Dans le champ contemporain des sciences comportementales, de la neuropsychologie et de la psychom\u00e9trie appliqu\u00e9e, la mod\u00e9lisation rigoureuse des protocoles \u00e0 mesures r\u00e9p\u00e9t\u00e9es constitue l’un des piliers m\u00e9thodologiques les plus critiques. Les chercheurs sont fr\u00e9quemment confront\u00e9s \u00e0 des devis exp\u00e9rimentaux intra-sujets au sein desquels une m\u00eame cohorte de participants subit de multiples conditions exp\u00e9rimentales, des \u00e9valuations longitudinales ou des variantes th\u00e9rapeutiques distinctes. Si l’analyse de variance \u00e0 mesures r\u00e9p\u00e9t\u00e9es (ANOVA) a longtemps constitu\u00e9 l’outil d’inf\u00e9rence privil\u00e9gi\u00e9, sa validit\u00e9 repose sur des postulats distributionnels particuli\u00e8rement restrictifs : normalit\u00e9 multidimensionnelle des r\u00e9sidus, homosc\u00e9dasticit\u00e9 et, par-dessus tout, la stricte sph\u00e9ricit\u00e9 des matrices de covariance (crit\u00e8re de Mauchly). Or, dans la r\u00e9alit\u00e9 clinique et exp\u00e9rimentale, les donn\u00e9es psychologiques r\u00e9colt\u00e9es reposent quasi syst\u00e9matiquement sur des \u00e9chelles de type Likert, des inventaires cliniques ordinaux, des scores born\u00e9s ou des latences de r\u00e9action caract\u00e9ris\u00e9es par une asym\u00e9trie marqu\u00e9e, violant de fait les exigences fondamentales des mod\u00e8les param\u00e9triques.<\/p>\n
Face \u00e0 ces contraintes distributionnelles, le recours \u00e0 la statistique non param\u00e9trique devient un imp\u00e9ratif m\u00e9thodologique incontournable. Le test de Friedman s’impose alors comme l’alternative classique pour \u00e9prouver l’hypoth\u00e8se globale d’\u00e9quivalence entre plusieurs conditions appari\u00e9es. N\u00e9anmoins, l’obtention d’une statistique de test omnibus significative \u00e0 l’issue de cette proc\u00e9dure soul\u00e8ve imm\u00e9diatement une impasse d\u00e9cisionnelle : si le test de Friedman permet de rejeter l’hypoth\u00e8se nulle selon laquelle l’ensemble des traitements produit des effets statistiquement identiques, il est par nature incapable d’isoler pr\u00e9cis\u00e9ment quelles paires de conditions diff\u00e8rent significativement les unes des autres. Se pr\u00e9cipiter sur des comparaisons bivari\u00e9es non corrig\u00e9es exposerait l’investigateur \u00e0 un p\u00e9ril statistique majeur : l’inflation dramatique de l’erreur de premi\u00e8re esp\u00e8ce (le risque alpha global), conduisant \u00e0 documenter des pseudo-d\u00e9couvertes scientifiques.<\/p>\n
C’est pr\u00e9cis\u00e9ment \u00e0 cette jonction critique de l’analyse inf\u00e9rentielle qu’intervient le test post-hoc de Nemenyi. Con\u00e7u sp\u00e9cifiquement pour faire suite au test de Friedman dans les plans en blocs complets randomis\u00e9s, le test de Nemenyi propose une proc\u00e9dure rigoureuse d’ajustement simultan\u00e9 pour comparaisons multiples par paires, fond\u00e9e sur la distribution de l’\u00e9tendue studentis\u00e9e. Au sein de l’\u00e9cosyst\u00e8me open-source moderne, le langage Python<\/a>, enrichi par des biblioth\u00e8ques scientifiques de pointe telles que SciPy<\/a>, Pingouin<\/a> et scikit-posthocs<\/a>, offre d\u00e9sormais un environnement de calcul performant et reproductible pour impl\u00e9menter cette analyse avanc\u00e9e. Cet article propose une exploration exhaustive, th\u00e9orique et appliqu\u00e9e, du test de Nemenyi en Python, guidant le chercheur depuis la formalisation math\u00e9matique des rangs jusqu’\u00e0 la restitution des r\u00e9sultats selon les normes acad\u00e9miques les plus strictes.