chantillonnage peut \u00e9galement s’exercer sur la dimension verticale d’un tableau de donn\u00e9es, c’est-\u00e0-dire sur ses colonnes ou variables. Cette situation se pr\u00e9sente r\u00e9guli\u00e8rement dans les approches computationnelles de s\u00e9lection exploratoire de caract\u00e9ristiques, dans les algorithmes de for\u00eats d’arbres d\u00e9cisionnels o\u00f9 chaque n\u0153ud est scind\u00e9 sur un sous-ensemble restreint de pr\u00e9dicteurs s\u00e9lectionn\u00e9s au hasard, ou dans les \u00e9tudes psychom\u00e9triques examinant la consistance interne d’un test sous diverses configurations de sous-tests.<\/p>\n L’impl\u00e9mentation algorithmique en syntaxe de base R fait \u00e9cho \u00e0 l’indexation des lignes, en d\u00e9pla\u00e7ant le vecteur d’indices vers la seconde coordonn\u00e9e de l’op\u00e9rateur de crochetage. Si un inventaire de personnalit\u00e9 comporte 100 items d’auto-\u00e9valuation et que le chercheur d\u00e9sire extraire al\u00e9atoirement 20 items pour construire une forme courte exp\u00e9rimentale, la commande s’articule comme suit : colonnes_selectionnees <- sample(seq_len(ncol(inventaire)), size = 20, replace = FALSE)<\/em>. La structure r\u00e9duite est obtenue par l’assignation : forme_courte <- inventaire[, colonnes_selectionnees, drop = FALSE]<\/em>.<\/p>\n Le contr\u00f4le de l’int\u00e9grit\u00e9 relationnelle impose une vigilance particuli\u00e8re lors de l’\u00e9chantillonnage des colonnes : il est capital d’exclure pr\u00e9alablement les colonnes contenant les identifiants uniques des sujets, les variables de stratification ou les \u00e9tiquettes de diagnostic clinique. L’inclusion accidentelle de la cl\u00e9 primaire d’identification dans la proc\u00e9dure d’extraction probabiliste des covariables risque de corrompre les \u00e9tapes ult\u00e9rieures de liaison de donn\u00e9es (merging) ou de conduire \u00e0 des mod\u00e9lisations erron\u00e9es o\u00f9 un identifiant arbitraire est trait\u00e9 comme un pr\u00e9dicteur psychologique continu.<\/p>\n La pratique recommand\u00e9e consiste \u00e0 scinder le tableau initial en deux conteneurs structurels : d’une part, un tableau r\u00e9serv\u00e9 exclusivement aux variables de mesure psychologique candidates \u00e0 l’\u00e9chantillonnage, et d’autre part, un tableau d’indexation consignant les m\u00e9tadonn\u00e9es invariantes des participants (identifiant, sexe, groupe clinique). Apr\u00e8s la s\u00e9lection al\u00e9atoire des covariables au sein du premier tableau, les structures sont r\u00e9unies horizontalement par la fonction cbind()<\/em>, assurant une \u00e9tanch\u00e9it\u00e9 m\u00e9thodologique absolue entre l’al\u00e9a algorithmique et les identifiants exp\u00e9rimentaux.<\/p>\n L’av\u00e8nement du paradigme d\u00e9claratif formalis\u00e9 par l’\u00e9cosyst\u00e8me dplyr<\/a> au sein du Tidyverse a profond\u00e9ment renouvel\u00e9 la manipulation des structures de donn\u00e9es sous R. D\u00e9laissant l’indexation matricielle \u00e0 crochets, souvent verbeuse et propice aux erreurs de syntaxe, dplyr propose une grammaire de transformation des donn\u00e9es reposant sur des verbes d’action explicites connect\u00e9s par l’op\u00e9rateur de cha\u00eenage (pipe natif |><\/em> ou historique %>%<\/em>). Au sein de cette architecture, la fonction slice_sample()<\/strong> s’affirme comme l’outil privil\u00e9gi\u00e9 pour l’extraction probabiliste de lignes.<\/p>\n La fonction slice_sample()<\/strong> accepte un ensemble d’arguments con\u00e7us pour couvrir l’int\u00e9gralit\u00e9 des configurations d’\u00e9chantillonnage courantes. Alors que l’argument n<\/em> sp\u00e9cifie de mani\u00e8re directe le nombre absolu de lignes \u00e0 extraire (\u00e9quivalent \u00e0 l’argument size<\/em> de la fonction standard), l’argument alternatif prop<\/em> permet d’indiquer une fraction relative de la population parente. Par exemple, l’instruction cha\u00een\u00e9e donnees |> slice_sample(prop = 0.25)<\/em> extrait exactement 25 % des observations totales du tableau sans requ\u00e9rir le calcul pr\u00e9alable explicite de l’effectif correspondant via nrow()<\/em>.