{"id":7949,"date":"2026-09-17T01:02:04","date_gmt":"2026-09-17T01:02:04","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/comment-realiser-test-friedman-python\/"},"modified":"2026-09-17T01:02:04","modified_gmt":"2026-09-17T01:02:04","slug":"comment-realiser-test-friedman-python","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=comment-realiser-test-friedman-python","title":{"rendered":"Comment r\u00e9aliser le test de Friedman en Python"},"content":{"rendered":"

Dans le champ de la psychologie exp\u00e9rimentale, des neurosciences comportementales et des sciences cognitives, la mod\u00e9lisation rigoureuse des donn\u00e9es issues de mesures r\u00e9p\u00e9t\u00e9es constitue une pierre angulaire de la d\u00e9marche empirique. Les protocoles longitudinaux ou intra-sujets, o\u00f9 les m\u00eames participants sont \u00e9valu\u00e9s \u00e0 travers diverses conditions exp\u00e9rimentales ou temporelles, permettent de contr\u00f4ler efficacement la variabilit\u00e9 interindividuelle et d’accro\u00eetre la puissance statistique globale des analyses. Cependant, la mise en \u0153uvre de l’approche param\u00e9trique traditionnelle \u2014 incarn\u00e9e par l’analyse de variance (ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es<\/a>) \u2014 repose sur des postulats math\u00e9matiques particuli\u00e8rement stricts, notamment la normalit\u00e9 de la distribution des r\u00e9sidus et l’hypoth\u00e8se de sph\u00e9ricit\u00e9 des variances de diff\u00e9rences. Lorsque ces conditions sont enfreintes, l’analyste se heurte \u00e0 des risques majeurs d’inflation de l’erreur de premi\u00e8re esp\u00e8ce ou d’effondrement de la puissance statistique.<\/p>\n

Face \u00e0 des \u00e9chelles de mesure de nature ordinale, telles que les \u00e9chelles d’\u00e9valuation subjective de type Likert, ou face \u00e0 des distributions continues fortement asym\u00e9triques issues de temps de r\u00e9action ou de marqueurs physiologiques, les m\u00e9thodes non param\u00e9triques s’imposent comme des solutions incontournables. C’est pr\u00e9cis\u00e9ment dans cette niche m\u00e9thodologique que s’inscrit le test de Friedman, con\u00e7u sp\u00e9cifiquement pour l’\u00e9valuation de trois conditions appari\u00e9es ou plus. En substituant aux valeurs brutes des rangs calcul\u00e9s au sein de chaque individu, cette approche s’affranchit des contraintes m\u00e9triques rigides tout en pr\u00e9servant la structure d\u00e9pendante inh\u00e9rente aux plans d’exp\u00e9rimentation intra-individuels.<\/p>\n

Ce guide exhaustif a pour vocation de fournir aux chercheurs, statisticiens et \u00e9tudiants en sciences du comportement un parcours m\u00e9thodologique et technique complet pour appr\u00e9hender, ex\u00e9cuter et interpr\u00e9ter le test de Friedman \u00e0 l’aide de l’\u00e9cosyst\u00e8me Python. En s’appuyant sur des biblioth\u00e8ques scientifiques de premier plan telles que SciPy<\/a>, Pingouin<\/a>, Pandas<\/a> et scikit-posthocs<\/a>, cet article d\u00e9taille les fondements math\u00e9matiques, les proc\u00e9dures diagnostiques pr\u00e9alables, les routines de calcul de la taille d’effet, les comparaisons post-hoc, ainsi que les standards de restitution acad\u00e9mique conformes aux normes \u00e9ditoriales les plus exigeantes.<\/p>\n

1. Introduction th\u00e9orique au test de Friedman en psychologie exp\u00e9rimentale<\/h2>\n

1.1 D\u00e9finition et nature non param\u00e9trique du test<\/h3>\n

Le test de Friedman, initialement conceptualis\u00e9 par l’\u00e9conomiste et statisticien am\u00e9ricain Milton Friedman<\/a> en 1937, repr\u00e9sente l’alternative non param\u00e9trique par excellence \u00e0 l’analyse de variance univari\u00e9e \u00e0 mesures r\u00e9p\u00e9t\u00e9es pour un plan \u00e0 un facteur intra-sujet comportant au moins trois conditions. Sa vocation fondamentale r\u00e9side dans l’analyse de donn\u00e9es ordonn\u00e9es collect\u00e9es au sein de blocs appari\u00e9s, o\u00f9 chaque bloc correspond g\u00e9n\u00e9ralement \u00e0 un m\u00eame participant soumis s\u00e9quentiellement \u00e0 diff\u00e9rentes modalit\u00e9s exp\u00e9rimentales. Alors que l’ANOVA param\u00e9trique postule que les observations proviennent d’une population parente distribu\u00e9e selon une loi gaussienne et \u00e9value des \u00e9carts relatifs entre les moyennes conditionnelles, le test de Friedman op\u00e8re une transformation radicale des donn\u00e9es brutes en les r\u00e9duisant \u00e0 leurs rangs respectifs au sein de chaque bloc individuel.<\/p>\n

Cette conversion ordinale conf\u00e8re au test son statut non param\u00e9trique, signifiant qu’il ne n\u00e9cessite aucune estimation des param\u00e8tres de distribution th\u00e9orique tels que la moyenne ou la variance de la population source. En lieu et place, la proc\u00e9dure analyse si les rangs attribu\u00e9s aux diff\u00e9rentes conditions exp\u00e9rimentales manifestent une d\u00e9viation syst\u00e9matique par rapport \u00e0 une distribution purement al\u00e9atoire. Si les conditions exp\u00e9rimentales n’exercent aucune influence sur la variable d\u00e9pendante, l’attribution des rangs pour chaque sujet oscillera de mani\u00e8re \u00e9quiprobable entre les diff\u00e9rentes modalit\u00e9s. D\u00e8s lors que l’une des conditions engendre syst\u00e9matiquement des rangs sup\u00e9rieurs ou inf\u00e9rieurs chez la majorit\u00e9 des sujets, le test d\u00e9c\u00e8le cette rupture d’homog\u00e9n\u00e9it\u00e9 stochastique pour conclure \u00e0 une diff\u00e9rence significative entre les distributions observ\u00e9es.<\/p>\n

Dans la recherche psychologique contemporaine, cette m\u00e9thode se r\u00e9v\u00e8le d’une pertinence absolue face aux mesures ordinales pures, telles que les questionnaires d’\u00e9valuation de la douleur, les \u00e9chelles d’humeur ou les cotations cliniques psychiatriques, dont les intervalles num\u00e9riques ne garantissent en rien une \u00e9quidistance m\u00e9trique sous-jacente. Elle s’applique avec une \u00e9gale efficacit\u00e9 aux variables d’intervalle ou de ratio dont la distribution empirique s’\u00e9carte s\u00e9v\u00e8rement de la sym\u00e9trie attendue, emp\u00eachant toute mod\u00e9lisation lin\u00e9aire classique sans recourir \u00e0 des transformations math\u00e9matiques complexes et souvent artificielles.<\/p>\n

1.2 Applications typiques dans la recherche comportementale<\/h3>\n

L’exp\u00e9rimentation en psychologie comportementale et en neurosciences cognitives mobilise fr\u00e9quemment des paradigmes longitudinaux ou transversaux multi-conditions qui s’inscrivent parfaitement dans le champ d’application du test de Friedman. L’un des sc\u00e9narios d’application les plus fr\u00e9quents concerne l’\u00e9valuation de l’efficacit\u00e9 d’interventions th\u00e9rapeutiques longitudinales. Par exemple, un psychologue clinicien mesurant la symptomatologie d\u00e9pressive de patients \u00e0 l’aide de l’inventaire de d\u00e9pression de Beck \u00e0 trois temps charni\u00e8res \u2014 en phase pr\u00e9-th\u00e9rapeutique, imm\u00e9diatement \u00e0 l’issue de la th\u00e9rapie cognitivo-comportementale, et lors d’un suivi \u00e0 six mois \u2014 exploitera le test de Friedman pour d\u00e9terminer si la trajectoire clinique \u00e9volue de fa\u00e7on statistiquement d\u00e9celable au cours du temps, en d\u00e9pit de la nature discr\u00e8te et asym\u00e9trique des scores cliniques.<\/p>\n

