{"id":8883,"date":"2026-09-23T05:54:28","date_gmt":"2026-09-23T05:54:28","guid":{"rendered":"http:\/\/french.arabpsychology.com\/statistics\/distribution-ouverte-statistiques-psychologie\/"},"modified":"2026-09-23T05:54:32","modified_gmt":"2026-09-23T05:54:32","slug":"distribution-ouverte-statistiques-psychologie","status":"publish","type":"psych_stat","link":"https:\/\/french.arabpsychology.com\/?psych_stat=distribution-ouverte-statistiques-psychologie","title":{"rendered":"Qu’est-ce qu’une distribution ouverte ?"},"content":{"rendered":"

Dans le domaine de l’analyse quantitative et de la m\u00e9thodologie de recherche en sciences humaines, la structuration des variables constitue une \u00e9tape d\u00e9terminante qui conditionne l’ensemble de la cha\u00eene de traitement statistique. Parmi les configurations de groupement de donn\u00e9es, la distribution ouverte<\/strong> (ou distribution \u00e0 classes ouvertes) occupe une place singuli\u00e8re, \u00e0 la crois\u00e9e de n\u00e9cessit\u00e9s pragmatiques de collecte et d’exigences formelles d’analyse. Utilis\u00e9e de mani\u00e8re r\u00e9currente dans les enqu\u00eates \u00e9pid\u00e9miologiques, les bilans psychom\u00e9triques et les \u00e9tudes sociologiques men\u00e9es par de grands instituts tels que l’Institut national de la statistique et des \u00e9tudes \u00e9conomiques<\/a>, cette modalit\u00e9 d’organisation des observations permet de cat\u00e9goriser des ph\u00e9nom\u00e8nes dont les bornes extr\u00eames s’av\u00e8rent ind\u00e9termin\u00e9es, infinies ou m\u00e9thodologiquement inaccessibles.<\/p>\n

Pourtant, si le recours \u00e0 une modalit\u00e9 d\u00e9pourvue de seuil inf\u00e9rieur ou sup\u00e9rieur r\u00e9sout d’importantes difficult\u00e9s de passation d’\u00e9preuves ou de questionnaires, il introduit des contraintes calculatoires majeures. L’absence de d\u00e9limitation stricte pour certaines classes remet en cause l’application des param\u00e8tres statistiques descriptifs les plus \u00e9l\u00e9mentaires, au premier rang desquels figurent la moyenne arithm\u00e9tique et la variance. La mod\u00e9lisation math\u00e9matique se trouve alors confront\u00e9e \u00e0 une ind\u00e9termination structurelle : comment calculer le centre d’une classe qui s’\u00e9tend vers l’infini n\u00e9gatif ou positif ? Cette aporie th\u00e9orique impose le recours \u00e0 des mesures non param\u00e9triques robustes et \u00e0 des mod\u00e8les de r\u00e9gression sp\u00e9cifiquement adapt\u00e9s aux ph\u00e9nom\u00e8nes censur\u00e9s.<\/p>\n

Le pr\u00e9sent article propose une analyse \u00e9pist\u00e9mologique et m\u00e9thodologique exhaustive de la distribution ouverte. En explorant ses fondements th\u00e9oriques, sa typologie, ses r\u00e9percussions sur les indicateurs de tendance centrale et de dispersion, ainsi que ses mod\u00e9lisations computationnelles avanc\u00e9es, cette synth\u00e8se ambitionne de fournir aux chercheurs, cliniciens et analystes de donn\u00e9es un cadre de r\u00e9f\u00e9rence rigoureux pour appr\u00e9hender ces structures de donn\u00e9es non conventionnelles sans compromettre la validit\u00e9 de leurs inf\u00e9rences empiriques.<\/p>\n

1. Fondements th\u00e9oriques et d\u00e9finition d’une distribution ouverte<\/h2>\n

1.1 D\u00e9finition statistique de la distribution \u00e0 classes ouvertes<\/h3>\n

En statistique descriptive, une distribution \u00e0 classes ouvertes (ou open-ended distribution<\/em>) se caract\u00e9rise formellement par un tableau de fr\u00e9quences ou une partition d’intervalles dans lequel au moins une classe p\u00e9riph\u00e9rique ne comporte pas de limite finie. Dans le cas canonique d’une variable quantitative continue pr\u00e9alablement discr\u00e9tis\u00e9e, les donn\u00e9es sont g\u00e9n\u00e9ralement regroup\u00e9es au sein d’intervalles contigus d’amplitudes fixes ou variables. Cependant, d\u00e8s lors qu’un intervalle est d\u00e9sign\u00e9 par une formule d’exclusion telle que \u00ab moins de k<\/em> \u00bb ou \u00ab sup\u00e9rieur ou \u00e9gal \u00e0 K<\/em> \u00bb, la classe correspondante ne pr\u00e9sente plus de borne inf\u00e9rieure ou sup\u00e9rieure mesurable.<\/p>\n

Ce concept introduit une rupture \u00e9pist\u00e9mologique fondamentale par rapport aux distributions classiques. L’absence de limite assigne \u00e0 la classe concern\u00e9e une largeur math\u00e9matiquement infinie ou ind\u00e9termin\u00e9e, ce qui interdit d’embl\u00e9e la d\u00e9finition d’un centre de classe (ou milieu d’intervalle) sur la base de la simple demi-somme des bornes. Il convient d’op\u00e9rer une distinction rigoureuse entre une variable continue discr\u00e9tis\u00e9e artificiellement par commodit\u00e9 de recueil et une variable ordinale intrins\u00e8que. Dans une variable continue partitionn\u00e9e en classes ouvertes, le sous-jacent m\u00e9trique demeure actif, mais l’observation empirique subit un m\u00e9canisme de groupement qui tronque l’information spatiale dans la queue de la distribution.<\/p>\n