<\/p>\n Dans la conduite de protocoles exp\u00e9rimentaux en psychologie cognitive ou clinique, la structuration intra-sujets (mesures r\u00e9p\u00e9t\u00e9es) pr\u00e9sente des avantages statistiques ind\u00e9niables, au premier rang desquels figure la neutralisation de la variance interindividuelle r\u00e9siduelle. En mesurant chaque sujet \u00e0 travers l’ensemble des niveaux d’une variable ind\u00e9pendante, le chercheur r\u00e9duit drastiquement le bruit de mesure associ\u00e9 aux diff\u00e9rences individuelles stables telles que l’intelligence fluide, les traits de personnalit\u00e9 ou les facteurs g\u00e9n\u00e9tiques sous-jacents. Cependant, lorsqu’une proc\u00e9dure non param\u00e9trique omnibus telle que l’analyse de variance par rangs de Friedman signale un effet global significatif, la port\u00e9e heuristique de ce r\u00e9sultat demeure inachev\u00e9e. Rejeter l’hypoth\u00e8se nulle globale indique uniquement qu’au moins une condition produit des rangs diff\u00e9rents des autres, sans fournir la moindre indication sur la topographie de ces divergences.<\/p>\n La n\u00e9cessit\u00e9 de d\u00e9passer l’analyse globale implique donc de tester des contrastes par paires (pairwise comparisons). Toutefois, la r\u00e9alisation na\u00efve de multiples tests d’hypoth\u00e8ses sur un m\u00eame jeu de donn\u00e9es engendre le ph\u00e9nom\u00e8ne redout\u00e9 de l’inflation de l’erreur de premi\u00e8re esp\u00e8ce, d\u00e9sign\u00e9 sous le terme technique de taux d’erreur par famille d’hypoth\u00e8ses (Family-Wise Error Rate, FWER). Si un chercheur \u00e9value quatre conditions th\u00e9rapeutiques distinctes sans contr\u00f4le de l’al\u00e9a, le nombre de combinaisons par paires s’\u00e9l\u00e8ve \u00e0 six. En appliquant le seuil conventionnel alpha de 0,05 \u00e0 chaque comparaison isol\u00e9e, la probabilit\u00e9 cumul\u00e9e de commettre au moins une erreur de type I s’\u00e9l\u00e8ve math\u00e9matiquement \u00e0 1 – (1 – 0,05)^6, soit environ 26,5 %. Plus d’une chance sur quatre existe alors d’affirmer \u00e0 tort l’existence d’une sup\u00e9riorit\u00e9 th\u00e9rapeutique purement artefactuelle.<\/p>\n Cette pr\u00e9occupation m\u00e9thodologique est particuli\u00e8rement aigu\u00eb dans le champ des sciences psychologiques, o\u00f9 la r\u00e9plicabilit\u00e9 des r\u00e9sultats fait l’objet d’une vigilance \u00e9pist\u00e9mologique accrue. Les variables psychom\u00e9triques r\u00e9colt\u00e9es ne satisfont presque jamais les postulats gaussiens : les \u00e9chelles composites d’anxi\u00e9t\u00e9 (comme le score HAM-A), de d\u00e9pression (BDI-II), ou les \u00e9valuations subjectives sur \u00e9chelles ordinales d’appr\u00e9ciation cognitive pr\u00e9sentent structurellement des planchers, des plafonds ou des asym\u00e9tries prononc\u00e9es. Dans ces contextes o\u00f9 la m\u00e9trique sous-jacente est ordinale et les distributions r\u00e9solument non normales, l’application d’un test post-hoc con\u00e7u sp\u00e9cifiquement pour le traitement des rangs appari\u00e9s s’av\u00e8re l’unique garantie d’une inf\u00e9rence valide.<\/p>\n Sur le plan de l’histoire de la statistique th\u00e9orique, la proc\u00e9dure de Nemenyi a \u00e9t\u00e9 formalis\u00e9e par Peter Nemenyi dans sa th\u00e8se de doctorat soutenue \u00e0 l’Universit\u00e9 de Princeton en 1963, intitul\u00e9e Distribution-free Multiple Comparisons<\/em>. Les travaux de Nemenyi s’inscrivent dans l’\u00e2ge d’or du d\u00e9veloppement des m\u00e9thodes statistiques non param\u00e9triques, men\u00e9 conjointement par des pionniers tels que Frank Wilcoxon, Milton Friedman et John Tukey. L’ambition fondamentale de Nemenyi \u00e9tait de combler un vide m\u00e9thodologique flagrant : alors que John Tukey avait magistralement \u00e9tabli sa proc\u00e9dure de la diff\u00e9rence honn\u00eatement significative (Tukey HSD) pour les comparaisons multiples param\u00e9triques bas\u00e9es sur l’\u00e9tendue studentis\u00e9e, aucune solution rigoureusement sym\u00e9trique n’existait pour les protocoles en blocs complets randomis\u00e9s non param\u00e9triques.