{"id":7236,"date":"2026-09-16T18:35:45","date_gmt":"2026-09-16T18:35:45","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-trouver-valeurs-aberrantes-ecart-interquartile\/"},"modified":"2026-09-16T18:35:53","modified_gmt":"2026-09-16T18:35:53","slug":"comment-trouver-valeurs-aberrantes-ecart-interquartile","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-trouver-valeurs-aberrantes-ecart-interquartile","title":{"rendered":"Comment trouver les valeurs aberrantes \u00e0 l&rsquo;aide de l&rsquo;\u00e9cart interquartile"},"content":{"rendered":"<p>Dans le champ contemporain de la recherche en psychologie quantitative, des neurosciences cognitives et des sciences du comportement, la validit\u00e9 des inf\u00e9rences statistiques repose fondamentalement sur la qualit\u00e9 m\u00e9trologique des observations recueillies. L&rsquo;av\u00e8nement des protocoles exp\u00e9rimentaux hautement instrument\u00e9s, qu&rsquo;il s&rsquo;agisse de la chronom\u00e9trie mentale mesurant des temps de r\u00e9action \u00e0 la milliseconde pr\u00e8s, de l&rsquo;oculom\u00e9trie ou des batteries de tests neuropsychologiques informatis\u00e9s, a d\u00e9cupl\u00e9 le volume de donn\u00e9es brutes g\u00e9n\u00e9r\u00e9es. Toutefois, cette abondance informationnelle s&rsquo;accompagne d&rsquo;un d\u00e9fi m\u00e9thodologique majeur : la pr\u00e9sence in\u00e9vitable de donn\u00e9es s&rsquo;\u00e9cartant substantiellement de la tendance g\u00e9n\u00e9rale de l&rsquo;\u00e9chantillon, couramment d\u00e9sign\u00e9es sous le terme de valeurs aberrantes ou <em>outliers<\/em>. Loin de constituer de simples curiosit\u00e9s descriptives, ces anomalies num\u00e9riques exercent une force gravitationnelle n\u00e9faste sur les estimateurs classiques, alt\u00e9rant la reproductibilit\u00e9 des r\u00e9sultats scientifiques et mena\u00e7ant l&rsquo;int\u00e9grit\u00e9 de la recherche empirique.<\/p>\n<p>Face \u00e0 la vuln\u00e9rabilit\u00e9 bien document\u00e9e de la moyenne arithm\u00e9tique et de l&rsquo;\u00e9cart-type, les statisticiens ont d\u00e9velopp\u00e9 des outils issus de l&rsquo;<a rel=\"noopener noreferrer\" href=\"https:\/\/en.wikipedia.org\/wiki\/Exploratory_data_analysis\">analyse exploratoire des donn\u00e9es<\/a> (EDA) permettant d&rsquo;examiner les distributions sans imposer a priori des postulats param\u00e9triques restrictifs. Parmi ces innovations m\u00e9thodologiques, l&rsquo;approche conceptualis\u00e9e par John Tukey \u00e0 la fin des ann\u00e9es 1970, reposant sur l&rsquo;\u00e9cart interquartile (IQR pour <em>Interquartile Range<\/em>), s&rsquo;impose aujourd&rsquo;hui comme l&rsquo;une des techniques les plus \u00e9l\u00e9gantes, intuitives et robustes pour d\u00e9tecter les d\u00e9viances univari\u00e9es. En s&rsquo;affranchissant de la sensibilit\u00e9 excessive aux valeurs extr\u00eames qui caract\u00e9rise les approches bas\u00e9es sur le score Z de Gauss, la r\u00e8gle du 1,5 &times; IQR fournit un cadre de d\u00e9cision objectif pour trier l&rsquo;information pertinente du bruit exp\u00e9rimental.<\/p>\n<p>Ce guide exhaustif a pour vocation d&rsquo;offrir aux chercheurs, cliniciens et analystes de donn\u00e9es un cadre de r\u00e9f\u00e9rence th\u00e9orique et pratique pour la mise en \u0153uvre de cette technique. De la d\u00e9composition math\u00e9matique des quantiles jusqu&rsquo;aux subtilit\u00e9s algorithmiques des neuf m\u00e9thodes d&rsquo;interpolation standardis\u00e9es, en passant par les implications d\u00e9ontologiques de l&rsquo;\u00e9lagage des donn\u00e9es en psychologie, ce document d\u00e9taille chaque \u00e9tape du processus d&rsquo;identification des valeurs aberrantes. \u00c0 travers une d\u00e9marche p\u00e9dagogique rigoureuse, nous examinerons non seulement le calcul m\u00e9canique des cl\u00f4tures de Tukey, mais \u00e9galement la mani\u00e8re de naviguer entre pr\u00e9servation de la variance \u00e9cologique et assainissement des matrices de donn\u00e9es destin\u00e9es \u00e0 la publication scientifique.<\/p>\n<h2>1. Introduction aux valeurs aberrantes et \u00e0 leur impact en recherche psychologique<\/h2>\n<h3>1.1 D\u00e9finition conceptuelle d&rsquo;une valeur aberrante<\/h3>\n<p>D&rsquo;un point de vue \u00e9pist\u00e9mologique et statistique, une valeur aberrante se d\u00e9finit comme une observation qui semble s&rsquo;\u00e9carter de mani\u00e8re marqu\u00e9e de la structure distributionnelle observ\u00e9e sur le reste de l&rsquo;\u00e9chantillon au sein duquel elle \u00e9merge. Dans les sciences du comportement, cette d\u00e9viance ne doit pas \u00eatre assimil\u00e9e d&#8217;embl\u00e9e \u00e0 une erreur de mesure. Il est imp\u00e9ratif d&rsquo;\u00e9tablir une distinction conceptuelle fondamentale entre la variabilit\u00e9 interindividuelle naturelle, reflet de la diversit\u00e9 biologique et psychologique des participants, et la contamination r\u00e9elle des donn\u00e9es, qui d\u00e9coule d&rsquo;un processus g\u00e9n\u00e9rateur exog\u00e8ne.<\/p>\n<p>La typologie des anomalies rencontr\u00e9es en laboratoire s&rsquo;articule g\u00e9n\u00e9ralement autour de trois cat\u00e9gories distinctes :<\/p>\n<ul>\n<li><strong>Les erreurs de mesure et de transcription :<\/strong> Celles-ci incluent les glissements d&rsquo;encodage manuel (par exemple, la saisie d&rsquo;un score de 77 au lieu de 7 sur une \u00e9chelle de Likert born\u00e9e de 1 \u00e0 7), les dysfonctionnements mat\u00e9riels ou les bogues logiciels lors de l&rsquo;enregistrement de latences cognitives.<\/li>\n<li><strong>Les artefacts exp\u00e9rimentaux :<\/strong> Ces d\u00e9viances r\u00e9sultent d&rsquo;un non-respect temporaire du protocole exp\u00e9rimental par le sujet d&rsquo;\u00e9tude. En neuropsychologie, cela correspond fr\u00e9quemment \u00e0 un \u00e9pisode d&rsquo;inattention transitoire, \u00e0 un assoupissement bref lors d&rsquo;une t\u00e2che de vigilance de longue dur\u00e9e, ou \u00e0 une r\u00e9ponse anticip\u00e9e d\u00e9clench\u00e9e par erreur avant l&rsquo;apparition du stimulus cible.<\/li>\n<li><strong>Les individus atypiques mais l\u00e9gitimes :<\/strong> Il s&rsquo;agit de participants dont les caract\u00e9ristiques cognitives ou psychologiques se situent r\u00e9ellement aux confins de la population g\u00e9n\u00e9rale, tels que des individus pr\u00e9sentant des profils \u00e0 haut potentiel intellectuel, des personnes atteintes de l\u00e9sions c\u00e9r\u00e9brales non document\u00e9es ou des patients en phase de crise psychiatrique aigu\u00eb.<\/li>\n<\/ul>\n<p>Dans les protocoles de psychologie exp\u00e9rimentale, l&rsquo;ambigu\u00eft\u00e9 r\u00e9side dans le fait que ces trois origines se manifestent par un m\u00eame sympt\u00f4me num\u00e9rique : un point isol\u00e9 sur l&rsquo;axe des abscisses. D\u00e8s lors, le chercheur doit se doter d&rsquo;une m\u00e9thodologie formelle pour rep\u00e9rer ces occurrences sans introduire de biais de confirmation dans la s\u00e9lection de ses sujets.<\/p>\n<h3>1.2 Cons\u00e9quences statistiques de la pr\u00e9sence d&rsquo;observations aberrantes<\/h3>\n<p>L&rsquo;intrusion d&rsquo;observations discordantes dans une s\u00e9rie de donn\u00e9es entra\u00eene des r\u00e9percussions d\u00e9sastreuses sur les statistiques param\u00e9triques classiques fond\u00e9es sur la minimisation des moindres carr\u00e9s. La moyenne arithm\u00e9tique, en tant qu&rsquo;estimateur du centre de gravit\u00e9 d&rsquo;une distribution, pr\u00e9sente une sensibilit\u00e9 extr\u00eame aux valeurs distantes : une unique valeur d\u00e9viante de magnitude suffisante peut d\u00e9placer substantiellement la moyenne de l&rsquo;\u00e9chantillon, la rendant non repr\u00e9sentative de la tendance centrale r\u00e9elle de la cohorte observ\u00e9e.<\/p>\n<p>Plus dommageable encore est l&rsquo;effet de ces valeurs sur les mesures de dispersion. L&rsquo;\u00e9cart-type et la variance reposent sur la somme des \u00e9carts quadratiques \u00e0 la moyenne. Par cons\u00e9quent, une observation situ\u00e9e \u00e0 plusieurs unit\u00e9s d&rsquo;\u00e9cart-type du centre subit une \u00e9l\u00e9vation au carr\u00e9 qui gonfle artificiellement l&rsquo;estimation de la variance globale. Cette distorsion rejaillit directement sur le calcul de l&rsquo;erreur-type, provoquant un \u00e9largissement d\u00e9mesur\u00e9 des intervalles de confiance et une perte drastique de la puissance statistique lors de la conduite de tests d&rsquo;hypoth\u00e8ses conventionnels, tels que le test <em>t<\/em> de Student ou l&rsquo;<a rel=\"noopener noreferrer\" href=\"https:\/\/en.wikipedia.org\/wiki\/Analysis_of_variance\">analyse de variance<\/a> (ANOVA).<\/p>\n<p>Dans le cadre des mod\u00e8les de r\u00e9gression lin\u00e9aire, les valeurs aberrantes combin\u00e9es \u00e0 un effet de levier \u00e9lev\u00e9 peuvent faire pivoter la droite de r\u00e9gression de mani\u00e8re totalement artificielle, cr\u00e9ant une corr\u00e9lation fallacieuse l\u00e0 o\u00f9 il n&rsquo;existe aucune association dans la population parente, ou masquant \u00e0 l&rsquo;inverse une v\u00e9ritable relation biologique. Sur le plan de l&rsquo;inf\u00e9rence, cette instabilit\u00e9 amplifie \u00e0 la fois le risque d&rsquo;erreur de type I (faux positifs, par alt\u00e9ration des r\u00e9sidus) et de type II (faux n\u00e9gatifs, par destruction de la puissance des tests), mena\u00e7ant directement l&rsquo;\u00e9difice de la reproductibilit\u00e9 scientifique.<\/p>\n<h3>1.3 N\u00e9cessit\u00e9 d&rsquo;adopter des m\u00e9thodes de d\u00e9tection robustes<\/h3>\n<p>Historiquement, de nombreux praticiens ont eu recours \u00e0 la m\u00e9thode des scores Z normalis\u00e9s, consistant \u00e0 standardiser les observations et \u00e0 exclure celles exc\u00e9dant un seuil arbitraire fix\u00e9 \u00e0 2, 2,5 ou 3 \u00e9carts-types de la moyenne empirique. Or, cette d\u00e9marche repose sur une circularit\u00e9 th\u00e9orique fatale : l&rsquo;identification de la valeur suspecte s&rsquo;effectue au moyen d&rsquo;un \u00e9talon (la moyenne et l&rsquo;\u00e9cart-type) qui est lui-m\u00eame contamin\u00e9 par la pr\u00e9sence de ladite valeur. Ce ph\u00e9nom\u00e8ne, d\u00e9sign\u00e9 en statistique robuste sous le terme d&rsquo;<em>effet de masquage<\/em> (masking effect), fait que des anomalies massives peuvent augmenter l&rsquo;\u00e9cart-type \u00e0 un point tel qu&rsquo;elles ne parviennent plus \u00e0 d\u00e9passer le seuil critique de standardisation.<\/p>\n<p>Par ailleurs, le recours au score Z postule une distribution sous-jacente strictement gaussienne, une condition formelle presque syst\u00e9matiquement viol\u00e9e par les variables psychom\u00e9triques r\u00e9elles, telles que les temps de r\u00e9action ou les \u00e9chelles de d\u00e9pression, qui manifestent une asym\u00e9trie positive intrins\u00e8que prononc\u00e9e. Face \u00e0 ces impasses m\u00e9thodologiques, l&rsquo;adoption d&rsquo;outils statistiques non param\u00e9triques et robustes constitue une n\u00e9cessit\u00e9 scientifique incontournable.<\/p>\n<p>L&rsquo;\u00e9cart interquartile (IQR) \u00e9merge pr\u00e9cis\u00e9ment comme l&rsquo;un des estimateurs de dispersion les plus r\u00e9sistants de la statistique descriptive. En fondant l&rsquo;\u00e9valuation de la variabilit\u00e9 sur l&rsquo;ordonnancement des rangs plut\u00f4t que sur les moments d&rsquo;ordre sup\u00e9rieur, l&rsquo;IQR offre une immunit\u00e9 remarquable contre les distorsions provoqu\u00e9es par les valeurs extr\u00eames. Il fournit ainsi un socle neutre et stable pour borner l&rsquo;espace d&rsquo;acceptabilit\u00e9 statistique d&rsquo;une s\u00e9rie d&rsquo;observations, sans exiger l&rsquo;adh\u00e9sion pr\u00e9alable \u00e0 une hypoth\u00e8se th\u00e9orique de normalit\u00e9 parfaite.