Un autre pan exp\u00e9rimental majeur rel\u00e8ve de la psychopharmacologie cognitive et de la chronopsychologie, o\u00f9 l’on analyse les temps de r\u00e9action de participants soumis \u00e0 diverses substances psychoactives ou \u00e0 des niveaux progressifs de privation de sommeil. Les distributions de temps de r\u00e9action se caract\u00e9risent notoirement par une longue tra\u00eene vers les valeurs \u00e9lev\u00e9es (asym\u00e9trie positive prononc\u00e9e) et par la pr\u00e9sence occasionnelle de r\u00e9ponses aberrantes ou de distractions transitoires. L’utilisation du test de Friedman permet ici d’\u00e9tudier l’effet de ces conditions pharmacologiques sans que les valeurs extr\u00eames ne viennent distordre de mani\u00e8re disproportionn\u00e9e les r\u00e9sultats de l’inf\u00e9rence statistique.<\/p>\n

Enfin, la recherche sur les biais d\u00e9cisionnels, la psychologie sociale exp\u00e9rimentale et les \u00e9tudes d’ergonomie cognitive mobilisent abondamment des \u00e9chelles de Likert r\u00e9p\u00e9t\u00e9es pour \u00e9valuer la perception du risque, la confiance envers des interfaces num\u00e9riques ou le jugement moral selon plusieurs sc\u00e9narios hypoth\u00e9tiques. Dans ces situations, le recours aux rangs intra-individuels neutralise les biais d’ancrage personnel, o\u00f9 certains sujets n’utilisent que les valeurs m\u00e9dianes de l’\u00e9chelle tandis que d’autres s’orientent vers les extr\u00eames, permettant une comparaison transversale focalis\u00e9e sur la hi\u00e9rarchisation relative des conditions par chaque individu.<\/p>\n

1.3 Avantages et limites m\u00e9thodologiques<\/h3>\n

L’adoption du test de Friedman procure des atouts m\u00e9thodologiques substantiels, au premier rang desquels figure une robustesse totale face aux violations des postulats param\u00e9triques. Le test est totalement insensible \u00e0 la non-normalit\u00e9 des donn\u00e9es ainsi qu’\u00e0 la pr\u00e9sence de valeurs aberrantes univari\u00e9es, dans la mesure o\u00f9 un score extr\u00eame, qu’il d\u00e9passe la moyenne de deux ou de dix \u00e9carts-types, se verra attribuer exactement le m\u00eame rang maximal au sein de la ligne du participant. De plus, il conserve une puissance statistique tr\u00e8s satisfaisante au sein de cohortes cliniques de petite taille, fr\u00e9quemment rencontr\u00e9es en neuropsychologie ou en psychiatrie translationnelle, o\u00f9 l’effectif restreint emp\u00eache de v\u00e9rifier de mani\u00e8re fiable la conformit\u00e9 \u00e0 la loi normale par des tests d’ad\u00e9quation classiques.<\/p>\n

N\u00e9anmoins, la m\u00e9thode comporte des limitations \u00e9pist\u00e9mologiques et statistiques que le chercheur doit scrupuleusement \u00e9valuer avant d’arr\u00eater son plan d’analyse. La principale concession r\u00e9side dans la perte irr\u00e9versible d’information m\u00e9trique cons\u00e9cutive au passage des scores bruts vers les rangs ordinaux. Deux conditions diff\u00e9rant par un \u00e9cart quantitatif colossal recevront les rangs cons\u00e9cutifs 1 et 2, exactement de la m\u00eame mani\u00e8re que deux conditions ne diff\u00e9rant que d’une fraction infinit\u00e9simale d’unit\u00e9. Cette propri\u00e9t\u00e9 r\u00e9duit la sensibilit\u00e9 du test de Friedman face \u00e0 de l\u00e9g\u00e8res variations quantitatives et affaiblit sa puissance statistique comparativement \u00e0 une ANOVA param\u00e9trique lorsque les postulats de cette derni\u00e8re sont pleinement respect\u00e9s.<\/p>\n

Par ailleurs, le test de Friedman classique demeure confin\u00e9 aux plans d’exp\u00e9rience unifactoriels simples \u00e0 mesures r\u00e9p\u00e9t\u00e9es. Il ne permet pas d’examiner directement des interactions factorielles complexes, telles que l’effet combin\u00e9 d’un facteur intra-sujet et d’un facteur inter-groupes (plans mixtes dits split-plot). Dans de telles configurations factorielles imbriqu\u00e9es, le chercheur devra obligatoirement se tourner vers des mod\u00e9lisations plus avanc\u00e9es, telles que les mod\u00e8les lin\u00e9aires mixtes ou les approches non param\u00e9triques factorielles g\u00e9n\u00e9ralis\u00e9es d\u00e9velopp\u00e9es par Akritas, Arnold et Brunner.<\/p>\n

2. Fondements math\u00e9matiques et comparaison avec l’ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es<\/h2>\n

2.1 Alg\u00e8bre du calcul de la statistique de Friedman<\/h3>\n

L’armature formelle du test de Friedman repose sur une matrice de donn\u00e9es organis\u00e9e en N blocs (g\u00e9n\u00e9ralement N participants) et k colonnes correspondant aux diff\u00e9rentes conditions de traitement ou points temporels mesur\u00e9s. Soit X l’observation associ\u00e9e au sujet i sous la condition j, avec i variant de 1 \u00e0 N, et j variant de 1 \u00e0 k. La premi\u00e8re \u00e9tape du calcul math\u00e9matique consiste \u00e0 remplacer, pour chaque sujet i pris individuellement, les valeurs observ\u00e9es par leurs rangs respectifs r(i, j), class\u00e9s par ordre croissant de 1 \u00e0 k. Si la condition pr\u00e9sente une valeur plus faible, elle re\u00e7oit le rang 1, et la valeur la plus \u00e9lev\u00e9e re\u00e7oit le rang k.<\/p>\n

Une fois l’ensemble de la matrice transform\u00e9 en rangs, la somme des rangs attribu\u00e9s \u00e0 chaque condition j est calcul\u00e9e en sommant les rangs sur l’ensemble des N participants :<\/p>\n

Rj<\/sub> = Somme pour i allant de 1 \u00e0 N de r(i, j)<\/p>\n

La moyenne th\u00e9orique globale des rangs pour chaque condition sous l’hypoth\u00e8se nulle d’\u00e9quivalence est d\u00e9finie par la quantit\u00e9 N(k + 1) \/ 2. La statistique de test de Friedman, conventionnellement not\u00e9e Q ou Fr, quantifie la d\u00e9viation quadratique pond\u00e9r\u00e9e des sommes de rangs observ\u00e9es par rapport \u00e0 cette esp\u00e9rance th\u00e9orique. Sa formulation alg\u00e9brique canonique, \u00e9tablie pour des donn\u00e9es d\u00e9nu\u00e9es d’\u00e9galit\u00e9s de rangs (ex \u00e6quo), s’exprime comme suit :<\/p>\n

Q = [12 \/ (N * k * (k + 1))] * [Somme pour j allant de 1 \u00e0 k de (Rj<\/sub>)2<\/sup>] – 3 * N * (k + 1)<\/p>\n

Lorsque l’\u00e9chantillon comporte des valeurs identiques au sein d’un m\u00eame bloc de sujet, des rangs moyens (dits rangs fractionnaires) sont attribu\u00e9s. La pr\u00e9sence substantielle d’ex \u00e6quo tend \u00e0 r\u00e9duire artificiellement la variance des rangs, ce qui n\u00e9cessite l’application d’un facteur de correction d’\u00e9chelle au d\u00e9nominateur de la formule. Soit ti,m<\/sub> le nombre de valeurs identiques dans le m-i\u00e8me groupe d’ex \u00e6quo pour le sujet i. Le terme correctif d’\u00e9galit\u00e9s C s’exprime par la somme, sur l’ensemble des groupes d’\u00e9galit\u00e9s, des quantit\u00e9s (t3<\/sup> – t). La statistique Q ajust\u00e9e devient alors le rapport entre la statistique Q initiale et le coefficient r\u00e9ducteur [1 – (C \/ (N * k * (k2<\/sup> – 1)))].<\/p>\n