Les propri\u00e9t\u00e9s math\u00e9matiques de ces intervalles non born\u00e9s impliquent des singularit\u00e9s de traitement dans l’espace probabiliste. Si l’espace fondamental des \u00e9v\u00e9nements reste exhaustif \u2014 c’est-\u00e0-dire que l’union de toutes les classes, ouvertes et ferm\u00e9es, englobe rigoureusement l’ensemble des r\u00e9alisations possibles de l’\u00e9chantillon \u2014, l’absence de compacit\u00e9 topologique sur la droite r\u00e9elle emp\u00eache toute int\u00e9gration classique de densit\u00e9 de probabilit\u00e9 sans l’introduction d’hypoth\u00e8ses auxiliaires sur la forme fonctionnelle r\u00e9gissant l’extr\u00eame de la distribution.<\/p>\n

1.2 Comparaison structurelle avec la distribution ferm\u00e9e<\/h3>\n

\u00c0 l’oppos\u00e9 des architectures ouvertes, une distribution statistique ferm\u00e9e impose des bornes d’inclusion strictes, finies et mesurables pour chacun de ses intervalles constitutifs. Dans une partition ferm\u00e9e, chaque classe i<\/em> est rigoureusement d\u00e9finie par un doublet $[a_i, b_i[$<\/span>, o\u00f9 $a_i$<\/span> et $b_i$<\/span> appartiennent \u00e0 l’ensemble des nombres r\u00e9els $\\mathbb{R}$<\/span>. Cette cl\u00f4ture topologique garantit que l’amplitude de chaque cat\u00e9gorie, exprim\u00e9e par $h_i = b_i – a_i$<\/span>, est une valeur strictement positive et finie, autorisant imm\u00e9diatement le calcul du point central $c_i = (a_i + b_i) \/ 2$<\/span>, pierre angulaire des calculs momentan\u00e9s de premier et second ordres.<\/p>\n

En recherche empirique, la comparaison entre ces deux approches se manifeste fr\u00e9quemment lors de la mise en place d’un protocole exp\u00e9rimental. Consid\u00e9rons par exemple une \u00e9tude mesurant le temps de r\u00e9action cognitive face \u00e0 un stimulus perceptif complexe : une distribution ferm\u00e9e segmentera les latences en tranches fixes, telles que $[200, 300[$<\/span>, $[300, 400[$<\/span>, et $[400, 500[\\text{ ms}]$<\/span>, tout en \u00e9cartant ou en consignant \u00e0 part les r\u00e9ponses exc\u00e9dant 500 ms. \u00c0 l’inverse, une distribution ouverte introduira une classe ultime d\u00e9sign\u00e9e par \u00ab $ge 500\\text{ ms}$<\/span> \u00bb, englobant indistinctement les participants ayant r\u00e9agi en 505 ms et ceux ayant manifest\u00e9 un temps d’h\u00e9sitation pathologique de 3 000 ms.<\/p>\n

Cette divergence structurelle produit des cons\u00e9quences profondes sur les fonctions de r\u00e9partition. Si le calcul des fr\u00e9quences relatives simples ($f_i = n_i \/ N$<\/span>) et des fr\u00e9quences cumul\u00e9es ascendantes demeure arithm\u00e9tiquement licite dans les deux configurations, la distribution ferm\u00e9e autorise une interpolation lin\u00e9aire continue sur l’int\u00e9gralit\u00e9 du domaine de d\u00e9finition. En revanche, la distribution ouverte cr\u00e9e une zone d’opacit\u00e9 terminale : le trac\u00e9 de la fonction de r\u00e9partition cumul\u00e9e s’interrompt ou plafonne brutalement d\u00e8s l’amorce de la classe ouverte, interdisant toute d\u00e9duction sur la r\u00e9partition interne des effectifs au-del\u00e0 du seuil critique.<\/p>\n

1.3 Pertinence m\u00e9thodologique en sciences du comportement<\/h3>\n

L’usage des distributions \u00e0 classes ouvertes r\u00e9pond \u00e0 des imp\u00e9ratifs m\u00e9thodologiques cruciaux au sein des sciences cognitives, de la psychologie clinique et de la neuropsychologie. Le comportement humain, par sa nature adaptative et multivari\u00e9e, g\u00e9n\u00e8re r\u00e9guli\u00e8rement des r\u00e9ponses extr\u00eames qui d\u00e9fient les tentatives de standardisation lin\u00e9aire. L’\u00e9valuation de traits psychologiques sous-tendus par des \u00e9chelles quantitatives \u2014 tels que l’intensit\u00e9 des sympt\u00f4mes d\u00e9pressifs \u00e9valu\u00e9e par des inventaires normalis\u00e9s, la r\u00e9activit\u00e9 \u00e9motionnelle ou encore les comp\u00e9tences en m\u00e9moire de travail \u2014 met souvent en \u00e9vidence des dynamiques asym\u00e9triques o\u00f9 une faible proportion d’individus d\u00e9ploie des performances atypiques.<\/p>\n

Dans les questionnaires psychom\u00e9triques contemporains \u00e9labor\u00e9s selon les standards de l’American Psychological Association<\/a>, l’am\u00e9nagement d’intervalles ouverts repr\u00e9sente une flexibilit\u00e9 n\u00e9cessaire. Il s’av\u00e8re particuli\u00e8rement complexe de d\u00e9limiter a priori une fronti\u00e8re sup\u00e9rieure ou inf\u00e9rieure stricte \u00e0 des processus psychobiologiques hautement distribu\u00e9s. Vouloir imposer une cl\u00f4ture absolue \u00e0 un questionnaire \u00e9valuant, par exemple, la fr\u00e9quence hebdomadaire des compulsions alimentaires ou des ruminations anxieuses reviendrait soit \u00e0 artificiellement contraindre le spectre d’expression du patient, soit \u00e0 multiplier des dizaines de classes unitaires r\u00e9siduelles qui resteraient d\u00e9sesp\u00e9r\u00e9ment vides pour l’immense majorit\u00e9 de la cohorte.<\/p>\n

