PROC NPAR1WAY<\/em>. Ce guide exhaustif a pour vocation d’accompagner pas \u00e0 pas les chercheurs, biostatisticiens et psychom\u00e9triciens dans la ma\u00eetrise th\u00e9orique, l’impl\u00e9mentation algorithmique, l’interpr\u00e9tation critique et la restitution acad\u00e9mique du test de Kolmogorov-Smirnov sous SAS. \u00c0 travers une exploration approfondie des fondements math\u00e9matiques, des pi\u00e8ges m\u00e9trologiques, des scripts d’automatisation et des standards de publication internationaux, cet ouvrage de r\u00e9f\u00e9rence fournit toutes les cl\u00e9s pour garantir la robustesse et la reproductibilit\u00e9 des analyses de normalit\u00e9 dans les protocoles de recherche les plus exigeants.<\/p>\n1. Fondements th\u00e9oriques du test de Kolmogorov-Smirnov en psychom\u00e9trie<\/h2>\n1.1 Origine math\u00e9matique et principe de la fonction de distribution empirique<\/h3>\n Le test d’ad\u00e9quation propos\u00e9 par les math\u00e9maticiens russes Andre\u00ef Kolmogorov en 1933 et Vladimir Smirnov en 1939 s’enracine dans la th\u00e9orie asymptotique des probabilit\u00e9s et l’analyse fonctionnelle des processus stochastiques. Le principe cardinal de cette approche repose sur la comparaison globale et non locale entre deux fonctions de r\u00e9partition cumul\u00e9e : d’une part, la fonction de distribution th\u00e9orique postul\u00e9e, not\u00e9e usuellement F0(x)<\/em>, qui repr\u00e9sente la probabilit\u00e9 cumulative qu’une variable al\u00e9atoire continue prenne une valeur inf\u00e9rieure ou \u00e9gale \u00e0 x<\/em> selon une loi d\u00e9finie a priori<\/em> ; d’autre part, la fonction de r\u00e9partition empirique, conventionnellement d\u00e9sign\u00e9e par l’acronyme anglophone EDF pour Empirical Distribution Function<\/em> et not\u00e9e Fn(x)<\/em>.<\/p>\nPour un \u00e9chantillon ind\u00e9pendant et identiquement distribu\u00e9 de taille n<\/em> dont les observations ordonn\u00e9es de mani\u00e8re croissante sont not\u00e9es x(1) ≤ x(2) ≤ … ≤ x(n)<\/em>, la fonction de r\u00e9partition empirique est d\u00e9finie formellement comme une fonction en escalier, discontinue \u00e0 droite, attribuant un saut d’amplitude 1\/n<\/em> \u00e0 chaque point d’observation. L’expression math\u00e9matique s’\u00e9tablit comme la somme pond\u00e9r\u00e9e de fonctions indicatrices :<\/p>\nFn(x) = (1 \/ n) × ∑ I(xi ≤ x)<\/em>, o\u00f9 I<\/em> d\u00e9signe la fonction indicatrice valant 1 si l’in\u00e9galit\u00e9 est satisfaite et 0 dans le cas contraire.<\/p>\nLe g\u00e9nie m\u00e9thodologique de Kolmogorov a consist\u00e9 \u00e0 d\u00e9montrer que la variable al\u00e9atoire repr\u00e9sentant l’\u00e9cart supr\u00e9mum entre cette fonction empirique discontinue et la fonction continue th\u00e9orique converge vers une loi de probabilit\u00e9 invariante, ind\u00e9pendante de la loi continue postul\u00e9e sous l’hypoth\u00e8se nulle. Cette statistique de test, traditionnellement d\u00e9sign\u00e9e par la lettre D<\/em>, capture la plus grande divergence absolue verticale enregistr\u00e9e sur l’ensemble du domaine de d\u00e9finition de la variable. En psychom\u00e9trie, cette propri\u00e9t\u00e9 permet d’\u00e9valuer sans a priori sur la forme locale des donn\u00e9es si le patron cumul\u00e9 des r\u00e9ponses d’une population d’individus s’\u00e9carte substantiellement de la courbe normale de Gauss-Laplace ou de tout autre mod\u00e8le distributionnel probabiliste de r\u00e9f\u00e9rence.<\/p>\n1.2 R\u00f4le de l’hypoth\u00e8se de normalit\u00e9 dans les protocoles de recherche en psychologie<\/h3>\n Dans l’architecture de la recherche en psychologie clinique, diff\u00e9rentielle, cognitive et organisationnelle, l’hypoth\u00e8se de normalit\u00e9 univari\u00e9e constitue le pivot justificatif sur lequel repose la validit\u00e9 des mod\u00e8les lin\u00e9aires g\u00e9n\u00e9raux. Qu’il s’agisse d’\u00e9valuer l’efficacit\u00e9 diff\u00e9rentielle de protocoles th\u00e9rapeutiques via une analyse de variance factorielle (ANOVA), de mesurer les interactions entre variables dispositionnelles par l’analyse de covariance (ANCOVA), ou d’estimer des coefficients de r\u00e9gression multiple pour pr\u00e9dire un comportement, ces techniques param\u00e9triques d\u00e9rivent leurs distributions d’\u00e9chantillonnage th\u00e9oriques (notamment les lois de Student t<\/em> et de Fisher-Snedecor F<\/em>) du postulat fondamental selon lequel les perturbations al\u00e9atoires ou les r\u00e9sidus d’estimation sont distribu\u00e9s de mani\u00e8re normale, ind\u00e9pendante et homosc\u00e9dastique.<\/p>\nLa sensibilit\u00e9 des tests statistiques param\u00e9triques face aux violations de la normalit\u00e9 d\u00e9pend \u00e9troitement de la nature sp\u00e9cifique de la non-normalit\u00e9 rencontr\u00e9e. Lorsque la distribution des scores psychom\u00e9triques pr\u00e9sente une forte asym\u00e9trie positive ou n\u00e9gative (asym\u00e9trie ou skewness<\/em>) ou des queues anormalement \u00e9paisses traduisant une forte propension aux \u00e9v\u00e9nements extr\u00eames (aplatissement ou kurtosis<\/em> leptokurtique), les estimateurs classiques par les moindres carr\u00e9s ordinaires perdent leur propri\u00e9t\u00e9 d’efficacit\u00e9 asymptotique minimale. Dans ces conditions, les erreurs types des param\u00e8tres estim\u00e9s se trouvent biais\u00e9es de mani\u00e8re non pr\u00e9visible.<\/p>\nSur le plan d\u00e9cisionnel, ces distorsions distributionnelles alt\u00e8rent gravement les taux d’erreur de premi\u00e8re esp\u00e8ce (α), conduisant le chercheur \u00e0 rejeter \u00e0 tort des hypoth\u00e8ses nulles l\u00e9gitimes (faux positifs), ou d\u00e9gradent drastiquement la puissance statistique (1 – β), provoquant l’incapacit\u00e9 r\u00e9currente de d\u00e9tecter des effets cliniques ou cognitifs pourtant r\u00e9els (erreur de type II). D\u00e8s lors, le diagnostic rigoureux de la normalit\u00e9 ne rel\u00e8ve pas d’une simple convenance technique, mais constitue un imp\u00e9ratif \u00e9pist\u00e9mologique absolu pour pr\u00e9munir la discipline contre les crises de reproductibilit\u00e9 empirique.<\/p>\n