<\/p>\n L’int\u00e9gration des pond\u00e9rations s’op\u00e8re naturellement par l’interm\u00e9diaire de l’argument weight_by<\/em>. Contrairement \u00e0 la fonction canonique sample()<\/strong> qui exige l’acc\u00e8s \u00e0 un vecteur externe ou l’utilisation r\u00e9p\u00e9t\u00e9e du nom de la structure source, weight_by<\/em> exploite le m\u00e9canisme d’\u00e9valuation non standard (tidy evaluation). Le chercheur peut ainsi d\u00e9signer directement le nom de la variable de pond\u00e9ration pr\u00e9sente dans le tableau de donn\u00e9es. La gestion du remplacement est r\u00e9gie quant \u00e0 elle par l’argument replace<\/em>, autorisant avec une grande fluidit\u00e9 syntaxique la transition entre l’\u00e9chantillonnage sans remise et les sch\u00e9mas de r\u00e9\u00e9chantillonnage bootstrap.<\/p>\n Cette approche d\u00e9clarative am\u00e9liore la lisibilit\u00e9 globale des scripts et leur transmissibilit\u00e9 entre collaborateurs scientifiques. L’incorporation directe de la proc\u00e9dure d’extraction au sein d’une s\u00e9quence de filtrage, de renommage et de calcul de scores composites fluidifie le traitement des donn\u00e9es, \u00e9liminant le recours \u00e0 la cr\u00e9ation de vecteurs interm\u00e9diaires d’indices num\u00e9riques qui encombrent l’espace de travail global (Global Environment) et augmentent le risque d’erreurs d’assignation crois\u00e9e.<\/p>\n L’un des atouts les plus puissants de la mod\u00e9lisation avec dplyr r\u00e9side dans l’interaction native entre la commande de segmentation group_by()<\/strong> et les verbes d’extraction comme slice_sample()<\/strong>. Lorsque des donn\u00e9es sont pr\u00e9alablement regroup\u00e9es sous l’effet d’une ou plusieurs variables cat\u00e9gorielles, toute op\u00e9ration subs\u00e9quente de slice_sample()<\/strong> est ex\u00e9cut\u00e9e de mani\u00e8re isol\u00e9e et ind\u00e9pendante au sein de chaque strate d\u00e9finie par les facteurs de groupement.<\/p>\n Consid\u00e9rons un protocole de recherche clinique en psychiatrie comparative portant sur l’efficacit\u00e9 de deux th\u00e9rapies (Cognitivo-Comportementale vs Syst\u00e9mique) administr\u00e9es \u00e0 des patients r\u00e9partis en trois classes d’\u00e2ge (Jeunes Adultes, Adultes d’\u00c2ge Moyen, Seniors). Afin de garantir un \u00e9chantillon d’\u00e9valuation parfaitement \u00e9quilibr\u00e9, le chercheur applique la s\u00e9quence : donnees |> group_by(Therapie, Classe_Age) |> slice_sample(n = 20) |> ungroup()<\/em>. Cette instruction extrait 20 patients distincts pour chaque croisement factoriel possible, assurant ainsi un plan exp\u00e9rimental balanc\u00e9, id\u00e9al pour l’application d’analyses de variance (ANOVA) factorielles \u00e0 mod\u00e8le fixe sans perte d’orthogonalit\u00e9.<\/p>\n Dans les contextes o\u00f9 l’effectif des sous-groupes est fortement dissym\u00e9trique au sein de la base parente, l’utilisation conjointe de group_by()<\/strong> et de l’argument proportionnel prop<\/em> permet de r\u00e9aliser un \u00e9chantillonnage stratifi\u00e9 proportionnel direct. Chaque modalit\u00e9 contribue alors \u00e0 l’\u00e9chantillon final \u00e0 hauteur exacte de son poids num\u00e9rique dans la cohorte d’origine, automatisant des calculs de quotas complexes qui n\u00e9cessiteraient autrement l’\u00e9criture de boucles conditionnelles fastidieuses en syntaxe de base.<\/p>\n Sur le plan des performances computationnelles, bien que l’impl\u00e9mentation sous dplyr offre un confort syntaxique indiscutable et int\u00e8gre des optimisations \u00e9crites en C++, elle peut engendrer une l\u00e9g\u00e8re surcharge de m\u00e9moire comparativement aux approches ultra-l\u00e9g\u00e8res en base R sur de tr\u00e8s petits vecteurs atomiques. Toutefois, face \u00e0 des jeux de donn\u00e9es volumineux comportant plusieurs dizaines de milliers d’enregistrements stratifi\u00e9s, la parall\u00e9lisation interne et la gestion optimis\u00e9e des structures de donn\u00e9es de type tibble<\/em> conf\u00e8rent \u00e0 dplyr une vitesse d’ex\u00e9cution \u00e9lev\u00e9e, tout en limitant les risques d’incoh\u00e9rence dimensionnelle.<\/p>\n L’\u00e9chantillonnage stratifi\u00e9 repose sur le principe de la d\u00e9composition d’une population globale h\u00e9t\u00e9rog\u00e8ne en sous-populations ou strates mutuellement exclusives, choisies de telle sorte que la variance intrastrate soit minimale tandis que la variance interstrates est maximale. L’objectif fondamental de cette architecture probabiliste est d’am\u00e9liorer la pr\u00e9cision de l’estimateur global de la moyenne ou du total de la population par rapport \u00e0 celle obtenue au moyen d’un \u00e9chantillonnage al\u00e9atoire simple de taille identique.