<\/p>\n Le test post-hoc de Nemenyi se positionne ainsi, d’un point de vue structural, comme l’\u00e9quivalent direct du test HSD de Tukey pour les donn\u00e9es trait\u00e9es selon la logique de classement par rangs de Friedman. Contrairement aux approches par permutations a posteriori ou aux adaptations empiriques bas\u00e9es sur des approximations asymptotiques locales, la proc\u00e9dure de Nemenyi formalise une statistique de distance critique commune applicable \u00e0 l’ensemble des contrastes possibles. Ce cadre th\u00e9orique postule que l’ensemble des conditions est \u00e9valu\u00e9 sur les m\u00eames unit\u00e9s exp\u00e9rimentales, garantissant ainsi un traitement uniforme de la d\u00e9pendance s\u00e9rielle inh\u00e9rente aux protocoles \u00e0 mesures r\u00e9p\u00e9t\u00e9es.<\/p>\n Dans la recherche contemporaine en neurosciences cognitives, en psychopharmacologie et en mod\u00e9lisation comportementale, l’approche de Nemenyi jouit d’une l\u00e9gitimit\u00e9 \u00e9pist\u00e9mologique pr\u00e9pond\u00e9rante. Lorsque des chercheurs mesurent les performances attentionnelles d’un groupe sous trois mol\u00e9cules distinctes ou \u00e9valuent l’activation neuronale dans des r\u00e9gions d’int\u00e9r\u00eat au cours de quatre t\u00e2ches ex\u00e9cutives cons\u00e9cutives, la structure des donn\u00e9es impose une robustesse sans faille face aux d\u00e9viations de distribution. L’utilisation du test de Nemenyi atteste d’une d\u00e9marche scientifique rigoureuse, soucieuse de ne pas contraindre artificiellement des donn\u00e9es psychom\u00e9triques dans des mod\u00e8les gaussiens inadapt\u00e9s tout en maintenant un verrouillage math\u00e9matique \u00e9tanche sur le risque d’erreur de premi\u00e8re esp\u00e8ce.<\/p>\n L’objectif de cet article est de doter les chercheurs, analystes de donn\u00e9es et cliniciens d’un guide m\u00e9thodologique et pratique complet pour conduire le test post-hoc de Nemenyi dans l’\u00e9cosyst\u00e8me computationnel Python. Bien que la litt\u00e9rature statistique internationale fournisse les principes abstraits du test, son op\u00e9rationnalisation concr\u00e8te soul\u00e8ve fr\u00e9quemment des difficult\u00e9s techniques : manipulation de formats de donn\u00e9es complexes, s\u00e9lection judicieuse des biblioth\u00e8ques, gestion des ex-aequo, et restitution narrative conforme aux exigences de l’American Psychological Association (APA).<\/p>\n Afin d’offrir une couverture exhaustive, la structure de ce guide s’articule autour de quatre axes majeurs :<\/p>\n Le point de d\u00e9part algorithmique du test de Nemenyi repose sur le protocole de transformation par rangs initi\u00e9 par le test de Friedman. Consid\u00e9rons une matrice de donn\u00e9es exp\u00e9rimentales comportant N<\/em> sujets (les blocs) \u00e9valu\u00e9s sous k<\/em> conditions exp\u00e9rimentales ou traitements. Contrairement \u00e0 une proc\u00e9dure non param\u00e9trique pour \u00e9chantillons ind\u00e9pendants (telle que celle de Kruskal-Wallis, qui classe l’ensemble des observations de fa\u00e7on globale du rang 1 \u00e0 N × k<\/em>), le classement de Friedman et Nemenyi s’op\u00e8re strictement \u00e0 l’int\u00e9rieur de chaque sujet individuel, c’est-\u00e0-dire ligne par ligne.<\/p>\n Pour chaque participant i<\/em> (avec i<\/em> variant de 1 \u00e0 N<\/em>), les scores observ\u00e9s \u00e0 travers les k<\/em> conditions sont ordonn\u00e9s de mani\u00e8re croissante. Le score le plus faible au sein de la ligne re\u00e7oit le rang 1, le score imm\u00e9diatement sup\u00e9rieur le rang 2, jusqu’au score le plus \u00e9lev\u00e9 qui se voit attribuer le rang k<\/em>. Ce classement intra-sujet neutralise instantan\u00e9ment l’amplitude absolue des scores du sujet ainsi que son niveau moyen de base : un individu pr\u00e9sentant un biais syst\u00e9matique de r\u00e9ponse (par exemple, une tendance \u00e0 noter syst\u00e9matiquement haut sur une \u00e9chelle psychom\u00e9trique) est ramen\u00e9 exactement \u00e0 la m\u00eame \u00e9chelle ordinale normalis\u00e9e que les autres participants de la cohorte.