{"id":7378,"date":"2026-10-14T18:02:14","date_gmt":"2026-10-14T18:02:14","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-supprimer-les-valeurs-aberrantes-dans-r\/"},"modified":"2026-10-14T18:02:14","modified_gmt":"2026-10-14T18:02:14","slug":"comment-supprimer-les-valeurs-aberrantes-dans-r","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-supprimer-les-valeurs-aberrantes-dans-r","title":{"rendered":"Comment supprimer les valeurs aberrantes dans R"},"content":{"rendered":"

L’analyse rigoureuse des donn\u00e9es empiriques constitue le socle \u00e9pist\u00e9mologique de la d\u00e9marche scientifique moderne, en particulier dans les disciplines quantitatives telles que la psychologie cognitive, les neurosciences comportementales et la biom\u00e9trie. Au c\u0153ur de ce processus d’inf\u00e9rence statistique r\u00e9side une probl\u00e9matique m\u00e9thodologique fondamentale : la confrontation in\u00e9vitable avec des observations discordantes, commun\u00e9ment d\u00e9sign\u00e9es sous le vocable de valeurs aberrantes ou extr\u00eames (outliers<\/em>). Ces points de donn\u00e9es, qui s’\u00e9cartent substantiellement de la distribution principale au sein de laquelle ils s’ins\u00e8rent, ne repr\u00e9sentent pas de simples curiosit\u00e9s descriptives. Ils constituent des perturbations critiques capables d’alt\u00e9rer dramatiquement les propri\u00e9t\u00e9s des estimateurs param\u00e9triques usuels, de distordre les matrices de variance-covariance, d’invalider les postulats des mod\u00e8les d’analyse multivari\u00e9e et de compromettre la reproductibilit\u00e9 globale des inf\u00e9rences scientifiques.<\/p>\n

Le langage de programmation statistique R s’est impos\u00e9 comme l’environnement d’analyse privil\u00e9gi\u00e9 par la communaut\u00e9 internationale des chercheurs en raison de sa flexibilit\u00e9 analytique, de son \u00e9cosyst\u00e8me algorithmique \u00e9tendu et de son ad\u00e9quation parfaite avec les exigences contemporaines de science ouverte et de reproductibilit\u00e9 computationnelle. Cependant, la puissance de calcul offerte par R exige une ma\u00eetrise conceptuelle sans faille de la part de l’exp\u00e9rimentateur. L’acte technique de supprimer une observation dans une matrice num\u00e9rique ne saurait \u00eatre r\u00e9duit \u00e0 une manipulation m\u00e9canique de filtrage vectoriel. Il engage directement la responsabilit\u00e9 d\u00e9ontologique de l’analyste, qui doit arbitrer entre la pr\u00e9servation de l’int\u00e9grit\u00e9 du signal exp\u00e9rimental et le risque d’introduire des biais d’\u00e9chantillonnage arbitraires assimilables \u00e0 du p-hacking ou \u00e0 une falsification d\u00e9guis\u00e9e des r\u00e9sultats empiriques.<\/p>\n

Ce guide exhaustif a pour vocation de fournir aux chercheurs, statisticiens et analystes de donn\u00e9es un cadre conceptuel, math\u00e9matique et programmatique de r\u00e9f\u00e9rence pour identifier, inspecter, \u00e9valuer et traiter m\u00e9thodiquement les valeurs aberrantes \u00e0 l’aide de l’environnement R. En explorant successivement les approches univari\u00e9es non param\u00e9triques (crit\u00e8re de Tukey), les techniques de standardisation param\u00e9trique et robuste (scores Z classiques et scores bas\u00e9s sur la d\u00e9viation absolue m\u00e9diane), les diagnostics multivari\u00e9s multidimensionnels (distance de Mahalanobis) et les strat\u00e9gies modernes de mod\u00e9lisation lin\u00e9aire robuste, ce document examine en profondeur les compromis statistiques inh\u00e9rents \u00e0 chaque choix m\u00e9thodologique. L’ensemble des proc\u00e9dures s’inscrit dans les standards contemporains de reporting scientifique, conform\u00e9ment aux directives \u00e9thiques et techniques de l’American Psychological Association<\/a>, garantissant une transparence irr\u00e9prochable du pipeline de traitement des donn\u00e9es.<\/p>\n

1. Introduction conceptuelle aux valeurs aberrantes dans la recherche exp\u00e9rimentale<\/h2>\n

1.1 D\u00e9finition \u00e9pist\u00e9mologique de la valeur aberrante en sciences comportementales<\/h3>\n

D’un point de vue \u00e9pist\u00e9mologique, une valeur aberrante peut \u00eatre d\u00e9finie comme une observation qui s’\u00e9carte tellement des autres donn\u00e9es de l’\u00e9chantillon qu’elle suscite l\u00e9gitimement le soup\u00e7on d’avoir \u00e9t\u00e9 g\u00e9n\u00e9r\u00e9e par un m\u00e9canisme stochastique ou d\u00e9terministe distinct de celui qui gouverne le reste du corpus exp\u00e9rimental. Dans le domaine sp\u00e9cifique des sciences comportementales et cognitives, la d\u00e9limitation d’une telle anomalie requiert une distinction th\u00e9orique minutieuse entre deux ph\u00e9nom\u00e8nes de nature ontologique radicalement diff\u00e9rente : la variabilit\u00e9 biologique ou psychologique interindividuelle authentique, bien qu’extr\u00eame, et l’erreur de mesure purement art\u00e9factuelle. La premi\u00e8re rel\u00e8ve de l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 intrins\u00e8que du vivant, tandis que la seconde constitue un bruit de mesure ind\u00e9sirable alt\u00e9rant la fid\u00e9lit\u00e9 de l’observation empirique.<\/p>\n

Une typologie classique des anomalies observ\u00e9es en laboratoire permet d’identifier trois sources majeures de discordance. En premier lieu figurent les erreurs manifestes de saisie humaine ou de transcription num\u00e9rique, telles qu’un temps de r\u00e9action cod\u00e9 \u00e0 dix mille millisecondes au lieu de mille par suite d’une frappe accidentelle, ou un score d’\u00e9chelle de Likert exc\u00e9dant la borne th\u00e9orique du questionnaire. En deuxi\u00e8me lieu, les d\u00e9faillances instrumentales et technologiques repr\u00e9sentent une part substantielle des artefacts, englobant les d\u00e9synchronisations d’horloge de processeur lors de la pr\u00e9sentation tachistoscopique de stimuli, les d\u00e9crochages d’\u00e9lectrodes en \u00e9lectroenc\u00e9phalographie ou les mouvements brusques de t\u00eate en imagerie par r\u00e9sonance magn\u00e9tique fonctionnelle. En dernier lieu, la variabilit\u00e9 interindividuelle idiosyncrasique refl\u00e8te des comportements r\u00e9els mais marginaux, tels qu’un \u00e9tat d’inattention transitoire d’un participant entra\u00eenant un endormissement bref, ou au contraire une expertise pr\u00e9existante exceptionnelle modifiant radicalement la vitesse de traitement de l’information.<\/p>\n

Les implications m\u00e9thodologiques de la pr\u00e9sence d’observations discordantes sur la validit\u00e9 interne d’une exp\u00e9rience sont consid\u00e9rables. Si un exp\u00e9rimentateur int\u00e8gre sans discernement des art\u00e9facts techniques au sein de son analyse inf\u00e9rentielle, il s’expose \u00e0 mod\u00e9liser du bruit instrumental au d\u00e9triment de l’effet th\u00e9rapeutique ou exp\u00e9rimental r\u00e9el. Inversement, si le chercheur adopte une politique d’\u00e9limination syst\u00e9matique et trop agressive des individus atypiques, il compromet gravement la validit\u00e9 externe et l’\u00e9cologie de ses conclusions, r\u00e9duisant son \u00e9chantillon \u00e0 une sous-population homog\u00e8ne artificielle ne refl\u00e9tant plus la complexit\u00e9 du ph\u00e9notype comportemental humain. La d\u00e9cision d’\u00e9viction exige par cons\u00e9quent une qualification pr\u00e9cise de la nature de l’anomalie en amont de toute manipulation informatique.<\/p>\n

1.2 Cons\u00e9quences statistiques des valeurs extr\u00eames sur les estimateurs param\u00e9triques<\/h3>\n

Sur le plan purement statistique, l’impact d\u00e9l\u00e9t\u00e8re des observations extr\u00eames d\u00e9coule directement de la faible robustesse des estimateurs conventionnels de la th\u00e9orie de l’\u00e9chantillonnage de Gauss et de Pearson. La moyenne arithm\u00e9tique et la variance empirique poss\u00e8dent un point de rupture th\u00e9orique (breakdown point<\/em>) \u00e9gal \u00e0 z\u00e9ro. Cela implique math\u00e9matiquement qu’une seule observation infinit\u00e9simale ou infiniment grande suffit \u00e0 translater la moyenne hors de toute limite acceptable ou \u00e0 gonfler artificiellement la variance d’un ordre de grandeur, rendant ces estimateurs param\u00e9triques totalement non r\u00e9sistants face aux perturbations d’\u00e9chantillonnage.<\/p>\n

Cette fragilit\u00e9 computationnelle des moments d’ordre un et deux engendre une cascade de distorsions au niveau des analyses inf\u00e9rentielles de second degr\u00e9, telles que le test t de Student, l’analyse de variance univari\u00e9e ou multivari\u00e9e (ANOVA\/MANOVA) et la r\u00e9gression lin\u00e9aire g\u00e9n\u00e9ralis\u00e9e. L’introduction d’une valeur extr\u00eame atypique d\u00e9forme la sym\u00e9trie de la distribution, engendre une asym\u00e9trie positive ou n\u00e9gative prononc\u00e9e (skewness<\/em>) et \u00e9paissit d\u00e9mesur\u00e9ment les queues de distribution (kurtosis<\/em>). Cette violation flagrante de l’hypoth\u00e8se de normalit\u00e9 univari\u00e9e ou multivari\u00e9e compromet la validit\u00e9 des tables de probabilit\u00e9s critiques d\u00e9riv\u00e9es des lois th\u00e9oriques, provoquant une distorsion majeure des taux nominaux d’erreurs statistiques.<\/p>\n

D’une part, l’inflation artificielle de l’erreur quadratique moyenne et des termes d’erreur r\u00e9siduelle conduit \u00e0 une r\u00e9duction dramatique de la puissance statistique (1 – b\u00eata), augmentant de mani\u00e8re critique le risque d’erreur de type II. Dans un protocole exp\u00e9rimental rigoureux, cela se traduit par l’incapacit\u00e9 de rejeter l’hypoth\u00e8se nulle alors qu’un effet exp\u00e9rimental tangible existe bel et bien au sein de la cohorte g\u00e9n\u00e9rale, celui-ci se trouvant masqu\u00e9 par le bruit de fond amplifi\u00e9 par l’aberration. D’autre part, lorsqu’une valeur aberrante agit de mani\u00e8re asym\u00e9trique sur un seul bras d’un plan factoriel, elle peut g\u00e9n\u00e9rer un \u00e9cart factice entre les moyennes de groupe, gonflant le taux d’erreur de type I et produisant des faux positifs hautement pr\u00e9judiciables \u00e0 la r\u00e9plication empirique des d\u00e9couvertes scientifiques en psychologie quantitative.<\/p>\n