<\/p>\n Deux logiques d’allocation de la taille d’\u00e9chantillon globale n entre les diff\u00e9rentes strates H s’affrontent classiquement dans la litt\u00e9rature statistique. La premi\u00e8re est l’allocation proportionnelle, formul\u00e9e formellement par Jerzy Neyman dans les ann\u00e9es 1930, dans laquelle la taille n_h allou\u00e9e \u00e0 la strate h est strictement proportionnelle \u00e0 la taille N_h de ladite strate dans la population totale : n_h = n * (N_h \/ N). Cette m\u00e9thode garantit l’auto-pond\u00e9ration de l’\u00e9chantillon : chaque individu poss\u00e8de la m\u00eame probabilit\u00e9 marginale d’inclusion finale, simplifiant l’analyse descriptive puisque la moyenne de l’\u00e9chantillon constitue un estimateur non biais\u00e9 direct de la moyenne de population.<\/p>\n La seconde approche, plus performante pour optimiser la pr\u00e9cision d’une variable continue sp\u00e9cifique, est l’allocation optimale de Neyman. Cette m\u00e9thode int\u00e8gre explicitement l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 interne de chaque strate, mesur\u00e9e par son \u00e9cart-type sigma_h. L’\u00e9quation formelle de l’allocation de Neyman d\u00e9termine que la taille d’\u00e9chantillon de la strate h doit \u00eatre proportionnelle au produit de son poids d\u00e9mographique N_h et de sa dispersion interne sigma_h : n_h = n * (N_h * sigma_h) \/ Somme(N_i * sigma_i). Une strate tr\u00e8s h\u00e9t\u00e9rog\u00e8ne (dispersion \u00e9lev\u00e9e) recevra ainsi un contingent d’\u00e9chantillonnage plus vaste qu’une strate homog\u00e8ne de taille identique, minimisant analytiquement la variance de l’estimateur combin\u00e9 global.<\/p>\n En recherche transversale sur le d\u00e9veloppement cognitif ou le vieillissement c\u00e9r\u00e9bral, l’allocation optimale de Neyman joue un r\u00f4le m\u00e9thodologique central. Chez les sujets \u00e2g\u00e9s de plus de 80 ans, la variabilit\u00e9 interindividuelle des scores de d\u00e9clin cognitif est consid\u00e9rablement plus vaste que chez des adultes jeunes de 25 ans. Allouer davantage d’effort d’\u00e9chantillonnage \u00e0 la tranche d’\u00e2ge la plus h\u00e9t\u00e9rog\u00e8ne permet d’accro\u00eetre consid\u00e9rablement la puissance des comparaisons sans gonfler inutilement la taille globale de l’\u00e9chantillon exp\u00e9rimental.<\/p>\n L’impl\u00e9mentation rigoureuse de plans d’\u00e9chantillonnage stratifi\u00e9s avanc\u00e9s dans R d\u00e9passe souvent les fonctionnalit\u00e9s \u00e9l\u00e9mentaires de base pour mobiliser des biblioth\u00e8ques d\u00e9di\u00e9es \u00e0 la th\u00e9orie des sondages, au premier rang desquelles figure le package sampling<\/a>. Ce package met \u00e0 disposition des chercheurs la fonction strata()<\/strong>, con\u00e7ue sp\u00e9cifiquement pour ex\u00e9cuter des s\u00e9lections stratifi\u00e9es multivari\u00e9es sous diverses m\u00e9thodes d’allocation.<\/p>\n La fonction strata()<\/strong> prend en arguments le jeu de donn\u00e9es ordonn\u00e9, les noms des variables servant de crit\u00e8res de stratification (par exemple, le sexe et le niveau d’\u00e9ducation combin\u00e9s), le vecteur num\u00e9rique des tailles d’\u00e9chantillon requises pour chaque strate (argument size<\/em>), et la m\u00e9thode algorithmique de s\u00e9lection au sein de chaque strate (le tirage al\u00e9atoire simple sans remise \u00e9tant s\u00e9lectionn\u00e9 par la modalit\u00e9 method = \u00ab\u00a0srswor\u00a0\u00bb<\/em>). L’ex\u00e9cution produit un tableau contenant les identifiants d’unit\u00e9s retenues, leurs probabilit\u00e9s d’inclusion respectives, ainsi que les indices de strates, offrant une tra\u00e7abilit\u00e9 totale du processus de sondage.<\/p>\n Une alternative largement pl\u00e9biscit\u00e9e pour sa concision d’int\u00e9gration est fournie par le package splitstackshape<\/em> et sa commande centrale stratified()<\/strong>. Cette fonction compacte prend en charge directement les tableaux de donn\u00e9es non tri\u00e9s, accepte la d\u00e9finition de strates par une liste de colonnes de regroupement, et autorise le renseignement des quotas d’\u00e9chantillon sous la forme d’un nombre entier fixe par strate, d’une fraction d\u00e9cimale globale ou d’un vecteur nomm\u00e9 sp\u00e9cifiant des tailles diff\u00e9renci\u00e9es par modalit\u00e9. L’instruction s’ex\u00e9cute en une ligne unique : donnees_stratifiees <- stratified(donnees_initiales, group = c(\u00ab\u00a0Sexe\u00a0\u00bb, \u00ab\u00a0Statut_Clinique\u00a0\u00bb), size = 0.15)<\/em>.