1.3 Distinction entre le test standard et la correction de Lilliefors<\/h3>\n Une confusion m\u00e9thodologique persistante dans la litt\u00e9rature empirique concerne l’assimilation h\u00e2tive entre le test originel de Kolmogorov-Smirnov et son adaptation indispensable aux contextes r\u00e9els de recherche : le test de Lilliefors. Le th\u00e9or\u00e8me limite classique de Kolmogorov stipule express\u00e9ment que la loi th\u00e9orique F0(x)<\/em> doit \u00eatre compl\u00e8tement sp\u00e9cifi\u00e9e \u00e0 l’avance, ce qui signifie que tous ses param\u00e8tres de position et d’\u00e9chelle \u2014 \u00e0 savoir la moyenne de population μ et la variance σ² dans le cas de la loi normale \u2014 doivent \u00eatre connus a priori<\/em> et ind\u00e9pendamment des donn\u00e9es r\u00e9colt\u00e9es. Or, dans l’\u00e9crasante majorit\u00e9 des protocoles exp\u00e9rimentaux ou quasi-exp\u00e9rimentaux en sciences humaines, les v\u00e9ritables valeurs de μ et σ de la population parente demeurent strictement inconnues du statisticien.<\/p>\nDans la pratique, le chercheur est contraint d’estimer ces param\u00e8tres \u00e0 partir de son \u00e9chantillon d’\u00e9tude via la moyenne arithm\u00e9tique empirique (not\u00e9e x\u0304<\/em>) et l’\u00e9cart-type non biais\u00e9 (not\u00e9 s<\/em>). L’utilisation de ces param\u00e8tres estim\u00e9s pour construire la fonction th\u00e9orique cumulative de r\u00e9f\u00e9rence engendre un ph\u00e9nom\u00e8ne statistique critique : la fonction th\u00e9orique estim\u00e9e s’ajuste m\u00e9caniquement de mani\u00e8re beaucoup plus \u00e9troite aux donn\u00e9es observ\u00e9es que ne le ferait la v\u00e9ritable fonction inconnue de la population. En cons\u00e9quence, la statistique D<\/em> tend \u00e0 \u00eatre artificiellement plus petite, et l’application des tables critiques originelles de Kolmogorov-Smirnov produit des valeurs de p<\/em> excessivement conservatrices, augmentant de fa\u00e7on inacceptable le risque d’erreur de type II.<\/p>\nEn 1967, le statisticien am\u00e9ricain Hubert Lilliefors publia une solution d’ajustement majeure en recalculant par simulations stochastiques de Monte-Carlo la distribution exacte de la statistique D<\/em> lorsque la moyenne et la variance sont estim\u00e9es conjointement \u00e0 partir de l’\u00e9chantillon. Le logiciel SAS int\u00e8gre nativement cette distinction m\u00e9thodologique cruciale : lorsque la proc\u00e9dure PROC UNIVARIATE<\/em> est invoqu\u00e9e sans param\u00e8tres th\u00e9oriques fix\u00e9s num\u00e9riquement \u00e0 l’avance, elle applique de mani\u00e8re totalement automatis\u00e9e la correction de Lilliefors pour le test de Kolmogorov-Smirnov, garantissant ainsi le calcul de probabilit\u00e9s critiques exactes et scientifiquement irr\u00e9prochables.<\/p>\n2. Formulation formelle des hypoth\u00e8ses statistiques<\/h2>\n2.1 D\u00e9finition rigoureuse des hypoth\u00e8ses nulle et alternative<\/h3>\n L’inf\u00e9rence statistique structurant le test de normalit\u00e9 de Kolmogorov-Smirnov repose sur un cadre d\u00e9cisionnel binaire rigoureux, qu’il convient de formaliser sans ambigu\u00eft\u00e9 conceptuelle. L’hypoth\u00e8se nulle, traditionnellement d\u00e9sign\u00e9e par la notation H0<\/em>, postule que la variable psychom\u00e9trique continue \u00e9tudi\u00e9e X<\/em> est issue d’une population parente dont la distribution sous-jacente est parfaitement congruente avec une fonction de loi normale N(μ, σ²)<\/em> :<\/p>\nH0 : F(x) = F0(x)<\/em> pour l’ensemble des valeurs x<\/em> appartenant \u00e0 l’ensemble des r\u00e9els, o\u00f9 F0(x)<\/em> correspond \u00e0 la fonction de r\u00e9partition cumulative d’une loi normale de param\u00e8tres μ et σ².<\/p>\n\u00c0 l’oppos\u00e9, l’hypoth\u00e8se alternative, not\u00e9e H1<\/em> ou Ha<\/em>, stipule une rupture d’ad\u00e9quation entre le comportement empirique de la variable et la distribution th\u00e9orique normale :<\/p>\nH1 : Il existe au moins une valeur x ∈ ℜ telle que F(x) ≠ F0(x)<\/em>.<\/p>\nIl est fondamental de souligner la nature strictement non directionnelle ou bilat\u00e9rale de ce test d’hypoth\u00e8se. Contrairement aux tests de Student orient\u00e9s qui investiguent la sup\u00e9riorit\u00e9 ou l’inf\u00e9riorit\u00e9 d’une moyenne par rapport \u00e0 un standard, le test de Kolmogorov-Smirnov r\u00e9agit indiff\u00e9remment \u00e0 toute forme de discordance structurelle entre la courbe empirique et le mod\u00e8le th\u00e9orique. Qu’il s’agisse d’une asym\u00e9trie marqu\u00e9e vers les scores \u00e9lev\u00e9s, d’une concentration anormale d’observations autour du centre modal (leptokurtose), d’un \u00e9crasement excessif de la cloche (platikurtose) ou de la pr\u00e9sence de queues de distribution asym\u00e9triques, l’hypoth\u00e8se alternative englobe toutes ces d\u00e9viations sans discrimination fonctionnelle pr\u00e9alable.<\/p>\n
2.2 Calcul et d\u00e9rivation de la statistique de test D<\/h3>\n L’ex\u00e9cution calculatoire du test repose sur l’isolement de l’\u00e9cart vertical le plus prononc\u00e9 observable entre la courbe discontinue par paliers de la fonction empirique Fn(x)<\/em> et la courbe continue et monotone croissante de la fonction normale th\u00e9orique F0(x)<\/em>. Pour chaque observation ordonn\u00e9e xi<\/em> de l’\u00e9chantillon, la divergence doit \u00eatre \u00e9valu\u00e9e en consid\u00e9rant \u00e0 la fois le palier inf\u00e9rieur et le palier sup\u00e9rieur r\u00e9sultant de la discontinuit\u00e9 de la fonction d’escalier empirique. Math\u00e9matiquement, la d\u00e9rivation s’articule autour de deux \u00e9carts unilat\u00e9raux compl\u00e9mentaires :<\/p>\nL’\u00e9cart positif maximal : D+ = max [ (i \/ n) – F0(x(i)) ]<\/em>, pour 1 ≤ i ≤ n<\/em>.<\/p>\nL’\u00e9cart n\u00e9gatif maximal : D- = max [ F0(x(i)) – ((i – 1) \/ n) ]<\/em>, pour 1 ≤ i ≤ n<\/em>.<\/p>\nLa statistique globale de Kolmogorov-Smirnov, d\u00e9sign\u00e9e par la lettre majuscule D<\/em>, correspond alors \u00e0 la valeur maximale absolue entre ces deux composantes :<\/p>\nD = max(D+, D-)<\/em>.<\/p>\nLa convergence asymptotique de cette statistique vers la loi de Kolmogorov est assur\u00e9e par le th\u00e9or\u00e8me de Glivenko-Cantelli, qui garantit que la fonction de r\u00e9partition empirique converge uniform\u00e9ment et presque s\u00fbrement vers la v\u00e9ritable fonction de r\u00e9partition de la population lorsque n<\/em> tend vers l’infini. N\u00e9anmoins, une propri\u00e9t\u00e9 analytique fondamentale de la statistique D<\/em> m\u00e9rite une attention psychom\u00e9trique particuli\u00e8re : en raison de sa formulation supr\u00e9mum, le test de Kolmogorov-Smirnov pr\u00e9sente une sensibilit\u00e9 diff\u00e9rentielle maximale aux \u00e9carts situ\u00e9s vers le centre de la distribution, l\u00e0 o\u00f9 la pente de la densit\u00e9 normale cumulative est la plus abrupte, tandis que sa sensibilit\u00e9 d\u00e9cro\u00eet notablement au niveau des queues extr\u00eames de la distribution, l\u00e0 o\u00f9 les fonctions de r\u00e9partition se rapprochent asymptotiquement de 0 ou de 1.<\/p>\n2.3 Seuils critiques et comportement de la p-valeur<\/h3>\n La transformation de la statistique calcul\u00e9e D<\/em> en une probabilit\u00e9 critique op\u00e9rationnelle (valeur de p<\/em> ou p-value<\/em>) constitue l’\u00e9tape d\u00e9cisionnelle finale de la proc\u00e9dure. Sous l’hypoth\u00e8se nulle H0<\/em> et dans le cadre du test standard avec param\u00e8tres connus, la quantit\u00e9 √n × D<\/em> converge vers la distribution de Kolmogorov, dont la fonction de survie asymptotique s’exprime par une s\u00e9rie altern\u00e9e infinie :<\/p>\nP(K ≥ z) = 2 × ∑ (-1)^(k-1) × exp(-2 × k² × z²)<\/em>, pour k<\/em> variant de 1 \u00e0 l’infini.