<\/p>\n<h2>2. Fondements th\u00e9oriques de l&rsquo;\u00e9cart interquartile (IQR)<\/h2>\n<h3>2.1 Structure distributionnelle et d\u00e9composition en quantiles<\/h3>\n<p>L&rsquo;analyse distributionnelle non param\u00e9trique repose sur le concept fondamental de partitionnement de la masse de probabilit\u00e9 ou de l&rsquo;\u00e9chantillon empirique \u00e0 travers des quantiles. Contrairement aux approches param\u00e9triques qui d\u00e9crivent une courbe de densit\u00e9 \u00e0 l&rsquo;aide de param\u00e8tres continus (esp\u00e9rance et variance), la segmentation en quantiles s&rsquo;appuie sur la fonction de r\u00e9partition empirique calcul\u00e9e \u00e0 partir des donn\u00e9es pr\u00e9alablement ordonn\u00e9es par ordre croissant strict.<\/p>\n<p>Dans ce paradigme, les quartiles repr\u00e9sentent les trois points de coupure qui divisent une s\u00e9rie statistique ordonn\u00e9e en quatre segments d&rsquo;effectifs rigoureusement identiques, chaque intervalle regroupant exactement 25 % de l&rsquo;ensemble des observations disponibles :<\/p>\n<ul>\n<li><strong>Le premier quartile (<span class=\"arabpsy-math-inline\" data-latex=\"Q_1\">$Q_1$<\/span>) :<\/strong> \u00c9galement d\u00e9sign\u00e9 sous le vocable de 25<sup>e<\/sup> centile, il correspond \u00e0 la valeur num\u00e9rique sous laquelle se situent 25 % des observations les plus basses de l&rsquo;\u00e9chantillon, et au-dessus de laquelle se trouvent les 75 % restants.<\/li>\n<li><strong>Le deuxi\u00e8me quartile (<span class=\"arabpsy-math-inline\" data-latex=\"Q_2\">$Q_2$<\/span>) :<\/strong> Universellement connu sous le nom de <em>m\u00e9diane<\/em>, il scinde l&rsquo;\u00e9chantillon en deux moiti\u00e9s \u00e9quiprobables. Il s&rsquo;agit du centre robuste par excellence de la distribution, absolument insensible aux valeurs num\u00e9riques r\u00e9elles assign\u00e9es aux observations terminales.<\/li>\n<li><strong>Le troisi\u00e8me quartile (<span class=\"arabpsy-math-inline\" data-latex=\"Q_3\">$Q_3$<\/span>) :<\/strong> Correspondant au 75<sup>e<\/sup> centile, il mat\u00e9rialise le seuil au-dessous duquel reposent les trois quarts des donn\u00e9es ordonn\u00e9es de la s\u00e9rie statistique.<\/li>\n<\/ul>\n<p>Cette d\u00e9composition quantile permet de cartographier la morphologie interne de la distribution sans recourir au moindre calcul de variance pond\u00e9r\u00e9e par les carr\u00e9s des \u00e9carts, neutralisant de facto les forces centrifuges propres aux valeurs marginales.<\/p>\n<h3>2.2 D\u00e9finition math\u00e9matique et signification de l&rsquo;IQR<\/h3>\n<p>Sur le plan formel, l&rsquo;\u00e9cart interquartile se d\u00e9finit par la diff\u00e9rence arithm\u00e9tique simple entre le troisi\u00e8me et le premier quartile de la distribution :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"IQR = Q_3 - Q_1\">$$IQR = Q_3 &#8211; Q_1$$<\/span><\/p>\n<p>Cette grandeur m\u00e9trologique capture l&rsquo;amplitude du domaine de variation au sein duquel s&rsquo;inscrivent les 50 % centraux des donn\u00e9es de l&rsquo;\u00e9chantillon. Graphiquement et conceptuellement, l&rsquo;IQR ignore la dispersion des 25 % des scores les plus faibles ainsi que celle des 25 % des scores les plus \u00e9lev\u00e9s. Il concentre l&rsquo;investigation descriptive sur le \u00ab noyau dur \u00bb de la distribution comportementale \u00e9tudi\u00e9e.<\/p>\n<p>La puissance de l&rsquo;IQR r\u00e9side dans son insensibilit\u00e9 math\u00e9matique totale \u00e0 ce qui se produit au-del\u00e0 de ses bornes de d\u00e9finition. Que l&rsquo;observation maximale d&rsquo;un \u00e9chantillon vaille 100 unit\u00e9s ou 100 000 unit\u00e9s, la valeur calcul\u00e9e de l&rsquo;IQR demeure inchang\u00e9e, pourvu que le classement des observations d\u00e9finissant <span class=\"arabpsy-math-inline\" data-latex=\"Q_1\">$Q_1$<\/span> et <span class=\"arabpsy-math-inline\" data-latex=\"Q_3\">$Q_3$<\/span> reste pr\u00e9serv\u00e9. Cette caract\u00e9ristique conf\u00e8re \u00e0 l&rsquo;indicateur une invariance remarquable face aux queues de distribution \u00e9paisses, asym\u00e9triques ou contamin\u00e9es par du bruit technique, en faisant un param\u00e8tre de dispersion de premier choix dans toute analyse quantitative rigoureuse.<\/p>\n<h3>2.3 Propri\u00e9t\u00e9s m\u00e9trologiques face \u00e0 l&rsquo;\u00e9cart-type<\/h3>\n<p>Pour appr\u00e9cier la robustesse d&rsquo;un estimateur statistique, la th\u00e9orie formalis\u00e9e par Peter Rousseeuw et Frank Hampel mobilise le concept de <em>point de rupture<\/em> (breakdown point). Le point de rupture quantifie la proportion minimale d&rsquo;observations arbitrairement aberrantes qu&rsquo;un \u00e9chantillon peut contenir avant que l&rsquo;estimateur ne produise une valeur infiniment erron\u00e9e ou totalement priv\u00e9e de sens.<\/p>\n<p>Dans cette perspective m\u00e9trologique :<\/p>\n<ul>\n<li>L&rsquo;\u00e9cart-type classique pr\u00e9sente un point de rupture de :<br \/>\n    <span class=\"arabpsy-math-display\" data-latex=\"\\epsilon^* = \\frac{1}{n} to 0\">$$\\epsilon^* = \\frac{1}{n} to 0$$<\/span><br \/>\n    Il suffit d&rsquo;une unique observation corrompue tendant vers l&rsquo;infini pour faire diverger l&rsquo;\u00e9cart-type vers l&rsquo;infini, an\u00e9antissant instantan\u00e9ment sa validit\u00e9 descriptive.<\/li>\n<li>L&rsquo;\u00e9cart interquartile b\u00e9n\u00e9ficie d&rsquo;un point de rupture \u00e9lev\u00e9 de 25 % :<br \/>\n    <span class=\"arabpsy-math-display\" data-latex=\"\\epsilon^* = 0{,}25\">$$\\epsilon^* = 0{,}25$$<\/span><br \/>\n    Cela signifie qu&rsquo;il est possible de contaminer jusqu&rsquo;\u00e0 un quart des donn\u00e9es de l&rsquo;\u00e9chantillon de fa\u00e7on unilat\u00e9rale, ou 12,5 % simultan\u00e9ment aux deux extr\u00e9mit\u00e9s, sans que l&rsquo;IQR ne s&rsquo;effondre ni n&rsquo;explose vers des grandeurs aberrantes.<\/li>\n<\/ul>\n<p>Cette stabilit\u00e9 face aux pollutions bilat\u00e9rales s&rsquo;av\u00e8re particuli\u00e8rement cruciale en psychom\u00e9trie, o\u00f9 les instruments de mesure enregistrent fr\u00e9quemment une dispersion h\u00e9t\u00e9rog\u00e8ne, marqu\u00e9e par des effets de plancher ou de plafond. Alors que l&rsquo;\u00e9cart-type r\u00e9agit de fa\u00e7on hyperbolique \u00e0 ces asym\u00e9tries de mesure, l&rsquo;\u00e9cart interquartile conserve son \u00e9talonnage, refl\u00e9tant fid\u00e8lement l&rsquo;homog\u00e9n\u00e9it\u00e9 du comportement de la population sous observation.<\/p>\n<h2>3. La m\u00e9thode de d\u00e9tection de John Tukey et la r\u00e8gle du 1,5 x IQR<\/h2>\n<h3>3.1 Origine historique de l&rsquo;analyse exploratoire des donn\u00e9es (EDA)<\/h3>\n<p>Au cours des ann\u00e9es 1970, le statisticien am\u00e9ricain <a rel=\"noopener noreferrer\" href=\"https:\/\/en.wikipedia.org\/wiki\/John_Tukey\">John Wilder Tukey<\/a> a op\u00e9r\u00e9 une v\u00e9ritable r\u00e9volution paradigmatique en publiant son ouvrage s\u00e9minal intitul\u00e9 <em>Exploratory Data Analysis<\/em> (1977). Jusqu&rsquo;alors, la pratique de la statistique acad\u00e9mique \u00e9tait domin\u00e9e par une approche exclusivement confirmatoire, centr\u00e9e sur la mod\u00e9lisation formelle a priori et les tests de significativit\u00e9 d&rsquo;hypoth\u00e8ses nulles (NHST), souvent appliqu\u00e9s de mani\u00e8re dogmatique sans examen approfondi de la structure r\u00e9elle des distributions empiriques recueillies.<\/p>\n<figure class=\"wpt-preserved-image\"><img fetchpriority=\"high\" decoding=\"async\" src=\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/iqrOutlier1-1.png\" alt=\"Find outliers with IQR\" \/><figcaption>Find outliers with IQR<\/figcaption><\/figure>\n<p>Tukey plaidait pour une attitude m\u00e9thodologique compl\u00e9mentaire, analogue \u00e0 celle d&rsquo;un enqu\u00eateur criminel : avant de tester des lois th\u00e9oriques, le chercheur doit examiner ses donn\u00e9es \u00e0 l&rsquo;aide d&rsquo;outils graphiques simples et d&rsquo;indicateurs statistiques r\u00e9sistants, afin d&rsquo;en d\u00e9celer les r\u00e9gularit\u00e9s inattendues, les discontinuit\u00e9s et les artefacts potentiels. C&rsquo;est dans ce contexte intellectuel foisonnant que Tukey a formalis\u00e9 les crit\u00e8res objectifs de rep\u00e9rage des anomalies, abandonnant les jugements d&rsquo;exclusion au doigt mouill\u00e9 au profit d&rsquo;une r\u00e8gle arithm\u00e9tique standardis\u00e9e qui fait autorit\u00e9 depuis plus de quatre d\u00e9cennies : les cl\u00f4tures de Tukey bas\u00e9es sur un multiplicateur de l&rsquo;\u00e9cart interquartile.<\/p>\n<h3>3.2 Justification th\u00e9orique du coefficient multiplicateur 1,5<\/h3>\n<p>Une interrogation r\u00e9currente chez les chercheurs concerne la provenance du facteur multiplicateur 1,5 : pourquoi ne pas avoir s\u00e9lectionn\u00e9 1,0 ou 2,0 ? Bien que Tukey ait initialement introduit ce facteur comme une heuristique empirique pragmatique \u00e9quilibrant sensibilit\u00e9 et sp\u00e9cificit\u00e9, ce seuil poss\u00e8de une justification probabiliste \u00e9l\u00e9gante lorsque l&rsquo;on calibre la m\u00e9thode sur une distribution normale standardis\u00e9e th\u00e9orique <span class=\"arabpsy-math-inline\" data-latex=\"\\mathcal{N}(\\mu, \\sigma^2)\">$\\mathcal{N}(\\mu, \\sigma^2)$<\/span>.<\/p>\n<p>Dans le cadre strict d&rsquo;une distribution gaussienne id\u00e9ale :<\/p>\n<ul>\n<li>Le premier et le troisi\u00e8me quartile se situent aux points d&rsquo;abscisse :<br \/>\n    <span class=\"arabpsy-math-display\" data-latex=\"Q_1 = \\mu - 0{,}6745\\sigma\">$$Q_1 = \\mu &#8211; 0{,}6745\\sigma$$<\/span><br \/>\n    <span class=\"arabpsy-math-display\" data-latex=\"Q_3 = \\mu + 0{,}6745\\sigma\">$$Q_3 = \\mu + 0{,}6745\\sigma$$<\/span><\/li>\n<li>L&rsquo;\u00e9cart interquartile s&rsquo;exprime donc en fonction de l&rsquo;\u00e9cart-type selon :<br \/>\n    <span class=\"arabpsy-math-display\" data-latex=\"IQR = 2 \\times 0{,}6745\\sigma = 1{,}349\\sigma\">$$IQR = 2 \\times 0{,}6745\\sigma = 1{,}349\\sigma$$<\/span><\/li>\n<li>En appliquant le multiplicateur de 1,5 \u00e0 cet IQR th\u00e9orique, le pas de d\u00e9tection vaut :<br \/>\n    <span class=\"arabpsy-math-display\" data-latex=\"1{,}5 \\times IQR = 1{,}5 \\times (1{,}349\\sigma) \\approx 2{,}0235\\sigma\">$$1{,}5 \\times IQR = 1{,}5 \\times (1{,}349\\sigma) \\approx 2{,}0235\\sigma$$<\/span><\/li>\n<li>Les cl\u00f4tures de Tukey se trouvent alors positionn\u00e9es \u00e0 une distance exacte du centre de la distribution \u00e9gale \u00e0 :<br \/>\n    <span class=\"arabpsy-math-display\" data-latex=\"0{,}6745\\sigma + 2{,}0235\\sigma = 2{,}698\\sigma \\approx 2{,}7\\sigma\">$$0{,}6745\\sigma + 2{,}0235\\sigma = 2{,}698\\sigma \\approx 2{,}7\\sigma$$<\/span><\/li>\n<\/ul>\n<p>Sous la loi normale, la probabilit\u00e9 cumul\u00e9e qu&rsquo;une observation franchisse ces seuils fix\u00e9s \u00e0 <span class=\"arabpsy-math-inline\" data-latex=\"2,7\\sigma\">$2,7\\sigma$<\/span> est approximativement de :<br \/>\n<span class=\"arabpsy-math-display\" data-latex=\"P(|X - mu| &gt; 2{,}698\\sigma) \\approx 0{,}00698\">$$P(|X &#8211; mu| &gt; 2{,}698\\sigma) \\approx 0{,}00698$$<\/span><br \/>\nSoit environ 0,70 % de l&rsquo;\u00e9chantillon (ou 1 point sur 143 observations normales). Ce calibrage a \u00e9t\u00e9 con\u00e7u de mani\u00e8re \u00e0 minimiser drastiquement le risque de qualifier \u00e0 tort d&rsquo;anomalie une valeur simplement rare issue du processus gaussien standard, fournissant un compromis remarquable entre fausses alarmes et capacit\u00e9 d&rsquo;extraction des vraies contaminations.