Dans l’arsenal m\u00e9thodologique des sciences contemporaines, la mod\u00e9lisation rigoureuse des variables discr\u00e8tes constitue un d\u00e9fi fondamental que l’inf\u00e9rence statistique classique, historiquement domin\u00e9e par le paradigme gaussien, a longtemps rel\u00e9gu\u00e9 \u00e0 des approximations approximatives. Qu’il s’agisse de mesurer la r\u00e9currence de comportements impulsifs chez un patient en psychologie clinique, d’\u00e9valuer le nombre de fixations oculaires par unit\u00e9 de temps lors d’une t\u00e2che de lecture complexe, ou de quantifier les d\u00e9charges synaptiques au sein d’un r\u00e9seau neuronal, les chercheurs sont confront\u00e9s \u00e0 des donn\u00e9es de comptage dont la structure intrins\u00e8que r\u00e9cuse l’hypoth\u00e8se de continuit\u00e9 sous-jacente aux mod\u00e8les de r\u00e9gression des moindres carr\u00e9s ordinaires.<\/p>\n
La distribution de Poisson, formalis\u00e9e dans la premi\u00e8re moiti\u00e9 du dix-neuvi\u00e8me si\u00e8cle, s’est impos\u00e9e comme le socle probabiliste universel pour formaliser le comptage d’occurrences d’un \u00e9v\u00e9nement au sein d’une unit\u00e9 d’observation fix\u00e9e, qu’elle soit temporelle, spatiale ou volum\u00e9trique. Reposant sur une \u00e9l\u00e9gance math\u00e9matique singuli\u00e8re caract\u00e9ris\u00e9e par un param\u00e8tre unique gouvernant \u00e0 la fois son esp\u00e9rance et sa variance, ce mod\u00e8le offre une d\u00e9rivation naturelle \u00e0 partir des premiers principes du calcul stochastique. Toutefois, cette apparente simplicit\u00e9 analytique dissimule une rigueur axiomatico-d\u00e9ductive intransigeante : l’application l\u00e9gitime de la loi de Poisson repose sur quatre hypoth\u00e8ses structurelles interd\u00e9pendantes, dont la moindre transgression d\u00e9nature l’appareil inf\u00e9rentiel et vicie les conclusions scientifiques.<\/p>\n
Le pr\u00e9sent trait\u00e9 propose une d\u00e9construction exhaustive, conceptuelle et m\u00e9thodologique des quatre hypoth\u00e8ses fondamentales r\u00e9gissant la distribution de Poisson. En articulant les fondements du calcul des probabilit\u00e9s, les imp\u00e9ratifs des mod\u00e8les lin\u00e9aires g\u00e9n\u00e9ralis\u00e9s et les d\u00e9fis empiriques pos\u00e9s par l’analyse quantitative des dynamiques humaines et comportementales, cet ouvrage vise \u00e0 fournir aux chercheurs, statisticiens et psychom\u00e9triciens une grille d’analyse sans compromis. L’\u00e9valuation scrupuleuse de ces postulats n’est pas un exercice formel superflu, mais la condition sine qua non<\/em> d’une interpr\u00e9tation causale et pr\u00e9dictive valide des donn\u00e9es d’occurrences discr\u00e8tes.<\/p>\n La distribution de Poisson puise ses origines analytiques dans le trait\u00e9 de Sim\u00e9on Denis Poisson<\/a>, Recherches sur la probabilit\u00e9 des jugements en mati\u00e8re criminelle et en mati\u00e8re civile<\/em>, publi\u00e9 en 1837. Si le math\u00e9maticien fran\u00e7ais s’int\u00e9ressait originellement \u00e0 la variabilit\u00e9 des d\u00e9lib\u00e9rations judiciaires au sein des cours d’assises, son apport immortel r\u00e9side dans la d\u00e9rivation asymptotique d’une limite singuli\u00e8re de la loi binomiale. Consid\u00e9rons une s\u00e9quence d’essais bernoulliens ind\u00e9pendants de longueur $n$<\/span>, o\u00f9 la probabilit\u00e9 de succ\u00e8s \u00e0 chaque \u00e9preuve est not\u00e9e $p$<\/span>. Lorsque la taille d’\u00e9chantillon $n$<\/span> tend vers l’infini tandis que la probabilit\u00e9 \u00e9l\u00e9mentaire $p$<\/span> converge vers z\u00e9ro, sous la contrainte que leur produit demeure strictement constant tel que $\\lambda = np in ]0, \\infty[$<\/span>, la fonction de masse de probabilit\u00e9 binomiale subit une m\u00e9tamorphose analytique fondamentale.<\/p>\n Cette convergence infinit\u00e9simale, souvent qualifi\u00e9e dans la litt\u00e9rature probabiliste de \u00ab loi des \u00e9v\u00e9nements rares \u00bb, affranchit la mod\u00e9lisation du comptage de la n\u00e9cessit\u00e9 d’indexer un nombre fini d’essais d\u00e9termin\u00e9s. Formellement, la variable al\u00e9atoire discr\u00e8te $X$<\/span>, d\u00e9signant le nombre total de r\u00e9alisations de l’\u00e9v\u00e9nement dans le continuum d’observation, prend ses valeurs dans l’ensemble infini d\u00e9nombrable des entiers naturels. La fonction de masse univari\u00e9e s’\u00e9nonce selon l’expression math\u00e9matique exacte :<\/p>\n $$P(X = k) = \\frac{\\lambda^k e^{-\\lambda}}{k!}, \\quad \\text{pour } k in \\mathbb{N} = {0, 1, 2, 3, dots}$$<\/span><\/p>\n Dans cette formulation canonique, la constante de N\u00e9per $e$<\/span> constitue la base de l’exponentielle naturelle, tandis que le d\u00e9nominateur factoriel $k!$<\/span> assure la d\u00e9croissance ultra-rapide des probabilit\u00e9s \u00e0 mesure que l’ordre de grandeur de $k$<\/span> surpasse l’intensit\u00e9 moyenne. La d\u00e9rivation des moments d’ordre sup\u00e9rieur \u00e0 partir de la fonction g\u00e9n\u00e9ratrice des moments $M_X(t) = \\exp(\\lambda(e^t – 1))$<\/span> met en lumi\u00e8re la propri\u00e9t\u00e9 structurelle d’\u00e9quidispersion math\u00e9matique : l’esp\u00e9rance math\u00e9matique de la variable est rigoureusement identique \u00e0 sa variance variance, v\u00e9rifiant sans ambigu\u00eft\u00e9 l’\u00e9galit\u00e9 $\\mathbb{E}[X] = \\text{Var}(X) = \\lambda$<\/span>. Cette \u00e9galit\u00e9 th\u00e9orique constitue \u00e0 la fois la puissance parcimonieuse du mod\u00e8le et son talon d’Achille op\u00e9rationnel d\u00e8s lors que les donn\u00e9es empiriques s’\u00e9cartent des postulats sous-jacents.