1.3 Cadre d\u00e9cisionnel pr\u00e9alable \u00e0 toute intervention sur les donn\u00e9es dans R<\/h3>\n

Face \u00e0 la d\u00e9tection d’observations divergentes, le chercheur contemporain ne peut se contenter d’appliquer des filtres de suppression opportunistes guid\u00e9s par l’obtention d’un seuil de significativit\u00e9 d\u00e9sir\u00e9. L’\u00e9laboration d’un cadre d\u00e9cisionnel standardis\u00e9 et transparent constitue un imp\u00e9ratif m\u00e9thodologique incontournable avant d’ex\u00e9cuter la moindre ligne d’instruction dans l’interpr\u00e9teur R. La premi\u00e8re phase de ce protocole d\u00e9cisionnel consiste en un audit approfondi des donn\u00e9es brutes, consistant \u00e0 retourner syst\u00e9matiquement aux registres sources de l’exp\u00e9rience, aux fichiers journaux d’enregistrement automatis\u00e9 (log files<\/em>) et aux fiches de passation papier le cas \u00e9ch\u00e9ant, afin d’attester d’une d\u00e9faillance mat\u00e9rielle manifeste ou d’une violation formelle des consignes par le sujet.<\/p>\n

Sur le plan \u00e9thique et d\u00e9ontologique, l’exclusion d’une donn\u00e9e collect\u00e9e ne peut \u00eatre justifi\u00e9e que si l’analyste est en mesure de d\u00e9montrer objectivement que le point litigieux ne repr\u00e9sente pas le ph\u00e9nom\u00e8ne th\u00e9orique investigu\u00e9. Les standards acad\u00e9miques contemporains, relay\u00e9s par le comit\u00e9 de d\u00e9ontologie de la recherche et les comit\u00e9s de lecture internationaux, proscrivent formellement l’\u00e9lagage des donn\u00e9es r\u00e9alis\u00e9 dans le but exclusif de faire converger une analyse vers une valeur p inf\u00e9rieure au seuil conventionnel de cinq centi\u00e8mes. Une telle pratique alt\u00e8re la distribution d’\u00e9chantillonnage de r\u00e9f\u00e9rence et fausse la trajectoire cumulative du savoir scientifique.<\/p>\n

Pour immuniser le flux de travail contre les biais de confirmation cognitifs de l’analyste, la communaut\u00e9 m\u00e9thodologique pr\u00e9conise ardemment l’enregistrement pr\u00e9alable des protocoles de nettoyage de donn\u00e9es (preregistration<\/em>) sur des plateformes certifi\u00e9es telles que l’Open Science Framework<\/a>. Ce plan de pr\u00e9traitement pr\u00e9\u00e9tabli doit expliciter avec une pr\u00e9cision math\u00e9matique rigoureuse : les r\u00e8gles d’exclusion a priori fond\u00e9es sur des crit\u00e8res temporels ou physiologiques (par exemple, exclusion des temps de r\u00e9ponse inf\u00e9rieurs \u00e0 cent cinquante millisecondes assimil\u00e9s \u00e0 des anticipations motrices r\u00e9flexes), l’algorithme de d\u00e9tection stochastique qui sera mobilis\u00e9, les seuils critiques de coupure, et la gestion cons\u00e9cutive de l’information (suppression pure, imputation statistique ou recours \u00e0 des estimateurs non param\u00e9triques robustes).<\/p>\n

2. Pr\u00e9paration de l’environnement de travail et structuration des donn\u00e9es dans R<\/h2>\n

2.1 Configuration des biblioth\u00e8ques n\u00e9cessaires \u00e0 l’analyse<\/h3>\n

L’orchestration d’un flux de d\u00e9tection et de traitement des valeurs aberrantes sous R n\u00e9cessite le d\u00e9ploiement d’un \u00e9cosyst\u00e8me logiciel coh\u00e9rent, performant et p\u00e9renne. L’environnement moderne de science des donn\u00e9es sous R repose de mani\u00e8re pr\u00e9pond\u00e9rante sur le m\u00e9ta-package tidyverse<\/a>, dont l’installation et le chargement permettent d’unifier la syntaxe de manipulation tabulaire, la transformation vectoris\u00e9e et la restitution graphique des objets matriciels. Au sein de cet \u00e9cosyst\u00e8me, les paquets dplyr<\/code>, tibble<\/code>, tidyr<\/code> et purrr<\/code> jouent un r\u00f4le pivot pour assurer la lisibilit\u00e9 et l’\u00e9l\u00e9gance algorithmique des filtres appliqu\u00e9s aux donn\u00e9es volumineuses.<\/p>\n

Au-del\u00e0 du socle fondamental fourni par le tidyverse, l’investigation approfondie des comportements atypiques en sciences sociales et comportementales requiert l’adjonction de biblioth\u00e8ques sp\u00e9cialis\u00e9es offrant des m\u00e9triques psychom\u00e9triques avanc\u00e9es. Le package psych<\/code>, d\u00e9velopp\u00e9 par William Revelle, met \u00e0 disposition une panoplie exhaustive d’estimateurs robustes, de matrices de dispersion et d’indices d’asym\u00e9trie. Concomitamment, le package rstatix<\/code> propose une impl\u00e9mentation conviviale et conforme \u00e0 la philosophie de programmation fonctionnelle pour extraire rapidement les r\u00e9sum\u00e9s statistiques et d\u00e9tecter les anomalies selon divers crit\u00e8res param\u00e9triques. Le package car<\/code> (Companion to Applied Regression<\/em>) fournit quant \u00e0 lui des outils indispensables pour le diagnostic de r\u00e9gression et l’\u00e9valuation des leviers multivari\u00e9s.<\/p>\n

La reproductibilit\u00e9 absolue des calculs constitue une exigence fondamentale de toute publication scientifique moderne. D\u00e8s lors qu’une cha\u00eene de traitement implique des algorithmes de r\u00e9\u00e9chantillonnage, des proc\u00e9dures stochastiques d’imputation ou la g\u00e9n\u00e9ration contr\u00f4l\u00e9e de cohortes synth\u00e9tiques \u00e0 des fins de validation m\u00e9thodologique, l’initialisation du g\u00e9n\u00e9rateur congruentiel de nombres pseudo-al\u00e9atoires s’av\u00e8re indispensable. Dans R, cette pr\u00e9caution computationnelle est assur\u00e9e par l’invocation pr\u00e9coce de la fonction set.seed()<\/code>, en lui transmettant un entier arbitraire immuable. Cette mesure garantit que toute analyse reproduite sur une station de travail ind\u00e9pendante produira une suite d’op\u00e9rations rigoureusement identique au bit pr\u00e8s.<\/p>\n

2.2 Importation et inspection pr\u00e9liminaire des matrices de donn\u00e9es psychologiques<\/h3>\n

La premi\u00e8re phase pratique consiste \u00e0 importer les donn\u00e9es empiriques stock\u00e9es dans des formats de persistance courants, tels que les fichiers de texte d\u00e9limit\u00e9 par des virgules (CSV) ou les classeurs Microsoft Excel. Cette t\u00e2che est ex\u00e9cut\u00e9e de fa\u00e7on optimale au moyen des packages readr<\/code> (fonctions read_csv()<\/code>) et readxl<\/code> (fonction read_excel()<\/code>), qui convertissent nativement les fichiers sources en objets de type tibble<\/code>. Les tibbles pr\u00e9sentent l’avantage de pr\u00e9server strictement les formats de colonnes sans forcer arbitrairement la conversion des cha\u00eenes de caract\u00e8res en facteurs qualitatifs, r\u00e9duisant ainsi substantiellement les risques de corruption silencieuse de types de donn\u00e9es.<\/p>\n

D\u00e8s la mat\u00e9rialisation de l’objet dans la m\u00e9moire vive de la session R, une inspection typologique syst\u00e9matique s’impose afin de valider la conformit\u00e9 architecturale de la matrice. L’op\u00e9rateur peut mobiliser conjointement les commandes d’interrogation str()<\/code>, issue du socle historique de R, et glimpse()<\/code>, issue de dplyr, qui offrent une synth\u00e8se condens\u00e9e de l’ensemble des vecteurs colonnes, de leurs modes atomiques (entiers, r\u00e9els, facteurs, caract\u00e8res) et de leurs premi\u00e8res valeurs respectives. La fonction polymorphique summary()<\/code> apporte un premier \u00e9clairage descriptif fondamental en d\u00e9clinant, pour chaque variable quantitative continue, la valeur minimale observ\u00e9e, le premier quartile, la m\u00e9diane, la moyenne, le troisi\u00e8me quartile et la valeur maximale enregistr\u00e9e.<\/p>\n

Cette phase exploratoire initiale doit accorder une vigilance extr\u00eame \u00e0 la gestion des valeurs manquantes formalis\u00e9es par la constante interne NA<\/code> (Not Available<\/em>). Dans R, la plupart des fonctions arithm\u00e9tiques et des estimateurs statistiques renvoient syst\u00e9matiquement la valeur NA<\/code> par propagation logique d\u00e8s lors qu’un seul \u00e9l\u00e9ment ind\u00e9termin\u00e9 figure dans le vecteur d’entr\u00e9e, \u00e0 moins que l’utilisateur ne stipule explicitement le param\u00e8tre de neutralisation na.rm = TRUE<\/code>. Une omission involontaire de cette subtilit\u00e9 syntaxique peut bloquer le calcul des scores statistiques, fausser les calculs d’\u00e9carts-types ou induire la suppression erron\u00e9e de lignes enti\u00e8res lors du passage de pr\u00e9dicats conditionnels incomplets.<\/p>\n

2.3 Simulation d’une distribution asym\u00e9trique pour les cas d’\u00e9tude pratiques<\/h3>\n

Afin d’illustrer de mani\u00e8re didactique, rigoureuse et enti\u00e8rement reproductible les techniques d’identification et de suppression pr\u00e9sent\u00e9es tout au long de cet ouvrage, nous formalisons la construction d’un jeu de donn\u00e9es synth\u00e9tique mimant les propri\u00e9t\u00e9s chronom\u00e9triques r\u00e9elles d’un paradigme de psychologie cognitive exp\u00e9rimentale, tel qu’une t\u00e2che de d\u00e9cision lexicale ou une t\u00e2che de Stroop. Les temps de r\u00e9action observ\u00e9s chez l’humain ne suivent pratiquement jamais une distribution normale gaussienne sym\u00e9trique ; ils se caract\u00e9risent quasi universellement par une distribution asym\u00e9trique positive fortement \u00e9tir\u00e9e vers la droite, mod\u00e9lis\u00e9e avec \u00e9l\u00e9gance par la loi ex-Gaussienne ou la loi log-normale.<\/p>\n