<\/p>\nCependant, dans l’environnement SAS o\u00f9 l’ajustement de Lilliefors est mobilis\u00e9 pour pallier l’inconnaissance des param\u00e8tres μ et σ, le calcul de la probabilit\u00e9 exacte ne repose plus sur cette s\u00e9rie analytique classique, mais sur des approximations polynomiales empiriques de haute pr\u00e9cision calibr\u00e9es sur de vastes simulations de Monte-Carlo. Dans les tables de r\u00e9sultats g\u00e9n\u00e9r\u00e9es par le logiciel SAS, les utilisateurs sont fr\u00e9quemment confront\u00e9s \u00e0 des sorties textuelles sp\u00e9cifiques indiquant par exemple Pr > D > 0.150<\/em> ou inversement Pr > D < 0.010<\/em>.<\/p>\nCe comportement algorithmique s’explique par le fait que les bornes de tables de Lilliefors impl\u00e9ment\u00e9es dans les versions canoniques du moteur analytique de SAS poss\u00e8dent des plages tabul\u00e9es restreintes. Lorsque la distance empirique D<\/em> observ\u00e9e est exceptionnellement faible, traduisant un ajustement empirique remarquable \u00e0 la courbe normale, la valeur de p<\/em> d\u00e9passe la limite sup\u00e9rieure pr\u00e9calcul\u00e9e du tableau, et SAS affiche prudemment la mention conservative > 0.150<\/em>. Le chercheur peut alors conclure sans aucune ambigu\u00eft\u00e9 que l’\u00e9cart n’atteint aucunement le seuil de significativit\u00e9 nominal de 5 % (α = 0.05), validant le non-rejet de l’hypoth\u00e8se de normalit\u00e9.<\/p>\n3. Pr\u00e9paration et structuration des donn\u00e9es psychologiques sous SAS<\/h2>\n3.1 Importation et cr\u00e9ation manuelle de la table de donn\u00e9es<\/h3>\n L’exploitation optimale des capacit\u00e9s analytiques de SAS pour le contr\u00f4le distributionnel exige une rigueur m\u00e9thodologique absolue d\u00e8s l’\u00e9tape fondamentale de cr\u00e9ation et d’alimentation des tables de donn\u00e9es (Data Sets). Le langage SAS repose sur une architecture dialectique scind\u00e9e en deux phases interd\u00e9pendantes : l’\u00e9tape DATA<\/em>, responsable de l’acquisition, du nettoyage et de la transformation fonctionnelle des matrices de donn\u00e9es, et l’\u00e9tape PROC<\/em>, d\u00e9di\u00e9e \u00e0 l’ex\u00e9cution des calculs statistiques et des restitutions graphiques.<\/p>\nPour des \u00e9chantillons exp\u00e9rimentaux ou cliniques collect\u00e9s sur papier ou via des interfaces web de passation de tests psychologiques, le chercheur peut d\u00e9clarer ses variables directement dans le script d’analyse en faisant appel aux instructions combin\u00e9es INPUT<\/em> et DATALINES<\/em> (ou son synonyme CARDS<\/em>). La d\u00e9claration explicite des variables s’effectue en assignant un libell\u00e9 num\u00e9rique ou alphanum\u00e9rique \u00e0 chaque colonne. Dans le cadre de scores psychom\u00e9triques continus, la variable d’int\u00e9r\u00eat sera d\u00e9clar\u00e9e de mani\u00e8re num\u00e9rique pure sans suffixe textuel.<\/p>\nPour les bases volumineuses issues de cohortes \u00e9pid\u00e9miologiques ou de syst\u00e8mes d’\u00e9valuation institutionnels stock\u00e9es sous format texte d\u00e9limit\u00e9 (CSV), l’instruction INFILE<\/em> coupl\u00e9e aux options de d\u00e9limitation (notamment DLM=’,’<\/em> ou DLM=’09’x<\/em> pour les tabulations) permet une lecture s\u00e9quentielle robuste. D\u00e8s la finalisation de l’\u00e9tape DATA<\/em>, il est formellement recommand\u00e9 d’ex\u00e9cuter la proc\u00e9dure PROC CONTENTS<\/em>. Cette bonne pratique \u00e9l\u00e9mentaire permet de valider le format d’encodage, le nombre exact d’observations charg\u00e9es, l’absence de troncature non intentionnelle et la conformit\u00e9 typologique des variables avant toute manipulation inf\u00e9rentielle.<\/p>\n3.2 Nettoyage pr\u00e9liminaire et d\u00e9tection des valeurs aberrantes<\/h3>\n Avant d’engager le test de Kolmogorov-Smirnov, un audit exhaustif de la propret\u00e9 m\u00e9trologique du fichier de donn\u00e9es s’impose avec la plus grande acuit\u00e9. Les scores psychologiques sont fr\u00e9quemment pollu\u00e9s par des erreurs mat\u00e9rielles de saisie (par exemple, un score de 77 encod\u00e9 par inadvertance au lieu de 7 sur une \u00e9chelle th\u00e9oriquement born\u00e9e de 1 \u00e0 10) ou par des profils de r\u00e9ponse aberrants r\u00e9sultant d’un d\u00e9sengagement total du participant, de conduites de simulation ou d’une incompr\u00e9hension manifeste des consignes exp\u00e9rimentales.<\/p>\n
La pr\u00e9sence de telles valeurs aberrantes (outliers<\/em>) exerce un impact particuli\u00e8rement destructeur sur le test de Lilliefors. En effet, un score extr\u00eame isol\u00e9 d\u00e9place substantiellement la moyenne empirique x\u0304<\/em> tout en augmentant de mani\u00e8re artificielle l’\u00e9cart-type d’\u00e9chantillon s<\/em>. Cette dispersion artificiellement gonfl\u00e9e a pour cons\u00e9quence imm\u00e9diate d’aplatir la courbe normale th\u00e9orique de r\u00e9f\u00e9rence F0(x)<\/em> estim\u00e9e par maximum de vraisemblance, cr\u00e9ant ainsi des distorsions d’ajustement artificielles sur l’ensemble des scores r\u00e9guliers situ\u00e9s au c\u0153ur de la distribution.<\/p>\nLe traitement des valeurs manquantes (valeurs d\u00e9sign\u00e9es par un point conventionnel ‘.’ sous SAS pour les types num\u00e9riques) constitue un autre imp\u00e9ratif de pr\u00e9paration. Par d\u00e9faut, la proc\u00e9dure PROC UNIVARIATE<\/em> exclut automatiquement les observations contenant des valeurs manquantes pour la variable soumise au test (suppression univari\u00e9e par observation ou listwise deletion<\/em>). Le chercheur doit imp\u00e9rativement documenter le m\u00e9canisme g\u00e9n\u00e9rateur de ces donn\u00e9es manquantes afin de s’assurer qu’elles respectent l’hypoth\u00e8se de manque compl\u00e8tement al\u00e9atoire (MCAR pour Missing Completely at Random<\/em>) et ne refl\u00e8tent pas un biais d’attrition syst\u00e9matique li\u00e9 aux caract\u00e9ristiques cliniques des sujets.<\/p>\n3.3 Gestion des formats et typologie des variables psychom\u00e9triques<\/h3>\n La m\u00e9trologie psychologique op\u00e8re \u00e0 l’intersection de niveaux de mesure \u00e9pist\u00e9mologiquement h\u00e9t\u00e9rog\u00e8nes, th\u00e9oris\u00e9s par Stanley Smith Stevens : nominal, ordinal, d’intervalle et de rapport. L’application du test de Kolmogorov-Smirnov postule formellement que la variable soumise \u00e0 l’analyse rel\u00e8ve d’un continuum math\u00e9matique strictly continu avec une infinit\u00e9 potentielle de valeurs interm\u00e9diaires. Or, dans les investigations en psychologie, le recours aux \u00e9chelles de cotation discr\u00e8tes de type Likert (par exemple, des \u00e9chelons d’accord variant de 1 \u00e0 5 ou de 1 \u00e0 7) est omnipr\u00e9sent.<\/p>\n