<\/p>\n<h3>3.3 Distinction entre valeurs aberrantes mod\u00e9r\u00e9es et extr\u00eames<\/h3>\n<p>L&rsquo;apport de Tukey ne se limite pas \u00e0 l&rsquo;\u00e9rection d&rsquo;une barri\u00e8re dichotomique rigide. Sa taxinomie s\u00e9pare rigoureusement la s\u00e9v\u00e9rit\u00e9 des d\u00e9viances observ\u00e9es en introduisant deux lignes de d\u00e9marcation successives, connues sous le nom de cl\u00f4tures int\u00e9rieures (<em>inner fences<\/em>) et de cl\u00f4tures ext\u00e9rieures (<em>outer fences<\/em>).<\/p>\n<p>Cette graduation m\u00e9thodologique s&rsquo;\u00e9tablit selon les d\u00e9finitions suivantes :<\/p>\n<ul>\n<li><strong>Les cl\u00f4tures int\u00e9rieures (seuil 1,5 &times; IQR) :<\/strong> Elles d\u00e9limitent la zone au-del\u00e0 de laquelle une observation est qualifi\u00e9e de <em>valeur aberrante mod\u00e9r\u00e9e<\/em> (ou valeur suspecte). L&rsquo;observation sort du sch\u00e9ma distributionnel habituel et requiert une v\u00e9rification contextuelle cibl\u00e9e, mais ne signale pas n\u00e9cessairement une corruption irr\u00e9versible de la donn\u00e9e.<\/li>\n<li><strong>Les cl\u00f4tures ext\u00e9rieures (seuil 3,0 &times; IQR) :<\/strong> Calcul\u00e9es en multipliant l&rsquo;IQR par un facteur 3,0 et en l&rsquo;ajoutant \u00e0 <span class=\"arabpsy-math-inline\" data-latex=\"Q_3\">$Q_3$<\/span> ou en le soustrayant de <span class=\"arabpsy-math-inline\" data-latex=\"Q_1\">$Q_1$<\/span>, elles identifient les <em>valeurs aberrantes extr\u00eames<\/em> (ou majeures). Dans le cadre d&rsquo;une loi normale, la probabilit\u00e9 th\u00e9orique qu&rsquo;une valeur franchisse cette cl\u00f4ture est de l&rsquo;ordre de deux pour un million (<span class=\"arabpsy-math-inline\" data-latex=\"p \\approx 0{,}000002\">$p \\approx 0{,}000002$<\/span>). Une observation franchissant cette ligne rouge r\u00e9sulte presque immanquablement d&rsquo;un incident de mesure flagrant ou d&rsquo;une alt\u00e9ration critique du signal.<\/li>\n<\/ul>\n<p>Cette distinction hi\u00e9rarchique permet aux scientifiques d&rsquo;adopter des politiques de traitement diff\u00e9renci\u00e9es : soumettre les points suspects \u00e0 des analyses de sensibilit\u00e9 pouss\u00e9es, tout en proc\u00e9dant \u00e0 l&rsquo;invalidation justifi\u00e9e des valeurs extr\u00eames non d\u00e9fendables.<\/p>\n<h2>4. \u00c9tape 1 : Pr\u00e9paration et ordonnancement des donn\u00e9es psychom\u00e9triques<\/h2>\n<h3>4.1 Collecte et v\u00e9rification de l&rsquo;int\u00e9grit\u00e9 de l&rsquo;\u00e9chantillon<\/h3>\n<p>Toute entreprise de d\u00e9tection num\u00e9rique d&rsquo;anomalies doit \u00eatre pr\u00e9c\u00e9d\u00e9e d&rsquo;un audit qualitatif rigoureux de la matrice de donn\u00e9es brutes. En psychom\u00e9trie et en sciences cognitives, il convient d&rsquo;abord de v\u00e9rifier la conformit\u00e9 des \u00e9chelles de mesure utilis\u00e9es. La m\u00e9thode de l&rsquo;IQR s&rsquo;applique exclusivement \u00e0 des variables quantitatives continues (chronom\u00e9trie, potentiels \u00e9voqu\u00e9s, conductance cutan\u00e9e) ou \u00e0 des variables quantitatives discr\u00e8tes poss\u00e9dant un nombre suffisant d&rsquo;\u00e9chelons ordonn\u00e9s pour \u00e9viter une concentration massive d&rsquo;ex \u00e6quo d\u00e9naturant les quantiles.<\/p>\n<p>L&rsquo;analyste doit effectuer un tri diagnostic pr\u00e9liminaire afin d&rsquo;identifier les valeurs manquantes (valeurs <em>null<\/em> ou <em>NaN<\/em>) et de s&rsquo;assurer que des codes d&rsquo;absence conventionnels (comme -999 ou 9999) n&rsquo;ont pas \u00e9t\u00e9 accidentellement convertis en valeurs num\u00e9riques continues. Consid\u00e9rons, \u00e0 titre d&rsquo;exemple exp\u00e9rimental de r\u00e9f\u00e9rence, une t\u00e2che informatis\u00e9e d&rsquo;attention visuelle soutenue (type <em>Continuous Performance Test<\/em>) mesurant les temps de r\u00e9action de 15 participants soumis \u00e0 un paradigme d&rsquo;inhibition motrice. Les latences brutes non trait\u00e9es, exprim\u00e9es en millisecondes, se pr\u00e9sentent comme suit :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"S_{\\text{brute}} = {345,, 290,, 1120,, 312,, 280,, 355,, 410,, 325,, 298,, 785,, 305,, 330,, 275,, 360,, 180}\">$$S_{\\text{brute}} = {345,, 290,, 1120,, 312,, 280,, 355,, 410,, 325,, 298,, 785,, 305,, 330,, 275,, 360,, 180}$$<\/span><\/p>\n<p>L&rsquo;observation superficielle de cette s\u00e9rie sugg\u00e8re imm\u00e9diatement la pr\u00e9sence de profils h\u00e9t\u00e9rog\u00e8nes, avec des r\u00e9ponses ultra-rapides et des latences anormalement \u00e9tir\u00e9es qui pourraient correspondre \u00e0 des d\u00e9crochages attentionnels.<\/p>\n<h3>4.2 Protocole de tri s\u00e9quentiel des donn\u00e9es brutes<\/h3>\n<p>Le calcul des quartiles et de l&rsquo;IQR ne s&rsquo;op\u00e9rant pas sur l&rsquo;espace temporel de recueil mais sur l&rsquo;espace ordonn\u00e9 des r\u00e9alisations de la variable, la premi\u00e8re op\u00e9ration calculatoire indispensable consiste \u00e0 appliquer un algorithme de tri croissant exhaustif. Chaque donn\u00e9e se voit attribuer un rang structural <span class=\"arabpsy-math-inline\" data-latex=\"i\">$i$<\/span>, variant de 1 \u00e0 <span class=\"arabpsy-math-inline\" data-latex=\"n\">$n$<\/span>, o\u00f9 <span class=\"arabpsy-math-inline\" data-latex=\"n\">$n$<\/span> repr\u00e9sente l&rsquo;effectif total de l&rsquo;\u00e9chantillon sous analyse.<\/p>\n<p>En ordonnant notre s\u00e9rie de temps de r\u00e9action issue de la t\u00e2che d&rsquo;attention soutenue (<span class=\"arabpsy-math-inline\" data-latex=\"n = 15\">$n = 15$<\/span>), nous obtenons la s\u00e9quence rang\u00e9e suivante :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"S_{\\text{tri\u00e9e}} = {180,, 275,, 280,, 290,, 298,, 305,, 312,, 325,, 330,, 345,, 355,, 360,, 410,, 785,, 1120}\">$$S_{\\text{tri\u00e9e}} = {180,, 275,, 280,, 290,, 298,, 305,, 312,, 325,, 330,, 345,, 355,, 360,, 410,, 785,, 1120}$$<\/span><\/p>\n<p>Dans ce classement s\u00e9quentiel :<\/p>\n<ul>\n<li>Le rang 1 (<span class=\"arabpsy-math-inline\" data-latex=\"i = 1\">$i = 1$<\/span>) est allou\u00e9 au score minimal : <span class=\"arabpsy-math-inline\" data-latex=\"x_{(1)} = 180\\text{ ms}\">$x_{(1)} = 180\\text{ ms}$<\/span>.<\/li>\n<li>Le rang m\u00e9dian (<span class=\"arabpsy-math-inline\" data-latex=\"i = 8\">$i = 8$<\/span>) est attribu\u00e9 au pivot central : <span class=\"arabpsy-math-inline\" data-latex=\"x_{(8)} = 325\\text{ ms}\">$x_{(8)} = 325\\text{ ms}$<\/span>.<\/li>\n<li>Le rang maximal (<span class=\"arabpsy-math-inline\" data-latex=\"i = 15\">$i = 15$<\/span>) revient au score le plus \u00e9lev\u00e9 : <span class=\"arabpsy-math-inline\" data-latex=\"x_{(15)} = 1120\\text{ ms}\">$x_{(15)} = 1120\\text{ ms}$<\/span>.<\/li>\n<\/ul>\n<p>Dans l&rsquo;\u00e9ventualit\u00e9 o\u00f9 des observations pr\u00e9senteraient des valeurs identiques (ex \u00e6quo), celles-ci doivent imp\u00e9rativement occuper des rangs cons\u00e9cutifs distincts dans l&rsquo;indexation sans \u00eatre amalgam\u00e9es. Cette pr\u00e9servation int\u00e9grale de la cardinalit\u00e9 de l&rsquo;\u00e9chantillon garantit la stricte repr\u00e9sentativit\u00e9 des proportions cumul\u00e9es lors de l&rsquo;application des formules de quantiles.<\/p>\n<h2>5. \u00c9tape 2 : Calcul pr\u00e9cis du premier quartile (Q1) et du troisi\u00e8me quartile (Q3)<\/h2>\n<h3>5.1 M\u00e9thodes de calcul selon la taille d&rsquo;\u00e9chantillon<\/h3>\n<p>Bien que la d\u00e9finition th\u00e9orique d&rsquo;un quartile apparaisse univoque, sa transposition algorithmique sur un \u00e9chantillon discret fini donne lieu \u00e0 des divergences de calcul notables dans la litt\u00e9rature statistique. La difficult\u00e9 r\u00e9side dans le positionnement exact de l&rsquo;indice lorsque l&rsquo;effectif <span class=\"arabpsy-math-inline\" data-latex=\"n\">$n$<\/span> ne permet pas une division enti\u00e8re par 4.<\/p>\n<p>Deux grandes \u00e9coles m\u00e9thodologiques dominent les manuels de r\u00e9f\u00e9rence :<\/p>\n<ul>\n<li><strong>La m\u00e9thode de John Tukey (dite des \u00ab charni\u00e8res \u00bb ou <em>hinges<\/em>) :<\/strong> Elle identifie d&rsquo;abord la m\u00e9diane formelle de l&rsquo;\u00e9chantillon. Lorsque l&rsquo;effectif <span class=\"arabpsy-math-inline\" data-latex=\"n\">$n$<\/span> est impair, Tukey int\u00e8gre la m\u00e9diane dans les deux sous-ensembles inf\u00e9rieur et sup\u00e9rieur servant \u00e0 d\u00e9terminer <span class=\"arabpsy-math-inline\" data-latex=\"Q_1\">$Q_1$<\/span> et <span class=\"arabpsy-math-inline\" data-latex=\"Q_3\">$Q_3$<\/span>. Lorsque <span class=\"arabpsy-math-inline\" data-latex=\"n\">$n$<\/span> est pair, l&rsquo;\u00e9chantillon est naturellement scind\u00e9 en deux moiti\u00e9s \u00e9gales sans partage de point central.<\/li>\n<li><strong>La m\u00e9thode de Moore et McCabe (utilis\u00e9e par Minitab et fr\u00e9quemment dans l&rsquo;enseignement) :<\/strong> Contrairement \u00e0 celle de Tukey, cette convention exclut strictement la m\u00e9diane de tout calcul ult\u00e9rieur lorsque <span class=\"arabpsy-math-inline\" data-latex=\"n\">$n$<\/span> est impair. Les quartiles correspondent alors aux m\u00e9dianes simples des sous-\u00e9chantillons form\u00e9s par les donn\u00e9es situ\u00e9es de part et d&rsquo;autre du centre.<\/li>\n<\/ul>\n<p>Cette nuance conceptuelle influence marginalement l&rsquo;estimation de l&rsquo;amplitude de l&rsquo;IQR sur des \u00e9chantillons de tr\u00e8s faible taille, soulignant l&rsquo;importance pour le chercheur de consigner avec pr\u00e9cision le protocole computationnel employ\u00e9.<\/p>\n<h3>5.2 Proc\u00e9dures d&rsquo;interpolation lin\u00e9aire<\/h3>\n<p>Afin de normaliser ces disparit\u00e9s, Rob J. Hyndman et Yanan Fan ont formalis\u00e9 en 1996 une typologie comparative d\u00e9montrant que la plupart des logiciels statistiques appliquent l&rsquo;un des neuf algorithmes d&rsquo;interpolation continue. Ces m\u00e9thodes calculent une position th\u00e9orique continue <span class=\"arabpsy-math-inline\" data-latex=\"p\">$p$<\/span> du quartile au sein des rangs discrets, exprim\u00e9e par une composante enti\u00e8re <span class=\"arabpsy-math-inline\" data-latex=\"k\">$k$<\/span> et une fraction d\u00e9cimale <span class=\"arabpsy-math-inline\" data-latex=\"f\">$f$<\/span> :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"p = k + f\">$$p = k + f$$<\/span><\/p>\n<figure class=\"wpt-preserved-image\"><img loading=\"lazy\" decoding=\"async\" src=\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/iqrOutlier2.png\" alt=\"\" \/><\/figure>\n<p>L&rsquo;estimation de la valeur du quantile <span class=\"arabpsy-math-inline\" data-latex=\"Q(p)\">$Q(p)$<\/span> est alors obtenue par interpolation lin\u00e9aire pond\u00e9r\u00e9e entre l&rsquo;observation de rang <span class=\"arabpsy-math-inline\" data-latex=\"k\">$k$<\/span> et l&rsquo;observation de rang <span class=\"arabpsy-math-inline\" data-latex=\"k + 1\">$k + 1$<\/span> selon l&rsquo;\u00e9quation g\u00e9n\u00e9rale :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"Q(p) = (1 - f) \\times x_{(k)} + f \\times x_{(k+1)}\">$$Q(p) = (1 &#8211; f) \\times x_{(k)} + f \\times x_{(k+1)}$$<\/span><\/p>\n<p>Les logiciels R, Python (NumPy\/Pandas) et SPSS adoptent par d\u00e9faut des variantes diff\u00e9rentes parmi ces neuf types standardis\u00e9s :<\/p>\n<ul>\n<li><strong>R (type 7) et Python Pandas (par d\u00e9faut) :<\/strong> L&rsquo;indice de positionnement s&rsquo;exprime selon :<br \/>\n    <span class=\"arabpsy-math-display\" data-latex=\"p = 1 + (n - 1) \\times q\">$$p = 1 + (n &#8211; 1) \\times q$$<\/span><br \/>\n    o\u00f9 <span class=\"arabpsy-math-inline\" data-latex=\"q\">$q$<\/span> repr\u00e9sente la fraction quantile cibl\u00e9e (0,25 pour <span class=\"arabpsy-math-inline\" data-latex=\"Q_1\">$Q_1$<\/span> et 0,75 pour <span class=\"arabpsy-math-inline\" data-latex=\"Q_3\">$Q_3$<\/span>). Cette convention offre une r\u00e9gularit\u00e9 asymptotique id\u00e9ale pour les variables continues.