<\/p>\n D’un point de vue \u00e9pist\u00e9mologique, la distribution de Poisson n’est pas une simple distribution marginale statique isol\u00e9e du reste du calcul des probabilit\u00e9s ; elle repr\u00e9sente la distribution de dimension finie fondamentale r\u00e9gissant les processus ponctuels stochastiques<\/a> en temps continu. Un processus ponctuel se d\u00e9finit comme une collection de points al\u00e9atoires distribu\u00e9s le long d’un support mesurable, g\u00e9n\u00e9ralement la droite r\u00e9elle temporelle $[0, \\infty[$<\/span> ou un espace m\u00e9trique spatial euclidien $\\mathbb{R}^d$<\/span>. Notons $N(t)$<\/span> le processus de comptage repr\u00e9sentant le nombre cumul\u00e9 d’\u00e9v\u00e9nements observ\u00e9s depuis l’instant initial $t_0 = 0$<\/span> jusqu’au temps $t$<\/span>. Le passage d’un enregistrement continu des instants de transition ${t_1, t_2, dots, t_k}$<\/span> \u00e0 une mesure d’occurrences discr\u00e8tes $N(t) = k$<\/span> op\u00e8re une r\u00e9duction dimensionnelle drastique des trajectoires stochastiques.<\/p>\n Cette transition conceptuelle requiert une th\u00e9orisation m\u00e9ticuleuse de la mesure du temps et des espaces sous-jacents. Si le ph\u00e9nom\u00e8ne sous-jacent est intrins\u00e8quement continu \u2014 un individu peut initier une action ou manifester un sympt\u00f4me \u00e0 n’importe quelle fraction infinit\u00e9simale de seconde \u2014, la mesure observ\u00e9e par le scientifique est agr\u00e9g\u00e9e sous la forme d’un entier cardinal. La distribution de Poisson sert de passerelle math\u00e9matique entre cette continuit\u00e9 du flux temporel ph\u00e9nom\u00e9nologique et la discr\u00e9tude des observations empiriques quantifiables. Formaliser les postulats de Poisson \u00e9quivaut d\u00e8s lors \u00e0 d\u00e9finir les conditions de r\u00e9gularit\u00e9 sous lesquelles un flux temporel arbitraire peut \u00eatre compress\u00e9 en un comptage d’occurrences sans perte de consistance asymptotique pour l’inf\u00e9rence statistique.<\/p>\n En garantissant la coh\u00e9rence probabiliste entre le niveau microscopique (la trajectoire infinit\u00e9simale d’apparition des points) et le niveau macroscopique (le total d’\u00e9v\u00e9nements d\u00e9nombr\u00e9s), les hypoth\u00e8ses de Poisson d\u00e9limitent la fronti\u00e8re entre le pur al\u00e9a homog\u00e8ne sans m\u00e9moire et les dynamiques stochastiques d\u00e9pendantes du contexte. Faillir \u00e0 identifier la non-conformit\u00e9 d’un processus ponctuel r\u00e9el avec le cadre poissonnien expose l’analyste \u00e0 des distorsions d’estimation dramatiques, notamment lors du calcul des probabilit\u00e9s de d\u00e9passement de seuils critiques dans les mod\u00e8les d’alerte, de survie ou de cin\u00e9tique d\u00e9cisionnelle.<\/p>\n L’importation de la th\u00e9orie des processus de Poisson dans les sciences du comportement et la psychologie quantitative r\u00e9pond \u00e0 une n\u00e9cessit\u00e9 empirique imp\u00e9rieuse. Les paradigmes exp\u00e9rimentaux modernes g\u00e9n\u00e8rent d’immenses volumes de donn\u00e9es discr\u00e8tes refl\u00e9tant l’architecture sous-jacente des processus cognitifs, affectifs et moteurs. Dans les t\u00e2ches de temps de r\u00e9action avec choix ou de vigilance continue, le d\u00e9nombrement des erreurs d’omission ou des fausses alarmes sur un intervalle fix\u00e9 constitue l’indicateur privil\u00e9gi\u00e9 de la d\u00e9gradation attentionnelle. De m\u00eame, en psychopathologie cognitive et d\u00e9veloppementale, la fr\u00e9quence d’apparition d’actes d’auto-agression, d’\u00e9cholalies chez les sujets pr\u00e9sentant un trouble du spectre de l’autisme, ou d’\u00e9pisodes de rumination rapport\u00e9s via la m\u00e9thode de l’\u00e9valuation \u00e9cologique momentan\u00e9e (ESM, pour Ecological Momentary Assessment<\/em>) g\u00e9n\u00e8re des distributions typiquement asym\u00e9triques et discr\u00e8tes.<\/p>\n Traditionnellement, les chercheurs en sciences humaines appliquaient des mod\u00e8les de r\u00e9gression lin\u00e9aire gaussienne \u00e0 ces variables de comptage, commettant l’erreur m\u00e9thodologique de supposer la normalit\u00e9 et l’homosc\u00e9dasticit\u00e9 des r\u00e9sidus sur des donn\u00e9es tronqu\u00e9es \u00e0 z\u00e9ro et structurellement h\u00e9t\u00e9rosc\u00e9dastiques. L’adoption des mod\u00e8les lin\u00e9aires g\u00e9n\u00e9ralis\u00e9s (GLM) avec lien logarithmique fond\u00e9s sur la distribution de Poisson a constitu\u00e9 un progr\u00e8s m\u00e9thodologique d\u00e9cisif pour ces disciplines. Cependant, les syst\u00e8mes psychologiques se distinguent par des dynamiques d’auto-r\u00e9gulation, de m\u00e9morisation, de fatigue et de r\u00e9activit\u00e9 contextuelle qui remettent directement en cause la validit\u00e9 des axiomes statistiques \u00e9l\u00e9mentaires.<\/p>\n La sensibilit\u00e9 des d\u00e9ductions psychom\u00e9triques au respect des postulats probabilistes est d’une s\u00e9v\u00e9rit\u00e9 critique. Si une \u00e9tude tente d’\u00e9tablir l’efficacit\u00e9 diff\u00e9rentielle d’une psychoth\u00e9rapie sur la fr\u00e9quence hebdomadaire de crises de panique en s’appuyant sur un mod\u00e8le de Poisson conventionnel, la pr\u00e9sence de surdispersion comportementale induite par l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des traits de personnalit\u00e9 ou par des r\u00e9actions en cha\u00eene au sein des \u00e9pisodes anxieux conduira m\u00e9caniquement \u00e0 une sous-estimation syst\u00e9matique des erreurs-types des coefficients de r\u00e9gression. Il en r\u00e9sultera une inflation massive du risque d’erreur de premi\u00e8re esp\u00e8ce (l’erreur de type I), conduisant les praticiens \u00e0 d\u00e9clarer abusivement statistiquement significatives des interventions cliniques d\u00e9pourvues d’effet th\u00e9rapeutique substantiel.