L’utilisation brute d’un item individuel de Likert viole de mani\u00e8re frontale le postulat de continuit\u00e9 sous-jacent \u00e0 la statistique D<\/em> de Kolmogorov-Smirnov. Les donn\u00e9es r\u00e9sultantes pr\u00e9sentent une multitude de valeurs ex æquo (liens ou ties<\/em>) et une structure en paliers discrets tr\u00e8s espac\u00e9s. Lorsque l’on confronte une telle variable discontinue \u00e0 une fonction normale th\u00e9orique strictement continue, la fonction empirique Fn(x)<\/em> affiche obligatoirement de vastes paliers horizontaux artificiels, g\u00e9n\u00e9rant des \u00e9carts supr\u00eames D<\/em> gonfl\u00e9s qui ne refl\u00e8tent en rien la structure latente du construit psychologique mais uniquement l’imperfection discr\u00e8te de l’instrument de mesure.<\/p>\nEn revanche, lorsque plusieurs items de Likert mesurant une dimension th\u00e9orique commune sont somm\u00e9s ou moyenn\u00e9s pour former un score composite global (par exemple, un indice global de d\u00e9tresse psychologique d\u00e9riv\u00e9 d’un questionnaire \u00e0 20 items), le nombre de valeurs distinctes possibles s’accro\u00eet consid\u00e9rablement, et la variable composite peut alors \u00eatre assimil\u00e9e \u00e0 une variable quasi-continue r\u00e9pondant de mani\u00e8re admissible aux exigences m\u00e9trologiques du test. L’attribution d’\u00e9tiquettes de variables rigoureuses via l’instruction LABEL<\/em> et la d\u00e9claration de formats num\u00e9riques explicites permettent de documenter de fa\u00e7on transparente la nature m\u00e9trologique exacte des indices soumis au diagnostic.<\/p>\n4. Impl\u00e9mentation pas \u00e0 pas via la proc\u00e9dure PROC UNIVARIATE<\/h2>\n4.1 Syntaxe fondamentale et options requises de la proc\u00e9dure<\/h3>\n L’environnement SAS int\u00e8gre de nombreuses proc\u00e9dures descriptives, telles que PROC MEANS<\/em> ou PROC SUMMARY<\/em>, mais seule la proc\u00e9dure PROC UNIVARIATE<\/em> dispose de la granularit\u00e9 algorithmique n\u00e9cessaire pour ex\u00e9cuter des tests formels d’ad\u00e9quation distributionnelle accompagn\u00e9s de diagnostics graphiques avanc\u00e9s. L’architecture de commande de cette proc\u00e9dure est d’une remarquable \u00e9l\u00e9gance conceptuelle tout en autorisant une grande flexibilit\u00e9 de param\u00e9trage.<\/p>\nLa syntaxe fondamentale d\u00e9bute par l’appel formel de l’instruction d’ouverture :<\/p>\n
PROC UNIVARIATE DATA = nom_de_la_table;<\/em><\/p>\nCette instruction doit \u00eatre imm\u00e9diatement articul\u00e9e avec l’instruction VAR<\/em>, qui sp\u00e9cifie la ou les variables quantitatives continues sur lesquelles l’\u00e9valuation distributionnelle doit \u00eatre r\u00e9alis\u00e9e. Si l’instruction VAR<\/em> venait \u00e0 \u00eatre omise par le programmateur, SAS tenterait par d\u00e9faut d’ex\u00e9cuter l’ensemble des analyses univari\u00e9es sur toutes les variables num\u00e9riques pr\u00e9sentes dans la table active, ce qui engendrerait des temps de calcul superflus et un d\u00e9versement massif de tableaux non pertinents.<\/p>\nPour ordonner \u00e0 SAS de calculer formellement la statistique de Kolmogorov-Smirnov et les autres tests d’ad\u00e9quation, il convient de d\u00e9clarer l’instruction HISTOGRAM<\/em>. Bien que son libell\u00e9 \u00e9voque une finalit\u00e9 purement graphique, c’est pr\u00e9cis\u00e9ment au sein des options de cette instruction que r\u00e9side le d\u00e9clenchement des algorithmes inf\u00e9rentiels de normalit\u00e9 les plus sophistiqu\u00e9s du logiciel.<\/p>\n4.2 Param\u00e9trage de l’option NORMAL avec estimation des param\u00e8tres<\/h3>\n L’instruction HISTOGRAM<\/em> doit \u00eatre compl\u00e9t\u00e9e par une barre oblique s\u00e9paratrice (\/<\/em>) suivie de l’option analytique ma\u00eetresse NORMAL<\/em>. C’est \u00e0 cet emplacement syntaxique pr\u00e9cis que s’articule la distinction entre le test th\u00e9orique classique et le test ajust\u00e9 de Lilliefors. Afin d’indiquer sans \u00e9quivoque au compilateur SAS que les param\u00e8tres de position et d’\u00e9chelle de la loi normale de r\u00e9f\u00e9rence doivent \u00eatre d\u00e9riv\u00e9s directement des donn\u00e9es de l’\u00e9chantillon, le chercheur doit utiliser la syntaxe formelle suivante :<\/p>\nHISTOGRAM nom_de_variable \/ NORMAL(MU=EST SIGMA=EST);<\/em><\/p>\nKolmogorov-Smirnov test in SAS<\/figcaption><\/figure>\nL’utilisation explicite des param\u00e8tres MU=EST<\/em> et SIGMA=EST<\/em> informe l’algorithme d’optimisation num\u00e9rique qu’il doit mobiliser les estimateurs par maximum de vraisemblance (identiques \u00e0 la moyenne arithm\u00e9tique et \u00e0 l’\u00e9cart-type d’\u00e9chantillon divis\u00e9 par n – 1<\/em>) pour caler la courbe cumulative th\u00e9orique F0(x)<\/em>. SAS applique alors rigoureusement l’approximation de Lilliefors pour d\u00e9river la probabilit\u00e9 critique associ\u00e9e \u00e0 la statistique D<\/em>.<\/p>\nDans la configuration inverse o\u00f9 le chercheur souhaiterait tester la stricte ad\u00e9quation de son \u00e9chantillon \u00e0 un standard normatif pr\u00e9\u00e9tabli issu d’un manuel d’\u00e9talonnage psychom\u00e9trique national \u2014 par exemple, un test de quotient intellectuel standardis\u00e9 avec une moyenne th\u00e9orique postul\u00e9e μ = 100 et un \u00e9cart-type σ = 15 \u2014, la syntaxe s’adapterait en renseignant directement les constantes d\u00e9terministes :<\/p>\n
HISTOGRAM score_qi \/ NORMAL(MU=100 SIGMA=15);<\/em><\/p>\nDans ce second sc\u00e9nario, SAS calcule le test de Kolmogorov-Smirnov standard originel sans faire intervenir la correction de Lilliefors, d\u00e9montrant ainsi la remarquable polyvalence adaptative de sa structure de commande.<\/p>\n
4.3 Optimisation de l’environnement de sortie ODS<\/h3>\n Par d\u00e9faut, l’ex\u00e9cution non brid\u00e9e de PROC UNIVARIATE<\/em> engendre une prolif\u00e9ration consid\u00e9rable de sorties tabulaires dans la fen\u00eatre de r\u00e9sultats : moments \u00e9l\u00e9mentaires, param\u00e8tres de position et de dispersion, quantiles extr\u00eames, tests d’hypoth\u00e8se de localisation univari\u00e9e (Student, signe, rangs sign\u00e9s) et tableaux d’observations extr\u00eames. Pour les projets de recherche institutionnels ou les m\u00e9ta-analyses exigeant une focalisation cibl\u00e9e, ce flux d’informations peut rapidement saturer l’espace de travail et nuire \u00e0 la clart\u00e9 op\u00e9rationnelle.<\/p>\nLe puissant syst\u00e8me de distribution des sorties de SAS, d\u00e9sign\u00e9 sous le sigle ODS (Output Delivery System)<\/a>, permet de filtrer avec une pr\u00e9cision chirurgicale les composants analytiques pertinents. En ins\u00e9rant l’instruction de s\u00e9lection cibl\u00e9e :<\/p>\nODS SELECT TestsForNormality;<\/em><\/p>\njuste avant le bloc d’ex\u00e9cution de PROC UNIVARIATE<\/em>, le chercheur ordonne au moteur SAS d’occulter l’ensemble des tableaux descriptifs secondaires pour ne restituer que le tableau synth\u00e9tique formel regroupant les tests d’ajustement distributionnel.<\/p>\nDe surcro\u00eet, ODS offre la facult\u00e9 d’exporter directement ces indicateurs statistiques sous la forme d’une nouvelle table de donn\u00e9es SAS exploitable pour des consolidations automatis\u00e9es ou des cha\u00eenes de traitement par lots via l’instruction :<\/p>\n