<\/li>\n<li><strong>IBM SPSS (type 6 de Hyndman &amp; Fan) :<\/strong> Il utilise la r\u00e8gle de positionnement de Weibull :<br \/>\n    <span class=\"arabpsy-math-display\" data-latex=\"p = q \\times (n + 1)\">$$p = q \\times (n + 1)$$<\/span><br \/>\n    Ce calcul produit un tr\u00e8s l\u00e9ger \u00e9cart par rapport \u00e0 l&rsquo;algorithme standard de R sur les petits effectifs.<\/li>\n<\/ul>\n<h3>5.3 Calcul effectif de Q1 et Q3 sur l&rsquo;\u00e9chantillon de d\u00e9monstration<\/h3>\n<p>Appliquons m\u00e9thodiquement la formule standard employ\u00e9e par le langage R (Type 7) et les biblioth\u00e8ques d&rsquo;analyse de donn\u00e9es modernes \u00e0 notre \u00e9chantillon ordonn\u00e9 de 15 temps de r\u00e9action :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"S_{\\text{tri\u00e9e}} = {180,, 275,, 280,, 290,, 298,, 305,, 312,, 325,, 330,, 345,, 355,, 360,, 410,, 785,, 1120}\">$$S_{\\text{tri\u00e9e}} = {180,, 275,, 280,, 290,, 298,, 305,, 312,, 325,, 330,, 345,, 355,, 360,, 410,, 785,, 1120}$$<\/span><\/p>\n<p><strong>1. D\u00e9termination du premier quartile (<span class=\"arabpsy-math-inline\" data-latex=\"Q_1\">$Q_1$<\/span>, soit <span class=\"arabpsy-math-inline\" data-latex=\"q = 0{,}25\">$q = 0{,}25$<\/span>) :<\/strong><\/p>\n<p>La position th\u00e9orique dans la s\u00e9rie s&rsquo;\u00e9tablit selon :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"p_{Q1} = 1 + (15 - 1) \\times 0{,}25 = 1 + 14 \\times 0{,}25 = 1 + 3{,}5 = 4{,}5\">$$p_{Q1} = 1 + (15 &#8211; 1) \\times 0{,}25 = 1 + 14 \\times 0{,}25 = 1 + 3{,}5 = 4{,}5$$<\/span><\/p>\n<p>La partie enti\u00e8re est <span class=\"arabpsy-math-inline\" data-latex=\"k = 4\">$k = 4$<\/span> et la partie fractionnaire est <span class=\"arabpsy-math-inline\" data-latex=\"f = 0{,}5\">$f = 0{,}5$<\/span>. La valeur de <span class=\"arabpsy-math-inline\" data-latex=\"Q_1\">$Q_1$<\/span> se situe \u00e0 mi-chemin entre la 4<sup>e<\/sup> et la 5<sup>e<\/sup> observation :<\/p>\n<ul>\n<li>Observation de rang 4 : <span class=\"arabpsy-math-inline\" data-latex=\"x_{(4)} = 290\\text{ ms}\">$x_{(4)} = 290\\text{ ms}$<\/span><\/li>\n<li>Observation de rang 5 : <span class=\"arabpsy-math-inline\" data-latex=\"x_{(5)} = 298\\text{ ms}\">$x_{(5)} = 298\\text{ ms}$<\/span><\/li>\n<\/ul>\n<p>L&rsquo;interpolation lin\u00e9aire fournit donc la valeur pr\u00e9cise suivante :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"Q_1 = x_{(4)} + 0{,}5 \\times (x_{(5)} - x_{(4)}) = 290 + 0{,}5 \\times (298 - 290) = 290 + 4 = 294\\text{ ms}\">$$Q_1 = x_{(4)} + 0{,}5 \\times (x_{(5)} &#8211; x_{(4)}) = 290 + 0{,}5 \\times (298 &#8211; 290) = 290 + 4 = 294\\text{ ms}$$<\/span><\/p>\n<p><strong>2. D\u00e9termination du troisi\u00e8me quartile (<span class=\"arabpsy-math-inline\" data-latex=\"Q_3\">$Q_3$<\/span>, soit <span class=\"arabpsy-math-inline\" data-latex=\"q = 0{,}75\">$q = 0{,}75$<\/span>) :<\/strong><\/p>\n<p>La position th\u00e9orique s&rsquo;obtient de mani\u00e8re analogue :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"p_{Q3} = 1 + (15 - 1) \\times 0{,}75 = 1 + 14 \\times 0{,}75 = 1 + 10{,}5 = 11{,}5\">$$p_{Q3} = 1 + (15 &#8211; 1) \\times 0{,}75 = 1 + 14 \\times 0{,}75 = 1 + 10{,}5 = 11{,}5$$<\/span><\/p>\n<p>La position se situe \u00e0 mi-chemin entre la 11<sup>e<\/sup> et la 12<sup>e<\/sup> observation (<span class=\"arabpsy-math-inline\" data-latex=\"k = 11\">$k = 11$<\/span>, <span class=\"arabpsy-math-inline\" data-latex=\"f = 0{,}5\">$f = 0{,}5$<\/span>) :<\/p>\n<ul>\n<li>Observation de rang 11 : <span class=\"arabpsy-math-inline\" data-latex=\"x_{(11)} = 355\\text{ ms}\">$x_{(11)} = 355\\text{ ms}$<\/span><\/li>\n<li>Observation de rang 12 : <span class=\"arabpsy-math-inline\" data-latex=\"x_{(12)} = 360\\text{ ms}\">$x_{(12)} = 360\\text{ ms}$<\/span><\/li>\n<\/ul>\n<p>L&rsquo;interpolation donne :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"Q_3 = x_{(11)} + 0{,}5 \\times (x_{(12)} - x_{(11)}) = 355 + 0{,}5 \\times (360 - 355) = 355 + 2{,}5 = 357{,}5\\text{ ms}\">$$Q_3 = x_{(11)} + 0{,}5 \\times (x_{(12)} &#8211; x_{(11)}) = 355 + 0{,}5 \\times (360 &#8211; 355) = 355 + 2{,}5 = 357{,}5\\text{ ms}$$<\/span><\/p>\n<p><strong>Contr\u00f4le de coh\u00e9rence :<\/strong> La m\u00e9diane formelle (<span class=\"arabpsy-math-inline\" data-latex=\"Q_2\">$Q_2$<\/span>) correspond au rang <span class=\"arabpsy-math-inline\" data-latex=\"1 + 14 \\times 0{,}5 = 8\">$1 + 14 \\times 0{,}5 = 8$<\/span>, soit <span class=\"arabpsy-math-inline\" data-latex=\"x_{(8)} = 325\\text{ ms}\">$x_{(8)} = 325\\text{ ms}$<\/span>. L&rsquo;in\u00e9galit\u00e9 <span class=\"arabpsy-math-inline\" data-latex=\"Q_1 le Q_2 le Q_3\">$Q_1 le Q_2 le Q_3$<\/span> (<span class=\"arabpsy-math-inline\" data-latex=\"294 &lt; 325 &lt; 357{,}5\">$294 &lt; 325 &lt; 357{,}5$<\/span>) est rigoureusement satisfaite, validant la coh\u00e9rence structurelle de nos quantiles.<\/p>\n<h2>6. \u00c9tape 3 : Calcul arithm\u00e9tique de l&rsquo;\u00e9cart interquartile<\/h2>\n<h3>6.1 Soustraction alg\u00e9brique directe<\/h3>\n<p>L&rsquo;obtention des quartiles stabilis\u00e9s permet de d\u00e9river l&rsquo;\u00e9cart interquartile par simple diff\u00e9rence arithm\u00e9tique. Cette grandeur synth\u00e9tise en un scalaire unique la dispersion relative du c\u0153ur de l&rsquo;\u00e9chantillon exp\u00e9rimental.<\/p>\n<p>En injectant nos estimations num\u00e9riques pr\u00e9c\u00e9dentes dans la relation canonique :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"IQR = Q_3 - Q_1\">$$IQR = Q_3 &#8211; Q_1$$<\/span><\/p>\n<p>Nous obtenons imm\u00e9diatement :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"IQR = 357{,}5 - 294 = 63{,}5\\text{ ms}\">$$IQR = 357{,}5 &#8211; 294 = 63{,}5\\text{ ms}$$<\/span><\/p>\n<p>Par d\u00e9finition axiomatique, l&rsquo;\u00e9cart interquartile doit toujours constituer un nombre strictement positif ou nul (<span class=\"arabpsy-math-inline\" data-latex=\"IQR ge 0\">$IQR ge 0$<\/span>). L&rsquo;obtention d&rsquo;un <span class=\"arabpsy-math-inline\" data-latex=\"IQR = 0\">$IQR = 0$<\/span> traduirait une absence totale de variance sur la moiti\u00e9 centrale des sujets, situation pathologique rencontr\u00e9e quasi exclusivement sur des \u00e9chelles discr\u00e8tes satur\u00e9es par un effet plafond massif.<\/p>\n<p>Dans notre \u00e9tude de cas, la valeur de <span class=\"arabpsy-math-inline\" data-latex=\"63{,}5\\text{ ms}\">$63{,}5\\text{ ms}$<\/span> refl\u00e8te une mesure de dispersion hautement coh\u00e9rente avec l&rsquo;\u00e9talonnage temporel standard des processus d\u00e9cisionnels dans les t\u00e2ches de type Go\/No-Go.<\/p>\n<h3>6.2 Interpr\u00e9tation contextuelle de la dispersion des 50 % centraux<\/h3>\n<p>D&rsquo;un point de vue neuropsychologique, une amplitude interquartile de <span class=\"arabpsy-math-inline\" data-latex=\"63{,}5\\text{ ms}\">$63{,}5\\text{ ms}$<\/span> nous indique que le bloc m\u00e9dian des participants &mdash; ceux qui ne sont ni particuli\u00e8rement rapides ni particuli\u00e8rement ralentis &mdash; pr\u00e9sente une remarquable homog\u00e9n\u00e9it\u00e9 de performance cognitive, leurs temps de traitement se distribuant dans une fourchette \u00e9troite comprise entre <span class=\"arabpsy-math-inline\" data-latex=\"294\\text{ ms}\">$294\\text{ ms}$<\/span> et <span class=\"arabpsy-math-inline\" data-latex=\"357{,}5\\text{ ms}\">$357{,}5\\text{ ms}$<\/span>.<\/p>\n<p>La comparaison entre l&rsquo;IQR et l&rsquo;\u00e9tendue totale de l&rsquo;\u00e9chantillon fournit un signal diagnostic imm\u00e9diat sur l&rsquo;\u00e9tat de la distribution :<\/p>\n<ul>\n<li>\u00c9tendue totale :<br \/>\n    <span class=\"arabpsy-math-display\" data-latex=\"E = x_{(15)} - x_{(1)} = 1120 - 180 = 940\\text{ ms}\">$$E = x_{(15)} &#8211; x_{(1)} = 1120 &#8211; 180 = 940\\text{ ms}$$<\/span><\/li>\n<li>Rapport de concentration :<br \/>\n    <span class=\"arabpsy-math-display\" data-latex=\"\\frac{IQR}{E} = \\frac{63{,}5}{940} \\approx 0{,}0675 \\quad (6{,}75,%)\">$$\\frac{IQR}{E} = \\frac{63{,}5}{940} \\approx 0{,}0675 \\quad (6{,}75,%)$$<\/span><\/li>\n<\/ul>\n<p>Le fait que 50 % de l&rsquo;\u00e9chantillon total se concentre sur moins de 7 % de l&rsquo;amplitude globale des valeurs observ\u00e9es atteste sans \u00e9quivoque d&rsquo;une distribution hautement comprim\u00e9e au centre, avec une projection asym\u00e9trique extr\u00eame de la queue de distribution sup\u00e9rieure. Cette disproportion frappante illustre \u00e0 quel point la variance classique &mdash; qui prend en compte l&rsquo;ensemble des <span class=\"arabpsy-math-inline\" data-latex=\"940\\text{ ms}\">$940\\text{ ms}$<\/span> d&rsquo;\u00e9cart &mdash; donnerait une impression fausse et hypertrophi\u00e9e de la v\u00e9ritable dispersion du groupe.<\/p>\n<h2>7. \u00c9tape 4 : D\u00e9termination des cl\u00f4tures inf\u00e9rieure et sup\u00e9rieure de Tukey<\/h2>\n<h3>7.1 Calcul de la cl\u00f4ture inf\u00e9rieure (Lower Fence)<\/h3>\n<p>La borne inf\u00e9rieure de Tukey mat\u00e9rialise la fronti\u00e8re statistique en dessous de laquelle une observation est consid\u00e9r\u00e9e comme suspecte en raison de sa trop faible valeur num\u00e9rique. Son calcul s&rsquo;op\u00e8re en projetant vers le bas un levier de s\u00e9curit\u00e9 \u00e9quivalant \u00e0 une fois et demie la dispersion centrale de l&rsquo;IQR, ancr\u00e9 sur le premier quartile.<\/p>\n<figure class=\"wpt-preserved-image\"><img loading=\"lazy\" decoding=\"async\" src=\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/iqrOutlier3.png\" alt=\"\" \/><\/figure>\n<p>La formule alg\u00e9brique de la cl\u00f4ture inf\u00e9rieure (<span class=\"arabpsy-math-inline\" data-latex=\"B_{\\text{\\inf}}\">$B_{\\text{\\inf}}$<\/span>) s&rsquo;\u00e9nonce comme suit :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"B_{\\text{\\inf}} = Q_1 - (1{,}5 \\times IQR)\">$$B_{\\text{\\inf}} = Q_1 &#8211; (1{,}5 \\times IQR)$$<\/span><\/p>\n<p>Appliquons cette \u00e9quation \u00e0 nos param\u00e8tres empiriques :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"B_{\\text{\\inf}} = 294 - (1{,}5 \\times 63{,}5) = 294 - 95{,}25 = 198{,}75\\text{ ms}\">$$B_{\\text{\\inf}} = 294 &#8211; (1{,}5 \\times 63{,}5) = 294 &#8211; 95{,}25 = 198{,}75\\text{ ms}$$<\/span><\/p>\n<p>Dans de nombreuses configurations psychom\u00e9triques r\u00e9elles, le calcul math\u00e9matique peut produire une cl\u00f4ture inf\u00e9rieure th\u00e9orique n\u00e9gative. Lorsqu&rsquo;il s&rsquo;agit de grandeurs physiologiques ou chronom\u00e9triques qui sont born\u00e9es physiquement par z\u00e9ro, une cl\u00f4ture n\u00e9gative n&rsquo;a pas de r\u00e9alit\u00e9 concr\u00e8te. Elle indique simplement qu&rsquo;aucune observation issue de l&rsquo;\u00e9chantillon, aussi faible soit-elle, ne saurait \u00eatre qualifi\u00e9e d&rsquo;aberrante par le bas sous ce mod\u00e8le.<\/p>\n<p>Dans notre cas d&rsquo;\u00e9tude, la cl\u00f4ture est positive et s&rsquo;\u00e9l\u00e8ve \u00e0 <span class=\"arabpsy-math-inline\" data-latex=\"198{,}75\\text{ ms}\">$198{,}75\\text{ ms}$<\/span>. Ce seuil constitue la vitesse minimale en de\u00e7\u00e0 de laquelle une r\u00e9ponse motrice ne peut plus \u00eatre imput\u00e9e avec certitude \u00e0 un traitement visuel conscient et r\u00e9fl\u00e9chi du stimulus.