Cette pertinence m\u00e9thodologique proc\u00e8de \u00e9galement d’une reconnaissance pragmatique des limites de la mesure psychologique. Face \u00e0 l’impossibilit\u00e9 pratique et th\u00e9orique d’isoler un plafond biologique ind\u00e9passable pour certaines aptitudes cognitives sup\u00e9rieures ou, a contrario, d’\u00e9tablir un plancher absolu sans fausser la m\u00e9trique sous-jacente, la classe ouverte constitue une convention \u00e9pist\u00e9mique \u00e9l\u00e9gante : elle prend acte de la pr\u00e9sence de valeurs singuli\u00e8res sans pour autant contraindre ind\u00fbment l’instrument de mesure dans des limites arbitraires.<\/p>\n

2. Typologie et configurations des distributions ouvertes<\/h2>\n

2.1 Distributions ouvertes par la borne inf\u00e9rieure<\/h3>\n

Une distribution est dite ouverte par la borne inf\u00e9rieure lorsqu’elle int\u00e8gre une classe inaugurale d\u00e9pourvue de fronti\u00e8re minimale d\u00e9termin\u00e9e. Dans les r\u00e9pertoires statistiques et les instruments d’enqu\u00eate, ce type de cat\u00e9gorie est traditionnellement d\u00e9sign\u00e9 par des formules lexicales telles que \u00ab inf\u00e9rieur \u00e0 $X$<\/span> \u00bb, \u00ab strictement moins de $X$<\/span> \u00bb ou math\u00e9matiquement par l’intervalle $]-\\infty, X[$<\/span>. La classe de base capture ainsi l’ensemble des occurrences dont l’amplitude num\u00e9rique se situe en de\u00e7\u00e0 du seuil critique $X$<\/span>, sans qu’aucune limite op\u00e9rationnelle ne vienne borner le domaine de mesure vers le bas.<\/p>\n

Les cas d’usage typiques abondent en chronom\u00e9trie mentale et en neuropsychologie clinique. L’analyse des temps de latence cognitive ultra-courts en fournit une illustration embl\u00e9matique : lors d’\u00e9preuves d’attention s\u00e9lective informatis\u00e9es, les r\u00e9ponses enregistr\u00e9es sous la barre physiologique des 150 millisecondes sont couramment regroup\u00e9es au sein d’une modalit\u00e9 unique \u00ab $< 150\\text{ ms}$<\/span> \u00bb. Ces temps de r\u00e9action infinit\u00e9simaux, souvent assimil\u00e9s \u00e0 des r\u00e9ponses anticipatoires pr\u00e9-motrices ou \u00e0 des art\u00e9facts moteurs, ne n\u00e9cessitent pas une d\u00e9composition unitaire fine mais doivent imp\u00e9rativement \u00eatre quantifi\u00e9s pour appr\u00e9cier l'impulsivit\u00e9 du sujet ou filtrer le bruit exp\u00e9rimental.<\/p>\n

Sur le plan distributionnel, l’ouverture par la borne inf\u00e9rieure induit un effet direct de troncature \u00e0 gauche sur les donn\u00e9es observ\u00e9es. Cette condensation forc\u00e9e de l’extr\u00e9mit\u00e9 inf\u00e9rieure engendre une dissym\u00e9trie m\u00e9canique de la courbe de densit\u00e9 empirique. Le rassemblement des valeurs planchers dans une cat\u00e9gorie unique comprime artificiellement la tra\u00eene gauche, masquant d’\u00e9ventuelles sous-populations cliniques qui se distingueraient uniquement par des niveaux de d\u00e9ficit s\u00e9v\u00e8res situ\u00e9s profond\u00e9ment en de\u00e7\u00e0 de la normale m\u00e9trique \u00e9tablie.<\/p>\n

2.2 Distributions ouvertes par la borne sup\u00e9rieure<\/h3>\n

La distribution ouverte par la borne sup\u00e9rieure repr\u00e9sente la configuration la plus fr\u00e9quemment r\u00e9pertori\u00e9e dans la litt\u00e9rature scientifique et \u00e9conomique. Elle se mat\u00e9rialise par l’introduction d’un intervalle terminal d\u00e9pourvu de plafond, habituellement formalis\u00e9 sous la notation $[Y, +\\infty[$<\/span> ou identifi\u00e9 par des intitul\u00e9s pragmatiques tels que \u00ab sup\u00e9rieur ou \u00e9gal \u00e0 $Y$<\/span> \u00bb, \u00ab $Y$<\/span> et plus \u00bb ou \u00ab au-del\u00e0 de $Y$<\/span> \u00bb. Dans cette structure, l’ensemble des observations exc\u00e9dant le seuil de basculement $Y$<\/span> sont agr\u00e9g\u00e9es indistinctement au sein d’une unique entit\u00e9 cat\u00e9gorielle.<\/p>\n

Cette typologie constitue la r\u00e8gle pr\u00e9valente dans l’exploration des variables socio-\u00e9conomiques, telles que la r\u00e9partition des tranches de revenu ou du patrimoine net des m\u00e9nages, domaines amplement \u00e9tudi\u00e9s par l’Organisation de coop\u00e9ration et de d\u00e9veloppement \u00e9conomiques<\/a>. En psychopathologie et en addictologie, cette approche est \u00e9galement syst\u00e9matique : l’\u00e9valuation de la consommation compulsive de substances psychoactives (par exemple, le nombre d’unit\u00e9s d’alcool ou de cigarettes consomm\u00e9es quotidiennement) recourt de mani\u00e8re quasi universelle \u00e0 des bornes sup\u00e9rieures ouvertes, \u00e0 l’image des cat\u00e9gories \u00ab plus de 40 cigarettes par jour \u00bb. Les scores cliniques plafonds, mesurant par exemple des \u00e9pisodes d’automutilation ou des attaques de panique mensuelles, sont similairement captur\u00e9s par ce m\u00e9canisme.<\/p>\n