ODS OUTPUT TestsForNormality = ma_table_de_resultats;<\/em><\/p>\nCette approche d’ing\u00e9nierie statistique garantit une tra\u00e7abilit\u00e9 totale des analyses, \u00e9limine le risque d’erreur humaine inh\u00e9rent \u00e0 la transcription manuelle des valeurs num\u00e9riques et optimise significativement les flux de travail pour les rapports scientifiques acad\u00e9miques.<\/p>\n
5. Analyse d\u00e9taill\u00e9e et d\u00e9cryptage des sorties statistiques de SAS<\/h2>\n5.1 Lecture du tableau synth\u00e9tique des tests de normalit\u00e9<\/h3>\n Lorsque l’option d’ajustement normal est invoqu\u00e9e, SAS g\u00e9n\u00e8re un tableau standardis\u00e9 intitul\u00e9 dans la version anglophone du logiciel Tests for Normality<\/em>. Ce tableau matriciel synth\u00e9tique regroupe syst\u00e9matiquement quatre m\u00e9triques inf\u00e9rentielles d’ad\u00e9quation distinctes : le test de Shapiro-Wilk (W), le test de Kolmogorov-Smirnov (D), le test de Cram\u00e9r-von Mises (W-Sq) et le test d’Anderson-Darling (A-Sq). Pour l’utilisateur francophone ou international, le d\u00e9codage de ce tableau n\u00e9cessite une attention m\u00e9thodique port\u00e9e aux intitul\u00e9s de colonnes et aux symboles de renvoi.<\/p>\nLa ligne d\u00e9di\u00e9e au test de Kolmogorov-Smirnov pr\u00e9sente trois informations primordiales : l’intitul\u00e9 formel du test suivi de la mention explicite du qualificatif de Lilliefors entre parenth\u00e8ses lorsque les param\u00e8tres ont \u00e9t\u00e9 estim\u00e9s, la valeur de la statistique de divergence sous la colonne libell\u00e9e Stat<\/em> (ou Statistique<\/em>), et le seuil de signification asymptotique sous la colonne libell\u00e9e p Value<\/em> (ou Valeur p<\/em>). La valeur de la statistique D<\/em> repr\u00e9sente l’amplitude num\u00e9rique de la distance supr\u00e9mum verticale observ\u00e9e, oscillant obligatoirement entre 0 (congruence absolue parfaite) et 1 (discordance distributionnelle totale).<\/p>\nIl convient d’examiner minutieusement les notes de bas de page automatiquement g\u00e9n\u00e9r\u00e9es par le compilateur SAS sous le tableau. Lorsque la p-valeur s’affiche sous la forme Pr > D > 0.150<\/em>, SAS ins\u00e8re un ast\u00e9risque ou une r\u00e9f\u00e9rence textuelle indiquant clairement : p-value is greater than the tabulated upper limit<\/em>. Cette annotation confirme que la distance d’\u00e9chantillon D<\/em> est si t\u00e9nue qu’elle s’ins\u00e8re profond\u00e9ment dans la zone de non-rejet de la loi normale, au-del\u00e0 de la fronti\u00e8re de 0.150 g\u00e9n\u00e9ralement couverte par les tables algorithmiques classiques de Lilliefors.<\/p>\n5.2 Prise de d\u00e9cision statistique : rejet ou non-rejet de H0<\/h3>\n L’arbitrage d\u00e9cisionnel inf\u00e9rentiel proc\u00e8de de la confrontation directe entre la p-valeur empirique calcul\u00e9e par SAS et le seuil de signification nominal α pr\u00e9alablement fix\u00e9 par le protocole exp\u00e9rimental, conventionnellement \u00e9tabli \u00e0 0.05 (ou 5 %) dans les sciences comportementales. La r\u00e8gle de d\u00e9cision s’\u00e9nonce selon un formalisme d’une clart\u00e9 absolue :<\/p>\n
Si la probabilit\u00e9 critique v\u00e9rifie la condition p ≤ α<\/em> (par exemple, p = 0.024<\/em>), le chercheur est contraint de rejeter l’hypoth\u00e8se nulle H0<\/em>. La conclusion m\u00e9thodologique s’impose sans \u00e9quivoque : les donn\u00e9es empiriques s’\u00e9cartent significativement d’un mod\u00e8le distributionnel normal gaussien, et l’emploi sans pr\u00e9caution de statistiques param\u00e9triques s’av\u00e8re compromis.<\/p>\nInversement, si la probabilit\u00e9 critique satisfait la condition p > α<\/em> (notamment dans la situation fr\u00e9quente o\u00f9 SAS rapporte Pr > D > 0.150<\/em>), le chercheur se trouve dans l’incapacit\u00e9 m\u00e9thodologique de rejeter l’hypoth\u00e8se nulle H0<\/em>. Une faute \u00e9pist\u00e9mologique majeure, fr\u00e9quemment relev\u00e9e dans les publications d\u00e9butantes, consiste \u00e0 d\u00e9clarer que ce r\u00e9sultat \u00ab prouve \u00bb que l’\u00e9chantillon suit une loi normale. En logique statistique de type popp\u00e9rienne ou neyman-pearsonienne, un test d’hypoth\u00e8se ne prouve jamais la v\u00e9racit\u00e9 de l’hypoth\u00e8se nulle ; il conclut exclusivement \u00e0 l’absence de preuve suffisante de non-normalit\u00e9 au vu de la taille de l’\u00e9chantillon \u00e9tudi\u00e9. L’hypoth\u00e8se de normalit\u00e9 est ainsi retenue \u00e0 titre de mod\u00e8le de travail plausible et op\u00e9ratoire pour les \u00e9tapes d’analyse subs\u00e9quentes.<\/p>\n5.3 Indicateurs d’asym\u00e9trie et d’aplatissement associ\u00e9s<\/h3>\n Une interpr\u00e9tation scientifique rigoureuse de la statistique de Kolmogorov-Smirnov ne saurait s’effectuer de mani\u00e8re isol\u00e9e sans une mise en relation \u00e9troite avec les moments d’ordre sup\u00e9rieur fournis simultan\u00e9ment dans le tableau des moments descriptifs de PROC UNIVARIATE<\/em>. Ces indicateurs morphologiques fondamentaux sont le coefficient d’asym\u00e9trie (Skewness<\/em>) et le coefficient d’aplatissement (Kurtosis<\/em>).<\/p>\nSous une loi normale th\u00e9orique parfaite, la valeur attendue du coefficient d’asym\u00e9trie de Fisher est exactement \u00e9gale \u00e0 z\u00e9ro. Une valeur positive indique un \u00e9tirement prononc\u00e9 de la queue de distribution vers la droite (scores \u00e9lev\u00e9s dispers\u00e9s), tandis qu’une valeur n\u00e9gative d\u00e9note une pr\u00e9dominance de la queue gauche (scores faibles dispers\u00e9s). De m\u00eame, SAS rapporte par d\u00e9faut le coefficient d’exc\u00e8s d’aplatissement (Excess Kurtosis<\/em>), dont la r\u00e9f\u00e9rence th\u00e9orique pour la courbe gaussienne est \u00e9galement calibr\u00e9e \u00e0 z\u00e9ro. Un coefficient d’exc\u00e8s positif traduit une morphologie leptokurtique caract\u00e9ris\u00e9e par un pic central ac\u00e9r\u00e9 et des queues lourdes propices aux extr\u00eames, alors qu’un exc\u00e8s n\u00e9gatif d\u00e9signe une structure platikurtique \u00e9cras\u00e9e avec des \u00e9paules larges.