$Y$<\/span> converge asymptotiquement vers une loi normale centr\u00e9e r\u00e9duite :<\/p>\n$$\\frac{Y – nq}{\\sqrt{nq(1-q)}} x\\rightarrow{\\mathcal{D}} \\mathcal{N}(0, 1) \\quad \\text{quand } n to \\infty$$<\/span><\/p>\nCette convergence vers la normalit\u00e9 s’av\u00e8re particuli\u00e8rement rapide pour le cas du quantile m\u00e9dian ($q = 0{,}5$<\/span>) en raison de la sym\u00e9trie parfaite de la loi binomiale sous-jacente, \u00e9liminant tout coefficient d’asym\u00e9trie (skewness = 0). D\u00e8s lors que la condition $n ge 10$<\/span> est satisfaite, l’approximation normale procure une pr\u00e9cision satisfaisante pour d\u00e9terminer les rangs $j$<\/span> et $k$<\/span>. L’\u00e9cart type de cette distribution des rangs, \u00e9gal \u00e0 $\\sqrt{nq(1-q)}$<\/span>, capture fid\u00e8lement la dispersion stochastique du comptage d’\u00e9chantillon autour de son esp\u00e9rance $nq$<\/span>.<\/p>\n2.3 2.3 Propri\u00e9t\u00e9s d’invariance et distribution-free<\/h3>\n
L\u2019attrait des statistiques d\u2019ordre r\u00e9side dans leurs propri\u00e9t\u00e9s d\u2019invariance math\u00e9matique. Contrairement \u00e0 l\u2019intervalle de confiance pour une moyenne arithm\u00e9tique, qui varie d\u2019\u00e9chelle de mani\u00e8re proportionnelle \u00e0 la dispersion m\u00e9trique de l\u2019\u00e9chantillon, l\u2019intervalle de confiance non param\u00e9trique pour la m\u00e9diane jouit d\u2019une stricte \u00e9quivariance sous toute transformation monotone croissante. Soit $g(\\cdot)$<\/span> une fonction continue strictement monotone croissante (par exemple, une transformation logarithmique, exponentielle ou racine carr\u00e9e, couramment mobilis\u00e9e pour corriger l\u2019asym\u00e9trie des donn\u00e9es). Si $[X_{(j)}, X_{(k)}]$<\/span> constitue un intervalle de confiance valide au niveau $1-\\alpha$<\/span> pour la m\u00e9diane $\\theta$<\/span> de la variable $X$<\/span>, alors :<\/p>\n$$[g(X_{(j)}), g(X_{(k)})]$$<\/span><\/p>\nconstitue un intervalle de confiance d\u2019un niveau rigoureusement identique pour la m\u00e9diane transform\u00e9e $g(\\theta)$<\/span>. Cette propri\u00e9t\u00e9 fondamentale signifie que le choix de transformer ou non les donn\u00e9es n\u2019a aucun impact structurel sur la localisation de l\u2019intervalle de rangs : les rangs $j$<\/span> et $k$<\/span> demeurent universellement valides, quelle que soit la m\u00e9trique adopt\u00e9e, pr\u00e9servant la fid\u00e9lit\u00e9 de l’estimation face aux incertitudes d’\u00e9chelle.<\/p>\nDe surcro\u00eet, la nature distribution-free<\/em> de la proc\u00e9dure de Conover implique que sa probabilit\u00e9 nominale de couverture ne d\u00e9pend d\u2019aucun param\u00e8tre de nuisance de la population. Dans le cadre param\u00e9trique usuel, si l’hypoth\u00e8se de normalit\u00e9 est viol\u00e9e, la couverture r\u00e9elle d\u2019un intervalle calcul\u00e9 par la loi de Student peut s\u2019\u00e9carter drastiquement des 95 % nominaux, chutant par exemple \u00e0 88 % en pr\u00e9sence de queues lourdes, ou s’\u00e9levant artificiellement au d\u00e9triment de la puissance statistique. Dans la m\u00e9thode de Conover, la couverture r\u00e9elle est math\u00e9matiquement born\u00e9e et garantie par la structure combinatoire des rangs. M\u00eame si le passage d\u2019une variable de comptage discret (les rangs entiers) \u00e0 une distribution continue induit de l\u00e9g\u00e8res fluctuations, la r\u00e8gle de s\u00e9lection conservatrice garantit que la couverture r\u00e9elle est sup\u00e9rieure ou \u00e9gale au niveau de confiance requis, prot\u00e9geant ainsi l\u2019analyste contre les inf\u00e9rences fallacieuses.<\/p>\n3. 3. Comparaison critique : Intervalle pour la moyenne vs pour la m\u00e9diane<\/h2>\n3.1 3.1 Pr\u00e9suppos\u00e9s param\u00e9triques contre flexibilit\u00e9 non param\u00e9trique<\/h3>\n