Le protocole de simulation d\u00e9bute par la g\u00e9n\u00e9ration d’un \u00e9chantillon authentique compos\u00e9 de cinq cents observations virtuelles distribu\u00e9es selon une loi log-normale de param\u00e8tres contr\u00f4l\u00e9s, pr\u00e9sentant une moyenne d’environ cinq cents millisecondes et un \u00e9talement physiologique congruent. \u00c0 ce sous-ensemble r\u00e9gulier de donn\u00e9es motrices et cognitives cr\u00e9dibles, nous injectons d\u00e9lib\u00e9r\u00e9ment une contamination exp\u00e9rimentale stochastique repr\u00e9sentant environ deux \u00e0 trois pour cent de la taille totale de l’\u00e9chantillon. Cette contamination simule d’une part des temps de r\u00e9ponse anormalement brefs (micro-r\u00e9actions de cinquante millisecondes issues de pressions r\u00e9flexes anticip\u00e9es sur le clavier) et d’autre part des temps de r\u00e9ponse d\u00e9mesur\u00e9ment longs (latences de plusieurs milliers de millisecondes dues \u00e0 une rupture attentionnelle s\u00e9v\u00e8re ou \u00e0 un bogue logiciel).<\/p>\n

La matrice de donn\u00e9es structur\u00e9e finale regroupe, au sein d’un tibble exhaustif, l’identifiant num\u00e9rique unique du participant (subject_id<\/code>), l’assignation factorielle \u00e0 un groupe exp\u00e9rimental dichotomique (condition<\/code> : \u00ab\u00a0Contr\u00f4le\u00a0\u00bb versus \u00ab\u00a0Amor\u00e7age\u00a0\u00bb), le num\u00e9ro de l’essai s\u00e9quentiel (trial<\/code>), le temps de r\u00e9action brut exprim\u00e9 en millisecondes (reaction_time<\/code>) et le score standardis\u00e9 obtenu \u00e0 un inventaire psychom\u00e9trique concomitant \u00e9valuant l’anxi\u00e9t\u00e9 situationnelle (anxiety_score<\/code>). Ce jeu de donn\u00e9es complexe servira de r\u00e9f\u00e9rence empirique pour l’\u00e9valuation compar\u00e9e de toutes les proc\u00e9dures algorithmiques d\u00e9velopp\u00e9es dans les sections ult\u00e9rieures.<\/p>\n

3. D\u00e9tection univari\u00e9e par la m\u00e9thode de l’\u00e9cart interquartile (IQR)<\/h2>\n

3.1 Fondements math\u00e9matiques du crit\u00e8re de Tukey<\/h3>\n

La d\u00e9tection univari\u00e9e des anomalies par la m\u00e9thode de l’\u00e9cart interquartile trouve son origine formelle dans les travaux s\u00e9minaux de John W. Tukey sur l’analyse exploratoire des donn\u00e9es (Exploratory Data Analysis<\/em>). L’atout conceptuel majeur de cette technique repose sur son caract\u00e8re strictement non param\u00e9trique et sur sa formidable r\u00e9sistance m\u00e9canique aux perturbations d’\u00e9chantillonnage. Contrairement aux m\u00e9thodes fond\u00e9es sur la moyenne et l’\u00e9cart-type, le calcul des quantiles n’est pas subordonn\u00e9 \u00e0 l’hypoth\u00e8se sous-jacente que la population parente suit une loi normale th\u00e9orique, conf\u00e9rant ainsi \u00e0 cette approche une universalit\u00e9 op\u00e9rationnelle particuli\u00e8rement appr\u00e9ci\u00e9e en psychologie exp\u00e9rimentale.<\/p>\n

Le m\u00e9canisme math\u00e9matique proc\u00e8de par une division ordonn\u00e9e de la distribution empirique en quatre segments \u00e9quiprobables d\u00e9limit\u00e9s par les quartiles. Le premier quartile, not\u00e9 Q1, correspond au vingt-cinqui\u00e8me percentile et s\u00e9pare les vingt-cinq pour cent des valeurs les plus faibles du reste de la cohorte. Le troisi\u00e8me quartile, not\u00e9 Q3, correspond au soixante-quinzi\u00e8me percentile et isole les vingt-cinq pour cent des valeurs les plus \u00e9lev\u00e9es. L’\u00e9cart interquartile (not\u00e9 IQR pour Interquartile Range<\/em>) est d\u00e9fini arithm\u00e9tiquement par la soustraction diff\u00e9rentielle : IQR = Q3 - Q1<\/code>. Cette m\u00e9trique quantifie l’\u00e9tendue scalaire au sein de laquelle se concentrent les cinquante pour cent m\u00e9dians de la distribution, offrant un indice de dispersion d’une r\u00e9silience remarquable face aux soubresauts p\u00e9riph\u00e9riques des queues d’\u00e9chantillon.<\/p>\n

Sur la base de cette grandeur robuste, Tukey a formalis\u00e9 la construction de barri\u00e8res stochastiques d\u00e9nomm\u00e9es cl\u00f4tures de d\u00e9tection. La cl\u00f4ture interne inf\u00e9rieure est fix\u00e9e \u00e0 la valeur : Q1 - (1,5 * IQR)<\/code>, tandis que la cl\u00f4ture interne sup\u00e9rieure est localis\u00e9e au seuil : Q3 + (1,5 * IQR)<\/code>. Toute observation se situant \u00e0 l’ext\u00e9rieur de cet intervalle ferm\u00e9 est class\u00e9e comme valeur aberrante suspecte ou mod\u00e9r\u00e9e. Pour isoler les d\u00e9viations particuli\u00e8rement critiques, Tukey a introduit les cl\u00f4tures externes, param\u00e9tr\u00e9es \u00e0 Q1 - (3 * IQR)<\/code> pour la borne basse et \u00e0 Q3 + (3 * IQR)<\/code> pour la borne haute. Les points exc\u00e9dant ces derni\u00e8res limites sont cat\u00e9goris\u00e9s comme anomalies majeures ou extr\u00eames. Dans une distribution gaussienne th\u00e9orique pure, l’intervalle \u00e0 1,5 fois l’IQR englobe environ 99,3 % de la masse de probabilit\u00e9, limitant les faux positifs th\u00e9oriques \u00e0 0,7 % sous l’hypoth\u00e8se de normalit\u00e9.<\/p>\n

3.2 Calcul algorithmique de l’IQR avec les fonctions de base de R<\/h3>\n

L’impl\u00e9mentation algorithmique de cette r\u00e8gle dans le langage de base de R s’op\u00e8re en mobilisant de concert les fonctions primitives quantile()<\/code> et IQR()<\/code>. L’utilisation rigoureuse de la fonction quantile()<\/code> requiert n\u00e9anmoins une pr\u00e9cision m\u00e9thodologique souvent ignor\u00e9e des praticiens : le logiciel R propose par d\u00e9faut neuf algorithmes math\u00e9matiques distincts pour estimer les quantiles continus \u00e0 partir d’un \u00e9chantillon discret (sp\u00e9cifi\u00e9s via l’argument num\u00e9rique type = 1<\/code> \u00e0 type = 9<\/code>). Par d\u00e9faut, R applique l’algorithme de type 7, standard historique de S et R, bien que certains sp\u00e9cialistes de biom\u00e9trie pr\u00e9conisent l’algorithme de type 6 (conforme aux logiciels SPSS et Minitab) ou de type 8 (sans biais pour les distributions normales). L’uniformisation de ce param\u00e8tre s’av\u00e8re capitale pour assurer la r\u00e9plication exacte des seuils de d\u00e9cision.<\/p>\n

Pour calculer les cl\u00f4tures de Tukey de mani\u00e8re programmatique sur le vecteur des temps de r\u00e9action, le chercheur extrait les percentiles 0,25 et 0,75 \u00e0 l’aide de la commande quantile(reaction_time, probs = c(0.25, 0.75), na.rm = TRUE)<\/code>, puis calcule directement l’amplitude interquartile via IQR(reaction_time, na.rm = TRUE)<\/code>. Les scalaires d\u00e9limitant les bornes inf\u00e9rieure et sup\u00e9rieure d’acceptabilit\u00e9 sont imm\u00e9diatement d\u00e9riv\u00e9s par les \u00e9quations alg\u00e9briques d’addition et de soustraction des multiples de 1,5 ou 3 fois l’\u00e9cart interquartile.<\/p>\n

Une fois ces bornes scalaires consign\u00e9es dans l’environnement d’ex\u00e9cution, l’identification indicielle des points d\u00e9viants est effectu\u00e9e au moyen d’op\u00e9rateurs relationnels vectoris\u00e9s. L’expression logique reaction_time < borne_inf | reaction_time > borne_sup<\/code> g\u00e9n\u00e8re un vecteur logique bool\u00e9en de dimension identique au vecteur d’origine, adoptant la valeur TRUE<\/code> pour chaque observation tombant au-del\u00e0 des cl\u00f4tures de Tukey et FALSE<\/code> pour les observations r\u00e9guli\u00e8res. L’interrogation s\u00e9lective des indices de positionnement au moyen de la primitive which()<\/code> permet ensuite d’extraire la liste exhaustive des rangs d’enregistrement incrimin\u00e9s pour un audit qualitatif ult\u00e9rieur.<\/p>\n

3.3 Automatisation vectoris\u00e9e de l’identification par l’IQR<\/h3>\n

Dans le cadre d’\u00e9tudes quantitatives complexes comportant des dizaines de variables d’int\u00e9r\u00eat (telles que des batteries psychom\u00e9triques multidimensionnelles \u00e9valuant la m\u00e9moire de travail, l’inhibition motrice et l’attention s\u00e9lective), la r\u00e9plication s\u00e9quentielle de blocs de code imp\u00e9ratifs devient rapidement source d’erreurs et contrevient au principe fondamental du g\u00e9nie logiciel \u00ab Don’t Repeat Yourself \u00bb (DRY). Il convient d\u00e8s lors de concevoir une fonction R personnalis\u00e9e, vectoris\u00e9e et modulaire, capable de traiter dynamiquement tout vecteur num\u00e9rique.<\/p>\n

Cette fonction sur-mesure, que nous pouvons d\u00e9nommer conceptuellement detecter_outliers_iqr()<\/code>, accepte comme arguments d’entr\u00e9e un vecteur quantitatif, un coefficient d’\u00e9chelle multiplicateur (d\u00e9fini par d\u00e9faut \u00e0 la valeur k = 1,5) et une directive bool\u00e9enne de traitement des valeurs manquantes. La fonction encapsule le calcul des quartiles, la r\u00e9solution des cl\u00f4tures d’\u00e9lagage, et renvoie de mani\u00e8re optimale soit un vecteur logique binaire indiquant le statut d’aberration pour chaque ligne, soit une liste structur\u00e9e contenant les bornes num\u00e9riques calcul\u00e9es, les valeurs identifi\u00e9es et les indices de ligne correspondants.<\/p>\n

Pour \u00e9tendre l’ex\u00e9cution de cet algorithme \u00e0 l’\u00e9chelle d’une matrice psychom\u00e9trique comportant une pluralit\u00e9 de colonnes num\u00e9riques sans recourir \u00e0 des boucles imp\u00e9ratives inefficaces, le chercheur moderne fait appel aux combinateurs fonctionnels du package purrr<\/code>, notamment la fonction map_dfr()<\/code>, ou aux s\u00e9lecteurs avanc\u00e9s across()<\/code> int\u00e9gr\u00e9s au verbe summarise()<\/code> de dplyr. Cette approche permet de quantifier en une seule ligne de code le pourcentage exact d’observations classifi\u00e9es comme anomalies selon le crit\u00e8re de Tukey pour chaque dimension cognitive \u00e9valu\u00e9e, offrant un tableau de bord synoptique de la qualit\u00e9 m\u00e9trologique du protocole.<\/p>\n