<\/p>\n Une fois cette op\u00e9ration de substitution matricielle effectu\u00e9e pour les N<\/em> blocs, le test calcule pour chaque condition exp\u00e9rimentale j<\/em> (avec j<\/em> variant de 1 \u00e0 k<\/em>) la somme de ses rangs, not\u00e9e Rj<\/sub><\/em>, puis la moyenne de ses rangs, d\u00e9sign\u00e9e par R̄j<\/sub> = Rj<\/sub> \/ N<\/em>. En vertu des propri\u00e9t\u00e9s arithm\u00e9tiques des permutations, la somme th\u00e9orique de tous les rangs attribu\u00e9s \u00e0 l’\u00e9chelle d’un sujet est invariante et \u00e9gale \u00e0 k(k + 1) \/ 2<\/em>. La moyenne th\u00e9orique des rangs sous l’hypoth\u00e8se nulle d’absence de diff\u00e9rence entre les conditions est ainsi rigoureusement identique pour chaque traitement et vaut (k + 1) \/ 2<\/em>. Une propri\u00e9t\u00e9 fondamentale de cette m\u00e9trique est son invariance absolue face \u00e0 toute transformation monotone croissante des scores d’origine : que la variable psychom\u00e9trique soit exprim\u00e9e en valeurs brutes, en logarithmes ou soumise \u00e0 une dilatation non lin\u00e9aire, le r\u00e9sultat inf\u00e9rentiel demeure parfaitement inchang\u00e9.<\/p>\n Le c\u0153ur op\u00e9ratoire de la proc\u00e9dure de Nemenyi r\u00e9side dans la d\u00e9finition d’un seuil m\u00e9trique unique au-del\u00e0 duquel la divergence entre deux rangs moyens est jug\u00e9e statistiquement significative \u00e0 un risque alpha pr\u00e9d\u00e9termin\u00e9. Cette valeur seuil est formellement appel\u00e9e la diff\u00e9rence critique (Critical Difference, not\u00e9e CD<\/em>). Deux conditions exp\u00e9rimentales A<\/em> et B<\/em> pr\u00e9sentent une divergence significative si et seulement si la valeur absolue de la diff\u00e9rence de leurs rangs moyens respectifs est strictement sup\u00e9rieure \u00e0 cette valeur seuil :<\/p>\n | R̄A<\/sub> – R̄B<\/sub> | > CD<\/strong><\/p>\n L’expression analytique exacte de la diff\u00e9rence critique est r\u00e9gie par l’\u00e9quation suivante :<\/p>\n CD = qα, k, ∞<\/sub> × √ [ (k × (k + 1)) \/ (6 × N) ]<\/strong><\/p>\n Dans cette formulation math\u00e9matique, chaque param\u00e8tre refl\u00e8te une dimension pr\u00e9cise du devis exp\u00e9rimental :<\/p>\n Il est fondamental de noter que l’amplitude de la diff\u00e9rence critique se contracte \u00e0 mesure que la taille d’\u00e9chantillon N<\/em> cro\u00eet, conf\u00e9rant au test une puissance accrue pour discriminer des variations subtiles d’effets dans les cohortes volumineuses. \u00c0 l’inverse, une augmentation du nombre de conditions k<\/em> accro\u00eet la valeur critique q<\/em> ainsi que le num\u00e9rateur sous la racine, traduisant le co\u00fbt statistique inh\u00e9rent \u00e0 la multiplication des combinaisons explor\u00e9es.<\/p>\n Face \u00e0 la n\u00e9cessit\u00e9 de conduire des comparaisons par paires apr\u00e8s un test de Friedman, le chercheur dispose d’alternatives m\u00e9thodologiques dont les fondements diff\u00e8rent profond\u00e9ment du test de Nemenyi. La strat\u00e9gie la plus fr\u00e9quemment rencontr\u00e9e dans la pratique consiste \u00e0 ex\u00e9cuter une s\u00e9rie de tests des rangs sign\u00e9s de Wilcoxon pour chaque paire possible de conditions, en appliquant manuellement une proc\u00e9dure d’ajustement de la p-valeur de type Bonferroni ou Holm. Bien qu’intuitive, cette approche pr\u00e9sente une rupture \u00e9pist\u00e9mologique : les tests de Wilcoxon r\u00e9assignent de nouveaux rangs bas\u00e9s exclusivement sur les diff\u00e9rences observ\u00e9es au sein de chaque paire isol\u00e9e, ignorant totalement la matrice globale des rangs \u00e9tablie lors de l’analyse omnibus. De surcro\u00eet, la correction classique de Bonferroni est r\u00e9put\u00e9e pour son hyper-conservatisme, accroissant notablement le risque de commettre des erreurs de deuxi\u00e8me esp\u00e8ce (b\u00eata).