<\/p>\n Pour qu’une variable al\u00e9atoire de comptage $Y$<\/span> puisse \u00eatre formalis\u00e9e de mani\u00e8re inf\u00e9rentiellement valide par la distribution de Poisson univari\u00e9e de param\u00e8tre $lambda$<\/span>, le processus g\u00e9n\u00e9rateur de donn\u00e9es sous-jacent doit se plier \u00e0 un quadruple carcan math\u00e9matique. Ces quatre conditions de r\u00e9gularit\u00e9, loin de constituer des d\u00e9tails techniques secondaires, forment l’armature logique indispensable pour d\u00e9river la fonction de masse \u00e0 partir des \u00e9quations diff\u00e9rentielles de Kolmogorov. La structure axiomatique s’articule comme suit :<\/p>\n Ces quatre postulats ne forment pas des compartiments herm\u00e9tiques ind\u00e9pendants ; ils constituent les facettes corr\u00e9latives d’une g\u00e9om\u00e9trie probabiliste d’une rigidit\u00e9 extr\u00eame. La conjonction de l’ind\u00e9pendance statistique (Hypoth\u00e8se 2) et de la stationnarit\u00e9 temporelle (Hypoth\u00e8se 3) engendre in\u00e9vitablement une cons\u00e9quence analytique directe : la distribution des dur\u00e9es inter-\u00e9v\u00e9nements \u2014 c’est-\u00e0-dire les temps d’attente s\u00e9parant deux r\u00e9alisations successives du ph\u00e9nom\u00e8ne \u2014 suit obligatoirement une distribution exponentielle continue de densit\u00e9 $f(t) = \\lambda e^{-\\lambda t}$<\/span>. D\u00e8s lors qu’un syst\u00e8me psychologique ou biologique viole la stationnarit\u00e9 par des fluctuations de vigilance, la distribution des temps inter-\u00e9v\u00e9nements cesse d’\u00eatre exponentielle, ce qui entra\u00eene la d\u00e9naturation simultan\u00e9e de l’ind\u00e9pendance s\u00e9rielle conditionnelle.<\/p>\n De fa\u00e7on similaire, l’hypoth\u00e8se de non-simultan\u00e9it\u00e9 (Hypoth\u00e8se 4) est intimement articul\u00e9e \u00e0 la d\u00e9rivation infinit\u00e9simale de la d\u00e9nombrabilit\u00e9 (Hypoth\u00e8se 1). C’est pr\u00e9cis\u00e9ment parce que les \u00e9v\u00e9nements ne peuvent pas s’agr\u00e9ger de mani\u00e8re ponctuelle et infiniment dense au m\u00eame instant que l’int\u00e9grale stochastique du processus de comptage sur un intervalle born\u00e9 converge avec une probabilit\u00e9 \u00e9gale \u00e0 1 vers un nombre fini d\u00e9nombrable. Si des \u00e9v\u00e9nements se produisent simultan\u00e9ment par paquets \u2014 comme lors de crises \u00e9motionnelles aigu\u00ebs accompagn\u00e9es de d\u00e9charges physiologiques multiples \u2014, le processus n’est plus poissonnien au sens strict mais rel\u00e8ve d’un processus de Poisson compos\u00e9 ou d’une distribution binomiale n\u00e9gative g\u00e9n\u00e9ralis\u00e9e.<\/p>\n L’invalidation d’un seul de ces postulats entra\u00eene une r\u00e9action en cha\u00eene d\u00e9stabilisant l’ensemble de l’\u00e9difice math\u00e9matique. En particulier, la rupture conjointe de l’ind\u00e9pendance et de l’homog\u00e9n\u00e9it\u00e9 est le m\u00e9canisme pr\u00e9pond\u00e9rant \u00e0 l’origine de la surdispersion empirique, ph\u00e9nom\u00e8ne pathologique o\u00f9 la variance observ\u00e9e exc\u00e8de substantiellement la moyenne de l’\u00e9chantillon. Cette interd\u00e9pendance th\u00e9orique exige que le diagnostic appliqu\u00e9 d’un jeu de donn\u00e9es de comptage n’examine jamais une hypoth\u00e8se de mani\u00e8re isol\u00e9e sans \u00e9valuer ses r\u00e9percussions crois\u00e9es sur les autres piliers du mod\u00e8le.<\/p>\n L’hypoth\u00e8se premi\u00e8re r\u00e9gissant l’application de la distribution de Poisson r\u00e9side dans la nature intrins\u00e8quement ensembliste de la variable d\u00e9pendante observ\u00e9e. La distribution de Poisson est construite sur un espace de probabilit\u00e9 $(\\Omega, \\mathcal{F}, P)$<\/span> dont la variable al\u00e9atoire $Y: \\Omega to \\mathbb{N}$<\/span> applique les \u00e9v\u00e9nements \u00e9l\u00e9mentaires sur le sous-ensemble discret des entiers naturels. Cette caract\u00e9ristique impose que chaque observation $y_i$<\/span> recueillie aupr\u00e8s du sujet exp\u00e9rimental $i$<\/span> doive \u00eatre strictement \u00e9gale \u00e0 z\u00e9ro ou \u00e0 un entier positif : $y_i in {0, 1, 2, dots}$<\/span>. Toute quantification imposant des valeurs n\u00e9gatives, fractionnaires ou r\u00e9elles continues rel\u00e8ve d’une contradiction logique absolue avec les axiomes de Poisson.<\/p>\n Contrairement au mod\u00e8le de distribution binomiale classique, o\u00f9 le nombre de succ\u00e8s th\u00e9oriques est born\u00e9 sup\u00e9rieurement par le param\u00e8tre $n$<\/span> repr\u00e9sentant le total absolu des essais r\u00e9alis\u00e9s ($k le n$<\/span>), la distribution de Poisson pr\u00e9sente un support discret semi-infini. Il n’existe th\u00e9oriquement aucune borne sup\u00e9rieure fix\u00e9e a priori<\/em> : $\\sup(\\text{Support}(Y)) = \\infty$<\/span>. Bien que la probabilit\u00e9 d’observer des valeurs gigantesques d\u00e9croisse \u00e0 une vitesse supersonique en raison de l’\u00e9crasement factoriel impos\u00e9 par le d\u00e9nominateur $k!$<\/span>, le mod\u00e8le autorise n’importe quelle r\u00e9alisation enti\u00e8re arbitrairement grande. Si un protocole d’observation comporte un plafond artificiel d’occurrences impos\u00e9 par l’exp\u00e9rimentateur \u2014 par exemple en cessant l’\u00e9valuation apr\u00e8s exactement 10 occurrences \u2014, la distribution d’\u00e9chantillonnage s’en trouve tronqu\u00e9e \u00e0 droite, violant le support th\u00e9orique naturel du mod\u00e8le de Poisson.<\/p>\n Il est par cons\u00e9quent exclu de traiter des donn\u00e9es issues d’\u00e9chelles de cotation analogiques visuelles, de chronom\u00e9trages de dur\u00e9es continues, de pourcentages d’accomplissement ou d’indices psychom\u00e9triques normalis\u00e9s comme des variables de comptage poissonniennes directes. Une dur\u00e9e exprim\u00e9e en secondes n’est pas un d\u00e9nombrement, m\u00eame si le capteur de mesure l’arrondit \u00e0 la valeur enti\u00e8re la plus proche. L’arrondi d’une grandeur continue sous-jacente en valeurs enti\u00e8res ne conf\u00e8re pas \u00e0 cette grandeur les propri\u00e9t\u00e9s d’un processus de comptage ponctuel pur.<\/p>\n Une confusion r\u00e9currente parmi les analystes r\u00e9side dans la confusion ontologique entre le param\u00e8tre d’intensit\u00e9 $lambda$<\/span> et les r\u00e9alisations observ\u00e9es $y$<\/span>. Le param\u00e8tre $lambda$<\/span> est une entit\u00e9 math\u00e9matique strictement continue appartenant \u00e0 l’espace des r\u00e9els positifs non nuls : $\\lambda in \\mathbb{R}^+ = ]0, \\infty[$<\/span>. Il repr\u00e9sente un taux d’occurrence latent, c’est-\u00e0-dire l’esp\u00e9rance math\u00e9matique du nombre d’\u00e9v\u00e9nements par unit\u00e9 d’exposition. Rien n’interdit th\u00e9oriquement \u00e0 un participant d’afficher une intensit\u00e9 comportementale moyenne de $\\lambda = 0{,}372$<\/span> occurrences par heure. En revanche, les r\u00e9alisations empiriques manifestes, not\u00e9es $y_i$<\/span>, sont imp\u00e9rativement des nombres entiers purs : un individu \u00e9mettra exactement 0, 1, 2 ou 3 comportements durant ladite heure d’observation, mais jamais 0,372 comportement.