L’arbitrage m\u00e9thodologique entre l’estimation d’un intervalle de confiance pour la moyenne et celui pour la m\u00e9diane renvoie \u00e0 l’opposition classique entre l’efficacit\u00e9 param\u00e9trique sous conditions id\u00e9ales et la robustesse non param\u00e9trique sous conditions r\u00e9elles. L’intervalle de Student conventionnel repose sur le postulat que les observations proviennent d’une population normale :<\/p>\n
$$X_i \\sim \\mathcal{N}(\\mu, \\sigma^2)$$<\/span><\/p>\nBien que le th\u00e9or\u00e8me central limite conf\u00e8re \u00e0 la moyenne une relative robustesse asymptotique lorsque la taille d’\u00e9chantillon devient cons\u00e9quente (g\u00e9n\u00e9ralement $n ge 30$<\/span>), cette tol\u00e9rance th\u00e9orique ne s’\u00e9tend pas uniform\u00e9ment \u00e0 la variance d’\u00e9chantillonnage $S^2$<\/span>, laquelle demeure extr\u00eamement vuln\u00e9rable aux anomalies de distribution. Dans les cohortes de taille modeste typiques des protocoles de neuro-imagerie ou de psychologie exp\u00e9rimentale clinique ($n in [10, 25]$<\/span>), toute d\u00e9viation de la normalit\u00e9 compromet la validit\u00e9 du ratio $t$<\/span> de Student.<\/p>\nCette vuln\u00e9rabilit\u00e9 se traduit par une instabilit\u00e9 du taux d\u2019erreur de premi\u00e8re esp\u00e8ce ($\\alpha$<\/span>) et une perte drastique de puissance statistique. Lorsque les distributions parentes pr\u00e9sentent une kurtosis \u00e9lev\u00e9e (donn\u00e9es leptokurtiques avec queues \u00e9paisses), l\u2019\u00e9cart-type de l\u2019\u00e9chantillon a tendance \u00e0 surestimer la dispersion centrale de la population en raison de l’impact quadratique des \u00e9carts \u00e0 la moyenne. L’intervalle de Student s\u2019\u00e9largit alors artificiellement, g\u00e9n\u00e9rant une impression d\u2019incertitude exag\u00e9r\u00e9e. Inversement, face \u00e0 des distributions asym\u00e9triques tronqu\u00e9es, l\u2019intervalle param\u00e9trique tend \u00e0 d\u00e9river unilat\u00e9ralement, d\u00e9pla\u00e7ant le centre de l’intervalle loin de la masse r\u00e9elle des participants.<\/p>\n\u00c0 l’oppos\u00e9, l’intervalle non param\u00e9trique pour la m\u00e9diane s’abstrait totalement des moments d’ordre sup\u00e9rieur (variance, asym\u00e9trie, aplatissement) de la population. Il ne requiert ni l’\u00e9galit\u00e9 des variances entre conditions exp\u00e9rimentales (homosc\u00e9dasticit\u00e9), ni une forme fonctionnelle pr\u00e9\u00e9tablie. Cette flexibilit\u00e9 structurelle conf\u00e8re au chercheur une immunit\u00e9 m\u00e9thodologique appr\u00e9ciable, particuli\u00e8rement dans les protocoles exploratoires o\u00f9 la distribution empirique du construit th\u00e9orique sous-jacent est encore imparfaitement caract\u00e9ris\u00e9e dans la litt\u00e9rature scientifique.<\/p>\n
3.2 3.2 Sensibilit\u00e9 aux valeurs aberrantes et asym\u00e9trie des distributions<\/h3>\n