<\/p>\n Une seconde alternative r\u00e9side dans le test post-hoc de Conover-Iman (1979). Ce test repose sur une logique d’approximation par la loi de t<\/em> de Student appliqu\u00e9e directement aux rangs de Friedman, tout en int\u00e9grant la variance d’erreur r\u00e9siduelle du mod\u00e8le global. La m\u00e9thode de Conover-Iman s’av\u00e8re consid\u00e9rablement plus puissante (plus lib\u00e9rale) que celle de Nemenyi. Cependant, cette puissance statistique sup\u00e9rieure s’accompagne d’une vuln\u00e9rabilit\u00e9 accrue aux faux positifs d\u00e8s lors que les hypoth\u00e8ses d’homog\u00e9n\u00e9it\u00e9 des variances de rangs entre conditions sont mises \u00e0 mal.<\/p>\n Le test de Nemenyi se distingue par son conservatisme intrins\u00e8que et sa coh\u00e9rence structurelle avec l’esprit du test de Tukey HSD : il \u00e9value l’ensemble des contrastes sous une unique m\u00e9trique d’\u00e9tendue conjointe, r\u00e9gulant de mani\u00e8re inflexible le FWER sur l’ensemble de la famille des comparaisons. En recherche clinique et en neuropsychologie confirmatoire, ce conservatisme repr\u00e9sente une garantie essentielle pour pr\u00e9venir la prolif\u00e9ration de revendications th\u00e9rapeutiques infond\u00e9es.<\/p>\n L’ex\u00e9cution l\u00e9gitime du test post-hoc de Nemenyi est strictement conditionn\u00e9e par la validation pr\u00e9alable du test omnibus de Friedman. Con\u00e7u par l’\u00e9conomiste Milton Friedman en 1937, ce test constitue l’extension non param\u00e9trique de l’ANOVA \u00e0 un facteur intra-sujets pour plans en blocs al\u00e9atoires complets. Avant de mobiliser cette architecture d’analyse, le chercheur doit scrupuleusement auditer le respect de trois conditions m\u00e9thodologiques indispensables :<\/p>\n Dans le cadre formalis\u00e9 du test de Friedman, les hypoth\u00e8ses d’inf\u00e9rence statistique se d\u00e9finissent non pas sur les moyennes arithm\u00e9tiques ou les \u00e9carts-types des distributions (inop\u00e9rants en analyse non param\u00e9trique), mais sur les rangs moyens th\u00e9oriques ou les m\u00e9dianes sous-jacentes. L’hypoth\u00e8se nulle (H0<\/sub><\/em>) stipule qu’il n’existe aucune divergence syst\u00e9matique entre les conditions exp\u00e9rimentales au sein de la population parente :<\/p>\n H0<\/sub> : θ1<\/sub> = θ2<\/sub> = … = θk<\/sub><\/strong> (les distributions associ\u00e9es aux k<\/em> traitements sont interchangeables et poss\u00e8dent des rangs moyens th\u00e9oriques identiques \u00e9quivalents \u00e0 (k + 1) \/ 2<\/em>).<\/p>\n \u00c0 l’inverse, l’hypoth\u00e8se alternative (H1<\/sub><\/em>) ne postule pas une direction ordonn\u00e9e globale, mais affirme l’existence d’une rupture d’homog\u00e9n\u00e9it\u00e9 :<\/p>\n H1<\/sub> : Il existe au moins une condition j dont la distribution des rangs diff\u00e8re syst\u00e9matiquement des autres conditions.<\/strong><\/p>\n La statistique de test de Friedman, d\u00e9sign\u00e9e traditionnellement par Q<\/em> ou χ2<\/sup>F<\/sub>, suit asymptotiquement une loi du Chi-deux \u00e0 k – 1<\/em> degr\u00e9s de libert\u00e9 lorsque la taille d’\u00e9chantillon N<\/em> est suffisamment grande. La r\u00e8gle de d\u00e9cision inf\u00e9rentielle est unilat\u00e9rale : si la probabilit\u00e9 associ\u00e9e \u00e0 la statistique observ\u00e9e sous H0<\/sub><\/em> (la p-valeur) descend sous le seuil d’erreur alpha conventionnel (typiquement 0,05), l’hypoth\u00e8se nulle est rejet\u00e9e. Cette d\u00e9cision statistique formelle constitue le feu vert m\u00e9thodologique autorisant l’investigateur \u00e0 d\u00e9ployer l’analyse post-hoc de Nemenyi.