L’introduction d’une classe sup\u00e9rieure ind\u00e9termin\u00e9e suscite l’apparition de ph\u00e9nom\u00e8nes statistiques complexes associ\u00e9s \u00e0 la censure \u00e0 droite et aux queues de distribution \u00e9paisses (heavy-tailed distributions<\/em>). L’\u00e9crasement de toute l’information situ\u00e9e au-del\u00e0 de $Y$<\/span> \u00e9limine la variabilit\u00e9 intrins\u00e8que des profils ultra-atypiques. Les sujets affichant des niveaux comportementaux exceptionnellement \u00e9lev\u00e9s se trouvent confondus avec ceux qui ne franchissent que marginalement le palier d’inclusion, ce qui entra\u00eene une distorsion substantielle de la forme globale du polygone de fr\u00e9quence.<\/p>\n

\"\"<\/figure>\n

2.3 Distributions bilat\u00e9ralement ouvertes<\/h3>\n

La configuration bilat\u00e9ralement ouverte survient lorsqu’une s\u00e9rie statistique combine de mani\u00e8re simultan\u00e9e une classe initiale non born\u00e9e inf\u00e9rieurement et une classe terminale non born\u00e9e sup\u00e9rieurement. La partition des donn\u00e9es prend alors la forme canonique : $]-\\infty, a[$<\/span>, $[a, b[$<\/span>, $[b, c[$<\/span>, …, $[k, +\\infty[$<\/span>. Cette structure duale encadre une zone centrale d’intervalles parfaitement ferm\u00e9s et quantifiables par deux extr\u00e9mit\u00e9s amples et ind\u00e9termin\u00e9es.<\/p>\n

La complexit\u00e9 analytique d’une telle distribution s’av\u00e8re particuli\u00e8rement \u00e9lev\u00e9e en raison de la perte sym\u00e9trique d’information quantitative. Cette organisation est fr\u00e9quemment adopt\u00e9e dans les \u00e9tudes \u00e9pid\u00e9miologiques employant des scores standardis\u00e9s composites, tels que les scores Z<\/em> centr\u00e9s r\u00e9duits ou les quotients intellectuels d\u00e9viants, d\u00e8s lors que l’on souhaite isoler les tranches mod\u00e9r\u00e9es tout en regroupant les ph\u00e9notypes d’extr\u00eame sous-performance et de surperformance remarquable. On la rencontre \u00e9galement dans les mod\u00e9lisations \u00e9conom\u00e9triques des rendements d’actifs financiers ou des variations de temp\u00e9rature r\u00e9siduelles en psychophysique environnementale.<\/p>\n

La gestion de variables standardis\u00e9es pr\u00e9sentant des r\u00e9sidus tr\u00e8s dispers\u00e9s impose parfois cette bilat\u00e9ralit\u00e9 pour pr\u00e9server la lisibilit\u00e9 synth\u00e9tique des bilans diagnostiques. N\u00e9anmoins, l’analyste se trouve alors priv\u00e9 de rep\u00e8res m\u00e9triques sur les deux ailes de la population. Les d\u00e9viations extr\u00eames n\u00e9gatives et positives se trouvant soustraites \u00e0 toute quantification param\u00e9trique directe, le traitement math\u00e9matique de ces distributions exige l’emploi exclusif d’approches ordonn\u00e9es ou de techniques avanc\u00e9es de vraisemblance conditionnelle.<\/p>\n

3. Causes m\u00e9thodologiques et psychologiques des distributions ouvertes<\/h2>\n

3.1 Biais de d\u00e9sirabilit\u00e9 sociale et pr\u00e9servation de l’anonymat<\/h3>\n

L’adoption de classes ouvertes lors de la collecte de donn\u00e9es ne d\u00e9coule pas uniquement de contraintes math\u00e9matiques ; elle rel\u00e8ve d’une fine compr\u00e9hension des processus socio-cognitifs qui animent le r\u00e9pondant face \u00e0 un protocole d’\u00e9valuation. La divulgation d’informations quantitatives exactes relatives \u00e0 des aspects intimes, transgressifs ou hautement valoris\u00e9s de l’existence active in\u00e9vitablement le biais de d\u00e9sirabilit\u00e9 sociale. Qu’il s’agisse du revenu individuel, du patrimoine financier, du nombre de partenaires sexuels ou de la fr\u00e9quence d’actes d\u00e9viants, l’obligation de renseigner une valeur num\u00e9rique pr\u00e9cise peut \u00eatre v\u00e9cue comme une intrusion mena\u00e7ante pour l’image de soi.<\/p>\n

La mise \u00e0 disposition d’une classe terminale ouverte telle que \u00ab 100 000 euros et plus \u00bb ou \u00ab plus de 10 verres par occasion \u00bb agit comme un bouclier psychologique et un pr\u00e9servateur d’anonymat. En choisissant une cat\u00e9gorie collective large, le r\u00e9pondant n’a pas le sentiment d’exposer sa singularit\u00e9 au regard inquisiteur du chercheur. Il dilue sa r\u00e9alit\u00e9 individuelle dans une cohorte indiff\u00e9renci\u00e9e, ce qui r\u00e9duit significativement l’anxi\u00e9t\u00e9 d’\u00e9valuation et la r\u00e9actance psychologique.<\/p>\n

De multiples investigations en m\u00e9thodologie d’enqu\u00eate ont corrobor\u00e9 que l’usage de cat\u00e9gories ouvertes pour des domaines sensibles permet de minimiser substantiellement l’attrition des donn\u00e9es. Les taux de non-r\u00e9ponse partielle chutent drastiquement lorsque les participants ont la possibilit\u00e9 de s’affilier \u00e0 une classe non limitative plut\u00f4t que d’\u00eatre contraints de consigner une valeur chiffr\u00e9e exacte. Ce dispositif concilie ainsi le respect de la sph\u00e8re priv\u00e9e du sujet avec l’exigence de compl\u00e9tude de l’\u00e9chantillonnage empirique.<\/p>\n