Pour illustrer la divergence comportementale des deux paradigmes, il convient d\u2019analyser le m\u00e9canisme d’influence d\u2019une observation atypique. Consid\u00e9rons une exp\u00e9rience en psychologie cognitive mesurant l’anxi\u00e9t\u00e9 pr\u00e9-interventionnelle sur une \u00e9chelle continue de 0 \u00e0 100 chez dix participants. Supposons neuf scores homog\u00e8nes centr\u00e9s autour de 20 (par exemple : 18, 19, 19, 20, 20, 21, 21, 22, 23) et un score unique pathologiquement \u00e9lev\u00e9 de 95, provoqu\u00e9 par une attaque de panique au moment de la passation. Dans ce sc\u00e9nario, la moyenne arithm\u00e9tique passe instantan\u00e9ment de 20,3 \u00e0 27,8. L’\u00e9cart-type d’\u00e9chantillon explose de 1,5 \u00e0 23,7. Par voie de cons\u00e9quence, l’intervalle de confiance \u00e0 95 % de Student subit une distorsion ph\u00e9nom\u00e9nale : il s’\u00e9largit d\u00e9mesur\u00e9ment et sa borne sup\u00e9rieure glisse vers des hauteurs qui ne d\u00e9crivent aucunement 90 % de l’\u00e9chantillon.<\/p>\n
Examinons le comportement de la m\u00e9diane dans la m\u00eame situation. Avant l’insertion du score aberrant, la m\u00e9diane des neuf observations valait 20. Apr\u00e8s l’ajout du score extr\u00eame de 95, la m\u00e9diane empirique de l’\u00e9chantillon ($n = 10$<\/span>) devient \u00e9gale \u00e0 20,5. Les statistiques d’ordre $X_{(j)}$<\/span> et $X_{(k)}$<\/span> utilis\u00e9es pour borner l’intervalle de confiance non param\u00e9trique demeurent stables : les rangs inf\u00e9rieurs et sup\u00e9rieurs ne sont que marginalement d\u00e9cal\u00e9s d’un indice en raison de l’incr\u00e9ment de taille d’\u00e9chantillon, mais leurs valeurs effectives restent solidement ancr\u00e9es au sein du cluster de donn\u00e9es denses (autour de 19 et 22). Le score extr\u00eame n’exerce aucune force de levier disproportionn\u00e9e sur l’inf\u00e9rence.<\/p>\nCette r\u00e9sistance empirique s’av\u00e8re particuli\u00e8rement pr\u00e9cieuse dans l’exploitation des \u00e9chelles d’attitudes ou de questionnaires de personnalit\u00e9 de type Likert. Ces mesures, par nature born\u00e9es aux extr\u00e9mit\u00e9s (par exemple de 1 \u00e0 7), pr\u00e9sentent des ph\u00e9nom\u00e8nes r\u00e9currents de saturation o\u00f9 les participants tendent \u00e0 \u00e9viter les extr\u00eames ou, au contraire, \u00e0 s’y r\u00e9fugier massivement (biais de r\u00e9ponse). L’intervalle de confiance pour la m\u00e9diane restitue fid\u00e8lement la topographie de ces r\u00e9ponses sans pr\u00e9sumer que la distance psychologique s\u00e9parant un score de 1 et un score de 2 soit rigoureusement identique \u00e0 celle s\u00e9parant un score de 6 et un score de 7, une pr\u00e9somption implicite et ind\u00e9fendable impos\u00e9e par l’intervalle param\u00e9trique de la moyenne.<\/p>\n
3.3 3.3 Interpr\u00e9tation cognitive et clinique de la m\u00e9diane<\/h3>\n
Au-del\u00e0 de ses vertus statistiques, l\u2019intervalle de confiance pour la m\u00e9diane offre une transparence s\u00e9miotique et communicationnelle sup\u00e9rieure dans les contextes appliqu\u00e9s. Dans la pratique de la psychologie clinique, du diagnostic neuropsychologique ou de l\u2019expertise m\u00e9dico-l\u00e9gale, les praticiens doivent communiquer des seuils diagnostiques compr\u00e9hensibles aux patients, aux m\u00e9decins psychiatres, aux \u00e9ducateurs ou aux autorit\u00e9s judiciaires. Pr\u00e9senter une moyenne arithm\u00e9tique accompagn\u00e9e de son intervalle de confiance engendre fr\u00e9quemment des confusions d\u2019interpr\u00e9tation : que signifie une moyenne de 3,4 \u00e9pisodes de panique hebdomadaires avec un IC \u00e0 95 % de [1,2 ; 5,6] face \u00e0 une distribution o\u00f9 60 % des patients n\u2019ont subi aucun \u00e9pisode ?<\/p>\n