<\/p>\n Dans la pratique contemporaine de l’analyse de donn\u00e9es, une d\u00e9rive fr\u00e9quente consiste \u00e0 s’affranchir du test omnibus de Friedman pour engager imm\u00e9diatement des comparaisons par paires cibl\u00e9es, sous pr\u00e9texte d’hypoth\u00e8ses th\u00e9oriques pr\u00e9alables (a priori). Bien que l’approche des contrastes planifi\u00e9s soit th\u00e9oriquement d\u00e9fendable dans un cadre param\u00e9trique lin\u00e9aire sous certaines conditions d’orthogonalit\u00e9 stricte, son extrapolation brute aux classements par rangs non param\u00e9triques comporte des p\u00e9rils statistiques majeurs.<\/p>\n L’omission du test omnibus expose l’analyste au risque syst\u00e9mique de d\u00e9couverte fortuite cons\u00e9cutive au dragage de donn\u00e9es (data dredging ou p-hacking involontaire). En explorant l’espace des diff\u00e9rences relatives sans v\u00e9rifier pr\u00e9alablement que la dispersion globale des rangs exc\u00e8de ce que le pur hasard de permutation peut g\u00e9n\u00e9rer, le chercheur fragilise consid\u00e9rablement la validit\u00e9 interne de son protocole. Dans les revues scientifiques \u00e0 comit\u00e9 de lecture en psychologie exp\u00e9rimentale et en neurosciences, l’\u00e9valuation par les pairs sanctionne syst\u00e9matiquement l’absence de test omnibus : la significativit\u00e9 pr\u00e9alable de Friedman est l’ancrage indispensable qui justifie le partitionnement subs\u00e9quent de la variance des rangs.<\/p>\n Le d\u00e9ploiement d’un pipeline d’analyse non param\u00e9trique robuste en Python requiert une combinaison cibl\u00e9e de biblioth\u00e8ques sp\u00e9cialis\u00e9es assurant le traitement matriciel, le calcul inf\u00e9rentiel et la restitution graphique. Pour mener \u00e0 bien le test de Friedman et sa suite de Nemenyi, quatre outils logiciels constituent l’ossature computationnelle de r\u00e9f\u00e9rence :<\/p>\n Afin de garantir la parfaite reproductibilit\u00e9 des calculs et de pr\u00e9venir tout conflit de d\u00e9pendances entre biblioth\u00e8ques math\u00e9matiques, il est vivement recommand\u00e9 d’isoler l’environnement analytique \u00e0 l’aide d’un gestionnaire d’environnements virtuels tel que Lors de l’initialisation de votre script ou de votre carnet interactif (Jupyter Notebook), il convient de proc\u00e9der \u00e0 l’importation propre et explicite des modules en consignant scrupuleusement leurs alias canoniques :<\/p>\n Une bonne pratique en psychom\u00e9trie computationnelle consiste \u00e0 v\u00e9rifier et tracer syst\u00e9matiquement les num\u00e9ros de version des packages engag\u00e9s (notamment L’interpr\u00e9tation statistique ne saurait \u00eatre compl\u00e8te sans une restitution graphique de haute pr\u00e9cision facilitant la lecture visuelle des contrastes d’hypoth\u00e8ses. Le package En compl\u00e9ment, Afin d’ancrer notre d\u00e9marche dans un r\u00e9alisme exp\u00e9rimental tangible, nous mod\u00e9liserons une \u00e9tude fictive mais scientifiquement rigoureuse men\u00e9e en psychopharmacologie cognitive. L’investigation s’int\u00e9resse \u00e0 l’effet de modulateurs de l’\u00e9veil sur la vitesse de traitement de l’information aupr\u00e8s d’une cohorte de patients adultes pr\u00e9sentant un trouble du d\u00e9ficit de l’attention avec hyperactivit\u00e9 (TDAH). La cohorte est constitu\u00e9e de N = 12<\/em> participants inclus dans un protocole en cross-over (mesures r\u00e9p\u00e9t\u00e9es compl\u00e8tes avec contrebalancement de l’ordre de passation et p\u00e9riodes de sevrage th\u00e9rapeutique interm\u00e9diaires de type wash-out).