Sur le plan distributionnel, lorsque la taille d’\u00e9chantillon N s’accro\u00eet vers l’infini pour un nombre de conditions k fix\u00e9, la statistique Q converge asymptotiquement vers une loi du Chi-deux dont le nombre de degr\u00e9s de libert\u00e9 est strictement \u00e9gal \u00e0 k – 1. Pour les \u00e9chantillons de tr\u00e8s petite dimension (par exemple N < 10 et k < 5), les logiciels modernes proc\u00e8dent parfois \u00e0 un calcul de probabilit\u00e9 exacte bas\u00e9 sur la distribution combinatoire compl\u00e8te des permutations de rangs possibles.<\/p>\n

2.2 Hypoth\u00e8ses nulle et alternative<\/h3>\n

La formulation rigoureuse des hypoth\u00e8ses statistiques conditionne l’interpr\u00e9tation exacte des r\u00e9sultats g\u00e9n\u00e9r\u00e9s par le test de Friedman. L’hypoth\u00e8se nulle (H0<\/sub>) \u00e9nonce qu’il n’existe aucune diff\u00e9rence syst\u00e9matique entre les distributions des variables associ\u00e9es aux k conditions exp\u00e9rimentales au sein de la population. Formul\u00e9 de mani\u00e8re stochastique, le postulat d’homog\u00e9n\u00e9it\u00e9 implique que pour chaque sujet, chacune des k! permutations possibles des rangs est rigoureusement \u00e9quiprobable. Sous l’hypoth\u00e8se nulle, la m\u00e9diane des rangs attribu\u00e9s \u00e0 chaque condition converge vers la valeur centrale commune (k + 1) \/ 2, traduisant l’absence totale d’effet de la modalit\u00e9 exp\u00e9rimentale sur le positionnement relatif des scores individuels.<\/p>\n

L’hypoth\u00e8se alternative (H1<\/sub>) stipule qu’au moins l’une des conditions exp\u00e9rimentales tend \u00e0 g\u00e9n\u00e9rer des scores syst\u00e9matiquement plus \u00e9lev\u00e9s ou plus faibles qu’au moins une autre condition, \u00e9tablissant ainsi une relation de sup\u00e9riorit\u00e9 ou d’inf\u00e9riorit\u00e9 stochastique ordinale. Il convient de souligner avec insistance que l’hypoth\u00e8se alternative du test de Friedman ne postule pas simplement une diff\u00e9rence entre les moyennes arithm\u00e9tiques des conditions \u2014 concept purement param\u00e9trique d\u00e9nu\u00e9 de sens sur des \u00e9chelles ordinales \u2014 mais bien un d\u00e9calage structurel dans les fonctions de r\u00e9partition empiriques sous-jacentes, se mat\u00e9rialisant par une distribution asym\u00e9trique des rangs pr\u00e9f\u00e9rentiels.<\/p>\n

Sur le plan probabiliste, le rejet du mod\u00e8le nul \u00e0 un seuil alpha pr\u00e9d\u00e9termin\u00e9 (usuellement 0,05) autorise le chercheur \u00e0 affirmer que les variations observ\u00e9es dans les classements relatifs intra-sujets ne rel\u00e8vent pas du hasard de l’\u00e9chantillonnage. N\u00e9anmoins, en raison de son caract\u00e8re omnibus, le test de Friedman ne permet pas d’inf\u00e9rer directement quelles conditions sp\u00e9cifiques diff\u00e8rent significativement les unes des autres. Il indique exclusivement la pr\u00e9sence d’une discordance globale dans la matrice des classements, n\u00e9cessitant imp\u00e9rativement une \u00e9tape ult\u00e9rieure de comparaisons multiples par paires.<\/p>\n

2.3 Crit\u00e8res d’arbitrage : ANOVA param\u00e9trique versus Friedman<\/h3>\n

Le choix entre l’ANOVA \u00e0 mesures r\u00e9p\u00e9t\u00e9es et le test de Friedman place r\u00e9guli\u00e8rement le m\u00e9thodologue face \u00e0 un compromis classique entre la puissance statistique maximale et la robustesse analytique. L’ANOVA univari\u00e9e \u00e0 mesures r\u00e9p\u00e9t\u00e9es requiert la validation conjointe de deux exigences fondamentales : la normalit\u00e9 multidimensionnelle des distributions conditionnelles (ou du moins la normalit\u00e9 univari\u00e9e des r\u00e9sidus de l’estimation lin\u00e9aire) et l’hypoth\u00e8se de sph\u00e9ricit\u00e9, formellement \u00e9valu\u00e9e par le test de sph\u00e9ricit\u00e9 de Mauchly<\/a>. La sph\u00e9ricit\u00e9 exige que les variances de toutes les diff\u00e9rences possibles calcul\u00e9es entre chaque paire de conditions exp\u00e9rimentales soient rigoureusement homog\u00e8nes.<\/p>\n

Lorsque la sph\u00e9ricit\u00e9 est viol\u00e9e dans une ANOVA, le taux d’erreur de premi\u00e8re esp\u00e8ce s’\u00e9l\u00e8ve dramatiquement au-dessus du seuil nominal d’erreur consenti, for\u00e7ant l’application de correctifs d’aplatissement des degr\u00e9s de libert\u00e9 tels que les proc\u00e9dures de Greenhouse-Geisser ou de Huynh-Feldt. Si, en sus de cette rupture de sph\u00e9ricit\u00e9, la distribution des donn\u00e9es pr\u00e9sente une forte asym\u00e9trie ou un aplatissement marqu\u00e9 (kurtosis pathologique), la fiabilit\u00e9 des valeurs p de l’ANOVA s’effondre. Le test de Friedman, n’impliquant aucune consid\u00e9ration de variances de diff\u00e9rences ou de covariances inter-conditions, s’av\u00e8re totalement insensible \u00e0 la violation de la sph\u00e9ricit\u00e9. Il constitue donc le choix de pr\u00e9dilection lorsque le plan exp\u00e9rimental g\u00e9n\u00e8re des variances d’erreurs fortement h\u00e9t\u00e9rog\u00e8nes entre les \u00e9tapes du suivi temporel.<\/p>\n

Inversement, si les donn\u00e9es sont mesur\u00e9es sur une \u00e9chelle d’intervalle v\u00e9rifi\u00e9e, que la taille d’\u00e9chantillon N est substantielle (par exemple N > 30 ou 50 participants, permettant au th\u00e9or\u00e8me central limite d’op\u00e9rer sur les distributions moyennes) et que les diagrammes de dispersion confirment la quasi-lin\u00e9arit\u00e9 des profils, l’ANOVA conserve une efficacit\u00e9 sup\u00e9rieure. L’arbitrage final repose donc sur un arbre d\u00e9cisionnel clair : face \u00e0 des scores d’\u00e9chelles de Likert, des classements de pr\u00e9f\u00e9rence, des donn\u00e9es discr\u00e8tes tronqu\u00e9es ou des \u00e9chantillons cliniques restreints pr\u00e9sentant des \u00e9carts indiscutables \u00e0 la loi normale, le test de Friedman doit \u00eatre syst\u00e9matiquement pr\u00e9f\u00e9r\u00e9 pour pr\u00e9munir l’analyse contre les conclusions erron\u00e9es.<\/p>\n