La m\u00e9diane poss\u00e8de une signification probabiliste tangible : elle d\u00e9signe le point pr\u00e9cis de l’\u00e9chelle d’\u00e9valuation pour lequel exactement 50 % des individus de la cohorte pr\u00e9sentent un score inf\u00e9rieur ou \u00e9gal, et 50 % un score sup\u00e9rieur ou \u00e9gal. Lorsqu\u2019on adjoint \u00e0 cette valeur un intervalle de confiance non param\u00e9trique au seuil de 95 %, l\u2019affirmation clinique acquiert une clart\u00e9 imm\u00e9diate : nous pouvons \u00eatre confiants \u00e0 95 % que la m\u00e9diane de la population dont est issu ce groupe de patients se situe entre le score clinique $A$<\/span> et le score clinique $B$<\/span>. Si la borne sup\u00e9rieure de cet intervalle demeure inf\u00e9rieure \u00e0 un seuil pathologique standardis\u00e9 (un cut-off score), le clinicien peut raisonnablement inf\u00e9rer que la majorit\u00e9 de la population cible se situe dans une zone infraclinique, une conclusion que la moyenne arithm\u00e9tique peut masquer si quelques individus atypiques font grimper artificiellement le centre de gravit\u00e9 de l’\u00e9chantillon.<\/p>\nCette pertinence s\u00e9lectrice fait de l’intervalle de confiance pour la m\u00e9diane l’outil id\u00e9al pour calibrer des normes psychom\u00e9triques et valider des crit\u00e8res de coupure dans les \u00e9tudes de standardisation d’outils diagnostiques. En refl\u00e9tant le comportement effectif de la moiti\u00e9 typique de la population d’\u00e9talonnage, il assure que les d\u00e9cisions d’orientation th\u00e9rapeutique reposent sur des bases m\u00e9trologiques repr\u00e9sentatives, exemptes des artefacts induits par la dispersion marginale des cohortes d’\u00e9valuation.<\/p>\n
4. 4. D\u00e9composition math\u00e9matique de la formule de Conover<\/h2>\n4.1 4.1 Analyse des param\u00e8tres fondamentaux de la formule<\/h3>\n
L\u2019application de la m\u00e9thode de Conover requiert la formalisation math\u00e9matique rigoureuse de ses composants de calcul. La m\u00e9thode op\u00e8re une translation entre le plan probabiliste continu de la distribution normale et l’espace discret des rangs d\u2019\u00e9chantillon. Le dispositif s\u2019articule autour de quatre param\u00e8tres interd\u00e9pendants :<\/p>\n
\n- La taille d’\u00e9chantillon ($n$<\/span>) :<\/strong> Elle repr\u00e9sente le nombre total d’unit\u00e9s exp\u00e9rimentales ind\u00e9pendantes observ\u00e9es. Sa valeur conditionne directement la validit\u00e9 de l’approximation normale asymptotique et d\u00e9termine la r\u00e9solution discr\u00e8te maximale de l’\u00e9chelle des rangs.<\/li>\n
- Le quantile cibl\u00e9 ($q$<\/span>) :<\/strong> Pour la m\u00e9diane de population, la valeur th\u00e9orique du quantile est strictement fix\u00e9e \u00e0 $q = 0{,}5$<\/span>. La m\u00e9thode de Conover peut g\u00e9n\u00e9raliser le calcul \u00e0 n’importe quel percentile (par exemple $q = 0{,}25$<\/span> pour le premier quartile ou $q = 0{,}75$<\/span> pour le troisi\u00e8me quartile), mais c’est pour $q = 0{,}5$<\/span> que la distribution binomiale sous-jacente atteint sa sym\u00e9trie optimale.<\/li>\n