3.2 Contraintes de conception des instruments psychom\u00e9triques<\/h3>\n

L’architecture des questionnaires psychom\u00e9triques contemporains est gouvern\u00e9e par le principe d’\u00e9conomie cognitive. La multiplication effr\u00e9n\u00e9e des modalit\u00e9s de r\u00e9ponse au sein d’un instrument d’\u00e9valuation majore consid\u00e9rablement la charge mentale du sujet test\u00e9, induisant un ph\u00e9nom\u00e8ne d’\u00e9puisement attentionnel et de d\u00e9sengagement progressif. Dans le cadre de protocoles standardis\u00e9s administr\u00e9s \u00e0 de larges cohortes \u00e9pid\u00e9miologiques, tels que ceux supervis\u00e9s par l’Organisation mondiale de la Sant\u00e9<\/a>, la simplification de la structure des \u00e9chelles constitue un imp\u00e9ratif de fid\u00e9lit\u00e9 m\u00e9trologique.<\/p>\n

Si un concepteur de test devait provisionner des classes ferm\u00e9es d’amplitude constante pour couvrir l’int\u00e9gralit\u00e9 des spectres de comportement imaginables, les formulaires comporteraient une prolif\u00e9ration de modalit\u00e9s r\u00e9siduelles. Pour une question \u00e9valuant le nombre d’heures consacr\u00e9es aux jeux vid\u00e9o chaque semaine, calibrer des tranches r\u00e9guli\u00e8res de deux heures jusqu’\u00e0 un maximum th\u00e9orique de 100 heures engendrerait une \u00e9chelle de 50 modalit\u00e9s. Une telle d\u00e9mesure saturerait la perception visuelle du sujet tout en g\u00e9n\u00e9rant un nombre consid\u00e9rable de classes vides au plan statistique.<\/p>\n

L’introduction d\u00e9lib\u00e9r\u00e9e d’une classe ouverte terminale (par exemple, \u00ab plus de 30 heures par semaine \u00bb) permet de compacter l’instrument tout en conservant une discrimination fine sur la majeure partie de la courbe de Gauss. Les \u00e9v\u00e9nements rares mais extr\u00eames sont ainsi recueillis de fa\u00e7on op\u00e9rationnelle, sans surcharger cognitivement les participants ordinaires ni diluer la robustesse de l’instrument d’\u00e9valuation au sein d’une matrice inutilement complexe.<\/p>\n

3.3 Variabilit\u00e9 extr\u00eame et queues de distribution lourdes<\/h3>\n

L’exp\u00e9rience empirique d\u00e9montre que de nombreuses manifestations psychologiques, psychopathologiques et comportementales ne se conforment nullement \u00e0 la sym\u00e9trie pr\u00e9visible de la courbe normale de Gauss-Laplace. De nombreuses variables humaines exhibent une variabilit\u00e9 extr\u00eame domin\u00e9e par des ph\u00e9nom\u00e8nes de lois de puissance ou de distributions \u00e0 queues lourdes. Dans ces contextes, une infime minorit\u00e9 d’individus pr\u00e9sente des comportements dont l’amplitude exc\u00e8de de plusieurs ordres de grandeur la moyenne de l’\u00e9chantillon g\u00e9n\u00e9ral.<\/p>\n

Consid\u00e9rons l’intensit\u00e9 des comportements d’achat compulsif, les v\u00e9rifications obsessionnelles dans le cadre d’un trouble obsessionnel-compulsif (TOC), ou le temps quotidien pass\u00e9 sur les r\u00e9seaux sociaux. Alors que 95 % des r\u00e9pondants vont osciller entre des valeurs mod\u00e9r\u00e9es, quelques profils pathologiques peuvent rapporter des scores vertigineux. Face \u00e0 cette h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 radicale, les \u00e9chelles lin\u00e9aires conventionnelles r\u00e9v\u00e8lent leur incapacit\u00e9 structurelle \u00e0 capter conjointement la nuance des variations standard et la d\u00e9mesure des cas marginaux.<\/p>\n

La classe ouverte op\u00e8re ici comme une barri\u00e8re r\u00e9gulatrice protectrice contre les erreurs de mesure associ\u00e9es aux valeurs aberrantes individuelles (outliers<\/em>). En absorbant l’ensemble des d\u00e9rives massives au sein d’une cat\u00e9gorie non born\u00e9e, l’exp\u00e9rimentateur \u00e9vite que des valeurs num\u00e9riques isol\u00e9es \u2014 parfois cons\u00e9cutives \u00e0 des erreurs de saisie, des affabulations ou des manifestations cliniques paroxystiques \u2014 ne viennent d\u00e9stabiliser de mani\u00e8re disproportionn\u00e9e les moments statistiques de l’\u00e9chantillon global.<\/p>\n

4. Impact sur les mesures de tendance centrale<\/h2>\n

4.1 L’inapplicabilit\u00e9 de la moyenne arithm\u00e9tique conventionnelle<\/h3>\n

L’incidence la plus imm\u00e9diate et la plus probl\u00e9matique de la distribution ouverte r\u00e9side dans l’inapplicabilit\u00e9 formelle de la moyenne arithm\u00e9tique conventionnelle. Par d\u00e9finition, le calcul de la moyenne arithm\u00e9tique pond\u00e9r\u00e9e au sein d’un tableau group\u00e9 s’exprime selon la formule math\u00e9matique rigoureuse :<\/p>\n

$$\\bar{x} = \\frac{1}{N} \\sum_{i=1}^{k} n_i c_i$$<\/span><\/p>\n

o\u00f9 $n_i$<\/span> d\u00e9signe l’effectif de la classe $i$<\/span>, $N$<\/span> l’effectif total de l’\u00e9chantillon, et $c_i$<\/span> le centre de la classe consid\u00e9r\u00e9e. Dans le cadre d’une classe ouverte, telle que $[Y, +\\infty[$<\/span>, l’infinit\u00e9 de l’amplitude rend le centre de classe $c_i$<\/span> ind\u00e9fini dans le corps des r\u00e9els :<\/p>\n