<\/p>\n<h3>7.2 Calcul de la cl\u00f4ture sup\u00e9rieure (Upper Fence)<\/h3>\n<p>\u00c0 l&rsquo;autre extr\u00e9mit\u00e9 de la distribution, la borne sup\u00e9rieure de Tukey (<span class=\"arabpsy-math-inline\" data-latex=\"B_{\\text{\\sup}}\">$B_{\\text{\\sup}}$<\/span>) d\u00e9finit le plafond statistique tol\u00e9rable au-del\u00e0 duquel un ralentissement psychomoteur ne peut plus \u00eatre assimil\u00e9 \u00e0 une simple fluctuation de vigilance classique. Son calcul consiste \u00e0 translater le troisi\u00e8me quartile de cette m\u00eame r\u00e9serve de dispersion :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"B_{\\text{\\sup}} = Q_3 + (1{,}5 \\times IQR)\">$$B_{\\text{\\sup}} = Q_3 + (1{,}5 \\times IQR)$$<\/span><\/p>\n<p>En introduisant nos valeurs calcul\u00e9es :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"B_{\\text{\\sup}} = 357{,}5 + (1{,}5 \\times 63{,}5) = 357{,}5 + 95{,}25 = 452{,}75\\text{ ms}\">$$B_{\\text{\\sup}} = 357{,}5 + (1{,}5 \\times 63{,}5) = 357{,}5 + 95{,}25 = 452{,}75\\text{ ms}$$<\/span><\/p>\n<p>L&rsquo;intervalle de validit\u00e9 op\u00e9rationnelle ou espace d&rsquo;acceptabilit\u00e9 de Tukey pour notre t\u00e2che d&rsquo;attention se trouve d\u00e9sormais rigoureusement born\u00e9 par l&rsquo;intervalle :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"I_{\\text{validit\u00e9}} = [198{,}75\\text{ ms} ;;; 452{,}75\\text{ ms}]\">$$I_{\\text{validit\u00e9}} = [198{,}75\\text{ ms} ;;; 452{,}75\\text{ ms}]$$<\/span><\/p>\n<p>Toute latence chronom\u00e9trique s&rsquo;inscrivant \u00e0 l&rsquo;int\u00e9rieur de ces deux balises num\u00e9riques est jug\u00e9e repr\u00e9sentative du mod\u00e8le comportemental du groupe sous observation.<\/p>\n<h3>7.3 Extension aux cl\u00f4tures extr\u00eames pour les d\u00e9viances s\u00e9v\u00e8res<\/h3>\n<p>Afin de graduer avec exactitude la nature de l&rsquo;anomalie, Tukey a \u00e9tendu son dispositif g\u00e9om\u00e9trique en int\u00e9grant un second p\u00e9rim\u00e8tre de s\u00e9curit\u00e9 beaucoup plus restrictif, fond\u00e9 sur l&rsquo;application d&rsquo;un coefficient multiplicateur \u00e9gal \u00e0 3,0.<\/p>\n<p>Ces cl\u00f4tures ext\u00e9rieures se calculent comme suit :<\/p>\n<ul>\n<li><strong>Cl\u00f4ture ext\u00e9rieure inf\u00e9rieure :<\/strong><br \/>\n    <span class=\"arabpsy-math-display\" data-latex=\"B_{\\text{ext_\\inf}} = Q_1 - (3 \\times IQR) = 294 - (3 \\times 63{,}5) = 294 - 190{,}5 = 103{,}5\\text{ ms}\">$$B_{\\text{ext_\\inf}} = Q_1 &#8211; (3 \\times IQR) = 294 &#8211; (3 \\times 63{,}5) = 294 &#8211; 190{,}5 = 103{,}5\\text{ ms}$$<\/span><\/li>\n<li><strong>Cl\u00f4ture ext\u00e9rieure sup\u00e9rieure :<\/strong><br \/>\n    <span class=\"arabpsy-math-display\" data-latex=\"B_{\\text{ext_\\sup}} = Q_3 + (3 \\times IQR) = 357{,}5 + (3 \\times 63{,}5) = 357{,}5 + 190{,}5 = 548\\text{ ms}\">$$B_{\\text{ext_\\sup}} = Q_3 + (3 \\times IQR) = 357{,}5 + (3 \\times 63{,}5) = 357{,}5 + 190{,}5 = 548\\text{ ms}$$<\/span><\/li>\n<\/ul>\n<p>Gr\u00e2ce \u00e0 cette double d\u00e9limitation, nous disposons d\u00e9sormais de quatre zones de segmentation th\u00e9orique distinctes :<\/p>\n<ul>\n<li><em>Zone de conformit\u00e9 :<\/em> De <span class=\"arabpsy-math-inline\" data-latex=\"198{,}75\\text{ ms}\">$198{,}75\\text{ ms}$<\/span> \u00e0 <span class=\"arabpsy-math-inline\" data-latex=\"452{,}75\\text{ ms}\">$452{,}75\\text{ ms}$<\/span> (donn\u00e9es non aberrantes standard).<\/li>\n<li><em>Zone d&rsquo;anomalie mod\u00e9r\u00e9e :<\/em> De <span class=\"arabpsy-math-inline\" data-latex=\"103{,}5\\text{ ms}\">$103{,}5\\text{ ms}$<\/span> \u00e0 <span class=\"arabpsy-math-inline\" data-latex=\"198{,}75\\text{ ms}\">$198{,}75\\text{ ms}$<\/span> (zone basse) et de <span class=\"arabpsy-math-inline\" data-latex=\"452{,}75\\text{ ms}\">$452{,}75\\text{ ms}$<\/span> \u00e0 <span class=\"arabpsy-math-inline\" data-latex=\"548\\text{ ms}\">$548\\text{ ms}$<\/span> (zone haute).<\/li>\n<li><em>Zone d&rsquo;anomalie extr\u00eame :<\/em> Inf\u00e9rieure \u00e0 <span class=\"arabpsy-math-inline\" data-latex=\"103{,}5\\text{ ms}\">$103{,}5\\text{ ms}$<\/span> ou strictement sup\u00e9rieure \u00e0 <span class=\"arabpsy-math-inline\" data-latex=\"548\\text{ ms}\">$548\\text{ ms}$<\/span>.<\/li>\n<\/ul>\n<h2>8. \u00c9tape 5 : Identification et classification formelle des observations atypiques<\/h2>\n<h3>8.1 Comparaison syst\u00e9matique de chaque point aux cl\u00f4tures<\/h3>\n<p>Une fois les balises de Tukey formalis\u00e9es, l&rsquo;\u00e9tape op\u00e9rationnelle consiste \u00e0 proc\u00e9der \u00e0 un balayage algorithmique complet de la s\u00e9rie des donn\u00e9es tri\u00e9es. Chaque valeur empirique <span class=\"arabpsy-math-inline\" data-latex=\"x_{(i)}\">$x_{(i)}$<\/span> est \u00e9valu\u00e9e \u00e0 l&rsquo;aune d&rsquo;une double condition de rejet logique :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"x_{(i)} &lt;B&gt; B_{\\text{\\sup}}\">$$x_{(i)} <B> B_{\\text{\\sup}}$$<\/span><\/p>\n<p>R\u00e9examinons point par point notre s\u00e9quence de donn\u00e9es ordonn\u00e9e face \u00e0 notre intervalle d&rsquo;acceptabilit\u00e9 <span class=\"arabpsy-math-inline\" data-latex=\"[198{,}75\\text{ ms} ;;; 452{,}75\\text{ ms}]\">$[198{,}75\\text{ ms} ;;; 452{,}75\\text{ ms}]$<\/span> :<\/p>\n<ul>\n<li><span class=\"arabpsy-math-inline\" data-latex=\"x_{(1)} = 180\\text{ ms}\">$x_{(1)} = 180\\text{ ms}$<\/span> : <span class=\"arabpsy-math-inline\" data-latex=\"180 &lt; 198{,}75\">$180 &lt; 198{,}75$<\/span>. La condition d&#039;anomalie inf\u00e9rieure est formellement v\u00e9rifi\u00e9e. Le point est <strong>atypique<\/strong>.<\/li>\n<li><span class=\"arabpsy-math-inline\" data-latex=\"x_{(2)}\">$x_{(2)}$<\/span> \u00e0 <span class=\"arabpsy-math-inline\" data-latex=\"x_{(13)}\">$x_{(13)}$<\/span> (<span class=\"arabpsy-math-inline\" data-latex=\"275\\text{ ms}\">$275\\text{ ms}$<\/span> \u00e0 <span class=\"arabpsy-math-inline\" data-latex=\"410\\text{ ms}\">$410\\text{ ms}$<\/span>) : Tous ces scores s&rsquo;ins\u00e8rent strictement dans l&rsquo;intervalle <span class=\"arabpsy-math-inline\" data-latex=\"[198{,}75 ;;; 452{,}75]\">$[198{,}75 ;;; 452{,}75]$<\/span>. Ils constituent des observations l\u00e9gitimes conformes.<\/li>\n<li><span class=\"arabpsy-math-inline\" data-latex=\"x_{(14)} = 785\\text{ ms}\">$x_{(14)} = 785\\text{ ms}$<\/span> : <span class=\"arabpsy-math-inline\" data-latex=\"785 &gt; 452{,}75\">$785 &gt; 452{,}75$<\/span>. La condition d&rsquo;anomalie sup\u00e9rieure est formellement v\u00e9rifi\u00e9e. Le point est <strong>atypique<\/strong>.<\/li>\n<li><span class=\"arabpsy-math-inline\" data-latex=\"x_{(15)} = 1120\\text{ ms}\">$x_{(15)} = 1120\\text{ ms}$<\/span> : <span class=\"arabpsy-math-inline\" data-latex=\"1120 &gt; 452{,}75\">$1120 &gt; 452{,}75$<\/span>. La condition d&rsquo;anomalie sup\u00e9rieure est formellement v\u00e9rifi\u00e9e. Le point est <strong>atypique<\/strong>.<\/li>\n<\/ul>\n<figure class=\"wpt-preserved-image\"><img loading=\"lazy\" decoding=\"async\" src=\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/iqrOutlier4.png\" alt=\"Find outliers with IQR method\" \/><figcaption>Find outliers with IQR method<\/figcaption><\/figure>\n<p>L&rsquo;analyse identifie sans ambigu\u00eft\u00e9 trois points s&rsquo;extrayant du corridor de r\u00e9gularit\u00e9 statistique \u00e9tabli par la m\u00e9thode de l&rsquo;IQR.<\/p>\n<h3>8.2 Taxinomie des observations isol\u00e9es<\/h3>\n<p>Il convient \u00e0 pr\u00e9sent de croiser ces d\u00e9tections primaires avec nos cl\u00f4tures ext\u00e9rieures afin d&rsquo;\u00e9tablir un diagnostic de s\u00e9v\u00e9rit\u00e9 statistique pour chacune des observations rep\u00e9r\u00e9es :<\/p>\n<ul>\n<li><strong>Le point <span class=\"arabpsy-math-inline\" data-latex=\"x_{(1)} = 180\\text{ ms}\">$x_{(1)} = 180\\text{ ms}$<\/span> :<\/strong> Situ\u00e9 en dessous de <span class=\"arabpsy-math-inline\" data-latex=\"B_{\\text{\\inf}}\">$B_{\\text{\\inf}}$<\/span> (<span class=\"arabpsy-math-inline\" data-latex=\"198{,}75\\text{ ms}\">$198{,}75\\text{ ms}$<\/span>), mais sup\u00e9rieur \u00e0 la cl\u00f4ture ext\u00e9rieure inf\u00e9rieure (<span class=\"arabpsy-math-inline\" data-latex=\"103{,}5\\text{ ms}\">$103{,}5\\text{ ms}$<\/span>). Il est rigoureusement class\u00e9 comme une <strong>valeur aberrante mod\u00e9r\u00e9e<\/strong>. En chronom\u00e9trie mentale, un temps de <span class=\"arabpsy-math-inline\" data-latex=\"180\\text{ ms}\">$180\\text{ ms}$<\/span> sugg\u00e8re une r\u00e9ponse d&rsquo;anticipation motrice r\u00e9flexe o\u00f9 le participant a press\u00e9 la touche avant l&rsquo;encodage perceptif complet du stimulus, mais sans qu&rsquo;il s&rsquo;agisse d&rsquo;un bogue informatique \u00e0 proprement parler.<\/li>\n<li><strong>Le point <span class=\"arabpsy-math-inline\" data-latex=\"x_{(14)} = 785\\text{ ms}\">$x_{(14)} = 785\\text{ ms}$<\/span> :<\/strong> Largement au-del\u00e0 de <span class=\"arabpsy-math-inline\" data-latex=\"B_{\\text{\\sup}}\">$B_{\\text{\\sup}}$<\/span> (<span class=\"arabpsy-math-inline\" data-latex=\"452{,}75\\text{ ms}\">$452{,}75\\text{ ms}$<\/span>), et \u00e9galement sup\u00e9rieur \u00e0 la cl\u00f4ture ext\u00e9rieure sup\u00e9rieure (<span class=\"arabpsy-math-inline\" data-latex=\"548\\text{ ms}\">$548\\text{ ms}$<\/span>). Ce point acc\u00e8de ainsi au statut de <strong>valeur aberrante extr\u00eame (ou majeure)<\/strong>. Un d\u00e9lai de pr\u00e8s de <span class=\"arabpsy-math-inline\" data-latex=\"800\\text{ ms}\">$800\\text{ ms}$<\/span> d\u00e9note une rupture totale de la focalisation de l&rsquo;attention lors d&rsquo;une t\u00e2che rapide.<\/li>\n<li><strong>Le point <span class=\"arabpsy-math-inline\" data-latex=\"x_{(15)} = 1120\\text{ ms}\">$x_{(15)} = 1120\\text{ ms}$<\/span> :<\/strong> Pulv\u00e9risant la cl\u00f4ture ext\u00e9rieure sup\u00e9rieure (<span class=\"arabpsy-math-inline\" data-latex=\"1120 &gt; 548\\text{ ms}\">$1120 &gt; 548\\text{ ms}$<\/span>), ce point constitue une <strong>valeur aberrante extr\u00eame majeure<\/strong>, se trouvant \u00e0 plus de 12 fois l&rsquo;IQR au-dessus de la m\u00e9diane de r\u00e9f\u00e9rence de l&rsquo;\u00e9chantillon.<\/li>\n<\/ul>\n<p>Le chercheur est tenu de documenter scrupuleusement ces identifiants de sujets dans son journal d&rsquo;analyse pr\u00e9alable \u00e0 toute mod\u00e9lisation statistique inf\u00e9rentielle.<\/p>\n<h3>8.3 \u00c9tude de cas d\u00e9taill\u00e9e et chiffr\u00e9e<\/h3>\n<p>Pour appr\u00e9cier l&rsquo;impact d\u00e9stabilisateur massif de ces trois observations anormales sur l&rsquo;analyse, comparons les propri\u00e9t\u00e9s de la distribution brute face \u00e0 la distribution nettoy\u00e9e de ces trois contaminations :<\/p>\n<table border=\"1\" cellpadding=\"8\" cellspacing=\"0\" style=\"border-collapse:collapse;width:100%;margin:20px 0;font-family:inherit\">\n<thead>\n<tr style=\"background-color:#f2f4f8;text-align:left\">\n<th>Param\u00e8tre statistique<\/th>\n<th>\u00c9chantillon global brut (<span class=\"arabpsy-math-inline\" data-latex=\"n=15\">$n=15$<\/span>)<\/th>\n<th>\u00c9chantillon sans anomalies (<span class=\"arabpsy-math-inline\" data-latex=\"n=12\">$n=12$<\/span>)<\/th>\n<th>Variation relative<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td><strong>Moyenne arithm\u00e9tique (<span class=\"arabpsy-math-inline\" data-latex=\"\\mu\">$\\mu$<\/span>)<\/strong><\/td>\n<td><span class=\"arabpsy-math-inline\" data-latex=\"445{,}9\\text{ ms}\">$445{,}9\\text{ ms}$<\/span><\/td>\n<td><span class=\"arabpsy-math-inline\" data-latex=\"328{,}3\\text{ ms}\">$328{,}3\\text{ ms}$<\/span><\/td>\n<td><span class=\"arabpsy-math-inline\" data-latex=\"-26{,}4,%\">$-26{,}4,%$<\/span><\/td>\n<\/tr>\n<tr>\n<td><strong>M\u00e9diane (<span class=\"arabpsy-math-inline\" data-latex=\"Q_2\">$Q_2$<\/span>)<\/strong><\/td>\n<td><span class=\"arabpsy-math-inline\" data-latex=\"325{,}0\\text{ ms}\">$325{,}0\\text{ ms}$<\/span><\/td>\n<td><span class=\"arabpsy-math-inline\" data-latex=\"321{,}0\\text{ ms}\">$321{,}0\\text{ ms}$<\/span><\/td>\n<td><span class=\"arabpsy-math-inline\" data-latex=\"-1{,}2,%\">$-1{,}2,%$<\/span><\/td>\n<\/tr>\n<tr>\n<td><strong>\u00c9cart-type (<span