3. Conditions d’application et postulats statistiques du test<\/h2>\n

3.1 Conception du plan exp\u00e9rimental et d\u00e9pendance des mesures<\/h3>\n

L’impl\u00e9mentation l\u00e9gitime du test de Friedman exige une rigueur scrupuleuse dans l’architecture du protocole d’exp\u00e9rimentation. Le postulat fondamental r\u00e9side dans l’appariement parfait des observations : le plan doit \u00eatre constitu\u00e9 d’une collection de N blocs ind\u00e9pendants, chaque bloc \u00e9tant compos\u00e9 d’une unit\u00e9 statistique unique (le sujet humain, l’animal de laboratoire ou le groupe unitaire) mesur\u00e9e de fa\u00e7on exhaustive sous chacune des k modalit\u00e9s de la variable ind\u00e9pendante. L’ind\u00e9pendance statistique entre les diff\u00e9rents blocs constitue une exigence absolue : les performances, r\u00e9ponses ou scores d’un participant donn\u00e9 ne doivent en aucun cas influencer ou \u00eatre corr\u00e9l\u00e9s avec les scores d’un autre participant.<\/p>\n

Une exigence structurelle stricte concerne le caract\u00e8re complet et \u00e9quilibr\u00e9 de la matrice de donn\u00e9es. Le test classique de Friedman ne tol\u00e8re aucune cellule vide ou donn\u00e9e manquante au sein du tableau exp\u00e9rimental. Si un participant n’a pas compl\u00e9t\u00e9 l’\u00e9valuation lors de la troisi\u00e8me condition d’un protocole, la structure de rangs intra-blocs devient asym\u00e9trique et la formule canonique de la statistique de Friedman est invalid\u00e9e. Le plan doit donc obligatoirement \u00eatre un plan en blocs complets randomis\u00e9s (Randomized Complete Block Design, RCBD).<\/p>\n

Sur le plan m\u00e9thodologique de l’exp\u00e9rimentation comportementale, le chercheur doit imp\u00e9rativement s’assurer que l’assignation de l’ordre d’administration des k conditions exp\u00e9rimentales fait l’objet d’une contre-balancement rigoureux (par exemple par carr\u00e9 latin \u00e9quilibr\u00e9 ou randomisation compl\u00e8te des s\u00e9quences) lorsque le protocole le permet. Cette pr\u00e9caution est indispensable pour neutraliser les redoutables effets de report, d’apprentissage, d’habituation ou de fatigue cognitive qui viendraient syst\u00e9matiquement fausser l’attribution des rangs intra-sujets au d\u00e9triment ou au b\u00e9n\u00e9fice d’une condition temporelle sp\u00e9cifique.<\/p>\n

3.2 Niveau de mesure des variables d\u00e9pendantes<\/h3>\n

L’\u00e9ligibilit\u00e9 des donn\u00e9es au test de Friedman impose que la variable d\u00e9pendante d’int\u00e9r\u00eat soit mesur\u00e9e \u00e0 un niveau d’\u00e9chelle au minimum ordinale. Ce crit\u00e8re implique formellement que pour toute paire d’observations issues d’un m\u00eame sujet, l’exp\u00e9rimentateur soit capable d’\u00e9tablir de mani\u00e8re univoque une relation d’ordre strict : la performance sous la condition A est soit strictement sup\u00e9rieure, soit strictement inf\u00e9rieure, soit rigoureusement \u00e9gale \u00e0 la performance observ\u00e9e sous la condition B. Si les donn\u00e9es rel\u00e8vent d’une \u00e9chelle purement nominale ou cat\u00e9gorielle non ordonn\u00e9e (telles que des choix de typologies sans gradation qualitative), le test de Friedman est structurellement inop\u00e9rant, et des analyses d’homog\u00e9n\u00e9it\u00e9 marginale comme le test Q de Cochran devront \u00eatre mobilis\u00e9es.<\/p>\n

Les variables continues quantitatives (mesur\u00e9es sur \u00e9chelles d’intervalles ou de rapports) sont naturellement admissibles au test de Friedman d\u00e8s lors qu’elles subissent une conversion ordinale, ce qui est recommand\u00e9 lorsqu’elles pr\u00e9sentent des distributions r\u00e9fractaires aux hypoth\u00e8ses param\u00e9triques. Il convient toutefois de surveiller avec vigilance la pr\u00e9sence de variables discr\u00e8tes caract\u00e9ris\u00e9es par un nombre extr\u00eamement restreint de modalit\u00e9s de r\u00e9ponse (par exemple une \u00e9chelle en trois points seulement) conjugu\u00e9 \u00e0 une variance minime. Une telle situation g\u00e9n\u00e8re une prolif\u00e9ration massive d’ex \u00e6quo intra-sujets, ce qui a pour effet de d\u00e9grader la puissance du test et de biaiser l’approximation asymptotique par la loi du Chi-deux.<\/p>\n

De surcro\u00eet, les instruments psychom\u00e9triques soumis \u00e0 de s\u00e9v\u00e8res effets de plafond (o\u00f9 une majorit\u00e9 de participants atteignent le score maximal possible) ou d’effets de plancher (accumulation artificielle de scores nuls) posent des d\u00e9fis analytiques consid\u00e9rables. Si ces saturations d’\u00e9chelles s’\u00e9tendent uniform\u00e9ment sur plusieurs conditions, de nombreux sujets se retrouveront avec des rangs ex \u00e6quo identiques et invariants, st\u00e9rilisant la capacit\u00e9 de l’outil statistique \u00e0 discriminer les effets r\u00e9els des traitements administr\u00e9s.<\/p>\n

3.3 V\u00e9rification diagnostique pr\u00e9liminaire<\/h3>\n

Avant d’engager le calcul proprement dit du test de Friedman, une d\u00e9marche diagnostique syst\u00e9matique doit \u00eatre d\u00e9ploy\u00e9e sur les donn\u00e9es empiriques afin d’authentifier la n\u00e9cessit\u00e9 du recours \u00e0 une mod\u00e9lisation non param\u00e9trique. La premi\u00e8re \u00e9tape exploratoire consiste \u00e0 v\u00e9rifier la distribution de la variable d\u00e9pendante au sein de chaque condition exp\u00e9rimentale ainsi que sur les s\u00e9ries de diff\u00e9rences appari\u00e9es. Le test de normalit\u00e9 de Shapiro-Wilk<\/a> repr\u00e9sente le standard statistique pr\u00e9f\u00e9rentiel pour appr\u00e9cier formellement la conformit\u00e9 des donn\u00e9es \u00e0 une loi normale dans les \u00e9chantillons de taille petite \u00e0 mod\u00e9r\u00e9e (N inf\u00e9rieur \u00e0 50). Un rejet significatif de l’hypoth\u00e8se de normalit\u00e9 (valeur p inf\u00e9rieure \u00e0 0,05) sur plusieurs modalit\u00e9s justifie formellement le renoncement \u00e0 l’ANOVA param\u00e9trique.<\/p>\n

L’exploration visuelle constitue le corollaire indispensable des tests d’ad\u00e9quation formels. Le statisticien construira des diagrammes quantile-quantile (Q-Q plots) confrontant les quantiles de l’\u00e9chantillon aux quantiles th\u00e9oriques d’une distribution gaussienne standardis\u00e9e, permettant d’identifier imm\u00e9diatement des d\u00e9viations caract\u00e9ristiques telles que des queues de distribution \u00e9paisses, une bimodalit\u00e9 latente ou une asym\u00e9trie prononc\u00e9e. Parall\u00e8lement, des diagrammes en bo\u00eete \u00e0 moustaches (boxplots) transversaux doivent \u00eatre \u00e9labor\u00e9s pour rep\u00e9rer les points de donn\u00e9es influents ou valeurs aberrantes (outliers) susceptibles de d\u00e9stabiliser une mod\u00e9lisation bas\u00e9e sur la moyenne arithm\u00e9tique.<\/p>\n

Enfin, le chercheur doit inspecter m\u00e9ticuleusement la matrice globale pour diagnostiquer d’\u00e9ventuels ph\u00e9nom\u00e8nes d’attrition lors du suivi des participants. Si des donn\u00e9es manquantes sont constat\u00e9es, une r\u00e9flexion m\u00e9thodologique doit d\u00e9terminer si ces pertes de donn\u00e9es rel\u00e8vent d’un m\u00e9canisme purement al\u00e9atoire (Missing Completely at Random, MCAR) ou si elles s’av\u00e8rent imputables \u00e0 l’intol\u00e9rance sp\u00e9cifique d’un traitement exp\u00e9rimental. La suppression pure et simple des sujets incomplets (suppression par liste ou listwise deletion), bien que techniquement commode pour r\u00e9tablir une matrice compl\u00e8te indispensable \u00e0 Friedman, peut introduire un biais de s\u00e9lection majeur qui devra \u00eatre document\u00e9 et discut\u00e9 de mani\u00e8re transparente.<\/p>\n