4. Suppression des valeurs aberrantes bas\u00e9es sur l’\u00e9cart interquartile dans R<\/h2>\n

4.1 Filtrage indiciel avec les op\u00e9rateurs d’indexation de base<\/h3>\n

L’\u00e9limination concr\u00e8te des observations aberrantes au moyen du moteur d’ex\u00e9cution standard de R (R base) s’appuie historiquement sur les op\u00e9rateurs d’indexation par crochets simples [ , ]<\/code>. Cette technique fondamentale repose sur l’injection d’un masque logique bool\u00e9en invers\u00e9 au niveau de l’indexation des lignes d’un data frame. Pour expurger la table de ses \u00e9l\u00e9ments marginaux, il est n\u00e9cessaire de formuler la condition de conservation, laquelle stipule la n\u00e9gation de l’aberration : reaction_time >= borne_inf & reaction_time <= borne_sup<\/code>.<\/p>\n

L’application de ce filtrage indiciel impose une rigueur extr\u00eame quant au traitement des valeurs ind\u00e9termin\u00e9es. Dans l’alg\u00e8bre bool\u00e9enne de R, toute comparaison impliquant une valeur manquante (par exemple NA >= borne_inf<\/code>) renvoie invariablement la valeur NA<\/code> et non la valeur FALSE<\/code>. D\u00e8s lors, si le masque logique contient des valeurs NA<\/code> non purg\u00e9es, l’utilisation na\u00efve du sous-ensemble indiciel donnees[masque_logique, ]<\/code> ins\u00e9rera des lignes compos\u00e9es int\u00e9gralement de NA<\/code> au sein de la matrice \u00e9pur\u00e9e, provoquant une corruption d\u00e9vastatrice de la structure de donn\u00e9es. L’analyste doit imp\u00e9rativement neutraliser cet \u00e9cueil en combinant la condition d’acceptation avec la fonction !is.na(reaction_time)<\/code> ou en utilisant la fonction sp\u00e9cialis\u00e9e subset()<\/code>, qui \u00e9carte d’office les \u00e9tats d’ind\u00e9termination.<\/p>\n

\u00c0 l’issue de l’op\u00e9ration d’extraction indicielle, la validation arithm\u00e9tique de la proc\u00e9dure n\u00e9cessite un contr\u00f4le rigoureux de la dimension de l’objet r\u00e9sultant comparativement \u00e0 l’objet parent. L’invocation de la fonction dim()<\/code> ou de nrow()<\/code> sur le nouveau data frame permet de certifier que le diff\u00e9rentiel d’effectif correspond exactement au cardinal du vecteur d’indices jug\u00e9s anormaux lors de l’\u00e9tape de d\u00e9tection. Ce contr\u00f4le crois\u00e9 garantit qu’aucune observation conforme n’a \u00e9t\u00e9 tronqu\u00e9e par inadvertance et qu’aucune ligne parasite n’a \u00e9t\u00e9 ins\u00e9r\u00e9e par effet de bord logique.<\/p>\n

4.2 \u00c9puration \u00e9l\u00e9gante du jeu de donn\u00e9es avec le verbe filter de dplyr<\/h3>\n

Dans l’\u00e9cosyst\u00e8me tidyverse, le nettoyage des matrices de donn\u00e9es s’exprime avec une clart\u00e9 s\u00e9mantique incomparable gr\u00e2ce \u00e0 l’utilisation du verbe filter()<\/code> du package dplyr<\/code>. Au lieu de dissocier le calcul des bornes scalaires de l’acte d’amputation indicielle, la grammaire de manipulation de donn\u00e9es permet d’int\u00e9grer les conditions math\u00e9matiques d’acceptabilit\u00e9 directement au sein d’un pipeline continu et hautement reproductible, articul\u00e9 autour de l’op\u00e9rateur de tuyauterie natif |><\/code> (introduit depuis R 4.1.0) ou de l’op\u00e9rateur historique %>%<\/code> de magrittr.<\/p>\n

La construction typique d’une telle instruction s’articule comme suit : le jeu de donn\u00e9es d’origine est transmis au pipeline, puis la fonction filter()<\/code> applique une expression arithm\u00e9tique contextuelle dans laquelle la variable d’int\u00e9r\u00eat est born\u00e9e entre quantile(x, 0.25) - 1.5 * IQR(x)<\/code> et quantile(x, 0.75) + 1.5 * IQR(x)<\/code>. L’immense sup\u00e9riorit\u00e9 de cette syntaxe r\u00e9side dans son auto-documentation : le code exprime directement l’intention m\u00e9thodologique sans polluer l’espace de travail global par une myriade de variables scalaires interm\u00e9diaires \u00e9ph\u00e9m\u00e8res.<\/p>\n

De surcro\u00eet, le recours au pipeline dplyr assure la stricte pr\u00e9servation des m\u00e9tadonn\u00e9es sous-jacentes, des attributs de classes vectorielles et de la structure typographique des tibbles originaux. Contrairement \u00e0 certaines op\u00e9rations indicielles de R base qui d\u00e9gradent parfois silencieusement un data frame \u00e0 une seule colonne en vecteur atomique simple (par suite de l’argument implicite drop = TRUE<\/code>), dplyr::filter()<\/code> garantit une int\u00e9grit\u00e9 structurelle invariable de l’objet en sortie, favorisant un encha\u00eenement fluide vers les proc\u00e9dures ult\u00e9rieures de mod\u00e9lisation inf\u00e9rentielle ou de tra\u00e7age graphique.<\/p>\n

4.3 Audit comparatif post-suppression par l’IQR<\/h3>\n

L’\u00e9limination d\u00e9finitive d’observations ne constitue jamais l’\u00e9tape finale du pr\u00e9traitement, mais ouvre imm\u00e9diatement une phase critique d’audit comparatif post-suppression. Le statisticien a le devoir d’\u00e9valuer avec pr\u00e9cision l’ampleur des alt\u00e9rations quantitatives induites sur la distribution par le retrait des points jug\u00e9s aberrants. Cette d\u00e9marche s’amorce par le calcul syst\u00e9matique des \u00e9carts de tendance centrale et de dispersion observ\u00e9s entre le jeu de donn\u00e9es brut et la version \u00e9pur\u00e9e par le crit\u00e8re de Tukey.<\/p>\n

Dans le cas d’une contamination par des valeurs extr\u00eames asym\u00e9triques positives, l’amputation des points au-del\u00e0 de la cl\u00f4ture sup\u00e9rieure engendre une contraction m\u00e9canique imm\u00e9diate de la moyenne arithm\u00e9tique en direction de la m\u00e9diane, accompagn\u00e9e d’une r\u00e9duction drastique de la variance et de l’\u00e9cart-type de l’\u00e9chantillon. Cet audit doit v\u00e9rifier si la r\u00e9duction de la dispersion n’a pas \u00e9t\u00e9 obtenue au prix d’une troncation artificielle de la variabilit\u00e9 biologique normale, ce qui se traduirait par un aplatissement injustifi\u00e9 des queues de distribution. L’examen des r\u00e9sidus des sous-groupes exp\u00e9rimentaux s’av\u00e8re particuli\u00e8rement crucial pour attester que l’\u00e9lagage n’a pas introduit d’h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 artificielle entre les conditions factorielles.<\/p>\n

Enfin, cet audit quantitatif doit \u00eatre rigoureusement document\u00e9 en vue de sa restitution dans les futures sections m\u00e9thodologiques de la publication acad\u00e9mique. L’analyste extrait et consigne le nombre absolu de participants ou d’essais \u00e9vinc\u00e9s, le pourcentage relatif correspondant par rapport au volume total de donn\u00e9es initialement collect\u00e9, ainsi que la valeur minimale et la valeur maximale des points supprim\u00e9s. Cette tra\u00e7abilit\u00e9 exemplaire pr\u00e9munit l’auteur contre tout reproche d’opacit\u00e9 analytique et permet aux lecteurs critiques d’\u00e9valuer la robustesse des conclusions tir\u00e9es sur l’\u00e9chantillon r\u00e9siduel.<\/p>\n

5. D\u00e9tection univari\u00e9e par les scores Z standardis\u00e9s<\/h2>\n

5.1 Principe th\u00e9orique de la standardisation sous hypoth\u00e8se de normalit\u00e9<\/h3>\n

L’identification des anomalies par la m\u00e9trique des scores Z (ou scores centr\u00e9s r\u00e9duits standardis\u00e9s) s’ancre profond\u00e9ment dans le paradigme de l’inf\u00e9rence param\u00e9trique classique r\u00e9gie par la loi normale de Laplace-Gauss. Le principe th\u00e9orique sous-jacent repose sur la transformation affine d’une variable al\u00e9atoire continue de moyenne empirique (bar{X}) et d’\u00e9cart-type (s) en une nouvelle variable adimensionnelle de moyenne nulle et d’\u00e9cart-type unitaire. L’op\u00e9ration math\u00e9matique \u00e9l\u00e9mentaire consiste \u00e0 soustraire la moyenne arithm\u00e9tique de chaque observation individuelle pour en assurer le centrage, puis \u00e0 diviser cette diff\u00e9rence par l’\u00e9cart-type de l’\u00e9chantillon afin d’en op\u00e9rer la r\u00e9duction d’\u00e9chelle :<\/p>\n

[Z_i = frac{X_i – bar{X}}{s}]<\/p>\n

Dans l’espace probabiliste de la distribution normale standard (N(0, 1)), la position relative de chaque observation se trouve imm\u00e9diatement assortie d’une densit\u00e9 de probabilit\u00e9 exacte et d’une probabilit\u00e9 d’occurrence cumulative th\u00e9orique. En vertu des propri\u00e9t\u00e9s analytiques de l’int\u00e9grale de Gauss, exactement 68,27 % de la population th\u00e9orique se d\u00e9ploie dans l’intervalle d\u00e9limit\u00e9 par plus ou moins un \u00e9cart-type autour de la moyenne, 95,45 % se concentre dans l’intervalle de plus ou moins deux \u00e9carts-types, et 99,73 % des valeurs sont contenues entre moins trois et plus trois \u00e9carts-types.<\/p>\n

Le choix du seuil critique d’exclusion par le score Z d\u00e9coule directement de ces propri\u00e9t\u00e9s probabilistes. Dans la litt\u00e9rature exp\u00e9rimentale en sciences cognitives, la convention m\u00e9thodologique dominante fixe g\u00e9n\u00e9ralement le seuil critique d’exclusion \u00e0 une valeur absolue de score Z \u00e9gale \u00e0 2,5 ou 3,0 \u00e9carts-types. L’adoption d’un seuil strict \u00e0 (|Z| > 3,0) postule qu’une observation ne pr\u00e9sentant qu’une probabilit\u00e9 th\u00e9orique bilat\u00e9rale infinit\u00e9simale de survenue (environ 0,27 %, soit moins de trois chances sur mille sous l’hypoth\u00e8se de normalit\u00e9 parfaite) a de tr\u00e8s fortes chances de r\u00e9sulter d’un processus g\u00e9n\u00e9rateur exog\u00e8ne perturbateur plut\u00f4t que de la dynamique stochastique sous contr\u00f4le.<\/p>\n