class=\"arabpsy-math-inline\" data-latex=\"s\">$s$<\/span>)<\/strong><\/td>\n<td><span class=\"arabpsy-math-inline\" data-latex=\"264{,}7\\text{ ms}\">$264{,}7\\text{ ms}$<\/span><\/td>\n<td><span class=\"arabpsy-math-inline\" data-latex=\"40{,}1\\text{ ms}\">$40{,}1\\text{ ms}$<\/span><\/td>\n<td><span class=\"arabpsy-math-inline\" data-latex=\"-84{,}8,%\">$-84{,}8,%$<\/span><\/td>\n<\/tr>\n<tr>\n<td><strong>\u00c9cart interquartile (<span class=\"arabpsy-math-inline\" data-latex=\"IQR\">$IQR$<\/span>)<\/strong><\/td>\n<td><span class=\"arabpsy-math-inline\" data-latex=\"63{,}5\\text{ ms}\">$63{,}5\\text{ ms}$<\/span><\/td>\n<td><span class=\"arabpsy-math-inline\" data-latex=\"55{,}5\\text{ ms}\">$55{,}5\\text{ ms}$<\/span><\/td>\n<td><span class=\"arabpsy-math-inline\" data-latex=\"-12{,}6,%\">$-12{,}6,%$<\/span><\/td>\n<\/tr>\n<tr>\n<td><strong>Coefficient d&rsquo;asym\u00e9trie (Skewness)<\/strong><\/td>\n<td><span class=\"arabpsy-math-inline\" data-latex=\"+2{,}07\">$+2{,}07$<\/span> (extr\u00eame)<\/td>\n<td><span class=\"arabpsy-math-inline\" data-latex=\"+0{,}44\">$+0{,}44$<\/span> (quasi sym\u00e9trique)<\/td>\n<td>Correction majeure<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>L&rsquo;examen de cette matrice comparative apporte une \u00e9clatante confirmation empirique aux concepts expos\u00e9s : tandis que la moyenne brute a \u00e9t\u00e9 sur\u00e9valu\u00e9e de plus de <span class=\"arabpsy-math-inline\" data-latex=\"117\\text{ ms}\">$117\\text{ ms}$<\/span> (<span class=\"arabpsy-math-inline\" data-latex=\"+35,%\">$+35,%$<\/span>) et que l&rsquo;\u00e9cart-type a \u00e9t\u00e9 artificiellement multipli\u00e9 par plus de 6 en raison des trois observations d\u00e9viantes, la m\u00e9diane et l&rsquo;IQR ont remarquablement pr\u00e9serv\u00e9 leur stabilit\u00e9 descriptive originelle. Ces chiffres d\u00e9montrent avec \u00e9clat l&rsquo;efficacit\u00e9 immunitaire de l&rsquo;IQR face aux distorsions num\u00e9riques.<\/p>\n<h2>9. Repr\u00e9sentation graphique via la bo\u00eete \u00e0 moustaches (Boxplot)<\/h2>\n<h3>9.1 Anatomie d&rsquo;un diagramme de Tukey conforme<\/h3>\n<p>La puissance d&rsquo;application de la m\u00e9thode de l&rsquo;IQR doit son adoption massive \u00e0 son articulation symbiotique avec un outil graphique devenu universel en science : la bo\u00eete \u00e0 moustaches (<em>boxplot<\/em>), con\u00e7ue par Tukey lui-m\u00eame. Une bo\u00eete \u00e0 moustaches rigoureusement conforme aux conventions de l&rsquo;EDA s&rsquo;articule autour d&rsquo;une g\u00e9om\u00e9trie pr\u00e9cise :<\/p>\n<figure class=\"wpt-preserved-image\"><img loading=\"lazy\" decoding=\"async\" src=\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/iqrOutlier5.png\" alt=\"Example of finding outliers with the interquartile range\" \/><figcaption>Example of finding outliers with the interquartile range<\/figcaption><\/figure>\n<ul>\n<li><strong>Le rectangle central :<\/strong> Il est d\u00e9limit\u00e9 \u00e0 sa base par le premier quartile (<span class=\"arabpsy-math-inline\" data-latex=\"Q_1\">$Q_1$<\/span>) et \u00e0 son sommet par le troisi\u00e8me quartile (<span class=\"arabpsy-math-inline\" data-latex=\"Q_3\">$Q_3$<\/span>). La hauteur absolue de cette bo\u00eete correspond donc tr\u00e8s exactement \u00e0 la magnitude de l&rsquo;IQR. Elle contient les 50 % centraux des donn\u00e9es observ\u00e9es.<\/li>\n<li><strong>La ligne m\u00e9diane :<\/strong> Une barre continue transversale est trac\u00e9e \u00e0 l&rsquo;int\u00e9rieur de la bo\u00eete au niveau pr\u00e9cis de la m\u00e9diane (<span class=\"arabpsy-math-inline\" data-latex=\"Q_2\">$Q_2$<\/span>), r\u00e9v\u00e9lant instantan\u00e9ment le centrage de la distribution.<\/li>\n<li><strong>Les moustaches (Whiskers) :<\/strong> Contrairement \u00e0 une erreur d&rsquo;interpr\u00e9tation fr\u00e9quente, les moustaches ne se d\u00e9ploient pas aveugl\u00e9ment jusqu&rsquo;aux cl\u00f4tures math\u00e9matiques <span class=\"arabpsy-math-inline\" data-latex=\"B_{\\text{\\inf}}\">$B_{\\text{\\inf}}$<\/span> et <span class=\"arabpsy-math-inline\" data-latex=\"B_{\\text{\\sup}}\">$B_{\\text{\\sup}}$<\/span>. Elles s&rsquo;\u00e9tendent de la bordure de la bo\u00eete jusqu&rsquo;\u00e0 l&rsquo;observation <em>r\u00e9elle<\/em> la plus \u00e9loign\u00e9e qui reste situ\u00e9e \u00e0 l&rsquo;int\u00e9rieur des cl\u00f4tures de Tukey. Dans notre cas, la moustache inf\u00e9rieure s&rsquo;arr\u00eate \u00e0 <span class=\"arabpsy-math-inline\" data-latex=\"275\\text{ ms}\">$275\\text{ ms}$<\/span> (point valide le plus bas) et la moustache sup\u00e9rieure s&rsquo;ach\u00e8ve \u00e0 <span class=\"arabpsy-math-inline\" data-latex=\"410\\text{ ms}\">$410\\text{ ms}$<\/span> (point valide le plus haut).<\/li>\n<li><strong>Les points hors cl\u00f4tures :<\/strong> Toutes les observations localis\u00e9es au-del\u00e0 des moustaches sont trac\u00e9es individuellement par des figur\u00e9s g\u00e9om\u00e9triques isol\u00e9s. La convention de Tukey prescrit d&rsquo;utiliser de petits cercles \u00e9vid\u00e9s pour repr\u00e9senter les anomalies mod\u00e9r\u00e9es (ici le point <span class=\"arabpsy-math-inline\" data-latex=\"180\\text{ ms}\">$180\\text{ ms}$<\/span>) et des ast\u00e9risques pour les anomalies extr\u00eames situ\u00e9es au-del\u00e0 de 3 &times; IQR (nos points <span class=\"arabpsy-math-inline\" data-latex=\"785\\text{ ms}\">$785\\text{ ms}$<\/span> et <span class=\"arabpsy-math-inline\" data-latex=\"1120\\text{ ms}\">$1120\\text{ ms}$<\/span>).<\/li>\n<\/ul>\n<h3>9.2 Lecture diagnostique de l&rsquo;asym\u00e9trie et de l&rsquo;\u00e9talement<\/h3>\n<p>La lecture clinique d&rsquo;un boxplot constitue un exercice diagnostique de premier plan pour appr\u00e9cier d&rsquo;un coup d&rsquo;\u0153il l&rsquo;architecture d&rsquo;un jeu de donn\u00e9es. La position relative de la ligne m\u00e9diane au sein de la bo\u00eete centrale fournit une \u00e9valuation imm\u00e9diate de l&rsquo;<a rel=\"noopener noreferrer\" href=\"https:\/\/en.wikipedia.org\/wiki\/Skewness\">asym\u00e9trie<\/a> (skewness) de la distribution :<\/p>\n<ul>\n<li>Si la m\u00e9diane se loge rigoureusement au centre \u00e9quidistant de <span class=\"arabpsy-math-inline\" data-latex=\"Q_1\">$Q_1$<\/span> et <span class=\"arabpsy-math-inline\" data-latex=\"Q_3\">$Q_3$<\/span>, la distribution manifeste une sym\u00e9trie id\u00e9ale.<\/li>\n<li>Si la barre m\u00e9diane est plaqu\u00e9e vers le bas de la bo\u00eete, proche de <span class=\"arabpsy-math-inline\" data-latex=\"Q_1\">$Q_1$<\/span>, et que la moustache sup\u00e9rieure est significativement plus \u00e9tir\u00e9e que la moustache inf\u00e9rieure, cela d\u00e9montre une asym\u00e9trie positive marqu\u00e9e (queue \u00e9tir\u00e9e vers les valeurs fortes), configuration typique des chronom\u00e9tries mentales.<\/li>\n<\/ul>\n<p>De surcro\u00eet, le boxplot permet d&rsquo;\u00e9valuer imm\u00e9diatement la pr\u00e9sence d&rsquo;effets de seuil (plancher ou plafond). Une moustache inf\u00e9rieure totalement \u00e9court\u00e9e avec une m\u00e9diane fusionn\u00e9e sur le premier quartile signale qu&rsquo;une proportion \u00e9crasante de participants a atteint le score minimal possible, invalidant d&#8217;embl\u00e9e les mod\u00e8les exigeant une dispersion continue non contrainte.<\/p>\n<h3>9.3 Avantages du boxplot compar\u00e9 \u00e0 l&rsquo;histogramme<\/h3>\n<p>Si l&rsquo;histogramme de fr\u00e9quences conserve une utilit\u00e9 certaine pour appr\u00e9hender les distributions multimodales complexes, le boxplot de Tukey pr\u00e9sente des avantages comparatifs majeurs dans le travail d&rsquo;exploration empirique routinier. Le premier \u00e9cueil de l&rsquo;histogramme r\u00e9side dans sa d\u00e9pendance aigu\u00eb vis-\u00e0-vis du choix de l&rsquo;origine et du d\u00e9coupage de la largeur des classes (le param\u00e8tre de <em>binwidth<\/em>). En modifiant arbitrairement la largeur de ces intervalles, un analyste peut masquer une anomalie s\u00e9v\u00e8re ou faire na\u00eetre artificiellement l&rsquo;illusion d&rsquo;une r\u00e9gularit\u00e9 gaussienne.<\/p>\n<p>Le boxplot, \u00e9tant index\u00e9 de mani\u00e8re invariable sur les centiles de l&rsquo;\u00e9chantillon, est totalement exempt de cette subjectivit\u00e9 de repr\u00e9sentation. De plus, il brille par sa sobri\u00e9t\u00e9 et son \u00e9conomie d&rsquo;encre (ce que Tukey nommait le <em>data-ink ratio<\/em>). Il permet de juxtaposer sur un m\u00eame plan horizontal ou vertical des dizaines de groupes ou conditions exp\u00e9rimentales simultan\u00e9ment, offrant aux chercheurs une comparaison imm\u00e9diate de la m\u00e9diane, de la dispersion centrale et de la pr\u00e9valence des valeurs aberrantes entre cohortes cliniques et groupes contr\u00f4les, l\u00e0 o\u00f9 la superposition d&rsquo;autant d&rsquo;histogrammes aboutirait \u00e0 une illisibilit\u00e9 graphique inextricable.<\/p>\n<h2>10. Gestion et traitement m\u00e9thodologique des valeurs aberrantes en psychologie<\/h2>\n<h3>10.1 Enqu\u00eate diagnostique sur la source de l&rsquo;anomalie<\/h3>\n<p>L&rsquo;identification statistique d&rsquo;une valeur aberrante par la m\u00e9thode de Tukey ne constitue jamais un mandat automatique autorisant sa destruction aveugle. Dans le cadre de la d\u00e9ontologie scientifique de la recherche quantitative, l&rsquo;exclusion arbitraire d&rsquo;un point au seul motif qu&rsquo;il se situe au-del\u00e0 d&rsquo;un seuil statistique constitue une faute m\u00e9thodologique susceptible d&rsquo;introduire des biais majeurs dans la taille d&rsquo;effet estim\u00e9e. Toute exclusion doit \u00eatre motiv\u00e9e et document\u00e9e.<\/p>\n<p>Le chercheur doit conduire une v\u00e9ritable enqu\u00eate diagnostique en s&rsquo;appuyant sur trois questions directrices :<\/p>\n<ol>\n<li><em>S&rsquo;agit-il d&rsquo;une erreur d&rsquo;enregistrement ou d&rsquo;un artefact physique ?<\/em> En examinant les journaux informatiques et les notes de terrain de l&rsquo;exp\u00e9rimentateur, il est parfois possible de v\u00e9rifier qu&rsquo;une latence anormale co\u00efncide avec un \u00e9ternuement du sujet, une interruption sonore ext\u00e9rieure ou un red\u00e9marrage impromptu du pilote d&rsquo;affichage graphique. Dans ces conditions av\u00e9r\u00e9es d&rsquo;interf\u00e9rence technique, la suppression de l&rsquo;observation est scientifiquement l\u00e9gitime et n\u00e9cessaire.<\/li>\n<li><em>L&rsquo;observation d\u00e9coule-t-elle d&rsquo;une m\u00e9compr\u00e9hension de la consigne ?<\/em> Si un participant pr\u00e9sente un taux d&rsquo;erreur de 50 % sur une t\u00e2che de choix forc\u00e9 tout en g\u00e9n\u00e9rant des temps de r\u00e9action records, il est probable qu&rsquo;il ait r\u00e9pondu au hasard sans traiter l&rsquo;information, justifiant l&rsquo;\u00e9limination de sa session compl\u00e8te de tests.<\/li>\n<li><em>S&rsquo;agit-il d&rsquo;un individu v\u00e9ritablement atypique ?<\/em> Si l&rsquo;observation provient d&rsquo;un sujet ayant scrupuleusement respect\u00e9 le protocole mais dont les capacit\u00e9s se situent naturellement aux bornes extr\u00eames du spectre humain, la valeur est biologiquement valide et son effacement r\u00e9duirait artificiellement la variance naturelle de l&rsquo;objet d&rsquo;\u00e9tude.<\/li>\n<\/ol>\n<h3>10.2 Strat\u00e9gies d&rsquo;ajustement sans suppression aveugle<\/h3>\n<p>Lorsque les donn\u00e9es suspectes sont reconnues comme authentiques mais que leur maintien sous leur forme brute menace la conformit\u00e9 des hypoth\u00e8ses d&rsquo;homosBundle et de normalit\u00e9 des tests ult\u00e9rieurs, plusieurs d\u00e9marches de rem\u00e9diation conservatrices s&rsquo;offrent au statisticien.