<\/p>\n La validation empirique du sous-ensemble issu de la stratification n\u00e9cessite un audit diagnostique syst\u00e9matique des fr\u00e9quences observ\u00e9es par rapport aux proportions th\u00e9oriques cibles. Une attention rigoureuse doit \u00eatre port\u00e9e aux \u00ab strates rares \u00bb ou presque vides : si une combinaison sp\u00e9cifique de facteurs d\u00e9mographiques ne comporte qu’un tr\u00e8s faible effectif dans la base parente, la taille d’\u00e9chantillon calcul\u00e9e peut exc\u00e9der l’effectif r\u00e9el disponible. Dans de telles circonstances, l’algorithme doit int\u00e9grer des r\u00e8gles d’ajustement ou de regroupement de strates adjacentes (collapsing strata) afin de pr\u00e9server l’invariance math\u00e9matique du protocole d’inf\u00e9rence.<\/p>\n Dans l’investigation des ph\u00e9nom\u00e8nes psychologiques en contexte \u00e9cologique naturel \u2014 qu’il s’agisse des interactions p\u00e9dagogiques au sein des classes scolaires, des dynamiques organisationnelles au sein d’entreprises ou de la sant\u00e9 mentale de populations rurales \u2014, l’\u00e9chantillonnage al\u00e9atoire simple d’individus dispers\u00e9s g\u00e9ographiquement s’av\u00e8re souvent irr\u00e9alisable sur le plan logistique et financier. Le chercheur recourt alors \u00e0 l’\u00e9chantillonnage par grappes, s\u00e9lectionnant des unit\u00e9s primaires d’\u00e9chantillonnage (UPE) regroupant naturellement les participants cibles.<\/p>\n Sur le plan de la th\u00e9orie statistique, l’\u00e9chantillonnage par grappes s’accompagne d’une r\u00e9duction in\u00e9vitable de la pr\u00e9cision statistique pour une taille d’\u00e9chantillon individuelle donn\u00e9e. Ce ph\u00e9nom\u00e8ne d\u00e9coule de l’homog\u00e9n\u00e9it\u00e9 interne des grappes : des \u00e9l\u00e8ves fr\u00e9quentant une m\u00eame classe partagent le m\u00eame environnement p\u00e9dagogique, le m\u00eame niveau socio-\u00e9conomique de quartier et les m\u00eames influences de pairs. Cette d\u00e9pendance stochastique est quantifi\u00e9e formellement par le coefficient de corr\u00e9lation intraclasse (ICC, not\u00e9 rho). L’ICC mesure la proportion de la variance totale du ph\u00e9nom\u00e8ne qui est attribuable aux variations entre les grappes plut\u00f4t qu’aux variations entre les individus au sein des grappes.<\/p>\n L’impact quantitatif de cette structure hi\u00e9rarchique sur la variance de l’estimateur est formalis\u00e9 par l’effet de plan (Design Effect ou DEFF). Pour un \u00e9chantillonnage par grappes d’effectif moyen m, l’effet de plan est donn\u00e9 par la relation fondamentale : DEFF = 1 + (m – 1) * rho. Le DEFF indique dans quelle mesure la variance r\u00e9elle de l’estimateur issu de l’\u00e9chantillonnage par grappes surpasse la variance qu’aurait fournie un \u00e9chantillon al\u00e9atoire simple de m\u00eame effectif global. Si le DEFF s’\u00e9l\u00e8ve \u00e0 3, cela signifie que la variance d’\u00e9chantillonnage est tripl\u00e9e en raison de la structure en grappes, ou de mani\u00e8re \u00e9quivalente, que la taille effective de l’\u00e9chantillon est divis\u00e9e par trois.<\/p>\n L’ignorance d\u00e9lib\u00e9r\u00e9e de cette correction d’\u00e9chantillonnage lors du traitement des donn\u00e9es conduit \u00e0 une sous-estimation syst\u00e9matique des erreurs types lors de l’application de r\u00e9gressions ou de tests t classiques de Student. Ce biais g\u00e9n\u00e8re une profusion d’affirmations statistiques trompeuses et d’inf\u00e9rences invalides, les seuils de significativit\u00e9 \u00e9tant artificiellement franchis sous l’illusion d’une ind\u00e9pendance des observations qui est viol\u00e9e par la proximit\u00e9 \u00e9cologique des sujets au sein de leurs grappes d’appartenance.<\/p>\n L’analyse rigoureuse d’\u00e9chantillons issus d’architectures de sondage complexes requiert l’abandon des fonctions statistiques usuelles de R (telles que lm()<\/em>, t.test()<\/em> ou mean()<\/em>) au profit des routines du package survey<\/a>, d\u00e9velopp\u00e9 par Thomas Lumley. Ce package met \u00e0 disposition un ensemble d’outils statistiques permettant d’incorporer directement les strates, les grappes hi\u00e9rarchiques et les pond\u00e9rations individuelles d’\u00e9chantillonnage au sein des calculs d’intervalles de confiance et des mod\u00e8les d’inf\u00e9rence.