<\/p>\n Chaque patient est soumis successivement \u00e0 trois conditions pharmacologiques distinctes :<\/p>\n La variable d\u00e9pendante mesur\u00e9e correspond au temps de r\u00e9action m\u00e9dian (exprim\u00e9 en millisecondes) lors d’une t\u00e2che d’attention soutenue sur ordinateur (Continuous Performance Task). Les temps de r\u00e9action dans ce type de paradigme sont bien connus pour leur asym\u00e9trie positive persistante et leur vuln\u00e9rabilit\u00e9 aux micro-d\u00e9crochages attentionnels, rendant l’emploi de statistiques non param\u00e9triques particuli\u00e8rement justifi\u00e9.<\/p>\n La manipulation des donn\u00e9es en Python confronte syst\u00e9matiquement le chercheur \u00e0 deux structures d’organisation tabulaire fondamentales : le format large (wide format) et le format long (long format ou tidy data). La ma\u00eetrise de leur conversion r\u00e9ciproque est un imp\u00e9ratif technique car diff\u00e9rentes fonctions statistiques exigent l’un ou l’autre de ces paradigmes.<\/p>\n Dans le format large, chaque ligne repr\u00e9sente un sujet unique (un bloc ind\u00e9pendant), et chaque condition exp\u00e9rimentale fait l’objet d’une colonne d\u00e9di\u00e9e. Cette structure correspond \u00e0 la vue matricielle math\u00e9matique naturelle du devis en blocs complets :<\/p>\n \u00c0 l’inverse, le format long (standardis\u00e9 par Hadley Wickham) organise la table de telle sorte que chaque ligne contienne une seule observation unitaire. La table comporte alors trois colonnes : l’identifiant du sujet, le libell\u00e9 de la condition exp\u00e9rimentale, et la valeur mesur\u00e9e. La conversion du format large vers le format long s’op\u00e8re \u00e9l\u00e9gamment en Pandas via la m\u00e9thode Tandis que la fonction Deux perturbations m\u00e9trologiques majeures peuvent survenir lors de la constitution de la matrice exp\u00e9rimentale : la survenue de donn\u00e9es manquantes (missing data) et l’apparition de scores identiques au sein d’un m\u00eame sujet (ex-aequo ou ties). Le test classique de Friedman ainsi que la proc\u00e9dure post-hoc de Nemenyi reposent sur le postulat d’un plan exp\u00e9rimental en blocs complets \u00e9quilibr\u00e9s. La pr\u00e9sence d’une seule valeur manquante au sein d’une ligne rend caduque l’attribution ordinale normalis\u00e9e pour ce sujet.<\/p>\n Si un sujet pr\u00e9sente une omission de mesure sur l’une des conditions, la proc\u00e9dure standard impose soit l’exclusion de l’ensemble du bloc (listwise deletion via Concernant les ex-aequo, lorsque deux scores observ\u00e9s au sein d’un bloc pr\u00e9sentent exactement la m\u00eame valeur m\u00e9trique, l’algorithme leur attribue le rang moyen des positions qu’ils auraient occup\u00e9es conjointement. Par exemple, si deux scores se partagent la deuxi\u00e8me et la troisi\u00e8me place, ils re\u00e7oivent chacun le rang 2,5. Si la pr\u00e9sence d’ex-aequo modifie l\u00e9g\u00e8rement la variance th\u00e9orique sous-jacente des rangs, le test de Nemenyi demeure robuste d\u00e8s lors que la proportion de rangs partag\u00e9s reste mod\u00e9r\u00e9e face au volume global des donn\u00e9es.<\/p>\n1. Introduction au test post-hoc de Nemenyi dans la recherche psychologique<\/h2>\n
1.1 Le r\u00f4le des tests post-hoc dans les protocoles \u00e0 mesures r\u00e9p\u00e9t\u00e9es<\/h3>\n
1.2 Positionnement \u00e9pist\u00e9mologique du test de Nemenyi<\/h3>\n
1.3 Objectifs et structure g\u00e9n\u00e9rale de l’article<\/h3>\n
\n
scikit-posthocs<\/code>, la comparaison avec des calculs matriciels purs sous NumPy\/Pandas et l’extraction des matrices de p-valeurs.<\/li>\n2. Fondements th\u00e9oriques et math\u00e9matiques du test de Nemenyi<\/h2>\n
2.1 Principe du classement par rangs intra-sujets<\/h3>\n
2.2 Formulation math\u00e9matique de la diff\u00e9rence critique<\/h3>\n
\n
2.3 Comparaison avec d’autres proc\u00e9dures post-hoc non param\u00e9triques<\/h3>\n