4. Pr\u00e9paration de l’environnement Python et biblioth\u00e8ques requises<\/h2>\n

4.1 Configuration de l’environnement d’analyse statistique<\/h3>\n

L’ex\u00e9cution reproductible d’analyses biom\u00e9triques et psychom\u00e9triques complexes en Python requiert une structuration rigoureuse de l’environnement d’ex\u00e9cution. Il est vivement recommand\u00e9 d’isoler le projet au sein d’un environnement virtuel autonome (en utilisant des outils tels que Conda, venv ou Poetry) afin d’\u00e9viter tout conflit de d\u00e9pendances logicielles entre les versions des biblioth\u00e8ques de calcul num\u00e9rique. La standardisation de cet \u00e9cosyst\u00e8me garantit que les routines statistiques produiront des r\u00e9sultats num\u00e9riques strictement identiques lors de r\u00e9plications ult\u00e9rieures du script par d’autres \u00e9quipes de recherche scientifique.<\/p>\n

Au sein de cet environnement virtuel, l’utilisation des carnets interactifs Jupyter Notebook ou de l’environnement JupyterLab s’impose comme la pratique d’excellence pour l’exploration de donn\u00e9es scientifiques. Ces interfaces permettent de combiner de mani\u00e8re fluide des blocs narratifs m\u00e9thodologiques explicatifs, l’ex\u00e9cution pas-\u00e0-pas des instructions informatiques et l’affichage direct des visualisations graphiques de haute pr\u00e9cision. La conservation conjointe du code source et des commentaires textuels r\u00e9pond scrupuleusement aux exigences contemporaines de la science ouverte et de la tra\u00e7abilit\u00e9 des protocoles analytiques.<\/p>\n

La s\u00e9quence pr\u00e9liminaire de tout programme Python d\u00e9di\u00e9 \u00e0 cette analyse implique l’importation syst\u00e9matique et hi\u00e9rarchis\u00e9e des modules de r\u00e9f\u00e9rence. Les biblioth\u00e8ques standard du calcul scientifique matriciel et de la structuration de donn\u00e9es forment le socle indispensable sur lequel reposent l’ensemble des fonctionnalit\u00e9s statistiques sp\u00e9cialis\u00e9es. Ce socle assure la stabilit\u00e9 des types de donn\u00e9es manipul\u00e9s, \u00e9vitant ainsi les erreurs de conversion implicite qui pourraient d\u00e9naturer l’alignement des rangs ou la pr\u00e9cision des d\u00e9cimales des probabilit\u00e9s calcul\u00e9es.<\/p>\n

4.2 Aper\u00e7u de l’\u00e9cosyst\u00e8me Python pour les statistiques non param\u00e9triques<\/h3>\n

Le langage Python dispose d’un ensemble de packages particuli\u00e8rement riches et matures pour mener \u00e0 bien des analyses d’inf\u00e9rence non param\u00e9trique. Au c\u0153ur de cette architecture se trouve le package SciPy, et plus pr\u00e9cis\u00e9ment son sous-module scipy.stats<\/code>, qui regroupe les fonctions math\u00e9matiques fondamentales pour le calcul des probabilit\u00e9s, l’estimation des distributions continues et discr\u00e8tes, ainsi que l’ex\u00e9cution des tests d’hypoth\u00e8ses classiques. C’est en son sein que r\u00e9side l’impl\u00e9mentation algorithmique historique du test de Friedman via la fonction friedmanchisquare<\/code>, particuli\u00e8rement optimis\u00e9e pour la rapidit\u00e9 d’ex\u00e9cution sur de larges collections de vecteurs num\u00e9riques.<\/p>\n

Pour le chercheur en sciences sociales et cognitives, la biblioth\u00e8que Pingouin<\/a> constitue une extension logicielle de premier ordre. Con\u00e7ue sp\u00e9cifiquement pour combler le foss\u00e9 entre la syntaxe parfois aust\u00e8re de SciPy et les attentes ergonomiques des utilisateurs de logiciels comme R ou SPSS, Pingouin accepte directement des structures de donn\u00e9es tabulaires complexes et produit de mani\u00e8re native des tableaux r\u00e9capitulatifs exhaustifs int\u00e9grant degr\u00e9s de libert\u00e9, statistiques de test, valeurs p exactes et tailles d’effet associ\u00e9es, facilitant grandement la r\u00e9daction des manuscrits acad\u00e9miques.<\/p>\n

La pr\u00e9paration en amont des matrices exp\u00e9rimentales repose sur la biblioth\u00e8que Pandas, incontournable pour le chargement, le filtrage, le r\u00e9alignement indiciel et le remodelage tabulaire des s\u00e9ries temporelles. Parall\u00e8lement, NumPy assure la gestion vectorielle sous-jacente et les op\u00e9rations d’alg\u00e8bre lin\u00e9aire indispensables. Enfin, la restitution visuelle des distributions de donn\u00e9es s’appuie sur le tandem form\u00e9 par Matplotlib et Seaborn, offrant une flexibilit\u00e9 totale pour g\u00e9n\u00e9rer des figures d’une qualit\u00e9 esth\u00e9tique et typographique conforme aux crit\u00e8res de publication des plus grandes revues internationales de psychologie.<\/p>\n

5. Structuration et pr\u00e9traitement des donn\u00e9es psychom\u00e9triques<\/h2>\n

5.1 Organisation des formats large versus long<\/h3>\n

En statistique computationnelle et en manipulation de donn\u00e9es avec Pandas, la repr\u00e9sentation des donn\u00e9es longitudinales \u00e0 mesures r\u00e9p\u00e9t\u00e9es s’articule autour de deux formats fondamentaux : le format large (wide format) et le format long (long format). Comprendre la distinction et ma\u00eetriser la transition fluide entre ces deux structures est capital, car diff\u00e9rentes fonctions statistiques en Python exigent l’un ou l’autre de ces paradigmes organisationnels. Dans un format large, chaque ligne du tableau repr\u00e9sente un participant unique (identifi\u00e9 par un code alphanum\u00e9rique exclusif), et chaque condition exp\u00e9rimentale ou temps de mesure occupe une colonne distincte.<\/p>\n

Le format large est traditionnellement celui attendu par les fonctions d’inf\u00e9rence bas niveau de scipy.stats<\/code>, qui requi\u00e8rent le passage de plusieurs tableaux vectoriels distincts en arguments. \u00c0 l’inverse, le format long (ou format tidy) organise l’ensemble des observations au sein d’une seule et unique colonne de mesure de la variable d\u00e9pendante, tandis qu’une colonne distincte contient l’\u00e9tiquette de la condition exp\u00e9rimentale correspondante, et qu’une autre colonne documente l’identifiant individuel du sujet. Ce format long est imp\u00e9ratif pour l’utilisation de biblioth\u00e8ques modernes comme Pingouin ainsi que pour l’\u00e9laboration de graphiques factoriels avanc\u00e9s sous Seaborn.<\/p>\n

La transformation d’un format large vers un format long s’effectue ais\u00e9ment sous Pandas \u00e0 l’aide de la fonction melt()<\/code>. Cette m\u00e9thode prend en arguments l’identifiant invariant du participant, la liste des colonnes conditionnelles \u00e0 pivoter, ainsi que les d\u00e9signations textuelles souhait\u00e9es pour la nouvelle variable de condition et la nouvelle colonne de valeurs. R\u00e9ciproquement, le retour vers un format large s’op\u00e8re au moyen de la m\u00e9thode pivot()<\/code> ou pivot_table()<\/code>, assurant une conformit\u00e9 parfaite des index pour pr\u00e9server scrupuleusement la structure appari\u00e9e des donn\u00e9es intra-individuelles lors des calculs transversaux.<\/p>\n