<\/p>\n Le point d’entr\u00e9e incontournable du package r\u00e9side dans la fonction svydesign()<\/strong>, qui formalise la d\u00e9claration math\u00e9matique de l’architecture de sondage. Ses arguments cl\u00e9s sp\u00e9cifient : la variable identifiant les grappes primaires (argument ids<\/em>, pr\u00e9fix\u00e9 par un tilde, par exemple ids = ~Ecole<\/em>), les variables de stratification \u00e9ventuelles (argument strata = ~Region<\/em>), la base de sondage ou le vecteur des probabilit\u00e9s d’inclusion (ou alternativement les poids d’\u00e9chantillonnage via weights = ~Poids_Sondage<\/em>), et la source de donn\u00e9es tabulaire (argument data<\/em>). Pour un plan d’\u00e9chantillonnage simple sans grappe, l’argument des identifiants prend simplement la valeur conventionnelle ids = ~0<\/em> ou ids = ~1<\/em>.<\/p>\n Une fois l’objet de plan de sondage instanci\u00e9, les estimations descriptives et analytiques sont ex\u00e9cut\u00e9es via des fonctions d\u00e9di\u00e9es du package pr\u00e9fix\u00e9es par svy<\/em>. L’instruction svymean(~Score_Depression, design = mon_plan)<\/em> calcule la moyenne pond\u00e9r\u00e9e de la d\u00e9tresse psychologique tout en estimant l’erreur type au moyen d’approches asymptotiques par lin\u00e9arisation de Taylor ou par r\u00e9plications \u00e9quilibr\u00e9es, int\u00e9grant avec exactitude les corrections dict\u00e9es par l’effet de grappe et la stratification.<\/p>\n Cette d\u00e9marche est illustr\u00e9e par les grandes enqu\u00eates \u00e9pid\u00e9miologiques nationales, \u00e0 l’instar des enqu\u00eates sur la sant\u00e9 mentale des populations urbaines. Lorsque 5 000 individus sont interrog\u00e9s \u00e0 travers 50 centres hospitaliers r\u00e9partis sur le territoire national, l’int\u00e9gration du plan complexe avec svydesign()<\/strong> permet d’ajuster les mod\u00e8les de r\u00e9gression logistique multivari\u00e9e via la commande svyglm()<\/em>. Les coefficients et les rapports de cotes (odds ratios) obtenus \u00e9chappent alors aux distorsions structurelles impos\u00e9es par le recrutement en grappes, garantissant des inf\u00e9rences sanitaires valides \u00e0 l’\u00e9chelle de la population g\u00e9n\u00e9rale.<\/p>\n L’utilisation pratique des m\u00e9canismes d’\u00e9chantillonnage sous R est jalonn\u00e9e de pi\u00e8ges syntaxiques et m\u00e9thodologiques susceptibles d’alt\u00e9rer la validit\u00e9 des conclusions d’une \u00e9tude empirique. Le pi\u00e8ge le plus pernicieux, \u00e9voqu\u00e9 pr\u00e9c\u00e9demment mais n\u00e9cessitant un \u00e9clairage approfondi, demeure le comportement asym\u00e9trique de sample()<\/strong> face \u00e0 un vecteur de longueur 1. Dans une fonction it\u00e9rative o\u00f9 un ensemble d’identifiants de participants est sous-\u00e9chantillonn\u00e9 dynamiquement apr\u00e8s filtrage de valeurs aberrantes, la r\u00e9duction du vecteur \u00e0 un unique \u00e9l\u00e9ment scalaire transforme l’appel en un g\u00e9n\u00e9rateur de s\u00e9quence 1:x<\/em>, injectant des donn\u00e9es erron\u00e9es dans l’analyse sans lever d’alerte dans la console.<\/p>\n Pour rem\u00e9dier d\u00e9finitivement \u00e0 cette faille structurelle, l’\u00e9criture d’une fonction encapsul\u00e9e s’impose dans tout environnement de recherche rigoureux. La structure de code recommand\u00e9e est la suivante :<\/p>\n resample <- function(x, …) x[sample.int(length(x), …)]<\/em><\/p>\n En fondant l’indexation sur la fonction interne sample.int()<\/strong> appliqu\u00e9e directement \u00e0 la longueur de l’objet, cette formulation garantit que si length(x)<\/em> est \u00e9gale \u00e0 1, l’algorithme traite le tirage sur l’indice 1 et non sur une s\u00e9quence arithm\u00e9tique fictive, immunisant l’analyse contre les erreurs de scalaires isol\u00e9s.<\/p>\n Un autre \u00e9cueil classique r\u00e9side dans l’oubli de la r\u00e9initialisation de la graine ou, \u00e0 l’inverse, dans sa r\u00e9initialisation intempestive \u00e0 des emplacements inappropri\u00e9s du code. R\u00e9initialiser la graine au sein d’une boucle g\u00e9n\u00e8re des s\u00e9ries de donn\u00e9es identiques d’une it\u00e9ration \u00e0 l’autre, introduisant une d\u00e9pendance totale non d\u00e9sir\u00e9e entre des variables qui devraient \u00eatre ind\u00e9pendantes. Inversement, modifier dynamiquement l’\u00e9tat du PRNG sans consigner les modifications rend impossible le d\u00e9bogage pr\u00e9cis d’une anomalie survenue lors d’une ex\u00e9cution de calculs intensifs.