3. Le pr\u00e9requis fondamental : Le test de Friedman pour mesures r\u00e9p\u00e9t\u00e9es<\/h2>\n
3.1 Hypoth\u00e8ses et conditions d’application de Friedman<\/h3>\n
\n
3.2 Formulation des hypoth\u00e8ses nulle et alternative<\/h3>\n
3.3 Risques m\u00e9thodologiques li\u00e9s \u00e0 l’omission du test omnibus<\/h3>\n
4. Configuration de l’environnement Python et biblioth\u00e8ques requises<\/h2>\n
4.1 S\u00e9lection des packages d’analyse statistique et de manipulation<\/h3>\n
\n
friedmanchisquare<\/code>.<\/li>\n4.2 Installation et gestion des d\u00e9pendances<\/h3>\n
venv<\/code> ou conda<\/code>. L’installation des packages s’ex\u00e9cute de mani\u00e8re s\u00e9quentielle via le gestionnaire de paquets standard pip<\/code> au sein de votre terminal syst\u00e8me :<\/p>\npip install numpy pandas scipy scikit-posthocs pingouin matplotlib seaborn<\/code><\/p>\nimport numpy as np<\/code>
\nimport pandas as pd<\/code>
\nimport scipy.stats as stats<\/code>
\nimport scikit_posthocs as sp<\/code>
\nimport pingouin as pg<\/code>
\nimport matplotlib.pyplot as plt<\/code>
\nimport seaborn as sns<\/code><\/p>\nscipy.__version__<\/code> et scikit_posthocs.__version__<\/code>) afin d’assurer qu’une r\u00e9ex\u00e9cution ult\u00e9rieure du code ne subira aucune alt\u00e9ration cons\u00e9cutive \u00e0 une mise \u00e0 jour d’API.<\/p>\n4.3 Outils de visualisation compl\u00e9mentaires<\/h3>\n
matplotlib<\/code> sert de moteur de rendu de bas niveau pour moduler les param\u00e8tres vectoriels (dpi, typographie, axes num\u00e9riques, bo\u00eetes d’encadrement), condition indispensable pour pr\u00e9parer des figures destin\u00e9es aux revues index\u00e9es.<\/p>\nseaborn<\/code> apporte une couche d’abstraction stylistique et statistique hautement sophistiqu\u00e9e, optimis\u00e9e pour le tra\u00e7age des matrices de covariance et des diagrammes de dispersion. Enfin, scikit-posthocs<\/code> int\u00e8gre des routines graphiques sp\u00e9cialis\u00e9es, notamment pour g\u00e9n\u00e9rer nativement les diagrammes de diff\u00e9rence critique conceptualis\u00e9s par Janez Dem\u0161ar, lesquels repr\u00e9sentent le standard absolu de restitution visuelle pour le test de Nemenyi.<\/p>\n5. Structuration et pr\u00e9paration des donn\u00e9es psychom\u00e9triques<\/h2>\n
5.1 Mod\u00e9lisation d’une \u00e9tude en psychopharmacologie cognitive<\/h3>\n
\n
5.2 Formatage des donn\u00e9es : format large (wide) versus long (tidy)<\/h3>\n
data_wide = pd.DataFrame({
\n 'Sujet': [f'S{i:02d}' for i in range(1, 13)],
\n 'Placebo': [450, 480, 520, 410, 490, 560, 430, 510, 470, 530, 440, 500],
\n 'Molecule_A': [380, 410, 430, 370, 420, 460, 390, 440, 400, 450, 380, 420],
\n 'Molecule_B': [410, 440, 470, 390, 450, 500, 410, 470, 430, 490, 400, 460]
\n})<\/code><\/p>\nmelt()<\/code> :<\/p>\ndata_long = data_wide.melt(id_vars=['Sujet'], var_name='Condition', value_name='Temps_Reaction')<\/code><\/p>\nscipy.stats.friedmanchisquare<\/code> attend des vecteurs de colonnes isol\u00e9s ou des matrices larges, des packages tels que pingouin<\/code> ou seaborn<\/code> requi\u00e8rent imp\u00e9rativement le format long pour param\u00e9trer leurs arguments fonctionnels.<\/p>\n5.3 Traitement des valeurs manquantes et des ex-aequo (ties)<\/h3>\n
data_wide.dropna()<\/code>), soit le recours \u00e0 des algorithmes d’imputation multiple non param\u00e9trique sp\u00e9cifiquement adapt\u00e9s aux rangs. Dans le cadre de protocoles cliniques o\u00f9 chaque patient est pr\u00e9cieux, l’exclusion aveugle doit \u00eatre \u00e9vit\u00e9e si le taux d’attrition est important, conduisant le chercheur vers des mod\u00e8les mixtes pour donn\u00e9es ordinales (voir section 12).<\/p>\n6. Ex\u00e9cution du test de Friedman pr\u00e9alable en Python<\/h2>\n
6.1 Impl\u00e9mentation avec scipy.stats.friedmanchisquare<\/h3>\n