5.2 Nettoyage et d\u00e9tection des donn\u00e9es manquantes<\/h3>\n

L’int\u00e9grit\u00e9 du protocole exp\u00e9rimental requiert une phase rigoureuse de d\u00e9tection et de traitement des valeurs manquantes (valeurs NaN ou Null dans les structures Pandas). \u00c9tant donn\u00e9 que le test de Friedman classique stipule un plan en blocs complets \u00e9quilibr\u00e9s, l’existence d’une seule cellule manquante pour un sujet sous l’une quelconque des conditions emp\u00eache m\u00e9caniquement le calcul du vecteur de rangs sur l’intervalle complet allant de 1 \u00e0 k. L’analyste doit en cons\u00e9quence scruter l’\u00e9tendue des absences de r\u00e9ponse \u00e0 l’aide des m\u00e9thodes isna()<\/code> et sum()<\/code> appliqu\u00e9es sur chaque colonne du DataFrame.<\/p>\n

Face \u00e0 des donn\u00e9es incompl\u00e8tes, la strat\u00e9gie conventionnelle la plus directe consiste en la suppression de la ligne enti\u00e8re du participant (suppression par liste via dropna()<\/code>). Toutefois, cette approche engendre une contraction de la puissance de l’\u00e9chantillon et peut introduire un biais si l’abandon d’un patient n’est pas le fruit du hasard pur. Si le taux d’attrition demeure marginal (par exemple inf\u00e9rieur \u00e0 5% de la cohorte), cette suppression par liste reste admise dans la litt\u00e9rature clinique non param\u00e9trique.<\/p>\n

Dans les configurations o\u00f9 la pr\u00e9servation de l’effectif s’av\u00e8re critique, des techniques d’imputation adapt\u00e9es aux donn\u00e9es ordinales ou longitudinales peuvent \u00eatre explor\u00e9es, telles que l’imputation par la m\u00e9diane conditionnelle ou des algorithmes d’imputation multiple par \u00e9quations cha\u00een\u00e9es (MICE). N\u00e9anmoins, toute m\u00e9thode d’imputation artificielle au sein d’un test bas\u00e9 sur des classements de rangs intra-sujets requiert des pr\u00e9cautions extr\u00eames pour ne pas induire des ex \u00e6quo artificiels d\u00e9naturant la variance r\u00e9elle des distributions individuelles observ\u00e9es.<\/p>\n

5.3 Transformation des donn\u00e9es en rangs intra-sujets<\/h3>\n

Pour appr\u00e9hender intimement la m\u00e9canique sous-jacente au test de Friedman, il est extr\u00eamement formateur de visualiser la transformation ordinale op\u00e9r\u00e9e directement sur les donn\u00e9es exp\u00e9rimentales \u00e0 l’aide de routines Pandas. Consid\u00e9rons une matrice de donn\u00e9es organis\u00e9e en format large, o\u00f9 les lignes figurent les participants et les colonnes figurent les diff\u00e9rentes \u00e9tapes du protocole. L’attribution des rangs intra-sujets s’effectue en appliquant la m\u00e9thode rank()<\/code> le long de l’axe horizontal des colonnes (param\u00e8tre axis=1).<\/p>\n

Par d\u00e9faut, face \u00e0 des scores strictement identiques pour un m\u00eame sujet, la m\u00e9thode applique la convention standard des rangs moyens (average ties), attribuant \u00e0 chaque valeur ex \u00e6quo la moyenne arithm\u00e9tique des rangs que ces valeurs auraient occup\u00e9s si elles avaient \u00e9t\u00e9 l\u00e9g\u00e8rement diff\u00e9rentes. Par exemple, si les deux scores les plus faibles d’un sujet sont rigoureusement \u00e9gaux, ils auraient th\u00e9oriquement d\u00fb occuper les rangs 1 et 2 ; ils se voient d\u00e8s lors assigner chacun le rang fractionnaire 1,5. Cette d\u00e9marche garantit une propri\u00e9t\u00e9 math\u00e9matique invariante fondamentale : la somme des rangs attribu\u00e9s au sein de chaque ligne de participant reste rigoureusement constante et \u00e9gale \u00e0 k * (k + 1) \/ 2.<\/p>\n

La g\u00e9n\u00e9ration et l’inspection visuelle de ce tableau transform\u00e9 en rangs permettent au chercheur de constater imm\u00e9diatement la redistribution relative des performances. L’observateur attentif peut rep\u00e9rer si une condition rassemble une concentration pr\u00e9pond\u00e9rante de rangs extr\u00eames (tels que des rangs syst\u00e9matiquement fix\u00e9s \u00e0 1 ou \u00e0 k), pr\u00e9figurant une divergence statistique significative lors du calcul global de la somme des rangs conditionnels.<\/p>\n

6. Ex\u00e9cution pas-\u00e0-pas du test de Friedman avec scipy.stats<\/h2>\n

6.1 Impl\u00e9mentation du sc\u00e9nario exp\u00e9rimental clinique<\/h3>\n

Afin d’illustrer la mise en \u0153uvre pratique sous Python, nous mod\u00e9lisons une \u00e9tude translationnelle classique en neuropsychopharmacologie comportementale. Soit une cohorte de 18 patients adultes pr\u00e9sentant des d\u00e9ficits de l’attention avec composante d’impulsivit\u00e9. Chaque patient est soumis de fa\u00e7on crois\u00e9e et contre-balanc\u00e9e \u00e0 trois traitements pharmacologiques distincts espac\u00e9s d’une p\u00e9riode de sevrage appropri\u00e9e : un Placebo inerte, une Mol\u00e9cule Standard de r\u00e9f\u00e9rence agissant sur le syst\u00e8me dopaminergique, et une Nouvelle Mol\u00e9cule agoniste cibl\u00e9e. La variable d\u00e9pendante mesur\u00e9e correspond au temps de r\u00e9action moyen (exprim\u00e9 en millisecondes) enregistr\u00e9 lors d’une t\u00e2che d’attention soutenue sur \u00e9cran tactile.<\/p>\n

Les donn\u00e9es brutes collect\u00e9es dans cette exp\u00e9rience pr\u00e9sentent une forte asym\u00e9trie positive ainsi que quelques valeurs singuli\u00e8rement ralenties dues \u00e0 des micro-sommeils chez certains patients, justifiant formellement l’abandon des tests param\u00e9triques. Pour structurer ce sc\u00e9nario dans Python, les mesures associ\u00e9es aux trois conditions sont instanci\u00e9es sous forme de trois vecteurs num\u00e9riques distincts \u00e0 l’aide de listes ou de tableaux unidimensionnels NumPy. Chaque \u00e9l\u00e9ment \u00e0 l’indice i des trois tableaux correspond imp\u00e9rativement aux scores observ\u00e9s chez le m\u00eame participant i, garantissant l’appariement rigoureux des donn\u00e9es.<\/p>\n

L’exploration descriptive inaugurale implique l’affichage des statistiques de position et de dispersion pour chaque modalit\u00e9 pharmacologique. En exploitant les fonctions vectorielles de NumPy ou de Pandas, le chercheur extrait pour chaque condition la m\u00e9diane ainsi que l’\u00e9cart interquartile (diff\u00e9rence entre le 75e et le 25e percentile). La pr\u00e9sentation conjointe de la m\u00e9diane et de l’intervalle interquartile offre une synth\u00e8se descriptive fid\u00e8le et non sensible aux valeurs extr\u00eames, pr\u00e9parant le terrain pour la mod\u00e9lisation formelle.<\/p>\n

6.2 Utilisation de la fonction friedmanchisquare()<\/h3>\n

L’ex\u00e9cution computationnelle du test de Friedman au sein de l’\u00e9cosyst\u00e8me SciPy est d\u00e9l\u00e9gu\u00e9e \u00e0 la fonction friedmanchisquare<\/code> log\u00e9e dans le module scipy.stats<\/code>. L’appel de cette routine se distingue par une syntaxe particuli\u00e8rement \u00e9pur\u00e9e : il suffit de passer en arguments positionnels successifs les diff\u00e9rents vecteurs ou s\u00e9ries repr\u00e9sentatifs de chaque condition exp\u00e9rimentale. La fonction prend en charge de fa\u00e7on transparente le contr\u00f4le dimensionnel des tableaux, s’assurant que l’ensemble des vecteurs soumis pr\u00e9sentent une longueur vectorielle rigoureusement identique, mat\u00e9rialisant l’\u00e9quilibre complet du plan factoriel.<\/p>\n