<\/p>\n Enfin, le traitement inad\u00e9quat des donn\u00e9es manquantes constitue une source r\u00e9currente de biais de survie lors de l’\u00e9chantillonnage. Si des lignes contenant des valeurs NA<\/em> sont \u00e9limin\u00e9es apr\u00e8s la s\u00e9lection d’un \u00e9chantillon de taille fixe, la taille finale effective de l’\u00e9chantillon sera inf\u00e9rieure \u00e0 celle requise par le protocole d’analyse de puissance statistique. Plus grave encore : si la survenue des valeurs manquantes n’est pas compl\u00e8tement al\u00e9atoire (Missing Completely at Random, MCAR), mais d\u00e9pendante de variables latentes du sujet (comme le niveau d’anxi\u00e9t\u00e9 provoquant l’abandon d’un questionnaire), l’\u00e9chantillon subsistant souffrira d’un biais d’attrition syst\u00e9matique destructeur pour la validit\u00e9 externe des r\u00e9sultats.<\/p>\n Face \u00e0 l’av\u00e8nement des m\u00e9gadonn\u00e9es en sciences comportementales \u2014 issues de l’enregistrement continu de donn\u00e9es de capteurs mobiles, de traces d’utilisation sur les r\u00e9seaux sociaux ou de registres de sant\u00e9 regroupant des millions de transactions individuelles \u2014, les performances computationnelles de l’\u00e9chantillonnage deviennent un facteur d\u00e9terminant. L’utilisation d’outils d’\u00e9valuation de la vitesse d’ex\u00e9cution (benchmarking), notamment via le package microbenchmark<\/a>, met en lumi\u00e8re les disparit\u00e9s d’efficacit\u00e9 des diff\u00e9rentes approches sous R.<\/p>\n Lorsque les tableaux de donn\u00e9es atteignent des dimensions de l’ordre de plusieurs dizaines de gigaoctets, l’\u00e9cosyst\u00e8me data.table<\/strong> surpasse largement la syntaxe standard de base R et les fonctions usuelles de manipulation tabulaire. Gr\u00e2ce \u00e0 une gestion bas niveau de la m\u00e9moire par r\u00e9f\u00e9rence et \u00e0 une indexation par cl\u00e9s binaires \u00e9crites en C optimis\u00e9, data.table<\/em> autorise l’extraction al\u00e9atoire d’\u00e9chantillons sur des cohortes de dix millions de lignes en une fraction de seconde, minimisant drastiquement l’empreinte m\u00e9moire vive (RAM) en \u00e9vitant les duplications d’objets inutiles.<\/p>\n Dans les contextes extr\u00eames o\u00f9 la base de donn\u00e9es est trop volumineuse pour \u00eatre charg\u00e9e int\u00e9gralement dans la m\u00e9moire de l’ordinateur, les m\u00e9thodes d’\u00e9chantillonnage en flux (streaming sampling), et en particulier l’algorithme d’\u00e9chantillonnage par r\u00e9servoir (Reservoir Sampling), constituent l’unique alternative viable. Con\u00e7u par Jeffrey Vitter en 1985, cet algorithme permet de s\u00e9lectionner al\u00e9atoirement un \u00e9chantillon de taille n sans remise \u00e0 partir d’un flux s\u00e9quentiel continu de taille N totalement inconnue \u00e0 l’avance, en ne conservant \u00e0 chaque instant que n \u00e9l\u00e9ments en m\u00e9moire vive et en effectuant un unique passage sur les donn\u00e9es.<\/p>\n Le tableau de synth\u00e8se suivant r\u00e9capitule les caract\u00e9ristiques op\u00e9rationnelles, la complexit\u00e9 algorithmique et les contextes d’application privil\u00e9gi\u00e9s des principales m\u00e9thodes d’\u00e9chantillonnage impl\u00e9ment\u00e9es au sein du langage statistique R :<\/p>\n L’assignation al\u00e9atoire des participants \u00e0 des conditions de traitement repr\u00e9sente la pierre angulaire de l’exp\u00e9rimentation en laboratoire de psychologie cognitive et neuropsychologie. Consid\u00e9rons un plan factoriel 2×2 visant \u00e0 \u00e9valuer l’impact d’une t\u00e2che de pleine conscience (Pleine Conscience vs Contr\u00f4le Actif) et du niveau de bruit ambiant (Silence vs Bruit Industriel) sur la capacit\u00e9 d’inhibition cognitive mesur\u00e9e par un test de Stroop informatis\u00e9. Le protocole pr\u00e9voit le recrutement de 120 participants.