<\/p>\nEn examinant conjointement les erreurs types associ\u00e9es \u00e0 ces moments (fournies sous SAS via les options descriptives avanc\u00e9es), le chercheur peut d\u00e9composer la raison g\u00e9om\u00e9trique exacte pour laquelle le test de Kolmogorov-Smirnov a rejet\u00e9 ou valid\u00e9 l’ad\u00e9quation distributionnelle. Une valeur \u00e9lev\u00e9e de D<\/em> associ\u00e9e \u00e0 un Skewness<\/em> significativement diff\u00e9rent de z\u00e9ro oriente imm\u00e9diatement le diagnostic vers une distorsion orient\u00e9e de l’instrument de mesure, tandis qu’un D<\/em> \u00e9lev\u00e9 combin\u00e9 \u00e0 un Kurtosis<\/em> positif excessif alerte sur l’impact de r\u00e9ponses polaires ou de variances h\u00e9t\u00e9rog\u00e8nes au sein de la cohorte \u00e9valu\u00e9e.<\/p>\n6. Diagnostic graphique compl\u00e9mentaire de la distribution<\/h2>\n6.1 G\u00e9n\u00e9ration et interpr\u00e9tation du diagramme quantile-quantile (Q-Q Plot)<\/h3>\n L’\u00e9valuation de la normalit\u00e9 \u00e0 l’aide de seules valeurs num\u00e9riques de probabilit\u00e9 pr\u00e9sente des limites intrins\u00e8ques que la communaut\u00e9 internationale des biostatisticiens et des m\u00e9thodologues en psychologie a depuis longtemps document\u00e9es. Les tests formels fournissent un verdict binaire mais ne livrent aucune information qualitative sur la localisation anatomique exacte des d\u00e9viations dans la distribution. C’est pourquoi la g\u00e9n\u00e9ration conjointe d’un diagramme quantile-quantile (Q-Q Plot) est unanimement pr\u00e9conis\u00e9e dans tout protocole de recherche de premier rang.<\/p>\n
Sous la proc\u00e9dure PROC UNIVARIATE<\/em>, ce trac\u00e9 de pr\u00e9cision s’obtient au moyen de l’instruction d\u00e9di\u00e9e QQPLOT<\/em> (ou de son \u00e9quivalent structural PROBPLOT<\/em>) :<\/p>\nQQPLOT nom_de_variable \/ NORMAL(MU=EST SIGMA=EST);<\/em><\/p>\nLe diagramme Q-Q confronte visuellement les quantiles observ\u00e9s dans la s\u00e9rie empirique (port\u00e9s sur l’axe des ordonn\u00e9es) aux quantiles th\u00e9oriques qui seraient attendus si la variable suivait rigoureusement une loi normale d’\u00e9gaux param\u00e8tres (port\u00e9s sur l’axe des abscisses). Si la conformit\u00e9 \u00e0 la loi normale est totale, l’ensemble des points d’observation vient s’agr\u00e9ger de fa\u00e7on continue et lin\u00e9aire le long d’une ligne droite diagonale de r\u00e9f\u00e9rence (droite de Henri).<\/p>\n
L’analyse visuelle des ondulations morphologiques par rapport \u00e0 cette droite id\u00e9ale permet un diagnostic pathognomonique imm\u00e9diat. Si les points situ\u00e9s aux extr\u00e9mit\u00e9s s’\u00e9cartent en dessinant une morphologie caract\u00e9ristique en \u00ab S \u00bb traversant la diagonale, le statisticien identifie sans \u00e9quivoque la pr\u00e9sence de queues lourdes ou leptokurtiques. Si les observations s’incurvent de mani\u00e8re concave ou convexe par rapport \u00e0 la droite de guidage, le diagramme met en \u00e9vidence une asym\u00e9trie univari\u00e9e s\u00e9v\u00e8re. Enfin, la pr\u00e9sence de points isol\u00e9s d\u00e9croch\u00e9s de mani\u00e8re abrupte \u00e0 l’extr\u00eame p\u00e9riph\u00e9rie de la trajectoire lin\u00e9aire signale la survenue de valeurs aberrantes n\u00e9cessitant un examen clinique individualis\u00e9.<\/p>\n
6.2 Superposition de courbes de densit\u00e9 sur l’histogramme empirique<\/h3>\n L’enrichissement graphique de l’histogramme des fr\u00e9quences constitue un autre levier d’investigation visuelle majeur propos\u00e9 nativement par SAS. Pour transcender l’arbitraire potentiel li\u00e9 au d\u00e9coupage en classes de l’histogramme de fr\u00e9quences, il est d’un int\u00e9r\u00eat diagnostique majeur de superposer \u00e0 la fois une courbe param\u00e9trique normale d’ajustement et une courbe non param\u00e9trique d’estimation de densit\u00e9 par noyau (courbe Kernel<\/em>).<\/p>\nCette double superposition graphique s’ex\u00e9cute avec une remarquable concision syntaxique au sein de la commande HISTOGRAM<\/em> en adjoignant les options simultan\u00e9es NORMAL<\/em> et KERNEL<\/em> :<\/p>\nHISTOGRAM nom_de_variable \/ NORMAL(MU=EST SIGMA=EST) KERNEL;<\/em><\/p>\nLa courbe normale param\u00e9trique trace la densit\u00e9 de probabilit\u00e9 gaussienne continue th\u00e9orique ajust\u00e9e sur la moyenne et la variance de l’\u00e9chantillon. En parall\u00e8le, la fonction d’estimation par noyau calcule une courbe liss\u00e9e empirique enti\u00e8rement lib\u00e9r\u00e9e de tout postulat de forme distributionnelle a priori, r\u00e9v\u00e9lant la v\u00e9ritable morphologie intrins\u00e8que des donn\u00e9es de mesure.<\/p>\n
La comparaison dynamique entre ces deux trac\u00e9s superpos\u00e9s s’av\u00e8re particuli\u00e8rement discriminante pour d\u00e9busquer des ph\u00e9nom\u00e8nes distributionnels complexes qu’une simple statistique univari\u00e9e D<\/em> pourrait occulter. En particulier, si la courbe Kernel<\/em> pr\u00e9sente deux sommets d’amplitude comparable (structure bimodale) ou plusieurs ondulations successives (multimodalit\u00e9), cette divergence frappante par rapport \u00e0 la courbe normale en cloche univoque signale imm\u00e9diatement au psychom\u00e9tricien l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 sous-jacente de sa population d’\u00e9tude, sugg\u00e9rant l’existence de sous-groupes cliniques ou typologiques distincts dissimul\u00e9s au sein de la cohorte analys\u00e9e.<\/p>\n6.3 Rapprochement entre repr\u00e9sentations visuelles et tests d’hypoth\u00e8ses<\/h3>\n La pratique contemporaine de l’analyse des donn\u00e9es exige d’op\u00e9rer un rapprochement dialectique permanent entre l’inf\u00e9rence formelle d\u00e9riv\u00e9e du test de Kolmogorov-Smirnov et les repr\u00e9sentations visuelles obtenues par les diagrammes Q-Q et les densit\u00e9s liss\u00e9es. La d\u00e9pendance exclusive envers le seuil arbitraire de la p-valeur (p < 0.05<\/em>) expose le chercheur \u00e0 de graves erreurs de jugement m\u00e9thodologique.<\/p>\nDans certaines configurations exp\u00e9rimentales impliquant des effectifs interm\u00e9diaires, le test de Kolmogorov-Smirnov peut \u00e9chouer \u00e0 rejeter l’hypoth\u00e8se de normalit\u00e9 en raison de sa sensibilit\u00e9 conservative au niveau des queues, affichant une p-valeur non significative (par exemple, p = 0.082<\/em>), alors m\u00eame que le diagramme Q-Q met en relief un d\u00e9collement franc et r\u00e9gulier des quantiles extr\u00eames traduisant une asym\u00e9trie clinique cliniquement pr\u00e9occupante. R\u00e9ciproquement, un test formel peut s’av\u00e9rer hautement significatif en raison de l\u00e9gers effets d’arrondi induits par la discr\u00e9tisation des scores psychom\u00e9triques, alors que le trac\u00e9 Q-Q d\u00e9montre une lin\u00e9arit\u00e9 globale impressionnante le long de la droite normale de r\u00e9f\u00e9rence.<\/p>\nLe chercheur doit par cons\u00e9quent cultiver une approche diagnostique par faisceau convergent d’indices. L’hypoth\u00e8se de normalit\u00e9 ne doit \u00eatre ent\u00e9rin\u00e9e que lorsque la statistique inf\u00e9rentielle de Lilliefors, l’alignement visuel des quantiles sur la droite th\u00e9orique, la coh\u00e9rence g\u00e9om\u00e9trique des courbes de densit\u00e9 et la mod\u00e9ration des indices d’asym\u00e9trie et d’aplatissement concourent de mani\u00e8re harmonieuse \u00e0 \u00e9tayer la plausibilit\u00e9 du mod\u00e8le gaussien.<\/p>\n