<\/p>\n Dans le cadre de la mod\u00e9lisation statistique avanc\u00e9e par r\u00e9gression de Poisson, formalis\u00e9e dans le paradigme des mod\u00e8les lin\u00e9aires g\u00e9n\u00e9ralis\u00e9s (GLM) document\u00e9 par McCullagh et Nelder<\/a>, cette distinction cardinale est op\u00e9rationnalis\u00e9e par une fonction de lien. Le pr\u00e9dicteur lin\u00e9aire, constitu\u00e9 d’une combinaison lin\u00e9aire de variables explicatives continues ou cat\u00e9gorielles $\\eta_i = \\beta_0 + \\beta_1 x_{i1} + dots + \\beta_p x_{ip}$<\/span>, \u00e9volue sur la droite r\u00e9elle compl\u00e8te $]-\\infty, +\\infty[$<\/span>. Pour relier ce pr\u00e9dicteur continu non born\u00e9 \u00e0 l’intensit\u00e9 d’occurrence moyenne qui doit imp\u00e9rativement rester strictement positive, on utilise de mani\u00e8re canonique la fonction de lien logarithmique :<\/p>\n $$\\ln(\\lambda_i) = \\mathbf{x}_i^top boldsymbol{\\beta} iff \\lambda_i = \\exp(\\mathbf{x}_i^top boldsymbol{\\beta})$$<\/span><\/p>\n Le chercheur mod\u00e9lise par ce truchement l’intensit\u00e9 continue sous-jacente conditionnelle aux covariables, tout en assignant aux donn\u00e9es manifestes observ\u00e9es $y_i$<\/span> la distribution de probabilit\u00e9 discr\u00e8te appropri\u00e9e. Tenter d’ignorer cette dualit\u00e9 en appliquant des mod\u00e8les additifs lin\u00e9aires directs sans lien adapt\u00e9 expose l’inf\u00e9rence au risque r\u00e9dhibitoire de pr\u00e9dire des intensit\u00e9s n\u00e9gatives d’\u00e9v\u00e9nements, une absurdit\u00e9 th\u00e9orique d\u00e9nu\u00e9e de sens dans l’\u00e9tude des processus de comptage empiriques.<\/p>\n L’application rigoureuse du postulat de d\u00e9nombrabilit\u00e9 dans la recherche comportementale exige une op\u00e9rationnalisation clinique irr\u00e9prochable de l’\u00e9v\u00e9nement cible. Pour qu’une action humaine soit l\u00e9gitimement d\u00e9nombrable, elle doit satisfaire \u00e0 des fronti\u00e8res morphologiques, temporelles et fonctionnelles parfaitement d\u00e9limit\u00e9es. Dans l’observation d’un enfant manifestant un trouble d\u00e9ficit de l’attention avec ou sans hyperactivit\u00e9 (TDAH) au sein d’une salle de classe exp\u00e9rimentale, l’exp\u00e9rimentateur ne peut pas se contenter d’\u00e9valuer de mani\u00e8re diffuse l’\u00ab agitation motrice globale \u00bb. Il est contraint d’identifier des unit\u00e9s motrices atomiques individualisables : par exemple, le fait de \u00ab quitter physiquement son si\u00e8ge sans autorisation expresse de l’enseignant \u00bb.<\/p>\n Une telle unit\u00e9 comportementale dispose d’un d\u00e9but abrupt et d’une r\u00e9solution identifiable. \u00c0 chaque franchissement du crit\u00e8re op\u00e9rationnel, le compteur comportemental incr\u00e9mente exactement d’une unit\u00e9 scalaire. D’autres exemples prototypiques incluent le nombre de vocalises distinctes chez le nourrisson pr\u00e9-verbal, le d\u00e9nombrement des compulsions de v\u00e9rification chez un sujet souffrant de troubles obsessionnels compulsifs (TOC), ou le nombre de silences conversationnels d’une dur\u00e9e minimale sp\u00e9cifi\u00e9e (par exemple sup\u00e9rieure \u00e0 3 secondes) au cours d’un entretien th\u00e9rapeutique standardis\u00e9.<\/p>\n \u00c0 l’inverse, l’utilisation de la distribution de Poisson devient totalement ill\u00e9gitime lorsque le chercheur cherche \u00e0 mod\u00e9liser des construits psychologiques repr\u00e9sent\u00e9s par des scores composites issus de questionnaires auto-rapport\u00e9s. Un score sommateur obtenu sur une \u00e9chelle d’anxi\u00e9t\u00e9 de Likert en 20 items (allant de 0 \u00e0 80 points) n’est en aucun cas une variable de comptage poissonnienne. Bien que les r\u00e9ponses aux items soient chiffr\u00e9es avec des entiers discrets, ce score agr\u00e9g\u00e9 refl\u00e8te une mesure ordinale ou quasi-continue d’un trait latent, et non l’accumulation s\u00e9rielle d’\u00e9v\u00e9nements discrets autonomes g\u00e9n\u00e9r\u00e9s par un processus ponctuel en temps continu. Tenter de mod\u00e9liser un score psychom\u00e9trique continu ou ordinal par une r\u00e9gression de Poisson viole ouvertement la rationalit\u00e9 de l’hypoth\u00e8se de d\u00e9nombrabilit\u00e9.<\/p>\n Face \u00e0 la dissym\u00e9trie positive prononc\u00e9e caract\u00e9ristique des distributions de comptage \u2014 particuli\u00e8rement aigu\u00eb lorsque le param\u00e8tre d’intensit\u00e9 est faible ($lambda < 3$) \u2014, une pratique m\u00e9thodologique historiquement r\u00e9pandue a consist\u00e9 \u00e0 appliquer des transformations math\u00e9matiques univari\u00e9es aux donn\u00e9es brutes pour tenter de les rendre conformes aux hypoth\u00e8ses de la r\u00e9gression lin\u00e9aire ordinaire de type Gauss-Markov. Parmi ces manipulations, la transformation logarithmique a\\vec ajout d’une constante arbitraire, typiquement not\u00e9e$<\/span>tilde{y} = ln(y + c)$ avec $c in {0{,}5; 1}$<\/span>, et la transformation stabilisatrice de variance par la racine carr\u00e9e ou la transformation de Freeman-Tukey $\\sqrt{y} + \\sqrt{y+1}$<\/span>, ont \u00e9t\u00e9 massivement mobilis\u00e9es.<\/p>\n Or, des travaux statistiques majeurs, notamment les d\u00e9monstrations de O’Hara et Kotze (2010)<\/a>, ont rigoureusement prouv\u00e9 la nocivit\u00e9 inf\u00e9rentielle de ces transformations lin\u00e9aires appliqu\u00e9es \u00e0 des variables de comptage pures. En premier lieu, le choix de la constante arbitraire ajout\u00e9e alt\u00e8re substantiellement l’ampleur et parfois m\u00eame la direction des coefficients estim\u00e9s ainsi que leur niveau de signification statistique. Lorsque le jeu de donn\u00e9es comporte une abondance substantielle d’observations nulles ($y_i = 0$<\/span>), ce qui est monnaie courante dans l’\u00e9tude des \u00e9v\u00e9nements rares, la transformation $ln(y + 1)$<\/span> compresse artificiellement l’espace m\u00e9trique au voisinage de z\u00e9ro, induisant une distorsion persistante de la distribution r\u00e9siduelle qui demeure asym\u00e9trique et h\u00e9t\u00e9rosc\u00e9dastique.