5.2 G\u00e9n\u00e9ration des scores Z \u00e0 l’aide de la fonction scale de R<\/h3>\n

Dans l’environnement de calcul R, la transformation d’un vecteur num\u00e9rique en scores centr\u00e9s r\u00e9duits est ex\u00e9cut\u00e9e de mani\u00e8re native par la fonction g\u00e9n\u00e9rique scale()<\/code>. Appliqu\u00e9e \u00e0 un vecteur quantitatif continu, scale()<\/code> extrait automatiquement la moyenne arithm\u00e9tique de la distribution (attribut scaled:center<\/code>) et l’\u00e9cart-type d’\u00e9chantillon corrig\u00e9 de Bessel (attribut scaled:scale<\/code>), puis vectorise l’op\u00e9ration math\u00e9matique de standardisation sur l’ensemble des \u00e9l\u00e9ments de la s\u00e9rie.<\/p>\n

Puisque la d\u00e9tection univari\u00e9e des anomalies cible indiff\u00e9remment les d\u00e9viations positives extr\u00eames situ\u00e9es dans la queue sup\u00e9rieure et les d\u00e9viations n\u00e9gatives localis\u00e9es dans la queue inf\u00e9rieure, la d\u00e9tection bilat\u00e9rale fait intervenir la fonction de valeur absolue abs()<\/code>. L’expression abs(scale(reaction_time))<\/code> condense ainsi la distance m\u00e9trique absolue s\u00e9parant chaque observation du centro\u00efde empirique de l’\u00e9chantillon, exprim\u00e9e en unit\u00e9s universelles d’\u00e9cart-type.<\/p>\n

Toutefois, une particularit\u00e9 technique de l’impl\u00e9mentation de la fonction scale()<\/code> dans R m\u00e9rite d’\u00eatre soulign\u00e9e : celle-ci ne renvoie pas un vecteur atomique unidimensionnel simple, mais une matrice bidimensionnelle \u00e0 une seule colonne pourvue d’attributs sp\u00e9cifiques. Pour garantir une fluidit\u00e9 d’ex\u00e9cution absolue et \u00e9viter tout blocage de compatibilit\u00e9 syntaxique lors de l’int\u00e9gration dans des tibbles du tidyverse ou dans des expressions vectoris\u00e9es complexes, il est vivement recommand\u00e9 d’aplatir cette structure matricielle en vecteur num\u00e9rique atomique en encapsulant l’appel dans la primitive as.vector(scale(x))<\/code>.<\/p>\n

5.3 Limites inh\u00e9rentes \u00e0 l’approche param\u00e9trique classique<\/h3>\n

En d\u00e9pit de son omnipr\u00e9sence historique dans les manuels de m\u00e9thodologie, l’approche param\u00e9trique classique fond\u00e9e sur les scores Z souffre de limitations th\u00e9oriques intrins\u00e8ques particuli\u00e8rement invalidantes, regroup\u00e9es sous le concept m\u00e9thodologique de l’effet de masquage (masking effect<\/em>). L’effet de masquage survient pr\u00e9cis\u00e9ment en raison du manque de r\u00e9sistance des composantes m\u00eames du score Z : la moyenne et l’\u00e9cart-type. Lorsqu’une distribution comporte une valeur aberrante d’amplitude colossale, cette derni\u00e8re translate la moyenne dans sa propre direction tout en provoquant une inflation quadratique d\u00e9mesur\u00e9e de l’\u00e9cart-type de l’\u00e9chantillon. Par cons\u00e9quent, l’\u00e9cart-type servant de d\u00e9nominateur \u00e0 l’\u00e9quation de standardisation se trouvant artificiellement gonfl\u00e9, le score Z de l’aberration se contracte m\u00e9caniquement, r\u00e9duisant sa d\u00e9viation apparente et l’immunisant paradoxalement contre sa propre d\u00e9tection au-del\u00e0 du seuil critique choisi.<\/p>\n

De surcro\u00eet, le postulat de normalit\u00e9 constitue une faille critique d\u00e8s lors que la variable empirique pr\u00e9sente une asym\u00e9trie de distribution naturelle marqu\u00e9e, comme c’est syst\u00e9matiquement le cas pour les latences temporelles, les chronom\u00e9trages de r\u00e9flexes ou les d\u00e9bits de perfusion sanguine. Dans une distribution \u00e9tir\u00e9e vers la droite, la moyenne se positionne substantiellement au-dessus de la m\u00e9diane, et la queue droite s’\u00e9paissit naturellement. L’application m\u00e9canique d’un seuillage sym\u00e9trique par le score Z conduit alors in\u00e9vitablement \u00e0 un sur-\u00e9lagage destructeur des donn\u00e9es r\u00e9elles situ\u00e9es dans la queue longue, tout en se montrant totalement incapable de d\u00e9tecter des anomalies manifestes dissimul\u00e9es du c\u00f4t\u00e9 de la borne basse compress\u00e9e.<\/p>\n

Face \u00e0 ces apories math\u00e9matiques manifestes, les statisticiens contemporains ont d\u00e9velopp\u00e9 une alternative robuste d’une efficacit\u00e9 d\u00e9montr\u00e9e : le score Z modifi\u00e9 (Modified Z-score<\/em>), formalis\u00e9 de mani\u00e8re \u00e9clatante par Boris Iglewicz et David Hoaglin. Cette proc\u00e9dure s’affranchit totalement de la moyenne et de l’\u00e9cart-type en leur substituant deux estimateurs d’une r\u00e9sistance optimale : la m\u00e9diane d’\u00e9chantillon comme param\u00e8tre de position, et la m\u00e9diane absolue des \u00e9carts \u00e0 la m\u00e9diane (MAD pour Median Absolute Deviation<\/em>) comme param\u00e8tre de dispersion d’\u00e9chelle. Cette architecture computationnelle \u00e9limine tout risque de masquage et tol\u00e8re jusqu’\u00e0 cinquante pour cent de donn\u00e9es contamin\u00e9es sans rupture stochastique.<\/p>\n

6. Suppression des valeurs aberrantes bas\u00e9es sur les scores Z dans R<\/h2>\n

6.1 Mise en \u0153uvre du filtrage conditionnel par seuillage Z<\/h3>\n

La mise en \u0153uvre pratique de la suppression d’observations fond\u00e9e sur le score Z conventionnel s’ex\u00e9cute avec une grande fluidit\u00e9 algorithmique au sein de l’environnement dplyr. L’instruction logique s’articule autour d’une condition d’acceptation bilat\u00e9rale stricte formul\u00e9e dans le verbe de filtrage : filter(abs(as.vector(scale(reaction_time))) <= 3)<\/code>. Ce pr\u00e9dicat \u00e9carte sans ambigu\u00eft\u00e9 tout enregistrement dont la d\u00e9viation par rapport \u00e0 la moyenne d\u00e9passe trois \u00e9carts-types nominaux, dans le sens positif ou n\u00e9gatif.<\/p>\n

Lors de l’\u00e9valuation d’un protocole exp\u00e9rimental complexe mobilisant une batterie \u00e9tendue d’indicateurs psychom\u00e9triques ou comportementaux corr\u00e9l\u00e9s, l’analyste peut orchestrer un filtrage multidimensionnel univari\u00e9 successif en combinant les pr\u00e9dicats logiques au moyen des op\u00e9rateurs bool\u00e9ens de conjonction &<\/code> ou de disjonction |<\/code>. L’utilisation de la directive fonctionnelle if_all()<\/code> au sein du verbe filter()<\/code> permet d’exiger simultan\u00e9ment qu’un participant pr\u00e9sente un score Z valide sur l’ensemble des \u00e9preuves cognitives administr\u00e9es pour \u00eatre conserv\u00e9 dans la cohorte finale d’analyse, garantissant ainsi l’exhaustivit\u00e9 des cas complets sans perte d’observables transversaux.<\/p>\n

Une gouvernance vertueuse des donn\u00e9es impose imp\u00e9rativement de ne jamais proc\u00e9der \u00e0 une \u00e9limination destructrice irr\u00e9versible au cours de ce traitement. La programmation sous R doit syst\u00e9matiquement scinder le flux de donn\u00e9es en deux objets distincts et s\u00e9gr\u00e9gu\u00e9s en m\u00e9moire : d’une part, la table \u00e9pur\u00e9e accueillant les observations conformes valid\u00e9es, et d’autre part, un registre exhaustif des observations rejet\u00e9es (g\u00e9n\u00e9r\u00e9 \u00e9l\u00e9gamment par la commande miroir filter(abs(as.vector(scale(reaction_time))) > 3)<\/code>). Ce registre d’exclusion permet de conserver l’ensemble des m\u00e9tadonn\u00e9es contextuelles associ\u00e9es aux anomalies \u00e0 des fins d’inspection clinique, de diagnostic qualitatif et d’archivage l\u00e9gal transparent.<\/p>\n

6.2 Application du score Z robuste bas\u00e9 sur la m\u00e9diane absolue des \u00e9carts (MAD)<\/h3>\n

Pour surpasser les limitations param\u00e9triques du score Z standard face aux distributions asym\u00e9triques ou fortement contamin\u00e9es, l’analyste impl\u00e9mente sous R l’algorithme du score Z modifi\u00e9 d’Iglewicz et Hoaglin. Cette proc\u00e9dure s’appuie au premier chef sur la fonction native mad()<\/code> de R, laquelle calcule la m\u00e9diane de la valeur absolue des \u00e9carts entre chaque point de donn\u00e9es et la m\u00e9diane globale de la distribution :<\/p>\n

[text{MAD} = text{median}(|X_i – text{median}(X)|)]<\/p>\n

Il importe de noter que la fonction mad()<\/code> applique par d\u00e9faut dans R un facteur de normalisation asymptotique \u00e9gal \u00e0 1,4826 (argument constant = 1.4826<\/code>). Ce coefficient multiplicateur pr\u00e9cis permet \u00e0 l’estimateur MAD de converger exactement vers l’\u00e9cart-type th\u00e9orique lorsque la distribution sous-jacente est une distribution normale pure, r\u00e9alisant ainsi une synth\u00e8se parfaite entre robustesse math\u00e9matique et comparabilit\u00e9 m\u00e9trique.<\/p>\n

Le score Z modifi\u00e9, d\u00e9sign\u00e9 conventionnellement par la notation (M_i), se calcule d\u00e8s lors selon la formulation alg\u00e9brique suivante :<\/p>\n

[M_i = frac{0,6745 cdot (X_i – text{median}(X))}{text{MAD}}]<\/p>\n

o\u00f9 la constante 0,6745 correspond au ratio assurant l’\u00e9quivalence probabiliste avec le troisi\u00e8me quartile d’une loi normale. Dans le cadre de l’exploitation de cette m\u00e9thode sous R, nous encapsulons cette logique dans une fonction vectoris\u00e9e d\u00e9di\u00e9e. Selon les recommandations explicites d’Iglewicz et Hoaglin, le seuil critique d’exclusion universellement pr\u00e9conis\u00e9 est fix\u00e9 \u00e0 (|M_i| > 3,5). Les observations exc\u00e9dant ce seuil de d\u00e9viation absolue m\u00e9diane sont filtr\u00e9es avec une r\u00e9sistance absolue aux art\u00e9facts extr\u00eames, sans distorsion induite par l’asym\u00e9trie de distribution r\u00e9siduelle.<\/p>\n

6.3 \u00c9valuation comparative des r\u00e9sultats d’\u00e9lagage : IQR versus Score Z<\/h3>\n