<\/p>\n Une randomisation simple int\u00e9grale pourrait engendrer, par pur al\u00e9a d’\u00e9chantillonnage, des d\u00e9s\u00e9quilibres majeurs dans les effectifs des quatre cellules exp\u00e9rimentales, d\u00e9gradant la puissance du test d’interaction factorielle. De surcro\u00eet, si l’exp\u00e9rimentation s’\u00e9tend sur plusieurs semaines, une randomisation non contr\u00f4l\u00e9e dans le temps risque d’affecter accidentellement les premiers participants recrut\u00e9s \u00e0 un groupe particulier, cr\u00e9ant une confusion entre l’effet du traitement et des biais temporels (fatigue progressive de l’exp\u00e9rimentateur, variations saisonni\u00e8res).<\/p>\n La solution m\u00e9thodologique pr\u00e9conis\u00e9e r\u00e9side dans la randomisation par blocs permut\u00e9s (permuted block randomization). Le chercheur subdivise la cohorte globale en blocs de taille fixe (par exemple des blocs de taille 4 ou 8), chaque bloc contenant une r\u00e9partition rigoureusement \u00e9gale des quatre combinaisons factorielles possibles. Au sein de chaque bloc successif, l’ordre des conditions est al\u00e9atoirement permut\u00e9 au moyen de la fonction sample()<\/strong> sans remise. Cette m\u00e9thode garantit qu’\u00e0 tout moment du recrutement, les quatre conditions exp\u00e9rimentales demeurent \u00e9quilibr\u00e9es en effectif, neutralisant les d\u00e9rives temporelles.<\/p>\n Le contr\u00f4le de l’\u00e9quivalence des groupes constitue le diagnostic ultime avant le lancement des analyses inf\u00e9rentielles. Bien que la randomisation \u00e9limine th\u00e9oriquement les biais syst\u00e9matiques, il convient de v\u00e9rifier la distribution des covariables individuelles (\u00e2ge, niveau d’anxi\u00e9t\u00e9 initial) entre les groupes au moyen de tests d’ind\u00e9pendance ou par l’\u00e9valuation des diff\u00e9rences moyennes standardis\u00e9es (d de Cohen). La mise en \u00e9vidence d’un d\u00e9s\u00e9quilibre majeur sur une covariable cl\u00e9 imposera son inclusion ult\u00e9rieure comme covariable dans un mod\u00e8le d’analyse de covariance (ANCOVA), r\u00e9tablissant l’impartialit\u00e9 de l’estimation de l’effet de traitement principal.<\/p>\n L’\u00e9valuation des qualit\u00e9s m\u00e9trologiques d’un nouvel instrument psychom\u00e9trique, \u00e0 l’instar d’une version r\u00e9vis\u00e9e de l’Inventaire de D\u00e9pression de Beck (BDI-II), impose de valider la structure factorielle du questionnaire sur des donn\u00e9es ind\u00e9pendantes afin d’\u00e9carter le risque d’optimisme statistique li\u00e9 \u00e0 la capitalisation sur la chance lors de l’estimation des param\u00e8tres du mod\u00e8le.<\/p>\n Le protocole analytique standard requiert une scission de l’\u00e9chantillon initial (par exemple 1 000 participants) en deux sous-ensembles distincts : un \u00e9chantillon d’entra\u00eenement (70 %, soit 700 individus) allou\u00e9 \u00e0 l’analyse factorielle exploratoire (AFE) pour identifier le nombre de dimensions latentes et le patron de saturation des items, et un \u00e9chantillon de test (30 %, soit 300 individus) r\u00e9serv\u00e9 \u00e0 l’analyse factorielle confirmatoire (AFC) pour tester formellement l’ajustement structurel du mod\u00e8le th\u00e9orique sp\u00e9cifi\u00e9.<\/p>\n Afin de pr\u00e9server la validit\u00e9 de cette d\u00e9marche, le d\u00e9coupage doit s’op\u00e9rer par \u00e9chantillonnage al\u00e9atoire stratifi\u00e9 sur les variables d\u00e9mographiques d\u00e9terminantes et sur l’intensit\u00e9 clinique globale de la pathologie. La scission est orchestr\u00e9e sous R en combinant la graine reproductible set.seed(42)<\/em> et les outils de partitionnement stratifi\u00e9 de dplyr<\/em> ou de splitstackshape<\/em>, assurant que la proportion de cas de d\u00e9pression s\u00e9v\u00e8re, mod\u00e9r\u00e9e et l\u00e9g\u00e8re demeure rigoureusement identique au sein de l’ensemble d’entra\u00eenement et de l’ensemble de test.<\/p>\n Dans la phase finale, l’analyse de l’invariance de mesure \u00e0 travers les groupes permet de confirmer que les items du questionnaire poss\u00e8dent des saturations factorielles, des seuils et des variances r\u00e9siduelles \u00e9quivalents entre les sous-\u00e9chantillons d’apprentissage et de validation. Les recommandations formelles pour la r\u00e9daction des sections m\u00e9thodologiques de tels travaux imposent de d\u00e9tailler avec minutie, conform\u00e9ment aux normes de l’American Psychological Association<\/a> (APA 7e \u00e9dition), l’algorithme d’\u00e9chantillonnage employ\u00e9, la justification de l’allocation des effectifs, la valeur de la graine pseudo-al\u00e9atoire pour archivage, ainsi que les indices d’ad\u00e9quation multivari\u00e9s attestant de la repr\u00e9sentativit\u00e9 des partitions obtenues.