$$c_k = \\frac{Y + \\infty}{2} = \\text{Ind\u00e9fini}$$<\/span><\/p>\n

Cette impossibilit\u00e9 alg\u00e9brique interdit toute d\u00e9termination directe de la moyenne sans violer les axiomes du calcul statistique \u00e9l\u00e9mentaire. Tenter de contourner cet obstacle par la fixation discr\u00e9tionnaire d’un point m\u00e9dian arbitraire (par exemple, en d\u00e9cidant unilat\u00e9ralement que le centre de la classe \u00ab 60 ans et plus \u00bb sera fix\u00e9 \u00e0 70 ans) expose l’analyste \u00e0 un risque s\u00e9v\u00e8re d’erreur syst\u00e9matique de mesure. L’estimation qui en d\u00e9coule ne refl\u00e8te plus la structure empirique des donn\u00e9es, mais traduit uniquement le postulat arbitraire de l’exp\u00e9rimentateur.<\/p>\n

De surcro\u00eet, la moyenne arithm\u00e9tique est unanimement reconnue pour sa vuln\u00e9rabilit\u00e9 intrins\u00e8que \u00e0 l’attraction des scores extr\u00eames. Dans une distribution ouverte \u00e0 droite, l’inclusion d’individus situ\u00e9s profond\u00e9ment dans la queue de distribution tire m\u00e9caniquement la moyenne vers le haut. Faute de pouvoir situer pr\u00e9cis\u00e9ment ces observations sur l’axe num\u00e9rique, tout calcul param\u00e9trique traditionnel devient sp\u00e9culatif et scientifiquement ind\u00e9fendable.<\/p>\n

4.2 La m\u00e9diane comme indicateur privil\u00e9gi\u00e9<\/h3>\n

Face \u00e0 la d\u00e9faillance structurelle de la moyenne arithm\u00e9tique, la m\u00e9diane ($Me$<\/span>) s’impose comme l’indicateur d’\u00e9lection de la tendance centrale au sein des distributions ouvertes. Fond\u00e9e sur le rang ordonn\u00e9 des observations et non sur leur amplitude m\u00e9trique directe, la m\u00e9diane correspond \u00e0 la valeur du caract\u00e8re qui scinde l’\u00e9chantillon ordonn\u00e9 en deux sous-groupes d’effectifs strictement \u00e9gaux, de sorte que 50 % des observations lui sont inf\u00e9rieures et 50 % lui sont sup\u00e9rieures.<\/p>\n

La validit\u00e9 et l’\u00e9l\u00e9gance de la m\u00e9diane reposent sur son insensibilit\u00e9 math\u00e9matique totale \u00e0 l’ind\u00e9termination des bornes extr\u00eames. Pourvu que la classe m\u00e9diane \u2014 celle qui contient la cinquanti\u00e8me unit\u00e9 cent\u00e9simale de l’effectif cumul\u00e9 \u2014 soit une classe ferm\u00e9e, le calcul proc\u00e8de classiquement par interpolation lin\u00e9aire intra-classe selon la formule standard :<\/p>\n

$$Me = L_m + \\left( \\frac{\\frac{N}{2} – F_{m-1}}{f_m} \\right) \\times h_m$$<\/span><\/p>\n

o\u00f9 $L_m$<\/span> repr\u00e9sente la borne inf\u00e9rieure de la classe m\u00e9diane, $N$<\/span> la taille de l’\u00e9chantillon, $F_{m-1}$<\/span> la fr\u00e9quence cumul\u00e9e absolue pr\u00e9c\u00e9dant la classe m\u00e9diane, $f_m$<\/span> l’effectif de la classe m\u00e9diane, et $h_m$<\/span> son amplitude ferm\u00e9e. L’ind\u00e9termination de la borne de la premi\u00e8re ou de la derni\u00e8re classe n’intervient \u00e0 aucun moment dans cette relation analytique.<\/p>\n

La seule r\u00e9serve m\u00e9thodologique formelle concerne les situations pathologiques o\u00f9 l’effectif d’une classe ouverte p\u00e9riph\u00e9rique exc\u00e8de 50 % de l’\u00e9chantillon total. Dans cette hypoth\u00e8se rarissime d’un effondrement massif des donn\u00e9es dans l’intervalle non born\u00e9, la classe m\u00e9diane devient elle-m\u00eame ouverte, ce qui emp\u00eache l’interpolation lin\u00e9aire et restreint la conclusion \u00e0 l’\u00e9nonc\u00e9 d’une in\u00e9galit\u00e9 ordinale (par exemple, $Me ge Y$<\/span>). En dehors de ce cas singulier, la m\u00e9diane demeure l’estimateur de localisation le plus stable et le plus scientifiquement fond\u00e9.<\/p>\n

4.3 Le mode et la classe modale<\/h3>\n

Le mode statistique, d\u00e9fini comme la valeur ou la modalit\u00e9 accusant la fr\u00e9quence d’apparition la plus \u00e9lev\u00e9e au sein de l’\u00e9chantillon, pr\u00e9sente une r\u00e9sistance th\u00e9orique appr\u00e9ciable face aux distributions ouvertes. Lorsque les donn\u00e9es sont regroup\u00e9es en classes ferm\u00e9es d’amplitudes strictement \u00e9gales, la d\u00e9termination de la classe modale s’effectue sans aucune ambigu\u00eft\u00e9 par la simple identification du sommet de l’histogramme des fr\u00e9quences.<\/p>\n