L’arbitrage entre la m\u00e9thode de l’\u00e9cart interquartile de Tukey, le score Z param\u00e9trique standard et le score Z modifi\u00e9 bas\u00e9 sur la MAD ne saurait relever d’une pr\u00e9f\u00e9rence subjective ; il doit d\u00e9couler d’une \u00e9valuation comparative rigoureuse des d\u00e9cisions d’\u00e9lagage stochastique op\u00e9r\u00e9es par chaque algorithme sur la matrice de donn\u00e9es empiriques. Pour formaliser cette confrontation, l’analyste peut g\u00e9n\u00e9rer sous R une matrice de contingence crois\u00e9e (tableau d’effectifs bidimensionnel) obtenue par la fonction table()<\/code>, croisant les classifications binaires d’acceptation et de rejet issues des diff\u00e9rentes m\u00e9thodes.<\/p>\n

L’inspection de cette matrice met quasi syst\u00e9matiquement en exergue des zones de divergence substantielle entre les algorithmes, particuli\u00e8rement au niveau des queues de distribution asym\u00e9triques. Le score Z param\u00e9trique classique tend \u00e0 masquer les anomalies multiples rapproch\u00e9es et sous-estime syst\u00e9matiquement le nombre de points d\u00e9viants en pr\u00e9sence d’une variance d\u00e9grad\u00e9e. \u00c0 l’inverse, le crit\u00e8re d’Iglewicz et Hoaglin et la cl\u00f4ture de Tukey manifestent une sensibilit\u00e9 accrue pour isoler avec une nettet\u00e9 chirurgicale les micro-r\u00e9actions cognitives et les temps de r\u00e9ponse pathologiquement retard\u00e9s.<\/p>\n

Au-del\u00e0 de la concordance brute des d\u00e9cisions d’exclusion, l’\u00e9valuation des cons\u00e9quences statistiques sur les donn\u00e9es finales s’av\u00e8re hautement instructive. Le chercheur calcule pour chaque cohorte \u00e9pur\u00e9e les modifications induites au niveau de l’erreur quadratique moyenne, le r\u00e9tablissement de la sym\u00e9trie de distribution (diminution de l’indice d’asym\u00e9trie de Fisher-Pearson calcul\u00e9 via psych::skew()<\/code>) et la r\u00e9gularisation de l’aplatissement de la distribution (calcul\u00e9 via psych::kurtosi()<\/code>). Ce diagnostic crois\u00e9 fournit les justifications quantitatives indispensables attestant de la sup\u00e9riorit\u00e9 de l’\u00e9lagage robuste sur la troncature param\u00e9trique aveugle.<\/p>\n

7. Visualisation diagnostique des observations aberrantes avec ggplot2<\/h2>\n

7.1 Repr\u00e9sentation par bo\u00eetes \u00e0 moustaches dynamiques<\/h3>\n

La d\u00e9tection et la suppression des anomalies ne peuvent se concevoir comme des op\u00e9rations purement abstraites et d\u00e9connect\u00e9es de toute appr\u00e9ciation visuelle directe. L’exploration graphique diagnostique constitue un pr\u00e9alable imp\u00e9ratif \u00e0 toute d\u00e9cision d’amputation. Dans l’\u00e9cosyst\u00e8me R, la biblioth\u00e8que ggplot2<\/a>, fond\u00e9e sur la grammaire formelle des graphiques de Leland Wilkinson, offre une puissance expressive in\u00e9gal\u00e9e pour mat\u00e9rialiser la structure distributionnelle des variables psychom\u00e9triques et localiser spatialement les singularit\u00e9s.<\/p>\n

Le diagramme en bo\u00eete \u00e0 moustaches de Tukey, mat\u00e9rialis\u00e9 par la couche g\u00e9om\u00e9trique geom_boxplot()<\/code>, constitue l’outil visuel \u00e9l\u00e9mentaire par excellence. Les charni\u00e8res de la bo\u00eete centrale d\u00e9limitent le premier et le troisi\u00e8me quartile, la ligne transverse m\u00e9diane identifie le cinquanti\u00e8me percentile, et les moustaches se d\u00e9ploient classiquement jusqu’\u00e0 l’observation la plus \u00e9loign\u00e9e contenue dans la cl\u00f4ture interne de 1,5 fois l’IQR. Tout point se d\u00e9ployant au-del\u00e0 de l’extr\u00e9mit\u00e9 distale de ces moustaches est automatiquement identifi\u00e9 et trac\u00e9 de mani\u00e8re isol\u00e9e par la fonction g\u00e9om\u00e9trique.<\/p>\n

La personnalisation fine des arguments d’affichage au sein de geom_boxplot()<\/code> permet d’accro\u00eetre consid\u00e9rablement l’acuit\u00e9 diagnostique de la visualisation. En ajustant d\u00e9lib\u00e9r\u00e9ment les param\u00e8tres outlier.colour = \"red\"<\/code>, outlier.shape = 19<\/code> et outlier.size = 2.5<\/code>, l’exp\u00e9rimentateur conf\u00e8re une visibilit\u00e9 imm\u00e9diate aux valeurs candidates \u00e0 l’exclusion. Pour transcender le caract\u00e8re r\u00e9ducteur de la bo\u00eete \u00e0 moustaches qui dissimule la densit\u00e9 exacte des points internes, il est particuli\u00e8rement \u00e9l\u00e9gant de superposer en arri\u00e8re-plan la distribution exhaustive des observations r\u00e9elles sous la forme d’un nuage de points soumis \u00e0 une gigue stochastique contr\u00f4l\u00e9e \u00e0 l’aide de la couche g\u00e9om\u00e9trique geom_jitter(width = 0.15, alpha = 0.3)<\/code>. Cette disposition visuelle conjointe permet de distinguer instantan\u00e9ment une observation v\u00e9ritablement isol\u00e9e d’un emp\u00e2tement dense et continu de la queue de distribution.<\/p>\n

7.2 Trac\u00e9 de la densit\u00e9 et des diagrammes quantile-quantile (Q-Q plots)<\/h3>\n

L’\u00e9valuation visuelle de la conformit\u00e9 distributionnelle par rapport au mod\u00e8le gaussien id\u00e9al requiert des outils s\u00e9miologiques plus avanc\u00e9s que la simple bo\u00eete \u00e0 moustaches. Le diagramme quantile-quantile normal (Normal Q-Q Plot<\/em>) s’impose comme le dispositif diagnostique de r\u00e9f\u00e9rence pour \u00e9valuer la normalit\u00e9 univari\u00e9e et rep\u00e9rer les d\u00e9viations p\u00e9riph\u00e9riques d’une s\u00e9rie continue. Dans ggplot2, ce graphique hautement sp\u00e9cialis\u00e9 se g\u00e9n\u00e8re par la conjonction des couches statistiques stat_qq()<\/code>, qui projette les quantiles empiriques observ\u00e9s contre les quantiles th\u00e9oriques attendus d’une loi normale standard, et stat_qq_line()<\/code>, qui mat\u00e9rialise la droite de r\u00e9f\u00e9rence de Henry passant par les premier et troisi\u00e8me quartiles.<\/p>\n

L’interpr\u00e9tation analytique de ce diagramme s’av\u00e8re d’une limpidit\u00e9 absolue : si les donn\u00e9es d\u00e9coulent fid\u00e8lement d’un processus g\u00e9n\u00e9rateur gaussien r\u00e9gulier, les points exp\u00e9rimentaux s’alignent rigoureusement le long du segment lin\u00e9aire oblique. Toute divergence structurelle se manifeste par des ruptures topologiques caract\u00e9ristiques : un \u00e9tirement curviligne asym\u00e9trique vers le haut ou vers le bas, ou une dispersion d\u00e9sordonn\u00e9e des points terminaux se d\u00e9crochant brutalement de l’axe directeur. Les valeurs aberrantes univari\u00e9es apparaissent ainsi avec un contraste saisissant, isol\u00e9es aux extr\u00e9mit\u00e9s polaires sup\u00e9rieure et inf\u00e9rieure du graphique, bien au-del\u00e0 des bornes de variabilit\u00e9 stochastique attendue.<\/p>\n

Ce diagnostic quantile-quantile gagne \u00e0 \u00eatre compl\u00e9t\u00e9 par une projection continue de la fonction d’estimation de la densit\u00e9 par noyau de lissage (Kernel Density Estimation<\/em>) obtenue au moyen de la g\u00e9om\u00e9trie geom_density()<\/code>. En modulant judicieusement le param\u00e8tre de transparence alpha<\/code> et en param\u00e9trant le remplissage chromatique en fonction des sous-groupes exp\u00e9rimentaux, le chercheur met en \u00e9vidence l’asym\u00e9trie positive du spectre exp\u00e9rimental et visualise l’emp\u00e2tement anormal des queues distales. L’int\u00e9gration de segments verticaux localisant pr\u00e9cis\u00e9ment les cl\u00f4tures de Tukey ou les seuils critiques de Z-scores permet de mat\u00e9rialiser graphiquement le couperet m\u00e9thodologique qui frappera les observations incrimin\u00e9es.<\/p>\n

7.3 Graphiques bivari\u00e9s et identification interactive des \u00e9tiquettes<\/h3>\n

Lorsque l’investigation m\u00e9thodologique porte sur des associations de variables continues, telles que la corr\u00e9lation entre les scores d’anxi\u00e9t\u00e9 et les latences motrices ou la mod\u00e9lisation de trajectoires psychophysiques, la d\u00e9tection des anomalies s’op\u00e8re dans un plan bidimensionnel. Le nuage de points bivari\u00e9, mat\u00e9rialis\u00e9 par la couche g\u00e9om\u00e9trique geom_point()<\/code>, permet de r\u00e9v\u00e9ler des singularit\u00e9s relationnelles invisibles sur les histogrammes univari\u00e9s isol\u00e9s, \u00e0 l’instar d’un participant pr\u00e9sentant un temps de r\u00e9action mod\u00e9r\u00e9ment rapide mais totalement d\u00e9connect\u00e9 de son niveau d’anxi\u00e9t\u00e9 situationnelle.<\/p>\n

L’identification pr\u00e9cise des unit\u00e9s exp\u00e9rimentales aberrantes au sein du nuage de points pose traditionnellement un d\u00e9fi de lisibilit\u00e9 graphique majeur en raison du chevauchement inh\u00e9rent aux \u00e9tiquettes textuelles denses. Pour r\u00e9soudre ce probl\u00e8me d’encombrement s\u00e9miotique, nous mobilisons le package sp\u00e9cialis\u00e9 ggrepel<\/code> et sa fonction phare geom_text_repel()<\/code>. En param\u00e9trant un filtre conditionnel direct au sein du mappage esth\u00e9tique, l’instruction n’affiche l’identifiant textuel du sujet que pour les points satisfaisant strictement aux crit\u00e8res de d\u00e9viation atypique pr\u00e9d\u00e9finis, tout en d\u00e9ployant un algorithme physique d’attraction-r\u00e9pulsion qui positionne \u00e9l\u00e9gamment le texte \u00e0 distance des marqueurs graphiques environnants.<\/p>\n