<\/p>\n De surcro\u00eet, la transformation de la variable r\u00e9ponse modifie fondamentalement l’hypoth\u00e8se biologique ou psychologique test\u00e9e : elle mod\u00e9lise l’esp\u00e9rance math\u00e9matique de la transformation logarithmique $\\mathbb{E}[\\ln(Y+1)]$<\/span>, laquelle diverge structurellement du logarithme de l’esp\u00e9rance math\u00e9matique $\\ln(\\mathbb{E}[Y])$<\/span> vis\u00e9 par les mod\u00e8les lin\u00e9aires g\u00e9n\u00e9ralis\u00e9s. Les coefficients obtenus ne peuvent plus \u00eatre r\u00e9-exponenti\u00e9s simplement sous la forme de ratios de taux d’incidence (IRR, pour Incidence Rate Ratios<\/em>) sans introduire un biais de r\u00e9transformation syst\u00e9matique document\u00e9 par l’in\u00e9galit\u00e9 de Jensen. L’utilisation native du mod\u00e8le de Poisson r\u00e9sout ces \u00e9cueils en assignant explicitement la fonction de vraisemblance discr\u00e8te ad\u00e9quate sans alt\u00e9rer l’\u00e9chelle originelle des observations.<\/p>\n L’acte de d\u00e9nombrer ne poss\u00e8de une validit\u00e9 scientifique que s’il est rigoureusement ancr\u00e9 dans un domaine d’observation d\u00e9limit\u00e9, fr\u00e9quemment d\u00e9sign\u00e9 sous le vocable d’espace d’exposition. Que ce domaine soit une unit\u00e9 de temps (par exemple, 45 minutes de test neuropsychologique), une surface g\u00e9ographique (la superficie d’un quartier pour d\u00e9nombrer des comportements antisociaux) ou un volume d’espace physique, la comparabilit\u00e9 des valeurs discr\u00e8tes enregistr\u00e9es chez diff\u00e9rents individus requiert une standardisation stricte de l’exposition.<\/p>\n Dans les contextes de recherche naturalistes ou cliniques, il est fr\u00e9quemment impossible de maintenir une dur\u00e9e d’observation strictement identique pour l’ensemble des participants. Un patient peut faire l’objet d’un suivi vid\u00e9o continu pendant 12 heures, tandis qu’un autre n’est enregistr\u00e9 que pendant 7 heures cons\u00e9cutives en raison d’une sortie pr\u00e9coce du protocole. Face \u00e0 cette h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 d’exposition, assimiler directement les comptages bruts sans correction statistique constituerait une faute m\u00e9thodologique majeure : le second patient verrait son intensit\u00e9 comportementale sous-\u00e9valu\u00e9e simplement en raison de la bri\u00e8vet\u00e9 relative de sa fen\u00eatre d’\u00e9chantillonnage.<\/p>\n Le cadre statistique de la r\u00e9gression de Poisson r\u00e9sout avec une rigueur absolue ce d\u00e9fi op\u00e9rationnel par l’incorporation d’une variable de d\u00e9calage, universellement d\u00e9sign\u00e9e sous le terme anglophone d’offset<\/em>. Consid\u00e9rons une variable $t_i$<\/span> repr\u00e9sentant la dur\u00e9e d’exposition sp\u00e9cifique du sujet $i$<\/span>. Si l’on postule que le taux d’intensit\u00e9 instantan\u00e9 par unit\u00e9 de temps est gouvern\u00e9 par $\\lambda_i = \\exp(\\mathbf{x}_i^top boldsymbol{\\beta})$<\/span>, le nombre total d’\u00e9v\u00e9nements attendus sur la dur\u00e9e $t_i$<\/span> devient math\u00e9matiquement $\\mu_i = t_i \\lambda_i = t_i \\exp(\\mathbf{x}_i^top boldsymbol{\\beta})$<\/span>. En passant au logarithme naturel, l’\u00e9quation structurelle du mod\u00e8le prend la forme \u00e9l\u00e9gante :<\/p>\n $$\\ln(\\mu_i) = \\ln(t_i) + \\mathbf{x}_i^top boldsymbol{\\beta}$$<\/span><\/p>\n Le terme $\\ln(t_i)$<\/span> est introduit dans le pr\u00e9dicteur lin\u00e9aire comme une covariable dont le coefficient de r\u00e9gression est fix\u00e9 a priori<\/em> et contraint \u00e0 valoir exactement $1$. Cette formulation math\u00e9matique permet de pr\u00e9server rigoureusement l’int\u00e9grit\u00e9 de la mod\u00e9lisation probabiliste du comptage discret au niveau de la variable d\u00e9pendante $Y_i$<\/span>, tout en restituant des estimations param\u00e9triques exprim\u00e9es sous forme de taux d’occurrence par unit\u00e9 temporelle universellement standardis\u00e9e.<\/p>\n L’hypoth\u00e8se d’ind\u00e9pendance statistique constitue l’armature probabiliste centrale qui assure la s\u00e9parabilit\u00e9 temporelle du processus de comptage. Dans la th\u00e9orie axiomatique des processus stochastiques formalis\u00e9e par Doob<\/a>, un processus de comptage ${N(t), t ge 0}$<\/span> est qualifi\u00e9 de processus \u00e0 accroissements ind\u00e9pendants si, pour toute s\u00e9quence chronologique strictement croissante d’instants $0 le t_0 < t_1 < t_2 < dots < t_k$, les variables al\u00e9atoires correspondant aux nombres d'\u00e9v\u00e9nements observ\u00e9s sur les intervalles disjoints cons\u00e9cutifs :<\/p>\n $$\\Delta N_1 = N(t_1) – N(t_0), \\quad \\Delta N_2 = N(t_2) – N(t_1), \\quad dots, \\quad \\Delta N_k = N(t_k) – N(t_{k-1})$$<\/span><\/p>\n forment une famille de variables al\u00e9atoires mutuellement ind\u00e9pendantes au sens probabiliste strict. Cette condition d’ind\u00e9pendance mutuelle s’exprime par le fait que la loi de probabilit\u00e9 conjointe se factorise exactement en le produit des lois marginales de chaque sous-intervalle :<\/p>\n $$\\mathbb{P}\\left(\\big\\cap_{j=1}^k {\\Delta N_j = n_j}\\right) = \\prod_{j=1}^k \\mathbb{P}(\\Delta N_j = n_j)$$<\/span><\/p>\n Cette formulation interdit toute forme d’influence statistique r\u00e9trospective ou prospective entre les \u00e9v\u00e9nements. La distribution de probabilit\u00e9 du nombre de r\u00e9alisations attendues dans le segment temporel futur $[t, t + \\Delta t[$<\/span> est rigoureusement invariable, quel que soit l’historique complet des \u00e9v\u00e9nements survenus depuis l’origine jusqu’\u00e0 l’instant pr\u00e9sent $t$<\/span>. Le processus ne conserve aucune m\u00e9moire de ses \u00e9tats ant\u00e9rieurs. C’est l’essence m\u00eame de la propri\u00e9t\u00e9 markovienne sous-jacente au processus ponctuel de Poisson, postulant que l’avenir stochastique du syst\u00e8me d\u00e9pend exclusivement de son intensit\u00e9 instantan\u00e9e pr\u00e9sente, et nullement de son pass\u00e9.