Cependant, la situation se complique consid\u00e9rablement lorsque les classes pr\u00e9sentent des largeurs in\u00e9gales, ce qui est structurellement le cas en pr\u00e9sence d’intervalles ouverts. Dans ces conditions, l’identification de la classe modale ne peut reposer sur l’effectif brut ($n_i$<\/span>), mais doit imp\u00e9rativement faire appel \u00e0 la densit\u00e9 de fr\u00e9quence ($d_i$<\/span>), d\u00e9finie par le rapport entre l’effectif et l’amplitude de l’intervalle :<\/p>\n

$$d_i = \\frac{n_i}{h_i}$$<\/span><\/p>\n

Or, pour une classe ouverte dont l’amplitude $h_i$<\/span> tend formellement vers l’infini, la densit\u00e9 de fr\u00e9quence tend corr\u00e9lativement vers z\u00e9ro ($d_k = n_k \/ \\infty to 0$<\/span>). Par cons\u00e9quent, une classe ouverte ne peut jamais \u00eatre rigoureusement d\u00e9clar\u00e9e comme classe modale sur le plan de la densit\u00e9 probabiliste continue, bien qu’elle puisse concentrer un nombre brut d’observations substantiel en raison de son immensit\u00e9 spatiale.<\/p>\n

Dans l’interpr\u00e9tation des profils de r\u00e9ponse fortement polaris\u00e9s en psychologie comportementale, il convient donc de distinguer avec acuit\u00e9 la mode au sens cat\u00e9goriel brut (la modalit\u00e9 nominative la plus coch\u00e9e sur le formulaire) de la classe modale continue corrig\u00e9e pour l’amplitude. Cette vigilance \u00e9pist\u00e9mologique pr\u00e9vient des contresens diagnostiques majeurs lors de l’analyse des regroupements cliniques terminaux.<\/p>\n

5. Analyse de la dispersion et de la variabilit\u00e9<\/h2>\n

5.1 Limites de la variance et de l’\u00e9cart-type<\/h3>\n

\u00c0 l’instar de la moyenne arithm\u00e9tique, les m\u00e9triques traditionnelles de dispersion que constituent la variance ($\\sigma^2$<\/span> ou $s^2$<\/span>) et l’\u00e9cart-type ($\\sigma$<\/span> ou $s$<\/span>) s’av\u00e8rent inop\u00e9rantes dans l’espace formel d’une distribution \u00e0 classes ouvertes. L’expression canonique de la variance au sein d’une population regroup\u00e9e :<\/p>\n

$$s^2 = \\frac{1}{N} \\sum_{i=1}^{k} n_i (c_i – \\bar{x})^2$$<\/span><\/p>\n

t\u00e9moigne d’une double d\u00e9pendance critique \u00e0 l’\u00e9gard de l’information non born\u00e9e. D’une part, le param\u00e8tre $\\bar{x}$<\/span> \u00e9tant lui-m\u00eame ind\u00e9termin\u00e9 en raison de l’ouverture de l’intervalle, le calcul des \u00e9carts quadratiques \u00e0 la moyenne ne repose sur aucun ancrage certifi\u00e9. D’autre part, la d\u00e9termination du centre de classe $c_i$<\/span> pour la modalit\u00e9 ouverte fait structurellement d\u00e9faut.<\/p>\n

La pratique d\u00e9conseill\u00e9e consistant \u00e0 imputer une amplitude arbitraire pour fermer artificiellement la classe introduit un biais quadratique exponentiel. \u00c9tant donn\u00e9 que la distance $(c_i – \\bar{x})$<\/span> est \u00e9lev\u00e9e au carr\u00e9, toute sous-estimation ou surestimation de l’\u00e9talement de la queue de distribution d\u00e9forme de mani\u00e8re colossale la variance globale de l’\u00e9chantillon. Une imputation conservatrice minimisera artificiellement l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 intra-groupe, tandis qu’une fermeture trop distante projettera la variance vers des sommets factices.<\/p>\n

Ces instabilit\u00e9s disqualifient l’usage de l’\u00e9cart-type pour normaliser des r\u00e9sultats cliniques ou calculer des tailles d’effet param\u00e9triques, telles que le d<\/em> de Cohen, d\u00e8s lors que les donn\u00e9es sous-jacentes proc\u00e8dent d’un d\u00e9coupage comportant des classes ouvertes. Le maintien de telles pratiques compromet la reproductibilit\u00e9 des inf\u00e9rences scientifiques et fausse la comparabilit\u00e9 entre \u00e9tudes ind\u00e9pendantes.<\/p>\n

5.2 L’\u00e9cart interquartile comme alternative robuste<\/h3>\n

Pour contourner l’\u00e9cueil de la variance, la m\u00e9thodologie statistique pr\u00e9conise sans r\u00e9serve le d\u00e9ploiement de l’\u00e9cart interquartile (Interquartile Range<\/em> ou $IQR$<\/span>). D\u00e9fini comme la diff\u00e9rence alg\u00e9brique s\u00e9parant le troisi\u00e8me quartile ($Q_3$<\/span>, 75e percentile) du premier quartile ($Q_1$<\/span>, 25e percentile) :<\/p>\n

$$IQR = Q_3 – Q_1$$<\/span><\/p>\n

cet indicateur mesure l’empan spatial au sein duquel se concentrent les 50 % centraux de la population \u00e9tudi\u00e9e. Parall\u00e8lement, l’\u00e9cart semi-interquartile ($SIQR = IQR \/ 2$<\/span>) offre une appr\u00e9ciation normalis\u00e9e de la dispersion autour de la m\u00e9diane.<\/p>\n

L’insensibilit\u00e9 op\u00e9ratoire de l’\u00e9cart interquartile face aux classes ouvertes p\u00e9riph\u00e9riques est absolue, sous r\u00e9serve que la classe ouverte inf\u00e9rieure contienne strictement moins de 25 % des donn\u00e9es ($F_1 < 0,25$<\/span>) et que la classe ouverte sup\u00e9rieure en concentre strictement moins de 25 % ($1 – F_{k-1} < 0,25$<\/span>). Dans ce cadre standard, tant $Q_1$<\/span> que $Q_3$<\/span> sont localis\u00e9s au sein de cat\u00e9gories interm\u00e9diaires parfaitement ferm\u00e9es, ce qui autorise une interpolation lin\u00e9aire rigoureuse de leurs valeurs m\u00e9triques respectives :<\/p>\n

$$Q_p = L_p + \\left( \\frac{p \\cdot N – F_{p-1}}{f_p} \\right) \\times h_p \\quad \\text{pour } p in {0,25 ; 0,75}$$<\/span><\/p>\n