En coulisses, l’algorithme interne de SciPy assemble les vecteurs en une matrice bidimensionnelle, ex\u00e9cute le classement par rangs le long de chaque ligne de participant en appliquant la correction standard pour les ex \u00e6quo, calcule les sommes de rangs conditionnelles, et r\u00e9sout l’\u00e9quation alg\u00e9brique de la statistique de Friedman Q. La fonction retourne un objet de r\u00e9sultat composite contenant deux attributs num\u00e9riques cardinaux : la statistique de test calcul\u00e9e (assimil\u00e9e sous l’angle asymptotique \u00e0 la valeur statistique du Chi-deux) et la p-valeur associ\u00e9e (valeur p bilat\u00e9rale d\u00e9coulant de la fonction de r\u00e9partition de la loi du Chi-deux avec k – 1 degr\u00e9s de libert\u00e9).<\/p>\n

Il importe de noter que friedmanchisquare<\/code> proc\u00e8de exclusivement \u00e0 une estimation asymptotique de la p-valeur. Si le nombre de participants N est particuli\u00e8rement restreint (par exemple inf\u00e9rieur \u00e0 6), l’approximation par la loi continue du Chi-deux peut se r\u00e9v\u00e9ler l\u00e9g\u00e8rement impr\u00e9cise par rapport \u00e0 une distribution combinatoire exacte des permutations de rangs. N\u00e9anmoins, pour des effectifs cliniques usuels (N sup\u00e9rieur \u00e0 12 ou 15), la convergence distributionnelle est remarquablement robuste et assure une pr\u00e9cision inf\u00e9rentielle largement suffisante pour les exigences de la recherche exp\u00e9rimentale.<\/p>\n

6.3 Interpr\u00e9tation statistique des sorties num\u00e9riques<\/h3>\n

L’obtention des r\u00e9sultats num\u00e9riques d\u00e9livr\u00e9s par scipy.stats.friedmanchisquare<\/code> constitue le point de d\u00e9part de l’interpr\u00e9tation statistique formelle. Supposons que l’ex\u00e9cution de la fonction sur nos donn\u00e9es pharmacologiques g\u00e9n\u00e8re une valeur de statistique Q \u00e9gale \u00e0 14,33 et une valeur p correspondante de 0,00077. La premi\u00e8re \u00e9tape \u00e9valuative consiste \u00e0 confronter cette probabilit\u00e9 empirique au seuil de significativit\u00e9 alpha conventionnellement arr\u00eat\u00e9 \u00e0 0,05 dans la communaut\u00e9 scientifique.<\/p>\n

La valeur p observ\u00e9e \u00e9tant tr\u00e8s nettement inf\u00e9rieure au seuil alpha critique de 0,05, nous sommes fond\u00e9s \u00e0 rejeter sans ambigu\u00eft\u00e9 l’hypoth\u00e8se nulle H0<\/sub> d’\u00e9galit\u00e9 distributionnelle des temps de r\u00e9action entre les trois conditions de traitement. Une telle probabilit\u00e9 indique que si les trois traitements m\u00e9dicamenteux exer\u00e7aient des effets strictement indiscernables sur l’attention des participants, la probabilit\u00e9 d’obtenir par simple hasard d’\u00e9chantillonnage une telle disparit\u00e9 dans l’assignation des rangs intra-sujets serait inf\u00e9rieure \u00e0 8 chances sur 10 000.<\/p>\n

Cependant, le chercheur doit se garder de tirer des conclusions pr\u00e9cipit\u00e9es quant \u00e0 la sup\u00e9riorit\u00e9 intrins\u00e8que de la Nouvelle Mol\u00e9cule sur la Mol\u00e9cule Standard \u00e0 ce stade de l’analyse. La fonction friedmanchisquare<\/code> agit comme un test omnibus global : elle valide incontestablement l’existence d’une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 significative dans l’efficacit\u00e9 des traitements, mais elle demeure totalement muette quant \u00e0 la localisation pr\u00e9cise des divergences. De surcro\u00eet, la sortie native de SciPy n’int\u00e8gre ni le calcul de la taille d’effet standardis\u00e9e, ni le d\u00e9tail des degr\u00e9s de libert\u00e9, n\u00e9cessitant le d\u00e9ploiement d’outils analytiques compl\u00e9mentaires pour parvenir \u00e0 une restitution scientifique exhaustive.<\/p>\n

7. Approche alternative et avanc\u00e9e avec la biblioth\u00e8que Pingouin<\/h2>\n

7.1 Avantages de Pingouin pour les chercheurs en psychologie<\/h3>\n

Bien que scipy.stats<\/code> offre des performances brutes remarquables, la biblioth\u00e8que Pingouin<\/a> s’est impos\u00e9e ces derni\u00e8res ann\u00e9es comme l’environnement de r\u00e9f\u00e9rence pour les statisticiens et psychologues computationnels. Con\u00e7ue par le neuroscientifique Rapha\u00ebl Vallat, Pingouin a \u00e9t\u00e9 pens\u00e9e d\u00e8s sa gen\u00e8se pour s’int\u00e9grer harmonieusement avec les flux de travail orient\u00e9s donn\u00e9es tabulaires sous Pandas. Contrairement aux fonctions classiques de SciPy qui exigent des vecteurs d\u00e9coup\u00e9s en variables distinctes, les m\u00e9thodes de Pingouin op\u00e8rent directement sur des DataFrames organis\u00e9s en format long.<\/p>\n

L’avantage cardinal de Pingouin r\u00e9side dans la richesse \u00e9ditoriale de ses sorties statistiques. Au lieu de renvoyer un simple tuple num\u00e9rique brut, la biblioth\u00e8que g\u00e9n\u00e8re syst\u00e9matiquement un nouveau DataFrame Pandas contenant l’int\u00e9gralit\u00e9 des m\u00e9triques requises par les protocoles de publication acad\u00e9mique les plus stricts : identification explicite de la source de variance, statistique de test, degr\u00e9s de libert\u00e9 du num\u00e9rateur, valeur p exacte arrondie aux d\u00e9cimales d’usage, ainsi que la taille d’effet standardis\u00e9e calcul\u00e9e de fa\u00e7on enti\u00e8rement automatis\u00e9e.<\/p>\n

De plus, la syntaxe d\u00e9clarative de Pingouin explicite de fa\u00e7on transparente l’architecture du plan exp\u00e9rimental en obligeant le chercheur \u00e0 nommer les colonnes correspondant respectivement \u00e0 la variable d\u00e9pendante, au facteur intra-sujet pr\u00e9dictif et \u00e0 l’identifiant individuel des participants. Cette formalisation r\u00e9duit drastiquement les risques d’inversion d’index ou d’erreurs d’appariement qui surviennent r\u00e9guli\u00e8rement lors de la manipulation manuelle de multiples vecteurs isol\u00e9s sous SciPy.<\/p>\n

7.2 Syntaxe et ex\u00e9cution de la m\u00e9thode friedman()<\/h3>\n

L’impl\u00e9mentation du test de Friedman sous Pingouin s’effectue via la m\u00e9thode pingouin.friedman()<\/code>. Pour appliquer cette fonction, le jeu de donn\u00e9es pharmacologiques pr\u00e9alablement structur\u00e9 en format long est soumis en premier argument. L’analyste sp\u00e9cifie ensuite les trois param\u00e8tres nominatifs fondamentaux : l’argument data<\/code> recevant le DataFrame, l’argument dv<\/code> (dependent variable) pointant vers la colonne textuelle d\u00e9signant la variable d\u00e9pendante des temps de r\u00e9action, l’argument within<\/code> identifiant la variable factorielle cat\u00e9gorielle des traitements administr\u00e9s, et l’argument subject<\/code> d\u00e9signant formellement la colonne contenant l’identifiant exclusif de chaque participant.<\/p>\n