<\/p>\n L’une des manifestations analytiques les plus splendides de l’ind\u00e9pendance s\u00e9rielle concerne la d\u00e9rivation de la distribution continue r\u00e9gissant les dur\u00e9es s\u00e9parant les \u00e9v\u00e9nements cons\u00e9cutifs. Soit $T$<\/span> la variable al\u00e9atoire continue mesurant le temps d’attente jusqu’\u00e0 l’apparition du tout premier \u00e9v\u00e9nement \u00e0 partir d’une origine temporelle arbitraire $t = 0$<\/span>. L’\u00e9v\u00e9nement ${T > t}$<\/span> est rigoureusement \u00e9quivalent \u00e0 l’observation d’aucun \u00e9v\u00e9nement sur l’intervalle $[0, t]$<\/span>, c’est-\u00e0-dire ${N(t) = 0}$<\/span>. En appliquant directement la fonction de masse de Poisson pour $k=0$<\/span> avec un param\u00e8tre d’exposition proportionnel au temps $lambda t$<\/span>, on d\u00e9rive sans artifice la fonction de survie fondamentale :<\/p>\n $$S(t) = \\mathbb{P}(T > t) = \\mathbb{P}(N(t) = 0) = \\frac{(\\lambda t)^0 e^{-\\lambda t}}{0!} = e^{-\\lambda t}$$<\/span><\/p>\n La fonction de r\u00e9partition cumulative $F(t) = 1 – S(t) = 1 – e^{-\\lambda t}$<\/span> correspond par d\u00e9finition stricte \u00e0 la distribution exponentielle de param\u00e8tre $lambda$<\/span>. La d\u00e9riv\u00e9e de cette fonction fournit la fonction de densit\u00e9 de probabilit\u00e9 $f(t) = \\lambda e^{-\\lambda t}$<\/span>. Or, la distribution exponentielle est la seule et unique loi de probabilit\u00e9 continue continue sur le support r\u00e9el positif \u00e0 poss\u00e9der la propri\u00e9t\u00e9 formelle d’absence de m\u00e9moire (ou propri\u00e9t\u00e9 d’amn\u00e9sie stochastique), caract\u00e9ris\u00e9e par l’identit\u00e9 math\u00e9matique :<\/p>\n $$\\mathbb{P}(T > s + t mid T > s) = \\mathbb{P}(T > t), \\quad \\forall s, t ge 0$$<\/span><\/p>\n Dans un processus satisfaisant l’ind\u00e9pendance poissonnienne, le fait d’avoir attendu pendant une dur\u00e9e substantielle $s$<\/span> sans qu’aucun \u00e9v\u00e9nement ne se produise n’alt\u00e8re en rien la probabilit\u00e9 que l’\u00e9v\u00e9nement survienne dans l’instant imm\u00e9diatement post\u00e9rieur. Le syst\u00e8me ne subit aucun vieillissement pr\u00e9matur\u00e9 ni aucune maturation progressive. Si des donn\u00e9es empiriques de temps d’attente entre actes cons\u00e9cutifs r\u00e9v\u00e8lent une forme d’usure, de dynamique r\u00e9fractaire ou d’accumulation de tension interne, l’hypoth\u00e8se de perte de m\u00e9moire est transgress\u00e9e, ce qui invalide par d\u00e9duction directe l’ind\u00e9pendance de Poisson.<\/p>\n Lorsque le statisticien tente d’appliquer le cadre de Poisson au comportement humain, l’hypoth\u00e8se d’ind\u00e9pendance s\u00e9rielle se heurte violemment \u00e0 l’essence m\u00eame du fonctionnement neurobiologique et cognitif. L’apprentissage, l’habituation, la plasticit\u00e9 c\u00e9r\u00e9brale et l’\u00e9puisement physiologique constituent des processus \u00e9minemment historiques o\u00f9 chaque \u00e9v\u00e9nement modifie irr\u00e9vocablement l’\u00e9tat latent du sujet, cr\u00e9ant des structures d’interd\u00e9pendance temporelle sophistiqu\u00e9es.<\/p>\n Consid\u00e9rons l’\u00e9tude des erreurs commises par un op\u00e9rateur humain dans une t\u00e2che de surveillance radar hautement monotone. D\u00e8s lors qu’une omission ou une fausse alerte se produit, l’op\u00e9rateur peut subir un sursaut de r\u00e9activit\u00e9 attentionnelle corrective d\u00e9clench\u00e9 par un m\u00e9canisme neurocognitif d’\u00e9valuation de la performance (m\u00e9di\u00e9 par le cortex cingulaire ant\u00e9rieur). Cet ajustement cons\u00e9cutif \u00e0 l’erreur va temporairement an\u00e9antir la probabilit\u00e9 de commettre une seconde erreur dans les minutes suivantes, cr\u00e9ant une auto-inhibition s\u00e9rielle. Inversement, si l’erreur plonge le sujet dans un \u00e9tat de d\u00e9r\u00e9gulation \u00e9motionnelle ou de panique cognitive, la survenue d’un premier dysfonctionnement va drastiquement d\u00e9cupler la vuln\u00e9rabilit\u00e9 imm\u00e9diate \u00e0 commettre des b\u00e9vues subs\u00e9quentes en cascade, g\u00e9n\u00e9rant une contagion temporelle d’occurrences.<\/p>\n Dans les dynamiques de groupe ou l’\u00e9valuation clinique des conduites addictives, ces violations de l’ind\u00e9pendance sont encore plus frappantes. La consommation d’une premi\u00e8re dose de substance psychoactive ne laisse pas le sujet dans un \u00e9tat identique : elle modifie l’app\u00e9tence neurochimique et amplifie le craving imm\u00e9diat, favorisant l’agr\u00e9gation dense des r\u00e9cidives au sein d’\u00e9pisodes de \u00ab binge \u00bb. Ignorer ces r\u00e9troactions temporelles en postulant l’ind\u00e9pendance de Poisson d\u00e9forme profond\u00e9ment la compr\u00e9hension de la trajectoire comportementale du patient en dissimulant les m\u00e9canismes d’auto-acc\u00e9l\u00e9ration pathologique.<\/p>\n Face au risque de rupture de l’ind\u00e9pendance des occurrences, le chercheur doit d\u00e9ployer un ensemble de protocoles diagnostiques rigoureux appliqu\u00e9s \u00e0 la dimension s\u00e9quentielle des s\u00e9ries de comptage. Le premier outil d’investigation consiste en l’analyse syst\u00e9matique de la fonction d’autocorr\u00e9lation (ACF, pour Autocorrelation Function<\/em>) et de la fonction d’autocorr\u00e9lation partielle (PACF) des r\u00e9sidus du mod\u00e8le de comptage. Si les occurrences sont statistiquement ind\u00e9pendantes au cours du d\u00e9roulement temporel, les corr\u00e9lations d’ordre $k$<\/span> entre les r\u00e9sidus standardis\u00e9s $\\hat{e}_t$<\/span> et $\\hat{e}_{t-k}$<\/span> doivent se situer strictement \u00e0 l’int\u00e9rieur de l’intervalle de confiance asymptotique de Bartlett d\u00e9fini par $\\pm 1{,}96 \/ \\sqrt{N}$<\/span> pour un niveau de signification bilat\u00e9ral $\\alpha = 0{,}05$<\/span>.