L’\u00e9talement des scores psychologiques ou comportementaux peut ainsi \u00eatre restitu\u00e9 fid\u00e8lement sans qu’aucune hypoth\u00e8se sp\u00e9culative relative aux extr\u00e9mit\u00e9s ne doive \u00eatre formul\u00e9e. En compl\u00e9ment, l’usage des intervalles inter-d\u00e9ciles ($D_9 – D_1$<\/span>) ou d’empans percentiles plus larges demeure licite, pourvu que les rangs cent\u00e9simaux cibl\u00e9s n’empi\u00e8tent pas sur les tranches ouvertes de la distribution.<\/p>\n

5.3 Indicateurs d’asym\u00e9trie et d’aplatissement<\/h3>\n

L’analyse approfondie de la morphologie d’une distribution exige l’estimation de ses coefficients d’asym\u00e9trie (skewness<\/em>) et d’aplatissement (kurtosis<\/em>). Les coefficients classiques d’asym\u00e9trie de Fisher-Pearson, fond\u00e9s sur les moments centr\u00e9s d’ordres trois et quatre :<\/p>\n

$$\\gamma_1 = \\frac{m_3}{s^3} = \\frac{\\frac{1}{N}\\sum n_i (c_i – \\bar{x})^3}{\\left[\\frac{1}{N}\\sum n_i (c_i – \\bar{x})^2\\right]^{3\/2}}$$<\/span><\/p>\n

partagent l’inapplicabilit\u00e9 totale de la moyenne et de la variance au sein des structures ouvertes. L’impossibilit\u00e9 de calculer les moments d’ordre \u00e9lev\u00e9 par rapport \u00e0 une origine centrale ind\u00e9termin\u00e9e contraint le statisticien \u00e0 renoncer \u00e0 ces m\u00e9triques param\u00e9triques sous peine d’obtenir des r\u00e9sultats d\u00e9nu\u00e9s de toute signification formelle.<\/p>\n

En substitution, les sciences du comportement recourent aux indices non param\u00e9triques de forme, au premier rang desquels figure le coefficient d’asym\u00e9trie quartile de Bowley (ou indice de Yule) :<\/p>\n

$$B = \\frac{(Q_3 – Me) – (Me – Q_1)}{Q_3 – Q_1} = \\frac{Q_3 + Q_1 – 2Me}{Q_3 – Q_1}$$<\/span><\/p>\n

Ce coefficient adimensionnel, strictement born\u00e9 entre $-1$<\/span> et $+1$<\/span>, \u00e9value la position relative de la m\u00e9diane par rapport aux quartiles sup\u00e9rieur et inf\u00e9rieur. Un indice $B > 0$<\/span> t\u00e9moigne d’une asym\u00e9trie positive (queue \u00e9tir\u00e9e vers la droite), tandis qu’un indice $B < 0$<\/span> traduit une asym\u00e9trie n\u00e9gative.<\/p>\n

L’interpr\u00e9tation clinique de cet indicateur s’av\u00e8re particuli\u00e8rement f\u00e9conde lors de l’\u00e9tude d’\u00e9chelles de d\u00e9tresse psychologique ou de symptomatologie n\u00e9vrotique. En mesurant la dissym\u00e9trie interne du c\u0153ur de la distribution par l’indice de Bowley, le praticien s’affranchit des distorsions p\u00e9riph\u00e9riques inh\u00e9rentes \u00e0 la classe ouverte terminale tout en qualifiant pr\u00e9cis\u00e9ment le sens de basculement de la majorit\u00e9 des patients de la cohorte.<\/p>\n

6. Repr\u00e9sentation graphique des distributions ouvertes<\/h2>\n

6.1 Limites et adaptations de l’histogramme<\/h3>\n

L’histogramme constitue la repr\u00e9sentation graphique fondamentale des distributions quantitatives continues regroup\u00e9es en classes. Son principe fondamental repose sur la proportionnalit\u00e9 de l’aire des rectangles \u00e0 l’effectif des tranches associ\u00e9es : pour chaque intervalle $i$<\/span>, l’aire du rectangle \u00e9rig\u00e9 vaut $A_i = h_i \\times d_i propto n_i$<\/span>, o\u00f9 la base correspond \u00e0 l’amplitude $h_i$<\/span> et la hauteur \u00e0 la densit\u00e9 de fr\u00e9quence $d_i$<\/span>. Ce principe visuel universel se heurte \u00e0 une contradiction g\u00e9om\u00e9trique insurmontable d\u00e8s lors qu’il est appliqu\u00e9 \u00e0 une classe ouverte.<\/p>\n

En effet, attribuer \u00e0 une classe non born\u00e9e sup\u00e9rieurement une base de largeur infinie exigerait, pour maintenir une aire finie repr\u00e9sentative de son effectif $n_k$<\/span>, de lui assigner une hauteur infinit\u00e9simale tendant vers z\u00e9ro ($d_k to 0$<\/span>), ce qui rend la barre imperceptible sur le plan graphique. Inversement, si le concepteur trace arbitrairement un rectangle de largeur standard tout en lui conf\u00e9rant une hauteur proportionnelle \u00e0 son effectif brut, il fausse dramatiquement la lecture g\u00e9om\u00e9trique de la distribution : l’aire de ce rectangle terminal surestime de mani\u00e8re extravagante la densit\u00e9 locale d’individus.<\/p>\n

Pour rem\u00e9dier \u00e0 cette distorsion perceptuelle majeure, les normes de s\u00e9miologie graphique recommandent plusieurs artifices conventionnels :<\/p>\n