Pour pousser l’exploration diagnostique \u00e0 un niveau de convivialit\u00e9 analytique optimal, l’analyste peut convertir instantan\u00e9ment ce graphique statique de haute d\u00e9finition en une interface interactive dynamique dans son navigateur web. Cette passerelle computationnelle est assur\u00e9e par la fonction ggplotly()<\/code> du package plotly<\/code>. Par cette simple instruction enveloppante, le praticien acquiert la capacit\u00e9 de survoler chaque point suspect \u00e0 la souris pour faire appara\u00eetre dans une infobulle interactive l’identifiant individuel du sujet, sa condition factorielle, ses scores m\u00e9triques pr\u00e9cis et ses r\u00e9sidus standardis\u00e9s, rendant la phase d’audit qualitatif des donn\u00e9es infiniment plus rapide et intuitive.<\/p>\n

8. D\u00e9tection multivari\u00e9e avanc\u00e9e : Distance de Mahalanobis et leviers<\/h2>\n

8.1 Fondements de l’approche multidimensionnelle en psychologie cognitive<\/h3>\n

Les proc\u00e9dures de d\u00e9tection univari\u00e9es, bien qu’indispensables et simples \u00e0 appr\u00e9hender, s’av\u00e8rent structurellement impuissantes \u00e0 capturer des configurations d’anomalies complexes se d\u00e9ployant simultan\u00e9ment \u00e0 travers une multiplicit\u00e9 de dimensions m\u00e9triques. Dans un protocole exp\u00e9rimental moderne en psychologie cognitive ou en neurosciences, un sujet peut tout \u00e0 fait pr\u00e9senter des scores rigoureusement normaux et contenus dans les limites acceptables sur chacune des variables physiologiques ou comportementales consid\u00e9r\u00e9es isol\u00e9ment (par exemple : rythme cardiaque, temps de r\u00e9ponse, taux de fixation oculaire, score d’exactitude), tout en manifestant une association conjointe de ces param\u00e8tres totalement atypique, aberrante et biologiquement improbable compte tenu de la structure de corr\u00e9lation globale de la population de r\u00e9f\u00e9rence.<\/p>\n

Pour d\u00e9celer de telles anomalies configurationnelles multidimensionnelles, le statisticien doit imp\u00e9rativement abandonner la m\u00e9trique de la distance euclidienne na\u00efve. Cette derni\u00e8re souffre de deux biais math\u00e9matiques r\u00e9dhibitoires : elle ignore compl\u00e8tement les disparit\u00e9s d’\u00e9chelles de mesure et d’unit\u00e9s physiques existant entre les diff\u00e9rents instruments, et elle postule une ind\u00e9pendance stochastique parfaite entre les variables observ\u00e9es, ce qui constitue une hypoth\u00e8se illusoire face \u00e0 des donn\u00e9es empiriques naturellement corr\u00e9l\u00e9es.<\/p>\n

La r\u00e9ponse math\u00e9matique rigoureuse \u00e0 cette contrainte g\u00e9om\u00e9trique a \u00e9t\u00e9 formalis\u00e9e par le statisticien et anthropologue indien Prasanta Chandra Mahalanobis \u00e0 travers le concept de la distance de Mahalanobis. Cette m\u00e9trique novatrice mesure la distance relative s\u00e9parant une observation multivari\u00e9e individuelle (X_i) (vecteur de dimension p) du centre de gravit\u00e9 ou centro\u00efde th\u00e9orique de la distribution spatiale d\u00e9fini par le vecteur moyen (mu), tout en pond\u00e9rant cette distance spatiale par l’inverse de la matrice de variance-covariance empirique de l’\u00e9chantillon, not\u00e9e (Sigma). L’expression quadratique g\u00e9n\u00e9rale s’\u00e9tablit selon la formalisation matricielle suivante :<\/p>\n

[D^2 = (X_i – mu)^T Sigma^{-1} (X_i – mu)]<\/p>\n

D’un point de vue g\u00e9om\u00e9trique, l’introduction de la matrice de covariance inverse op\u00e8re une d\u00e9formation continue de l’espace euclidien qui orthogonalise et standardise les axes, transformant les contours de dispersion sph\u00e9riques en ellipso\u00efdes de confiance multidimensionnels. La distance de Mahalanobis quantifie ainsi l’\u00e9loignement d’une observation par rapport au centro\u00efde tout en tenant compte de la variabilit\u00e9 directionnelle propre \u00e0 chaque variable et de la redondance informationnelle induite par les corr\u00e9lations inter-items.<\/p>\n

8.2 Impl\u00e9mentation de la distance de Mahalanobis dans R<\/h3>\n

Le calcul informatique de la distance de Mahalanobis s’ex\u00e9cute avec une remarquable concision sous R gr\u00e2ce \u00e0 la pr\u00e9sence de la fonction native polymorphique mahalanobis()<\/code> int\u00e9gr\u00e9e au socle de base. L’op\u00e9rateur doit au pr\u00e9alable isoler au sein d’une sous-matrice d\u00e9di\u00e9e l’ensemble exclusif des colonnes quantitatives continues retenues pour le diagnostic multidimensionnel, en \u00e9cartant m\u00e9thodiquement tout facteur cat\u00e9goriel ou identifiant textuel.<\/p>\n

La fonction mahalanobis()<\/code> requiert imp\u00e9rativement trois arguments op\u00e9ratoires : la matrice num\u00e9rique des donn\u00e9es d’observation (x), le vecteur des moyennes arithm\u00e9tiques de chaque colonne calcul\u00e9 de mani\u00e8re vectoris\u00e9e via la fonction colMeans(x, na.rm = TRUE)<\/code>, et la matrice de variance-covariance empirique calcul\u00e9e via la fonction cov(x, use = \"complete.obs\")<\/code>. L’ex\u00e9cution de cette commande matricielle renvoie un vecteur num\u00e9rique continu dont chaque \u00e9l\u00e9ment quantifie le carr\u00e9 de la distance de Mahalanobis ((D^2)) pour l’observation correspondante.<\/p>\n

Sous le postulat th\u00e9orique de la normalit\u00e9 multivari\u00e9e de la distribution de donn\u00e9es, le carr\u00e9 de la distance de Mahalanobis suit asymptotiquement une loi de probabilit\u00e9 du Chi-deux ((chi^2)) dont le nombre de degr\u00e9s de libert\u00e9 (not\u00e9 (df)) est rigoureusement \u00e9gal au nombre de variables quantitatives continues int\u00e9gr\u00e9es dans l’analyse matricielle. La d\u00e9termination du seuil d’exclusion critique s’op\u00e8re d\u00e8s lors de fa\u00e7on probabiliste au moyen de la fonction quantile inverse qchisq()<\/code>. En raison de la s\u00e9v\u00e9rit\u00e9 de l’exclusion multidimensionnelle et du risque d’\u00e9liminer des profils comportementaux singuliers valides, la tradition m\u00e9thodologique pr\u00e9conise d’adopter un seuil alpha particuli\u00e8rement conservateur, traditionnellement fix\u00e9 \u00e0 (alpha = 0,001). Toute observation dont le carr\u00e9 de la distance exc\u00e8de cette valeur critique th\u00e9orique du Chi-deux pr\u00e9sente une configuration d’inter-relations hautement atypique.<\/p>\n

8.3 Filtrage et suppression des anomalies multivari\u00e9es<\/h3>\n

L’op\u00e9ration de nettoyage cons\u00e9cutive au diagnostic de Mahalanobis consiste \u00e0 encapsuler la m\u00e9trique d\u00e9riv\u00e9e au sein du flux relationnel de la table de donn\u00e9es d’origine \u00e0 l’aide de l’instruction mutate()<\/code> de dplyr, puis \u00e0 appliquer un filtre conditionnel d’exclusion. Cette d\u00e9marche s\u00e9gr\u00e8gue imm\u00e9diatement les observations conformes de celles exc\u00e9dant le seuil critique calcul\u00e9 \u00e0 partir de la distribution du Chi-deux au seuil conservateur de un pour mille.<\/p>\n

L’\u00e9limination des aberrations multivari\u00e9es r\u00e9clame n\u00e9anmoins une pr\u00e9caution m\u00e9thodologique cardinale : l’analyste doit v\u00e9rifier l’impact du retrait de ces unit\u00e9s sur la structure de covariance globale du syst\u00e8me exp\u00e9rimental. La suppression de points \u00e0 fort bras de levier multidimensionnel peut en effet modifier substantiellement les coefficients d’inter-corr\u00e9lation de Pearson entre les \u00e9chelles psychom\u00e9triques, voire inverser localement la pente d’une trajectoire comportementale. Il s’av\u00e8re donc indispensable de recalculer et d’afficher la matrice de corr\u00e9lation avant et apr\u00e8s l’\u00e9viction d\u00e9finitive des cas critiques afin de s’assurer de la stabilit\u00e9 g\u00e9om\u00e9trique de l’espace r\u00e9siduel.<\/p>\n

De surcro\u00eet, les chercheurs confront\u00e9s \u00e0 des distributions multivari\u00e9es s’\u00e9cartant sensiblement de la normalit\u00e9 th\u00e9orique ont tout int\u00e9r\u00eat \u00e0 recourir \u00e0 des estimateurs robustes de la matrice de dispersion pour calculer la distance de Mahalanobis. L’estimateur du d\u00e9terminant de covariance minimale (Minimum Covariance Determinant<\/em> ou MCD), impl\u00e9ment\u00e9 magistralement dans la fonction covMcd()<\/code> du package robustbase<\/code>, permet de calculer des moyennes et des covariances hautement r\u00e9sistantes \u00e0 l’effet de masquage multivari\u00e9, garantissant une \u00e9tanch\u00e9it\u00e9 diagnostique parfaite m\u00eame en pr\u00e9sence de grappes compactes de valeurs aberrantes coordonn\u00e9es.<\/p>\n

9. Traitement sp\u00e9cifique des valeurs aberrantes au sein de sous-groupes exp\u00e9rimentaux<\/h2>\n

9.1 Probl\u00e9matique des seuillages globaux appliqu\u00e9s aux plans factoriels<\/h3>\n

L’une des erreurs m\u00e9thodologiques les plus insidieuses commises par les analystes d\u00e9butants consiste \u00e0 appliquer des algorithmes de d\u00e9tection et de suppression d’aberrations de mani\u00e8re globale et indiff\u00e9renci\u00e9e sur l’ensemble d’un \u00e9chantillon exp\u00e9rimental, sans tenir compte des assignations factorielles ou des conditions de traitement qui structurent le protocole exp\u00e9rimental. Cette pratique de seuillage global unifi\u00e9 introduit des biais de s\u00e9lection dramatiques d\u00e8s lors que l’exp\u00e9rience induit une modulation substantielle de la moyenne ou de la variance entre les groupes d’\u00e9tude.<\/p>\n

Consid\u00e9rons, \u00e0 titre d’illustration clinique classique, une recherche \u00e9valuant l’efficacit\u00e9 d’une mol\u00e9cule pharmacologique ou d’une t\u00e2che d’induction de stress sur les latences motrices, comparant un groupe contr\u00f4le sain \u00e0 un groupe pathologique ou exp\u00e9rimentalement perturb\u00e9. Le groupe sous induction exp\u00e9rimentale est susceptible de manifester non seulement un ralentissement moyen substantiel de ses performances cognitives, mais \u00e9galement une dispersion de r\u00e9ponse naturellement et l\u00e9gitimement beaucoup plus h\u00e9t\u00e9rog\u00e8ne (h\u00e9t\u00e9rosc\u00e9dasticit\u00e9 empirique inh\u00e9rente au traitement). Si l’analyste d\u00e9ploie un filtre d’IQR ou de score Z calcul\u00e9 sur l’agr\u00e9gat indiff\u00e9renci\u00e9 des deux cohortes, la queue sup\u00e9rieure de la condition trait\u00e9e sera disproportionnellement tronqu\u00e9e, tandis que les valeurs atypiques internes au groupe contr\u00f4le demeureront totalement ind\u00e9tect\u00e9es.<\/p>\n