<\/p>\n<p>Ces strat\u00e9gies incluent notamment :<\/p>\n<ul>\n<li><strong>La winsorisation :<\/strong> Cette technique \u00e9l\u00e9gante consiste \u00e0 recadrer les valeurs se situant au-del\u00e0 des cl\u00f4tures de d\u00e9tection en leur assignant la valeur exacte de la borne de Tukey correspondante ou un centile d\u00e9fini (par exemple le 5<sup>e<\/sup> et le 95<sup>e<\/sup> centile). L&rsquo;observation anormale ne modifie plus d\u00e9mesur\u00e9ment la moyenne et la variance, tout en pr\u00e9servant intact l&rsquo;effectif total (<span class=\"arabpsy-math-inline\" data-latex=\"n\">$n$<\/span>) de l&rsquo;\u00e9chantillon ainsi que le rang ordonn\u00e9 du sujet au sein du groupe.<\/li>\n<li><strong>Les transformations math\u00e9matiques non lin\u00e9aires :<\/strong> L&rsquo;application d&rsquo;une transformation logarithmique <span class=\"arabpsy-math-inline\" data-latex=\"ln(x)\">$ln(x)$<\/span>, d&rsquo;une racine carr\u00e9e <span class=\"arabpsy-math-inline\" data-latex=\"\\sqrt{x}\">$\\sqrt{x}$<\/span> ou de l&rsquo;inverse <span class=\"arabpsy-math-inline\" data-latex=\"-1\/x\">$-1\/x$<\/span> permet de comprimer l&rsquo;\u00e9talement des queues de distribution droites. Sous ces nouvelles m\u00e9triques d&rsquo;expression, les observations initialement aberrantes r\u00e9int\u00e8grent fr\u00e9quemment le giron d&rsquo;une distribution sym\u00e9trique compatible avec les mod\u00e8les param\u00e9triques.<\/li>\n<li><strong>Le recours \u00e0 l&rsquo;estimation robuste et non param\u00e9trique :<\/strong> Plut\u00f4t que de transformer artificiellement les valeurs brutes, l&rsquo;approche la plus vertueuse consiste souvent \u00e0 substituer aux tests classiques de Student et de Fisher des mod\u00e8les fond\u00e9s sur les rangs (test de Wilcoxon-Mann-Whitney, test de Kruskal-Wallis) ou sur les estimateurs <span class=\"arabpsy-math-inline\" data-latex=\"M\">$M$<\/span> de Huber, nativement immunis\u00e9s contre l&rsquo;action corruptrice des observations isol\u00e9es.<\/li>\n<\/ul>\n<h3>10.3 Analyses de sensibilit\u00e9 et exigences de transparence acad\u00e9mique<\/h3>\n<p>\u00c0 l&rsquo;\u00e8re de la crise de la reproductibilit\u00e9 et des exigences accrues d&rsquo;int\u00e9grit\u00e9 formul\u00e9es par l&rsquo;<a rel=\"noopener noreferrer\" href=\"https:\/\/www.apa.org\">American Psychological Association<\/a> (normes APA 7<sup>e<\/sup> \u00e9dition), la gestion des anomalies statistiques ne peut plus \u00eatre rel\u00e9gu\u00e9e au rang de bricolage silencieux de laboratoire. La pratique recommand\u00e9e par les m\u00e9thodologistes actuels est celle de l&rsquo;analyse de sensibilit\u00e9 par double rapport statistique.<\/p>\n<p>Le chercheur est tenu de conduire et de documenter explicitement l&rsquo;ensemble de ses mod\u00e9lisations inf\u00e9rentielles sous deux conditions :<\/p>\n<ul>\n<li>Une premi\u00e8re analyse incluant rigoureusement l&rsquo;ensemble des donn\u00e9es recueillies (<span class=\"arabpsy-math-inline\" data-latex=\"n_{\\text{complet}}\">$n_{\\text{complet}}$<\/span>).<\/li>\n<li>Une seconde analyse men\u00e9e apr\u00e8s \u00e9lagage motiv\u00e9 ou ajustement des valeurs aberrantes identifi\u00e9es via l&rsquo;IQR (<span class=\"arabpsy-math-inline\" data-latex=\"n_{\\text{restre\\int}}\">$n_{\\text{restre\\int}}$<\/span>).<\/li>\n<\/ul>\n<p>Si la trajectoire de significativit\u00e9 statistique (<span class=\"arabpsy-math-inline\" data-latex=\"p &lt; 0{,}05\">$p &lt; 0{,}05$<\/span>) et la magnitude de la taille d&#039;effet (d de Cohen, <span class=\"arabpsy-math-inline\" data-latex=\"\\eta^2\">$\\eta^2$<\/span> partiel) demeurent stables et m\u00e8nent \u00e0 des conclusions convergentes dans les deux configurations, le chercheur apporte la d\u00e9monstration formelle de la robustesse de son effet exp\u00e9rimental. Si, en revanche, la significativit\u00e9 d\u00e9pend enti\u00e8rement du maintien ou de l&#039;\u00e9viction de deux ou trois points sp\u00e9cifiques, cette fragilit\u00e9 intrins\u00e8que doit \u00eatre rapport\u00e9e de mani\u00e8re transparente dans la discussion de l&#039;article, incitant \u00e0 une prudence interpr\u00e9tative salutaire.<\/p>\n<h2>11. Impl\u00e9mentation computationnelle dans les logiciels d&rsquo;analyse de donn\u00e9es<\/h2>\n<h3>11.1 Automatisation sous le langage R<\/h3>\n<p>Le langage open source R propose un \u00e9cosyst\u00e8me fonctionnel particuli\u00e8rement adapt\u00e9 pour le d\u00e9pistage et l&rsquo;extraction des anomalies de Tukey. L&rsquo;analyste peut mobiliser la fonction native <code>boxplot.stats()<\/code>, qui extrait directement l&rsquo;ensemble des m\u00e9triques d&rsquo;EDA sans exiger le trac\u00e9 pr\u00e9alable d&rsquo;une figure.<\/p>\n<p>Le traitement programmatique d&rsquo;un vecteur de donn\u00e9es s&rsquo;articule autour des syntaxes fondamentales suivantes :<\/p>\n<p>Dans un premier temps, l&rsquo;appel \u00e0 la fonction <code>quantile(x, probs = c(0.25, 0.75), type = 7)<\/code> permet d&rsquo;extraire de mani\u00e8re autonome les composantes <span class=\"arabpsy-math-inline\" data-latex=\"Q_1\">$Q_1$<\/span> et <span class=\"arabpsy-math-inline\" data-latex=\"Q_3\">$Q_3$<\/span>. L&rsquo;amplitude interquartile se d\u00e9rive ensuite via l&rsquo;instruction directe <code>IQR(x, type = 7)<\/code>. Pour automatiser l&rsquo;identification des points situ\u00e9s hors des bornes, l&rsquo;extraction de l&rsquo;objet <code>boxplot.stats(x, coef = 1.5)$out<\/code> isole instantan\u00e9ment le vecteur des valeurs aberrantes mod\u00e9r\u00e9es et extr\u00eames.<\/p>\n<p>Dans un pipeline moderne exploitant l&rsquo;\u00e9cosyst\u00e8me <code>tidyverse<\/code>, l&rsquo;analyste peut injecter une fonction de filtrage conditionnel au sein d&rsquo;une s\u00e9quence de manipulation de tableau :<\/p>\n<p>L&rsquo;application cons\u00e9cutive de <code>filter(temps &gt;= (quantile(temps, 0.25) - 1.5 * IQR(temps)) &amp; temps &lt;= (quantile(temps, 0.75) + 1.5 * IQR(temps)))<\/code> permet d&rsquo;isoler en toute fluidit\u00e9 l&rsquo;ensemble des observations conformes pour les analyses subs\u00e9quentes, tout en assignant dans un sous-tableau distinct les lignes des sujets exclus afin d&rsquo;en conserver une trace d&rsquo;audit compl\u00e8te.<\/p>\n<h3>11.2 Impl\u00e9mentation en Python avec Pandas et SciPy<\/h3>\n<p>Au sein de l&rsquo;environnement Python pour la science des donn\u00e9es, les biblioth\u00e8ques Pandas, NumPy et SciPy fournissent une approche vectoris\u00e9e hautement performante pour traiter des matrices massives issues de protocoles exp\u00e9rimentaux complexes.<\/p>\n<p>L&rsquo;impl\u00e9mentation algorithmique de la r\u00e8gle de Tukey s&rsquo;op\u00e8re typiquement au moyen des fonctions int\u00e9gr\u00e9es aux DataFrames Pandas :<\/p>\n<p>La d\u00e9claration <code>q1 = df['temps'].quantile(0.25)<\/code> et <code>q3 = df['temps'].quantile(0.75)<\/code> formalise les bornes de r\u00e9f\u00e9rence. La variable d&rsquo;\u00e9cart interquartile se calcule par la commande <code>iqr = q3 - q1<\/code>. Les cl\u00f4tures de s\u00e9curit\u00e9 sont ensuite cr\u00e9\u00e9es par les op\u00e9rations vectoris\u00e9es <code>lower_fence = q1 - 1.5 * iqr<\/code> et <code>upper_fence = q3 + 1.5 * iqr<\/code>.<\/p>\n<p>Pour \u00e9tiqueter les anomalies de mani\u00e8re automatis\u00e9e, il suffit d&rsquo;utiliser un masque bool\u00e9en structur\u00e9 :<\/p>\n<p>L&rsquo;expression <code>outliers = df[(df['temps']  upper_fence)]<\/code> isole directement l&rsquo;ensemble des lignes discordantes. Coupl\u00e9e aux modules graphiques <code>seaborn.boxplot()<\/code> ou <code>matplotlib.pyplot<\/code>, cette d\u00e9marche computationnelle permet de corroborer le filtrage num\u00e9rique par une inspection visuelle imm\u00e9diate au fil de l&rsquo;ex\u00e9cution des scripts d&rsquo;analyse.<\/p>\n<h3>11.3 Proc\u00e9dure op\u00e9rationnelle sous IBM SPSS Statistics<\/h3>\n<p>Pour les chercheurs en sciences humaines privil\u00e9giant les environnements \u00e0 interface graphique, le logiciel IBM SPSS Statistics int\u00e8gre nativement la d\u00e9tection des valeurs aberrantes de Tukey via sa proc\u00e9dure exploratoire descriptive approfondie.<\/p>\n<p>Le protocole op\u00e9ratoire standard sous l&rsquo;interface se d\u00e9roule comme suit :<\/p>\n<ol>\n<li>Naviguer dans les menus d\u00e9roulants : <em>Analyse<\/em> &rarr; <em>Statistiques descriptives<\/em> &rarr; <em>Explorer&#8230;<\/em><\/li>\n<li>Transf\u00e9rer la variable continue sous examen dans la bo\u00eete de dialogue <em>Variables d\u00e9pendantes<\/em>. Pour des plans exp\u00e9rimentaux factoriels, la variable de partitionnement de groupe peut \u00eatre simultan\u00e9ment renseign\u00e9e dans la bo\u00eete <em>Facteurs<\/em>.<\/li>\n<li>Dans le sous-menu optionnel <em>Graphiques<\/em>, veiller \u00e0 cocher la case relative aux bo\u00eetes \u00e0 moustaches et s\u00e9lectionner l&rsquo;option <em>Regrouper les variables<\/em>.<\/li>\n<li>Cliquer sur le sous-menu <em>Statistiques<\/em> et s&rsquo;assurer que la case <em>Valeurs extr\u00eames<\/em> est valid\u00e9e.<\/li>\n<\/ol>\n<p>Dans les tableaux de sortie d&rsquo;\u00e9valuation des sorties SPSS, le logiciel g\u00e9n\u00e8re un tableau synth\u00e9tique intitul\u00e9 \u00ab Observations extr\u00eames \u00bb, identifiant nominativement les cinq valeurs les plus basses et les cinq valeurs les plus hautes, accompagn\u00e9es de leur num\u00e9ro de ligne dans le fichier brut. Les observations franchissant la cl\u00f4ture int\u00e9rieure (1,5 &times; IQR) y sont signal\u00e9es par un symbole distinctif, tandis que celles d\u00e9passant la cl\u00f4ture ext\u00e9rieure (3 &times; IQR) re\u00e7oivent une indexation particuli\u00e8re facilitant leur encodage dans une nouvelle variable d&rsquo;exclusion binaire.<\/p>\n<h2>12. Limites de la m\u00e9thode IQR et approches alternatives avanc\u00e9es<\/h2>\n<h3>12.1 Contraintes li\u00e9es aux \u00e9chantillons de petite taille<\/h3>\n<p>Bien que particuli\u00e8rement r\u00e9sistant, l&rsquo;\u00e9cart interquartile n&rsquo;est pas exempt de vuln\u00e9rabilit\u00e9s m\u00e9thodologiques, dont la principale concerne son instabilit\u00e9 intrins\u00e8que lorsque la taille de l&rsquo;\u00e9chantillon devient tr\u00e8s restreinte (<span class=\"arabpsy-math-inline\" data-latex=\"n &lt; 20\">$n &lt; 20$<\/span>). Dans de petites cohortes, telles que celles couramment \u00e9tudi\u00e9es en neuropsychologie clinique de cas uniques ou lors d&#039;investigations exploratoires en neuroimagerie (TEP, IRMf), l&#039;estimation de la position de <span class=\"arabpsy-math-inline\" data-latex=\"Q_1\">$Q_1$<\/span> et <span class=\"arabpsy-math-inline\" data-latex=\"Q_3\">$Q_3$<\/span> d\u00e9pend de mani\u00e8re excessive du hasard de l&#039;\u00e9chantillonnage de deux ou trois sujets seulement.<\/p>\n<p>Dans ce contexte de faible effectif, l&rsquo;IQR pr\u00e9sente un ph\u00e9nom\u00e8ne d&rsquo;\u00e9lasticit\u00e9 discr\u00e8te : l&rsquo;ajout ou le retrait d&rsquo;un seul participant peut faire basculer brutalement la valeur calcul\u00e9e de l&rsquo;IQR, d\u00e9pla\u00e7ant consid\u00e9rablement les cl\u00f4tures de d\u00e9tection. Il s&rsquo;ensuit un risque accru de commettre une erreur d&rsquo;omission par masquage, o\u00f9 des valeurs indiscutablement corrompues \u00e9chappent aux seuils en raison d&rsquo;un \u00e9largissement artificiel de l&rsquo;\u00e9cartement interquartile. Pour les cohortes dont <span class=\"arabpsy-math-inline\" data-latex=\"n\">$n$<\/span> est inf\u00e9rieur \u00e0 15 ou 20 individus, la prudence commande de ne pas utiliser la r\u00e8gle stricte du 1,5 &times; IQR de fa\u00e7on isol\u00e9e, mais de la croiser avec un examen visuel qualitatif individualis\u00e9.