<\/p>\n Guide acad\u00e9mique complet pour s\u00e9lectionner des \u00e9chantillons al\u00e9atoires dans R : syntaxe de sample(), data frames, tirages stratifi\u00e9s et reproductibilit\u00e9.<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"closed","template":"","categories":[304,3477],"tags":[5653,2172,2658,5652,2344],"class_list":["post-4721","psych_stat","type-psych_stat","status-publish","hentry","category-methodologie-de-recherche","category-statistiques-sous-r","tag-echantillonnage","tag-psychologie-quantitative","tag-r","tag-sample","tag-statistiques"],"_links":{"self":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_stat\/4721","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_stat"}],"about":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/types\/psych_stat"}],"author":[{"embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=4721"}],"version-history":[{"count":0,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_stat\/4721\/revisions"}],"wp:attachment":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=4721"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=4721"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=4721"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}1. Fondements th\u00e9oriques de l’\u00e9chantillonnage al\u00e9atoire et son r\u00f4le en sciences comportementales<\/h2>\n
1.1 Importance de la repr\u00e9sentativit\u00e9 et de la randomisation en psychologie empirique<\/h3>\n
1.2 Typologie des m\u00e9thodes de tirage al\u00e9atoire<\/h3>\n
2. Syntaxe fondamentale et architecture de la fonction sample() dans R<\/h2>\n
2.1 Anatomie des arguments de base de la fonction sample()<\/h3>\n
2.2 Comportements implicites et particularit\u00e9s scalaires de sample()<\/h3>\n
3. S\u00e9lection d’\u00e9chantillons al\u00e9atoires sans remise \u00e0 partir d’un vecteur<\/h2>\n
3.1 M\u00e9canisme th\u00e9orique du tirage exhaustif sans remplacement<\/h3>\n
3.2 Mise en \u0153uvre programmatique et exemples comment\u00e9s<\/h3>\n
4. S\u00e9lection d’\u00e9chantillons al\u00e9atoires avec remise : applications et th\u00e9orie<\/h2>\n
4.1 Principes math\u00e9matiques du tirage avec r\u00e9p\u00e9tition<\/h3>\n
4.2 Impl\u00e9mentation sous R et cas d’usage psychologique<\/h3>\n
5. \u00c9chantillonnage pond\u00e9r\u00e9 : utilisation du param\u00e8tre prob<\/h2>\n
5.1 Formulation des lois de probabilit\u00e9 empiriques et th\u00e9oriques<\/h3>\n
5.2 Exemples pratiques de tirages non \u00e9quiprobables<\/h3>\n
6. Reproductibilit\u00e9 scientifique et ma\u00eetrise de l’al\u00e9a avec set.seed()<\/h2>\n
6.1 Fonctionnement des g\u00e9n\u00e9rateurs de nombres pseudo-al\u00e9atoires (PRNG) dans R<\/h3>\n
6.2 Bonnes pratiques de codage pour la recherche reproductible<\/h3>\n
7. Extraction d’\u00e9chantillons al\u00e9atoires \u00e0 partir d’un Data Frame en base R<\/h2>\n
7.1 \u00c9chantillonnage au niveau des observations (lignes)<\/h3>\n
7.2 Extraction al\u00e9atoire de covariables (colonnes)<\/h3>\n
8. Techniques avanc\u00e9es d’\u00e9chantillonnage avec le Tidyverse (dplyr)<\/h2>\n
8.1 Exploitation de slice_sample() et de ses arguments sp\u00e9cialis\u00e9s<\/h3>\n
8.2 \u00c9chantillonnage group\u00e9 et pr\u00e9servation des strates<\/h3>\n
9. \u00c9chantillonnage stratifi\u00e9 et repr\u00e9sentativit\u00e9 multivari\u00e9e<\/h2>\n
9.1 Fondements de l’allocation proportionnelle et optimale de Neyman<\/h3>\n
9.2 Impl\u00e9mentation dans R avec les packages sp\u00e9cialis\u00e9s<\/h3>\n
10. \u00c9chantillonnage complexe : grappes et plans \u00e0 plusieurs degr\u00e9s<\/h2>\n
10.1 Th\u00e9orie de l’\u00e9chantillonnage par grappes en milieu \u00e9cologique<\/h3>\n
10.2 Mod\u00e9lisation sous R \u00e0 l’aide du package survey<\/h3>\n
11. Diagnostics, pi\u00e8ges classiques et optimisation des calculs<\/h2>\n
11.1 Erreurs m\u00e9thodologiques et de programmation fr\u00e9quentes<\/h3>\n
11.2 Performance et passage \u00e0 l’\u00e9chelle sur donn\u00e9es massives<\/h3>\n
\n
12. \u00c9tudes de cas appliqu\u00e9es aux protocoles exp\u00e9rimentaux en psychologie<\/h2>\n
12.1 Cas 1 : Attribution al\u00e9atoire des participants aux conditions exp\u00e9rimentales<\/h3>\n
12.2 Cas 2 : Validation crois\u00e9e et d\u00e9coupage entra\u00eenement\/test sur donn\u00e9es psychom\u00e9triques<\/h3>\n
R\u00e9f\u00e9rences<\/h2>\n
\n