L’ex\u00e9cution de cette seule ligne d’instruction d\u00e9clenche une cascade de traitements rigoureux : v\u00e9rification de l’\u00e9quilibre parfait du plan factoriel, r\u00e9organisation ordinale interne, calcul de la statistique de Friedman Q avec correction des \u00e9ventuels ex \u00e6quo, d\u00e9rivation probabiliste asymptotique et calcul automatique du coefficient de concordance W de Kendall mat\u00e9rialisant la taille de l’effet observ\u00e9. Le r\u00e9sultat retourn\u00e9 sous forme tabulaire pr\u00e9sente une structure standardis\u00e9e imm\u00e9diatement exploitable pour l’int\u00e9gration dans des cha\u00eenes de traitement automatis\u00e9es ou des rapports dynamiques.<\/p>\n

La comparaison syst\u00e9matique des r\u00e9sultats entre scipy.stats.friedmanchisquare()<\/code> et pingouin.friedman()<\/code> r\u00e9v\u00e8le une convergence math\u00e9matique rigoureusement parfaite sur la valeur statistique Q et la p-valeur associ\u00e9e. Cependant, la m\u00e9thodologie sous Pingouin supprime toute ambigu\u00eft\u00e9 sur les degr\u00e9s de libert\u00e9 (clairement document\u00e9s dans la colonne ‘ddof1’ \u00e0 k – 1) et enrichit instantan\u00e9ment le compte rendu d’analyse d’une quantification normalis\u00e9e de l’amplitude du ph\u00e9nom\u00e8ne \u00e9tudi\u00e9, fournissant une passerelle id\u00e9ale vers la phase d’\u00e9valuation de la pertinence clinique des donn\u00e9es comportementales.<\/p>\n

8. Calcul et interpr\u00e9tation de la taille d’effet : Le W de Kendall<\/h2>\n

8.1 Fondements du coefficient de concordance de Kendall<\/h3>\n

Dans la recherche contemporaine en psychologie exp\u00e9rimentale et en neurosciences, la communication exclusive d’une valeur p \u2014 aussi infinit\u00e9simale soit-elle \u2014 est jug\u00e9e m\u00e9thodologiquement insuffisante pour \u00e9tayer des conclusions scientifiques solides. La valeur p atteste uniquement de l’invraisemblance des donn\u00e9es empiriques sous l’hypoth\u00e8se nulle, mais ne renseigne en rien sur l’amplitude pratique, la magnitude ou la port\u00e9e concr\u00e8te de l’effet observ\u00e9. L’\u00e9valuation standardis\u00e9e de la taille d’effet constitue donc une obligation d\u00e9ontologique prescrite par les comit\u00e9s \u00e9ditoriaux internationaux, et dans le cadre sp\u00e9cifique du test de Friedman, cette m\u00e9trique est universellement incarn\u00e9e par le coefficient W de concordance de Kendall<\/a>.<\/p>\n

Le W de Kendall quantifie le degr\u00e9 d’harmonie ou d’accord global manifest\u00e9 par les N participants dans le classement ordonn\u00e9 des k conditions exp\u00e9rimentales. Sur le plan alg\u00e9brique, ce coefficient s’obtient directement par une normalisation lin\u00e9aire de la statistique de Friedman Q rapport\u00e9e \u00e0 sa valeur th\u00e9orique maximale absolue qui serait atteinte en situation d’accord parfait de tous les sujets. La formule canonique reliant W \u00e0 la statistique Q s’exprime ainsi :<\/p>\n

W = Q \/ [N * (k – 1)]<\/p>\n

Par construction math\u00e9matique, le coefficient de concordance de Kendall est strictement born\u00e9 au sein d’un intervalle th\u00e9orique s’\u00e9tendant de 0 \u00e0 1. Une valeur de W \u00e9gale \u00e0 0 traduit une absence totale de coh\u00e9rence interindividuelle : les classements des conditions par les diff\u00e9rents participants sont totalement discordants et s’annulent mutuellement, mat\u00e9rialisant l’absence compl\u00e8te d’effet unifi\u00e9 du facteur exp\u00e9rimental. \u00c0 l’oppos\u00e9, une valeur de W \u00e9gale \u00e0 1 refl\u00e8te une unanimit\u00e9 parfaite et absolue de l’ensemble des sujets : chaque participant de la cohorte ordonne les conditions selon une hi\u00e9rarchie strictement identique, attestant d’un impact exp\u00e9rimental massif et parfaitement homog\u00e8ne \u00e0 l’\u00e9chelle individuelle.<\/p>\n

8.2 Programmation du calcul du W de Kendall en Python<\/h3>\n

L’obtention computationnelle du coefficient W de Kendall en Python peut s’op\u00e9rer selon deux modalit\u00e9s distinctes. La premi\u00e8re consiste \u00e0 tirer parti de l’int\u00e9gration native au sein de la biblioth\u00e8que Pingouin, qui incorpore directement cette estimation dans le tableau r\u00e9capitulatif g\u00e9n\u00e9r\u00e9 par la fonction pingouin.friedman()<\/code>, au sein de la colonne intitul\u00e9e ‘W’. Cette prise en charge automatis\u00e9e \u00e9vite toute manipulation manuelle interm\u00e9diaire et garantit l’alignement strict des d\u00e9cimales avec les proc\u00e9dures math\u00e9matiques sous-jacentes.<\/p>\n

La seconde modalit\u00e9, particuli\u00e8rement pr\u00e9cieuse lorsque l’on op\u00e8re exclusivement avec scipy.stats<\/code> ou au sein de pipelines de calcul personnalis\u00e9s, r\u00e9side dans l’\u00e9criture d’une fonction algorithmique d\u00e9di\u00e9e. En codant une fonction recevant la statistique Q renvoy\u00e9e par SciPy ainsi que les dimensions dimensionnelles N (nombre de sujets) et k (nombre de conditions), le chercheur impl\u00e9mente directement l’\u00e9quation canonique. Pour consolider la robustesse de l’estimation sur le plan inf\u00e9rentiel, cette routine peut \u00eatre coupl\u00e9e \u00e0 une proc\u00e9dure de r\u00e9\u00e9chantillonnage non param\u00e9trique par bootstrap<\/a>. En r\u00e9\u00e9chantillonnant avec remplacement les lignes de blocs de participants un grand nombre de fois (par exemple 2 000 it\u00e9rations sous NumPy), il devient possible de d\u00e9river empiriquement un intervalle de confiance \u00e0 95% pour le W de Kendall, conf\u00e9rant une profondeur analytique remarquable \u00e0 la publication scientifique.<\/p>\n

La validation crois\u00e9e de cette fonction personnalis\u00e9e avec les sorties fournies par Pingouin permet d’attester de la rigueur arithm\u00e9tique de l’impl\u00e9mentation. Dans notre cohorte pharmacologique de 18 patients soumis \u00e0 trois conditions (N = 18, k = 3) ayant g\u00e9n\u00e9r\u00e9 une statistique Q de 14,33, l’application de la formule donne : W = 14,33 \/ (18 * (3 – 1)) = 14,33 \/ 36 = 0,398. Cette valeur fournit la quantification standardis\u00e9e indiscutable de l’amplitude de la concordance intra-sujets sous l’effet des traitements.<\/p>\n

8.3 Grilles d’interpr\u00e9tation pour la psychologie<\/h3>\n

L’interpr\u00e9tation qualitative de la magnitude du coefficient de concordance W de Kendall repose traditionnellement sur des grilles de r\u00e9f\u00e9rence inspir\u00e9es des conventions canoniques \u00e9tablies par Jacob Cohen pour les sciences comportementales. Bien que ces rep\u00e8res ne doivent jamais se substituer \u00e0 une appr\u00e9ciation clinique contextualis\u00e9e au domaine d’investigation sp\u00e9cifique, les seuils suivants font autorit\u00e9 au sein de la litt\u00e9rature internationale :<\/p>\n