<\/p>\n<h3>12.2 Comportement sur des distributions fortement asym\u00e9triques<\/h3>\n<p>La formulation conventionnelle de la r\u00e8gle de Tukey applique un facteur de dispersion rigoureusement sym\u00e9trique (<span class=\"arabpsy-math-inline\" data-latex=\"1{,}5 \\times IQR\">$1{,}5 \\times IQR$<\/span>) de part et d&rsquo;autre de la distribution, postulant implicitement que le comportement des donn\u00e9es \u00e0 gauche du centre de gravit\u00e9 est \u00e9quivalent \u00e0 celui observ\u00e9 \u00e0 droite. Or, dans une multitude de paradigmes en psychologie cognitive, les variables mesur\u00e9es suivent une loi naturelle asym\u00e9trique &mdash; comme les lois log-normales, de Weibull ou d&rsquo;ex-Gaussienne gouvernant la chronom\u00e9trie motrice.<\/p>\n<p>Dans ces conditions d&rsquo;asym\u00e9trie structurelle positive :<\/p>\n<ul>\n<li>La cl\u00f4ture sup\u00e9rieure calcul\u00e9e selon la m\u00e9thode standard se r\u00e9v\u00e8le trop \u00e9troite, d\u00e9clenchant une sur-d\u00e9tection syst\u00e9matique et abusive de fausses valeurs aberrantes dans la queue de distribution longue.<\/li>\n<li>Inversement, la cl\u00f4ture inf\u00e9rieure devient anormalement permissive, laissant passer des anomalies r\u00e9elles dans les latences courtes.<\/li>\n<\/ul>\n<p>Pour rem\u00e9dier \u00e0 cette faille structurelle, Guy Brys, Mia Hubert et Peter Rousseeuw ont introduit en 2004 le concept d&rsquo;<strong>Adjusted Boxplot<\/strong> (bo\u00eete \u00e0 moustaches ajust\u00e9e). Cette variante sophistiqu\u00e9e incorpore un estimateur robuste d&rsquo;asym\u00e9trie nomm\u00e9 le <em>m\u00e9douple<\/em> (medcouple, <span class=\"arabpsy-math-inline\" data-latex=\"MC\">$MC$<\/span>). Les cl\u00f4tures ne sont plus \u00e9quidistantes, mais s&rsquo;adaptent dynamiquement \u00e0 la courbure r\u00e9elle des donn\u00e9es via des fonctions exponentielles :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"B_{\\text{\\sup_ajust\u00e9e}} = Q_3 + 1{,}5 \\times e^{3 \\times MC} \\times IQR \\quad (\\text{si } MC ge 0)\">$$B_{\\text{\\sup_ajust\u00e9e}} = Q_3 + 1{,}5 \\times e^{3 \\times MC} \\times IQR \\quad (\\text{si } MC ge 0)$$<\/span><\/p>\n<p>Cette correction permet de pr\u00e9server l&rsquo;\u00e9talement physiologique des temps de r\u00e9action prolong\u00e9s sans les disqualifier \u00e0 tort de l&rsquo;analyse principale.<\/p>\n<h3>12.3 Comparaison critique avec d&rsquo;autres estimateurs robustes<\/h3>\n<p>L&rsquo;\u00e9cart interquartile n&rsquo;est pas le seul instrument disponible dans l&rsquo;arsenal de la statistique r\u00e9sistante contemporaine. Deux estimateurs de dispersion alternatifs occupent une place de premier plan dans la litt\u00e9rature sp\u00e9cialis\u00e9e :<\/p>\n<p><strong>1. La d\u00e9viation absolue par rapport \u00e0 la m\u00e9diane (MAD pour <em>Median Absolute Deviation<\/em>) :<\/strong><\/p>\n<p>Formellement d\u00e9finie par la relation math\u00e9matique :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"MAD = b \\times \\text{m\u00e9diane}(|x_i - \\text{m\u00e9diane}(X)|)\">$$MAD = b \\times \\text{m\u00e9diane}(|x_i &#8211; \\text{m\u00e9diane}(X)|)$$<\/span><\/p>\n<p>(o\u00f9 <span class=\"arabpsy-math-inline\" data-latex=\"b = 1{,}4826\">$b = 1{,}4826$<\/span> sous l&rsquo;hypoth\u00e8se de calibration normale), la MAD dispose du point de rupture le plus \u00e9lev\u00e9 possible en statistique robuste :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"\\epsilon^* = 0{,}50 \\quad (50,%)\">$$\\epsilon^* = 0{,}50 \\quad (50,%)$$<\/span><\/p>\n<p>Elle est capable de supporter une contamination atteignant la moiti\u00e9 de l&rsquo;\u00e9chantillon sans s&rsquo;effondrer. Par comparaison, l&rsquo;IQR plafonne \u00e0 25 %. Pour des donn\u00e9es hautement d\u00e9structur\u00e9es, la r\u00e8gle de d\u00e9tection bas\u00e9e sur la m\u00e9diane &plusmn; 2,5 MAD est fr\u00e9quemment consid\u00e9r\u00e9e par les m\u00e9thodologistes comme encore plus r\u00e9sistante que celle de Tukey.<\/p>\n<p><strong>2. Les estimateurs <span class=\"arabpsy-math-inline\" data-latex=\"S_n\">$S_n$<\/span> et <span class=\"arabpsy-math-inline\" data-latex=\"Q_n\">$Q_n$<\/span> de Rousseeuw et Croux (1993) :<\/strong><\/p>\n<p>Bien que la MAD soit d&rsquo;une robustesse exemplaire, son efficacit\u00e9 asymptotique sur des lois normales n&rsquo;est que de 37 %, ce qui induit une perte d&rsquo;information par rapport aux estimateurs classiques. Pour combler cette limite, Rousseeuw et Croux ont mod\u00e9lis\u00e9 l&rsquo;estimateur <span class=\"arabpsy-math-inline\" data-latex=\"Q_n\">$Q_n$<\/span>, calcul\u00e9 \u00e0 partir du premier quartile de l&rsquo;ensemble des distances deux \u00e0 deux entre toutes les observations :<\/p>\n<p><span class=\"arabpsy-math-display\" data-latex=\"Q_n = c \\times {|x_i - x_j| ; i &lt; j}_{(k)}\">$$Q_n = c \\times {|x_i &#8211; x_j| ; i &lt; j}_{(k)}$$<\/span><\/p>\n<p>Cet estimateur conjugue un point de rupture optimal de 50 % avec une tr\u00e8s haute efficacit\u00e9 statistique (82 %), ne n\u00e9cessite aucun calcul pr\u00e9alable de tendance centrale, et se montre insensible \u00e0 l&rsquo;asym\u00e9trie distributionnelle.<\/p>\n<p>Le tableau comparatif ci-dessous synth\u00e9tise les crit\u00e8res de s\u00e9lection de l&rsquo;estimateur optimal en fonction du design exp\u00e9rimental et de la nature des donn\u00e9es :<\/p>\n<table border=\"1\" cellpadding=\"8\" cellspacing=\"0\" style=\"border-collapse:collapse;width:100%;margin:20px 0;font-family:inherit\">\n<thead>\n<tr style=\"background-color:#f2f4f8;text-align:left\">\n<th>Estimateur de dispersion<\/th>\n<th>Point de rupture (<span class=\"arabpsy-math-inline\" data-latex=\"\\epsilon^*\">$\\epsilon^*$<\/span>)<\/th>\n<th>Efficacit\u00e9 gaussienne<\/th>\n<th>Sensibilit\u00e9 \u00e0 l&rsquo;asym\u00e9trie<\/th>\n<th>Contexte exp\u00e9rimental de pr\u00e9dilection<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td><strong>\u00c9cart-type classique (<span class=\"arabpsy-math-inline\" data-latex=\"s\">$s$<\/span>)<\/strong><\/td>\n<td><span class=\"arabpsy-math-inline\" data-latex=\"0,%\">$0,%$<\/span> (extr\u00eame vuln\u00e9rabilit\u00e9)<\/td>\n<td><span class=\"arabpsy-math-inline\" data-latex=\"100,%\">$100,%$<\/span><\/td>\n<td>Tr\u00e8s \u00e9lev\u00e9e (biais s\u00e9v\u00e8re)<\/td>\n<td>Distributions strictement normales v\u00e9rifi\u00e9es, absence av\u00e9r\u00e9e d&rsquo;artefacts.<\/td>\n<\/tr>\n<tr>\n<td><strong>\u00c9cart interquartile (<span class=\"arabpsy-math-inline\" data-latex=\"IQR\">$IQR$<\/span>)<\/strong><\/td>\n<td><span class=\"arabpsy-math-inline\" data-latex=\"25,%\">$25,%$<\/span> (haute r\u00e9sistance)<\/td>\n<td><span class=\"arabpsy-math-inline\" data-latex=\"37,%\">$37,%$<\/span><\/td>\n<td>Moyenne (n\u00e9cessite l&rsquo;Adjusted Boxplot si asym\u00e9trie extr\u00eame)<\/td>\n<td>Exploration standard des donn\u00e9es, reporting accessible, \u00e9chantillons <span class=\"arabpsy-math-inline\" data-latex=\"n ge 30\">$n ge 30$<\/span>.<\/td>\n<\/tr>\n<tr>\n<td><strong>D\u00e9viation absolue m\u00e9diane (<span class=\"arabpsy-math-inline\" data-latex=\"MAD\">$MAD$<\/span>)<\/strong><\/td>\n<td><span class=\"arabpsy-math-inline\" data-latex=\"50,%\">$50,%$<\/span> (r\u00e9sistance maximale)<\/td>\n<td><span class=\"arabpsy-math-inline\" data-latex=\"37,%\">$37,%$<\/span><\/td>\n<td>Moyenne \u00e0 faible<\/td>\n<td>D\u00e9pistage de valeurs aberrantes sur des distributions sym\u00e9triques fortement pollu\u00e9es.<\/td>\n<\/tr>\n<tr>\n<td><strong>Estimateur <span class=\"arabpsy-math-inline\" data-latex=\"Q_n\">$Q_n$<\/span> de Rousseeuw<\/strong><\/td>\n<td><span class=\"arabpsy-math-inline\" data-latex=\"50,%\">$50,%$<\/span> (r\u00e9sistance maximale)<\/td>\n<td><span class=\"arabpsy-math-inline\" data-latex=\"82,%\">$82,%$<\/span> (tr\u00e8s haute)<\/td>\n<td>Faible (tr\u00e8s stable)<\/td>\n<td>Mod\u00e9lisations avanc\u00e9es, apprentissage automatique, petits \u00e9chantillons bruit\u00e9s.<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>En synth\u00e8se de cette \u00e9tude comparative, l&rsquo;\u00e9cart interquartile de Tukey demeure l&rsquo;outil d&rsquo;arbitrage le plus \u00e9quilibr\u00e9 et universellement interpr\u00e9table pour la pratique scientifique courante. Sa clart\u00e9 arithm\u00e9tique, conjugu\u00e9e \u00e0 sa puissance d&rsquo;expression graphique au travers du boxplot, en fait une pi\u00e8ce ma\u00eetresse ind\u00e9boulonnable du contr\u00f4le m\u00e9trologique des donn\u00e9es comportementales contemporaines.<\/p>\n<h2>R\u00e9f\u00e9rences<\/h2>\n<p>Bakker, M., &amp; Wicherts, J. M. (2014). Outlier removal, data transforms, and the plausibility of results: High degrees of freedom in data analysis jeopardise research findings. <em>Computers in Human Behavior<\/em>, 34, 1-8. https:\/\/doi.org\/10.1016\/j.chb.2014.01.028<\/p>\n<p>Brys, G., Hubert, M., &amp; Rousseeuw, P. J. (2004). A robust measure of skewness. <em>Journal of Computational and Graphical Statistics<\/em>, 13(4), 996-1017. https:\/\/doi.org\/10.1198\/106186004X12632<\/p>\n<p>Hubert, M., &amp; Vandervieren, E. (2008). An adjusted boxplot for skewed distributions. <em>Computational Statistics &amp; Data Analysis<\/em>, 52(12), 5186-5201. https:\/\/doi.org\/10.1016\/j.csda.2007.11.008<\/p>\n<p>Hyndman, R. J., &amp; Fan, Y. (1996). Sample quantiles in statistical packages. <em>The American Statistician<\/em>, 50(4), 361-365. https:\/\/doi.org\/10.1080\/00031305.1996.10473566<\/p>\n<p>Leys, C., Ley, C., Klein, O., Bernard, P., &amp; Licata, L. (2013). Detecting outliers: Do not use standard deviation around the mean, use absolute deviation around the median. <em>Journal of Experimental Social Psychology<\/em>, 49(4), 764-766. https:\/\/doi.org\/10.1016\/j.jesp.2013.03.013<\/p>\n<p>Moore, D. S., McCabe, G. P., &amp; Craig, B. A. (2017). <em>Introduction to the practice of statistics<\/em> (9th ed.). W. H. Freeman.<\/p>\n<p>Osborne, J. W., &amp; Overbay, A. (2004). The power of outliers (and why researchers should ALWAYS check for them). <em>Practical Assessment, Research, and Evaluation<\/em>, 9(1), Article 6. https:\/\/doi.org\/10.7275\/q71v-hn44<\/p>\n<p>Rousseeuw, P. J., &amp; Croux, C. (1993). Alternatives to the median absolute deviation. <em>Journal of the American Statistical Association<\/em>, 88(424), 1273-1283. https:\/\/doi.org\/10.1080\/01621459.1993.10476408<\/p>\n<p>Tukey, J. W. (1977). <em>Exploratory data analysis<\/em>. Addison-Wesley.<\/p>\n<p>Wilcox, R. R. (2012). <em>Introduction to robust estimation and hypothesis testing<\/em> (3rd ed.). Academic Press.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Guide acad\u00e9mique complet pour identifier les valeurs aberrantes \u00e0 l&rsquo;aide de l&rsquo;\u00e9cart interquartile (IQR), de la th\u00e9orie de Tukey aux applications pratiques.<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"closed","template":"","categories":[1829,2620],"tags":[2040,1982,8704,1983,1963],"class_list":["post-7236","psych_stat","type-psych_stat","status-publish","hentry","category-methodologie-statistique","category-psychometrie-et-analyse-de-donnees","tag-analyse-exploratoire","tag-ecart-interquartile","tag-methode-de-tukey","tag-statistiques-robustes","tag-valeurs-aberrantes"],"_links":{"self":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_stat\/7236","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=7236"}],"version-history":[{"count":1,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_stat\/7236\/revisions"}],"predecessor-version":[{"id":7242,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_stat\/7236\/revisions\/7242"}],"wp:attachment":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=7236"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=7236"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=7236"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}