<\/p>\n Pour d\u00e9passer l’inspection graphique, des tests formels d’absence de m\u00e9moire s\u00e9rielle peuvent \u00eatre mobilis\u00e9s. Le test des suites de Wald-Wolfowitz (runs test<\/em>) permet d’analyser si l’alternance s\u00e9quentielle d’intervalles avec et sans \u00e9v\u00e9nements s’\u00e9carte significativement d’un agencement al\u00e9atoire pur. Dans le domaine spatial, lorsque le d\u00e9nombrement s’op\u00e8re au sein d’unit\u00e9s territoriales ou de zones anatomiques c\u00e9r\u00e9brales d\u00e9limit\u00e9es, l’ind\u00e9pendance des r\u00e9alisations est \u00e9valu\u00e9e par l’indice structurel de Moran (Moran’s I<\/a>) :<\/p>\n $$I = \\frac{N}{\\sum_{i=1}^N \\sum_{j=1}^N w_{ij}} \\frac{\\sum_{i=1}^N \\sum_{j=1}^N w_{ij} (y_i – \\bar{y})(y_j – \\bar{y})}{\\sum_{i=1}^N (y_i – \\bar{y})^2}$$<\/span><\/p>\n o\u00f9 $w_{ij}$<\/span> d\u00e9signe les coefficients d’une matrice de pond\u00e9ration spatiale standardis\u00e9e mod\u00e9lisant la contigu\u00eft\u00e9 ou la distance physique entre les entit\u00e9s d’observation $i$<\/span> et $j$<\/span>. Un rejet statistiquement significatif de l’hypoth\u00e8se nulle d’autonomie spatiale ($I = 0$<\/span>) d\u00e9montre l’existence d’une d\u00e9pendance de proximit\u00e9, traduisant le fait que l’intensit\u00e9 des occurrences observ\u00e9e en un point g\u00e9ographique contamine directement les comptages relev\u00e9s dans les territoires adjacents.<\/p>\n Lorsque le diagnostic confirme l’invalidation irr\u00e9versible de l’ind\u00e9pendance des occurrences, le chercheur doit renoncer au cadre de Poisson standard au profit de mod\u00e8les stochastiques d’ordre sup\u00e9rieur express\u00e9ment con\u00e7us pour formaliser la m\u00e9moire temporelle et l’auto-excitation. Parmi ces architectures, les processus de Hawkes<\/a> repr\u00e9sentent l’une des avanc\u00e9es m\u00e9thodologiques les plus puissantes pour mod\u00e9liser les dynamiques de contagion et de r\u00e9verb\u00e9ration \u00e9v\u00e9nementielle. Dans un processus de Hawkes univari\u00e9, la fonction d’intensit\u00e9 conditionnelle $\\lambda(t mid \\mathcal{H}_t)$<\/span> \u00e0 l’instant pr\u00e9sent d\u00e9pend explicitement de l’historique de tous les \u00e9v\u00e9nements ant\u00e9rieurs survenus aux instants $t_i < t$ :<\/p>\n $$\\lambda(t mid \\mathcal{H}_t) = \\mu_0 + \\sum_{t_i < t} \\kappa(t - t_i)$$<\/span><\/p>\n Le terme $\\mu_0$<\/span> d\u00e9signe l’intensit\u00e9 de base autonome non d\u00e9pendante de l’historique (le bruit de fond exog\u00e8ne), tandis que $kappa(s)$<\/span> constitue un noyau de m\u00e9moire temporelle, traditionnellement formalis\u00e9 sous forme exponentielle d\u00e9croissante $\\kappa(s) = \\alpha e^{-\\beta s}$<\/span> avec $\\beta > \\alpha > 0$<\/span>. Chaque occurrence nouvelle provoque ainsi une \u00e9l\u00e9vation brutale et instantan\u00e9e de l’intensit\u00e9 d’apparition d’\u00e9v\u00e9nements subs\u00e9quents, amplifiant momentan\u00e9ment la probabilit\u00e9 de nouvelles r\u00e9alisations avant de s’estomper progressivement au fil de la relaxation temporelle.<\/p>\n Lorsque les donn\u00e9es de comptage sont recueillies \u00e0 intervalles de temps discrets et r\u00e9guliers sous la forme d’un suivi longitudinal r\u00e9p\u00e9t\u00e9, l’alternative canonique rel\u00e8ve des mod\u00e8les entiers autor\u00e9gressifs (mod\u00e8les INAR, pour Integer-valued AutoRegressive models<\/em>) introduits par Al-Osh et McKenzie. Le mod\u00e8le INAR d’ordre 1 (INAR(1)) pr\u00e9serve rigoureusement la nature discr\u00e8te de la variable par l’op\u00e9rateur d’amincissement binomial (binomial thinning operator<\/em>) de Steutel et van Harn :<\/p>\n $$Y_t = \\alpha circ Y_{t-1} + \\varepsilon_t = \\sum_{k=1}^{Y_{t-1}} B_{k,t} + \\varepsilon_t$$<\/span><\/p>\n o\u00f9 les $B_{k,t}$<\/span> sont des variables de Bernoulli ind\u00e9pendantes de param\u00e8tre de survie $\\alpha in [0, 1[$<\/span>, et $\\varepsilon_t$<\/span> est une innovation poissonnienne autonome ind\u00e9pendante. Cette structure assure la capture formelle de l’autocorr\u00e9lation temporelle sans jamais recourir \u00e0 des transformations continues inappropri\u00e9es.<\/p>\n Le troisi\u00e8me pilier axiomatique de la distribution de Poisson univari\u00e9e impose la constance rigoureuse et l’invariance temporelle du param\u00e8tre d’intensit\u00e9 moyenne \u00e0 travers l’ensemble de la fen\u00eatre d’observation consid\u00e9r\u00e9e. Dans un processus ponctuel de Poisson homog\u00e8ne, le taux instantan\u00e9 d’occurrence ne d\u00e9pend d’aucune variable temporelle interne : $\\lambda(t) \\equiv \\lambda = \\text{constante}, \\forall t ge 0$<\/span>. L’intensit\u00e9 ne subit aucune d\u00e9rive d\u00e9terministe, aucune inflexion cyclique, ni aucune variation stochastique au cours de la collecte des donn\u00e9es.<\/p>\n Cette condition d’homog\u00e9n\u00e9it\u00e9 temporelle entra\u00eene une propri\u00e9t\u00e9 analytique directe : la probabilit\u00e9 qu’un \u00e9v\u00e9nement survienne dans un intervalle infinit\u00e9simal de longueur $\\Delta t$<\/span> d\u00e9pend strictement et exclusivement de la longueur de cet intervalle temporel, et aucunement de sa localisation absolue sur l’axe du temps chronologique. Math\u00e9matiquement, pour deux intervalles temporels disjoints quelconques $I_1 = [t_1, t_1 + h]$<\/span> et $I_2 = [t_2, t_2 + h]$<\/span> poss\u00e9dant exactement la m\u00eame dur\u00e9e $h > 0$<\/span>, l’esp\u00e9rance math\u00e9matique du nombre d’\u00e9v\u00e9nements est rigoureusement identique :<\/p>\n $$\\mathbb{E}[N(t_1 + h) – N(t_1)] = \\mathbb{E}[N(t_2 + h) – N(t_2)] = \\lambda h$$<\/span><\/p>\n Il en d\u00e9coule une relation de proportionnalit\u00e9 stricte et lin\u00e9aire entre la dur\u00e9e d’enregistrement et le volume attendu d’occurrences. Doubler la dur\u00e9e de l’observation doit math\u00e9matiquement doubler l’esp\u00e9rance du comptage total d’\u00e9v\u00e9nements. D\u00e8s lors que cette lin\u00e9arit\u00e9 s’infl\u00e9chit sous l’effet de modulations intrins\u00e8ques ou extrins\u00e8ques du taux moyen d’occurrence au fil du temps, le processus bascule dans la cat\u00e9gorie des processus de Poisson non homog\u00e8nes (NHPP, pour Non-Homogeneous Poisson Processes<\/em>), brisant la validit\u00e9 inf\u00e9rentielle de la loi de Poisson univari\u00e9e standard.