7. Comparaison critique entre Kolmogorov-Smirnov et autres tests de normalit\u00e9<\/h2>\n7.1 Kolmogorov-Smirnov versus Shapiro-Wilk (W)<\/h3>\n Parmi l’arsenal des tests d’ad\u00e9quation distributionnelle mis \u00e0 disposition dans le tableau des sorties de PROC UNIVARIATE<\/em>, le test d\u00e9velopp\u00e9 par Samuel Sanford Shapiro et Martin Wilk en 1965 constitue sans conteste le rival le plus embl\u00e9matique du test de Kolmogorov-Smirnov. Reposant sur la r\u00e9gression lin\u00e9aire g\u00e9n\u00e9ralis\u00e9e des statistiques d’ordre de l’\u00e9chantillon sur les esp\u00e9rances des statistiques d’ordre d’une loi normale univari\u00e9e standardis\u00e9e, la statistique W<\/em> de Shapiro-Wilk mesure le rapport entre le carr\u00e9 d’un estimateur lin\u00e9aire de l’\u00e9cart-type et la somme classique des carr\u00e9s des \u00e9carts \u00e0 la moyenne.<\/p>\nD’innombrables \u00e9tudes de simulation de Monte-Carlo, men\u00e9es notamment sur des configurations distributionnelles asym\u00e9triques ou tronqu\u00e9es repr\u00e9sentatives des mesures psychologiques, ont formellement d\u00e9montr\u00e9 la sup\u00e9riorit\u00e9 statistique \u00e9crasante du test de Shapiro-Wilk en termes de puissance sur les petits et moyens \u00e9chantillons, typiquement pour des effectifs n<\/em> compris entre 10 et 2 000 participants. La statistique W<\/em> capte avec une sensibilit\u00e9 math\u00e9matique nettement plus fine les asym\u00e9tries locales et les perturbations de courbure.<\/p>\nEn cons\u00e9quence directe de cette sensibilit\u00e9 diff\u00e9rentielle, il est extr\u00eamement fr\u00e9quent sous SAS d’observer une discordance apparente dans les sorties analytiques : la statistique de Kolmogorov-Smirnov affiche une p-valeur sup\u00e9rieure \u00e0 0.150 (concluant \u00e0 l’ad\u00e9quation normale), tandis que le test de Shapiro-Wilk g\u00e9n\u00e8re une p-valeur de 0.021 (ordonnant le rejet de la normalit\u00e9). Dans ce cas de figure pr\u00e9cis, il est universellement recommand\u00e9 de privil\u00e9gier le verdict formul\u00e9 par le test de Shapiro-Wilk, le test de Kolmogorov-Smirnov manquant de puissance pour d\u00e9tecter la distorsion structurelle sous-jacente.<\/p>\n
7.2 Apport des tests d’Anderson-Darling (A-Sq) et de Cram\u00e9r-von Mises (W-Sq)<\/h3>\n Face aux faiblesses structurelles du test classique de Kolmogorov-Smirnov, la classe des tests fond\u00e9s sur la fonction de distribution empirique (EDF) s’est enrichie de formulations quadratiques hautement sophistiqu\u00e9es, repr\u00e9sent\u00e9es dans SAS par la statistique W-Sq<\/em> de Cram\u00e9r-von Mises et la statistique A-Sq<\/em> d’Anderson-Darling. Contrairement \u00e0 la statistique D<\/em> qui ne retient que la d\u00e9viation supr\u00e9mum ponctuelle la plus extr\u00eame le long de l’axe r\u00e9el, les tests de Cram\u00e9r-von Mises et d’Anderson-Darling int\u00e8grent l’int\u00e9grale de l’\u00e9cart quadratique pond\u00e9r\u00e9 sur l’ensemble du domaine de r\u00e9partition :<\/p>\nQ = n × ∫ [ Fn(x) – F0(x) ]² × ψ(x) dF0(x)<\/em>.<\/p>\nLorsque la fonction de pond\u00e9ration ψ(x)<\/em> est d\u00e9finie comme une constante \u00e9gale \u00e0 1, l’\u00e9quation correspond au test de Cram\u00e9r-von Mises. Ce test offre une excellente robustesse pour appr\u00e9hender l’inad\u00e9quation distributionnelle moyenne globale. En revanche, lorsque la fonction de pond\u00e9ration est sp\u00e9cifi\u00e9e de mani\u00e8re \u00e0 accentuer le poids relatif des extr\u00e9mit\u00e9s selon l’expression ψ(x) = 1 \/ [ F0(x) × (1 – F0(x)) ]<\/em>, l’int\u00e9grale se convertit en la statistique d’Anderson-Darling (A-Sq<\/em>).<\/p>\nCette pond\u00e9ration r\u00e9ciproque conf\u00e8re au test d’Anderson-Darling une acuit\u00e9 de d\u00e9tection ph\u00e9nom\u00e9nale pour rep\u00e9rer les anomalies distributionnelles log\u00e9es au sein des queues de distribution extr\u00eames. Dans le cadre de recherches cliniques ou psychiatriques o\u00f9 la pathologie mentale s\u00e9v\u00e8re s’exprime pr\u00e9cis\u00e9ment par une concentration anormale de scores aux bornes sup\u00e9rieures ou inf\u00e9rieures des \u00e9chelles psychom\u00e9triques, le test d’Anderson-Darling surclasse syst\u00e9matiquement la m\u00e9trique de Kolmogorov-Smirnov en garantissant une sensibilit\u00e9 clinique optimale aux variations des profils atypiques.<\/p>\n
7.3 Synth\u00e8se comparative pour orienter le choix du chercheur<\/h3>\n Face \u00e0 la pluralit\u00e9 des indicateurs d\u00e9ploy\u00e9s dans la proc\u00e9dure univari\u00e9e de SAS, le chercheur doit se doter d’une grille de d\u00e9cision m\u00e9thodologique rationnelle pour fonder ses conclusions sans c\u00e9der \u00e0 la tentation opportuniste de s\u00e9lectionner le test qui confirme arbitrairement ses pr\u00e9conceptions de recherche (pratique prohib\u00e9e assimilable au p-hacking<\/em>).<\/p>\n\nPour des \u00e9chantillons d’effectif restreint \u00e0 mod\u00e9r\u00e9 (N ≤ 2 000) :<\/strong> Le test de Shapiro-Wilk<\/strong> doit \u00eatre syst\u00e9matiquement \u00e9rig\u00e9 en crit\u00e8re inf\u00e9rentiel pr\u00e9pond\u00e9rant, compl\u00e9t\u00e9 par l’analyse visuelle du diagramme Q-Q. Le test de Kolmogorov-Smirnov ne sera consult\u00e9 qu’\u00e0 titre indicatif et secondaire en raison de son d\u00e9ficit r\u00e9current de puissance.<\/li>\nPour l’analyse sp\u00e9cifique des queues et des valeurs extr\u00eames :<\/strong> Le test d’Anderson-Darling<\/strong> doit \u00eatre privil\u00e9gi\u00e9 en priorit\u00e9 absolue, particuli\u00e8rement lorsque la fid\u00e9lit\u00e9 de mesure aux bornes de l’\u00e9chelle conditionne la s\u00e9curit\u00e9 diagnostique d’un instrument de d\u00e9pistage clinique.<\/li>\nPour des \u00e9chantillons de tr\u00e8s grande dimension (N > 2 000) :<\/strong> Le test de Kolmogorov-Smirnov avec correction de Lilliefors<\/strong> conserve toute sa pertinence op\u00e9ratoire. Sa nature supr\u00e9mum globale permet d’\u00e9valuer la convergence de la fonction empirique tout en \u00e9tant relativement moins vuln\u00e9rable \u00e0 l’hyper-sensibilit\u00e9 locale que n’en pr\u00e9sente le test de Shapiro-Wilk sur les m\u00e9gadonn\u00e9es.