Ce ph\u00e9nom\u00e8ne d’amputation asym\u00e9trique tronque pr\u00e9f\u00e9rentiellement les participants les plus r\u00e9actifs au traitement exp\u00e9rimental, comprimant artificiellement la moyenne du groupe test vers celle du groupe t\u00e9moin. Cette distorsion m\u00e9thodologique majeure conduit \u00e0 un \u00e9crasement direct de la taille d’effet statistique (notamment le d de Cohen ou le f de Cohen), augmentant drastiquement le risque d’erreur de type II et annihilant la probabilit\u00e9 de mettre en \u00e9vidence la d\u00e9couverte scientifique poursuivie par le laboratoire. La contextualisation intra-groupe des seuils s’impose donc comme une exigence non n\u00e9gociable de validit\u00e9 exp\u00e9rimentale.<\/p>\n

9.2 Ex\u00e9cution d’un nettoyage group\u00e9 avec group_by et dplyr<\/h3>\n

L’\u00e9cosyst\u00e8me de programmation offert par dplyr r\u00e9sout ce d\u00e9fi m\u00e9thodologique avec une supr\u00eame \u00e9l\u00e9gance gr\u00e2ce \u00e0 l’articulation de la fonction de stratification cat\u00e9gorielle group_by()<\/code> en amont des instructions de transformation scalaire et de filtrage conditionnel. En int\u00e9grant la variable factorielle repr\u00e9sentative de la condition exp\u00e9rimentale au sein d’une clause group_by(condition)<\/code>, le chercheur instruit formellement R d’ex\u00e9cuter l’ensemble des calculs statistiques ult\u00e9rieurs de mani\u00e8re strictement partitionn\u00e9e \u00e0 l’int\u00e9rieur de chaque strate factorielle.<\/p>\n

Sous cette configuration segment\u00e9e, l’appel subs\u00e9quent aux fonctions de quartiles ou d’\u00e9cart interquartile au sein d’une instruction filter()<\/code> ne g\u00e9n\u00e8re plus un seuil unique pour l’ensemble du fichier de donn\u00e9es, mais calcule dynamiquement des cl\u00f4tures de Tukey sp\u00e9cifiques et adapt\u00e9es \u00e0 la dispersion propre de chaque modalit\u00e9 factorielle. Une observation caract\u00e9ris\u00e9e par une latence de huit cents millisecondes pourra ainsi \u00eatre l\u00e9gitimement conserv\u00e9e au sein du groupe soumis au stress (o\u00f9 la variabilit\u00e9 globale est \u00e9tendue), tout en \u00e9tant ad\u00e9quatement supprim\u00e9e si elle \u00e9mane d’un participant du groupe contr\u00f4le (dont la distribution attendue est resserr\u00e9e autour de cinq cents millisecondes).<\/p>\n

L’ex\u00e9cution de cette s\u00e9quence analytique group\u00e9e pr\u00e9serve rigoureusement la structure relationnelle sous-jacente du tibble et assure une homog\u00e9n\u00e9it\u00e9 des crit\u00e8res de conformit\u00e9 relative. D\u00e8s lors que le filtrage intra-groupe est parachev\u00e9, il est imp\u00e9ratif d’annuler imm\u00e9diatement le regroupement virtuel par l’invocation finale de la commande explicite ungroup()<\/code>. Cette instruction cl\u00f4t le d\u00e9coupage computationnel et pr\u00e9munit le script contre tout effet de bord ind\u00e9sirable lors des mod\u00e9lisations globales ult\u00e9rieures ou des calculs de statistiques globales descriptives.<\/p>\n

9.3 Gestion des facteurs inter-sujets et mesures r\u00e9p\u00e9t\u00e9es<\/h3>\n

L’architecture des plans exp\u00e9rimentaux modernes en sciences comportementales mobilise tr\u00e8s fr\u00e9quemment des devis longitudinaux ou des paradigmes \u00e0 mesures r\u00e9p\u00e9t\u00e9es au sein desquels chaque participant individuel est soumis \u00e0 des centaines d’essais psychophysiques successifs r\u00e9partis sur diff\u00e9rents blocs de passation. Cette structure embo\u00eet\u00e9e ou hi\u00e9rarchique impose une double stratification de la politique de d\u00e9tection : le statisticien doit imp\u00e9rativement distinguer la d\u00e9tection des essais isol\u00e9s aberrants au niveau intra-individuel de l’identification des participants globalement aberrants au niveau inter-individuel.<\/p>\n

La premi\u00e8re strate de nettoyage op\u00e8re \u00e0 l’\u00e9chelle de l’individu : en regroupant les donn\u00e9es par sujet et par bloc via group_by(subject_id, block)<\/code>, l’exp\u00e9rimentateur \u00e9carte les essais unitaires pollu\u00e9s par un micro-mouvement, un clignement oculaire ou un rel\u00e2chement attentionnel bref, au moyen de seuils mobiles appliqu\u00e9s aux distributions personnelles de l’acteur exp\u00e9rimental. Une fois ces art\u00e9facts ponctuels \u00e9vinc\u00e9s, l’analyste fait remonter l’information \u00e0 l’\u00e9chelle macroscopique en calculant le taux r\u00e9siduel de r\u00e9tention par participant. Si un sujet sp\u00e9cifique a vu plus de vingt ou vingt-cinq pour cent de ses essais initiaux rejet\u00e9s en raison d’un comportement chaotique permanent, les standards acad\u00e9miques imposent l’exclusion cat\u00e9gorique int\u00e9grale de ce participant de la matrice factorielle.<\/p>\n

Dans le cadre de l’exploitation de mod\u00e8les lin\u00e9aires mixtes \u00e0 effets al\u00e9atoires (d\u00e9ploy\u00e9s sous R via le package r\u00e9put\u00e9 lme4<\/code> et la fonction lmer()<\/code>), l’analyste peut recourir \u00e0 des diagnostics encore plus sophistiqu\u00e9s fond\u00e9s sur l’extraction des r\u00e9sidus conditionnels individuels. En mod\u00e9lisant conjointement la trajectoire moyenne de la population et les d\u00e9viations idiosyncrasiques sp\u00e9cifiques \u00e0 chaque sujet sous la forme d’ordonn\u00e9es \u00e0 l’origine ou de pentes al\u00e9atoires (random intercepts and slopes<\/em>), le mod\u00e8le permet d’identifier les individus dont la signature temporelle r\u00e9siduelle d\u00e9fie structurellement l’ajustement global, offrant un crit\u00e8re d’\u00e9valuation probabiliste sans \u00e9quivalent dans les devis classiques d’analyse de variance \u00e0 mesures r\u00e9p\u00e9t\u00e9es.<\/p>\n

10. Strat\u00e9gies alternatives \u00e0 l’\u00e9viction d\u00e9finitive des donn\u00e9es<\/h2>\n

10.1 Technique de Winsorisation et substitution par percentiles<\/h3>\n

Bien que la suppression pure et simple des observations aberrantes constitue la pratique historique la plus commun\u00e9ment r\u00e9pandue dans les laboratoires, elle n’en demeure pas moins une d\u00e9cision m\u00e9thodologique lourde, destructrice d’information empirique et r\u00e9ductrice de puissance statistique en tronquant artificiellement l’effectif total d’\u00e9chantillonnage ((N)). Face \u00e0 ce dilemme, la th\u00e9orie statistique robuste propose des voies alternatives \u00e9l\u00e9gantes permettant de neutraliser la nocivit\u00e9 de l’aberration sans pour autant amputer la taille de l’\u00e9chantillon. La technique de Winsorisation (nomm\u00e9e en hommage au biostatisticien Charles P. Winsor) constitue sans conteste l’approche de substitution la plus aboutie.<\/p>\n

Le principe fondamental de la Winsorisation ne consiste pas \u00e0 \u00e9liminer les valeurs extr\u00eames de la distribution, mais \u00e0 les recoder de mani\u00e8re ordonn\u00e9e en les ramenant au niveau du percentile valide le plus proche. Dans le cadre d’une Winsorisation bilat\u00e9rale sym\u00e9trique \u00e0 dix pour cent (commun\u00e9ment d\u00e9sign\u00e9e comme Winsorisation \u00e0 90 %), toutes les observations tombant en de\u00e7\u00e0 du cinqui\u00e8me percentile de la distribution sont recod\u00e9es \u00e0 la valeur exacte de ce cinqui\u00e8me percentile, tandis que l’ensemble des observations exc\u00e9dant le quatre-vingt-quinzi\u00e8me percentile sont translat\u00e9es \u00e0 la valeur exacte dudit percentile. Les observations centrales comprises entre ces deux bornes demeurent rigoureusement inchang\u00e9es.<\/p>\n

Dans l’\u00e9cosyst\u00e8me R, la mise en \u0153uvre pratique de cette technique de r\u00e9gularisation est consid\u00e9rablement facilit\u00e9e par les fonctions sp\u00e9cialis\u00e9es int\u00e9gr\u00e9es au package DescTools<\/code> (fonction Winsorize()<\/code>) ou au package psych<\/code> (fonction winsor()<\/code>). L’atout m\u00e9thodologique majeur de cette substitution par percentile r\u00e9side dans la pr\u00e9servation int\u00e9grale de la structure de lignes du tableau de donn\u00e9es d’origine : aucun degr\u00e9 de libert\u00e9 n’est sacrifi\u00e9, l’\u00e9quilibrage factoriel des plans exp\u00e9rimentaux orthogonaux est int\u00e9gralement maintenu, tout en neutralisant de fa\u00e7on absolue le bras de levier et l’impact d\u00e9stabilisateur exerc\u00e9s par les valeurs d\u00e9mesur\u00e9es sur le calcul de la moyenne de Winsor et des matrices de covariance associ\u00e9es.<\/p>\n

10.2 Transformation math\u00e9matique non-lin\u00e9aire des variables<\/h3>\n

Une seconde alternative fondamentale \u00e0 l’\u00e9limination physique des unit\u00e9s d’\u00e9chantillonnage consiste \u00e0 modifier l’espace g\u00e9om\u00e9trique de la distribution par l’application d’une fonction math\u00e9matique non-lin\u00e9aire continue et monotone. Dans le champ des sciences comportementales, les distributions empiriques de latences de d\u00e9cision ou de temps d’action manifestent de mani\u00e8re quasi universelle une asym\u00e9trie positive \u00e9tir\u00e9e vers les valeurs hautes. Plut\u00f4t que de qualifier arbitrairement d’aberrantes les observations peuplant cette queue de distribution, la d\u00e9marche scientifique pr\u00e9conise d’adapter la m\u00e9trique de mod\u00e9lisation \u00e0 la morphologie du ph\u00e9nom\u00e8ne naturel \u00e9tudi\u00e9.<\/p>\n

Trois transformations canoniques sont traditionnellement mobilis\u00e9es dans R base :<\/p>\n