<\/p>\n L’observation empirique des dynamiques biologiques, \u00e9cologiques et sociales r\u00e9v\u00e8le que la stationnarit\u00e9 parfaite d’un processus constitue l’exception plut\u00f4t que la r\u00e8gle. La plupart des ph\u00e9nom\u00e8nes manifestent une sensibilit\u00e9 exacerb\u00e9e aux rythmes endog\u00e8nes et aux variations m\u00e9sologiques qui viennent perturber la constance du param\u00e8tre $lambda$<\/span>. Dans le champ de la psychiatrie et de la psychopharmacologie, les rythmes circadiens exercent une r\u00e9gulation puissante sur les comportements impulsifs ou autodestructeurs : le taux instantan\u00e9 d’admissions aux urgences psychiatriques pour d\u00e9compensations anxieuses ou gestes suicidaires fluctue drastiquement au cours d’un cycle de 24 heures, atteignant des pics paroxystiques en fin de soir\u00e9e et des creux marqu\u00e9s au petit matin.<\/p>\n Au niveau de l’\u00e9valuation neuropsychologique en laboratoire, les fluctuations attentionnelles constituent une source majeure de non-stationnarit\u00e9. Soumis \u00e0 une \u00e9preuve de d\u00e9tection de cibles cognitives d’une dur\u00e9e continue de 90 minutes, le sujet exp\u00e9rimentateur ne maintient pas une disposition cognitive immuable. L’\u00e9puisement progressif des r\u00e9serves d’attention ex\u00e9cutive induit une d\u00e9rive tendancielle ascendante du taux d’erreurs d’inattention au fil des blocs exp\u00e9rimentaux (effet de fatigue), tandis que, simultan\u00e9ment, l’apprentissage perceptif initial peut r\u00e9duire drastiquement le taux d’erreurs motrices durant les 15 premi\u00e8res minutes de familiarisation (effet d’entra\u00eenement).<\/p>\n De surcro\u00eet, les fluctuations micro-environnementales \u2014 une modification soudaine de l’\u00e9clairage en laboratoire, l’\u00e9l\u00e9vation du niveau sonore ambiant, ou la variation de la temp\u00e9rature corporelle \u2014 alt\u00e8rent instantan\u00e9ment la r\u00e9activit\u00e9 des sujets et modifient continuellement la valeur latente de l’intensit\u00e9 $lambda(t)$<\/span>. Pr\u00e9sumer qu’une heure d’observation continue d’un \u00eatre humain vivant correspond \u00e0 un taux $lambda$<\/span> constant rel\u00e8ve le plus souvent d’une simplification r\u00e9ductrice dont les cons\u00e9quences m\u00e9thodologiques peuvent profond\u00e9ment vicier l’\u00e9valuation des effets exp\u00e9rimentaux.<\/p>\n L’invalidation de l’hypoth\u00e8se d’homog\u00e9n\u00e9it\u00e9 temporelle n’impose pas n\u00e9cessairement de renoncer \u00e0 l’architecture globale des processus ponctuels, mais exige de g\u00e9n\u00e9raliser le mod\u00e8le standard vers la classe math\u00e9matique des processus de Poisson non homog\u00e8nes. Dans ce formalisme \u00e9l\u00e9gant, le param\u00e8tre constant $lambda$<\/span> est remplac\u00e9 par une fonction d\u00e9terministe d’intensit\u00e9 variable dans le temps, not\u00e9e $lambda(t) ge 0$<\/span>. L’esp\u00e9rance math\u00e9matique du nombre d’\u00e9v\u00e9nements observ\u00e9s sur l’intervalle $[t_a, t_b]$<\/span> n’est plus calcul\u00e9e par un simple produit scalaire, mais par l’int\u00e9grale de Lebesgue de la fonction d’intensit\u00e9 sur le domaine temporel :<\/p>\n $$\\Lambda(t_a, t_b) = \\int_{t_a}^{t_b} \\lambda(u) , du$$<\/span><\/p>\n La probabilit\u00e9 d’enregistrer exactement $k$<\/span> occurrences sur cet intervalle ob\u00e9it toujours \u00e0 une forme analytique apparent\u00e9e \u00e0 la loi de Poisson, mais gouvern\u00e9e par cette mesure d’intensit\u00e9 int\u00e9gr\u00e9e :<\/p>\n $$\\mathbb{P}(N(t_b) – N(t_a) = k) = \\frac{[\\Lambda(t_a, t_b)]^k e^{-\\Lambda(t_a, t_b)}}{k!}$$<\/span><\/p>\n Dans le cadre de la mod\u00e9lisation statistique appliqu\u00e9e, cette flexibilit\u00e9 est impl\u00e9ment\u00e9e par l’incorporation explicite de covariables temporelles au sein du pr\u00e9dicteur lin\u00e9aire des mod\u00e8les lin\u00e9aires g\u00e9n\u00e9ralis\u00e9s (GLM) ou des mod\u00e8les additifs g\u00e9n\u00e9ralis\u00e9s (GAM, pour Generalized Additive Models<\/em>) th\u00e9oris\u00e9s par Simon Wood<\/a>. On peut ainsi mod\u00e9liser des composantes cycliques par l’adjonction de s\u00e9ries de Fourier harmoniques :<\/p>\n1. Introduction th\u00e9orique \u00e0 la loi de Poisson et cadre probabiliste<\/h2>\n
1.1 Gen\u00e8se math\u00e9matique et formulation de la loi de Poisson<\/h3>\n
1.2 R\u00f4le \u00e9pist\u00e9mologique dans la mod\u00e9lisation des processus ponctuels<\/h3>\n
1.3 Pertinence pour l’\u00e9tude quantitative des ph\u00e9nom\u00e8nes psychologiques<\/h3>\n
2. Vue d’ensemble synoptique des quatre hypoth\u00e8ses fondamentales<\/h2>\n
2.1 Cartographie th\u00e9orique des quatre conditions de r\u00e9gularit\u00e9<\/h3>\n
\n
2.2 Interd\u00e9pendance structurelle des hypoth\u00e8ses de Poisson<\/h3>\n
3. Hypoth\u00e8se 1 : La d\u00e9nombrabilit\u00e9 et la nature discr\u00e8te des \u00e9v\u00e9nements<\/h2>\n
3.1 Fondement ensembliste et d\u00e9finition de la variable de comptage<\/h3>\n
3.2 Distinction entre intensit\u00e9 latente et comptage manifeste<\/h3>\n
3.3 Application psychologique : les unit\u00e9s comportementales individualisables<\/h3>\n
4. Implications m\u00e9thodologiques de la d\u00e9nombrabilit\u00e9 sur l’analyse des donn\u00e9es<\/h2>\n
4.1 Limites de la transformation gaussienne appliqu\u00e9e aux donn\u00e9es discr\u00e8tes<\/h3>\n
4.2 R\u00f4le des fen\u00eatres d’\u00e9chantillonnage temporel et spatial<\/h3>\n
5. Hypoth\u00e8se 2 : L’ind\u00e9pendance statistique des occurrences successives<\/h2>\n
5.1 Formalisation probabiliste de l’absence de m\u00e9moire stochastique<\/h3>\n
5.2 Cons\u00e9quences th\u00e9oriques sur la distribution des temps d’attente<\/h3>\n
5.3 D\u00e9fis de l’ind\u00e9pendance dans les dynamiques psychologiques<\/h3>\n
6. M\u00e9thodes diagnostiques pour \u00e9valuer l’ind\u00e9pendance s\u00e9rielle<\/h2>\n
6.1 Tests statistiques de d\u00e9pendance temporelle et spatiale<\/h3>\n
6.2 Mod\u00e9lisation des ph\u00e9nom\u00e8nes autor\u00e9gressifs alternatifs<\/h3>\n
7. Hypoth\u00e8se 3 : La constance et la stationnarit\u00e9 du taux moyen d’occurrence<\/h2>\n
7.1 D\u00e9finition de l’invariance temporelle du param\u00e8tre d’intensit\u00e9<\/h3>\n
7.2 Impact des cycles, tendances et fluctuations contextuelles<\/h3>\n
7.3 R\u00e9solution des violations par les processus de Poisson non homog\u00e8nes<\/h3>\n