<\/li>\nEn cas de divergence entre les indicateurs :<\/strong> La pr\u00e9sence d’un d\u00e9saccord entre les tests formels (ex. D non significatif mais W et A-Sq significatifs) doit imp\u00e9rativement inciter le chercheur \u00e0 examiner attentivement les diagrammes de dispersion et les indices de Skewness et Kurtosis. La r\u00e9daction m\u00e9thodologique du rapport d’analyse devra expliciter cette discordance en justifiant le choix de l’inf\u00e9rence retenue sur la base de la morphologie observ\u00e9e des scores.<\/li>\n<\/ul>\n8. Impact de la taille de l’\u00e9chantillon sur la validit\u00e9 du test<\/h2>\n8.1 Vuln\u00e9rabilit\u00e9 du test aux grands \u00e9chantillons : le paradoxe de la sur-significativit\u00e9<\/h3>\n L’un des d\u00e9fis les plus redoutables de l’analyse inf\u00e9rentielle moderne r\u00e9side dans la relation math\u00e9matique directe qui lie la puissance statistique d’un test d’ad\u00e9quation \u00e0 la taille totale de l’\u00e9chantillon n<\/em>. En vertu du comportement asymptotique de la statistique D<\/em>, le seuil critique requis pour franchir la barri\u00e8re de la significativit\u00e9 statistique d\u00e9cro\u00eet de mani\u00e8re approximativement proportionnelle \u00e0 1 \/ √n<\/em>. Il en r\u00e9sulte que pour des cohortes \u00e9pid\u00e9miologiques massives ou des enqu\u00eates en ligne portant sur des milliers de participants (par exemple, n = 10 000<\/em>), le test de Kolmogorov-Smirnov rejette syst\u00e9matiquement l’hypoth\u00e8se nulle de normalit\u00e9 (p < 0.0001<\/em>).<\/p>\nCette situation engendre ce que les m\u00e9thodologues qualifient de paradoxe de la sur-significativit\u00e9 statistique : le test identifie comme statistiquement significative une divergence maximale D<\/em> infinit\u00e9simale (par exemple, D = 0.015<\/em>), purement fortuite ou imputable \u00e0 d’infimes imperfections d’\u00e9chantillonnage, alors m\u00eame que cette d\u00e9viation est totalement d\u00e9pourvue de la moindre pertinence pratique ou clinique. Or, sur le plan de la th\u00e9orie des mod\u00e8les lin\u00e9aires, une divergence aussi infime n’exerce absolument aucun effet n\u00e9gatif tangible sur la robustesse du calcul des seuils F<\/em> ou des estimations de pente d’une r\u00e9gression.<\/p>\nLe chercheur confront\u00e9 \u00e0 de vastes bases de donn\u00e9es sous SAS doit par cons\u00e9quent s’\u00e9manciper d’une adh\u00e9sion servile \u00e0 la seule p-valeur de Kolmogorov-Smirnov. Dans ce contexte d’effectifs massifs, l’ampleur brute de la statistique D<\/em> doit \u00eatre convertie en une mesure d’effet d’ajustement global, et l’\u00e9valuation finale doit s’appuyer de mani\u00e8re pr\u00e9pond\u00e9rante sur l’examen qualitatif des trac\u00e9s Q-Q et la v\u00e9rification que les coefficients de Skewness et de Kurtosis demeurent contenus dans des intervalles acceptables (typiquement compris entre -1.0 et +1.0).<\/p>\n8.2 Perte drastique de puissance statistique sur petits \u00e9chantillons<\/h3>\n Le ph\u00e9nom\u00e8ne sym\u00e9trique inverse se manifeste avec une gravit\u00e9 m\u00e9thodologique encore sup\u00e9rieure lorsque les protocoles de recherche en psychologie clinique ou en neurosciences cognitives doivent se satisfaire de cohortes r\u00e9duites (notamment pour des effectifs n < 30<\/em>, fr\u00e9quents lors de l’\u00e9tude de pathologies c\u00e9r\u00e9brales rares ou de protocoles d’imagerie fonctionnelle co\u00fbteux). Sur de tels \u00e9chantillons, la statistique de Kolmogorov-Smirnov souffre d’un d\u00e9ficit catastrophique de puissance statistique.<\/p>\nEn raison de la dispersion stochastique consid\u00e9rable inh\u00e9rente aux petits effectifs, les seuils critiques tabul\u00e9s par Lilliefors deviennent particuli\u00e8rement \u00e9lev\u00e9s. D\u00e8s lors, une distribution empirique manifestant une asym\u00e9trie flagrante ou une bimodalit\u00e9 prononc\u00e9e produira fr\u00e9quemment une statistique de test dont la probabilit\u00e9 critique d\u00e9passera all\u00e8grement le seuil de significativit\u00e9 nominal de 0.05, conduisant le chercheur au non-rejet de l’hypoth\u00e8se nulle. Ce r\u00e9sultat ne traduit aucunement l’ad\u00e9quation r\u00e9elle des donn\u00e9es au mod\u00e8le gaussien mais refl\u00e8te simplement l’impuissance structurelle du test \u00e0 discriminer le signal du bruit d’\u00e9chantillonnage.<\/p>\n
Cette erreur de type II s’av\u00e8re particuli\u00e8rement pr\u00e9judiciable : confort\u00e9 par une p-valeur faussement rassurante g\u00e9n\u00e9r\u00e9e par SAS, le praticien s’engage dans l’ex\u00e9cution de tests param\u00e9triques classiques dont les hypoth\u00e8ses de base sont en r\u00e9alit\u00e9 s\u00e9v\u00e8rement viol\u00e9es, invalidant la cr\u00e9dibilit\u00e9 scientifique des conclusions rapport\u00e9es. Il est formellement recommand\u00e9 de ne jamais accorder de cr\u00e9dit au test de Kolmogorov-Smirnov pour des effectifs inf\u00e9rieurs \u00e0 50 observations, et de recourir exclusivement \u00e0 des m\u00e9thodes non param\u00e9triques exactes ou \u00e0 des proc\u00e9dures de r\u00e9\u00e9chantillonnage bootstrap lorsque n<\/em> est restreint.<\/p>\n8.3 Strat\u00e9gies d’ajustement face aux variations d’effectifs<\/h3>\n Pour neutraliser les distorsions inh\u00e9rentes aux fluctuations de la taille d’\u00e9chantillon, les m\u00e9thodologues ont d\u00e9velopp\u00e9 des strat\u00e9gies d’investigation distributionnelle adaptatives que l’on peut programmer ais\u00e9ment sous SAS. Une approche empirique particuli\u00e8rement f\u00e9conde face \u00e0 des bases de tr\u00e8s grande taille r\u00e9side dans la technique du sous-\u00e9chantillonnage r\u00e9p\u00e9t\u00e9 (subsampling<\/em>). En exploitant la proc\u00e9dure PROC SURVEYSELECT<\/em>, le statisticien peut extraire al\u00e9atoirement et sans remise des sous-\u00e9chantillons d’effectif standardis\u00e9 (par exemple, des r\u00e9plicats de n = 300<\/em>) pour y r\u00e9it\u00e9rer l’ex\u00e9cution de la proc\u00e9dure univari\u00e9e.<\/p>\nLa distribution empirique des statistiques D<\/em> et de leurs p-valeurs associ\u00e9es calcul\u00e9es sur ces multiples tirages offre une vision \u00e9minemment plus stable et repr\u00e9sentative de la v\u00e9ritable ad\u00e9quation de la population parente, affranchie du biais d’hypertrophie d’effectif. Parall\u00e8lement, l’\u00e9valuation de la normalit\u00e9 peut \u00eatre corr\u00e9l\u00e9e au calcul d’intervalles de tol\u00e9rance statistique param\u00e9triques et non param\u00e9triques fournis dans les sorties sp\u00e9cialis\u00e9es de
![\"Kolmogorov-Smirnov](\"http:\/\/french.arabpsychology.com\/wp-content\/uploads\/2026\/09\/ksSAS1.jpg\")