- Le terme d’esp\u00e9rance ($n \\cdot q$<\/span>) :<\/strong> Ce produit repr\u00e9sente la valeur moyenne th\u00e9orique du rang dans l’\u00e9chantillon sous l’hypoth\u00e8se de la m\u00e9diane. Pour $q = 0{,}5$<\/span>, il s’exprime simplement par $0{,}5n$<\/span>. G\u00e9om\u00e9triquement, ce point constitue l’axe de sym\u00e9trie autour duquel s’articulent les d\u00e9viations stochastiques des bornes inf\u00e9rieure et sup\u00e9rieure.<\/li>\n
- La composante de dispersion binomiale ($\\sqrt{nq(1-q)}$<\/span>) :<\/strong> Elle correspond \u00e0 l’\u00e9cart-type de la variable al\u00e9atoire binomiale mod\u00e9lisant le nombre d’observations situ\u00e9es sous le quantile cible. Sp\u00e9cifiquement pour la m\u00e9diane, l’expression se simplifie \u00e9l\u00e9gamment en :
\n $$\\sigma_{\\text{rang}} = \\sqrt{n \\times 0{,}5 \\times (1 – 0{,}5)} = \\sqrt{0{,}25n} = 0{,}5\\sqrt{n}$$<\/span>
\n Ce param\u00e8tre joue le r\u00f4le analogue \u00e0 l’erreur standard de la moyenne dans les m\u00e9thodes param\u00e9triques, mesurant la variabilit\u00e9 d’\u00e9chantillonnage de la position m\u00e9diane.<\/li>\n<\/ul>\n4.2 4.2 Les formules des rangs j et k<\/h3>\n
Pour d\u00e9limiter l’intervalle de confiance non param\u00e9trique au niveau de confiance requis $1 – \\alpha$<\/span>, la formulation de Conover mobilise la valeur critique bilat\u00e9rale $z_{1 – alpha\/2}$<\/span> extraite de la fonction de r\u00e9partition de la loi normale centr\u00e9e r\u00e9duite $\\mathcal{N}(0, 1)$<\/span>. Les rangs th\u00e9oriques inf\u00e9rieur ($j^*$<\/span>) et sup\u00e9rieur ($k^*$<\/span>) au sein de la s\u00e9rie ordonn\u00e9e sont d\u00e9finis par les \u00e9quations suivantes :<\/p>\n$$j^* = nq – z_{1 – alpha\/2} \\sqrt{nq(1-q)}$$<\/span><\/p>\n$$k^* = nq + z_{1 – alpha\/2} \\sqrt{nq(1-q)}$$<\/span><\/p>\nEn substituant la valeur sp\u00e9cifique $q = 0{,}5$<\/span> d\u00e9di\u00e9e \u00e0 l’estimation de la m\u00e9diane, ces formules acqui\u00e8rent une forme analytique directe :<\/p>\n$$j^* = 0{,}5n – z_{1 – alpha\/2} \\times (0{,}5\\sqrt{n})$$<\/span><\/p>\n$$k^* = 0{,}5n + z_{1 – alpha\/2} \\times (0{,}5\\sqrt{n})$$<\/span><\/p>\nCes deux \u00e9quations mettent en \u00e9vidence la sym\u00e9trie parfaite des rangs th\u00e9oriques autour de la position centrale $0{,}5n$<\/span>. L’\u00e9tendue th\u00e9orique s\u00e9parant les deux indices, mesur\u00e9e par la quantit\u00e9 $k^* – j^* = 2 z_{1 – alpha\/2} \\sqrt{nq(1-q)}$<\/span>, est directement proportionnelle au coefficient de confiance $z$<\/span> choisi et \u00e0 la racine carr\u00e9e de la taille de l’\u00e9chantillon. Cette relation illustre le comportement asymptotique de la m\u00e9thode : plus l’\u00e9chantillon s’accro\u00eet, plus la proportion de rangs englob\u00e9e par l’intervalle de confiance par rapport \u00e0 $n$<\/span> (soit $(k^* – j^*)\/n$<\/span>) d\u00e9cro\u00eet au taux de $1\/\\sqrt{n}$<\/span>, traduisant une pr\u00e9cision accrue de l’estimation du param\u00e8tre de population.<\/p>\n4.3 4.3 La r\u00e8gle d’arrondi \u00e0 l’entier sup\u00e9rieur<\/h3>\n
Une probl\u00e9matique math\u00e9matique \u00e9merge imm\u00e9diatement de l’\u00e9valuation num\u00e9rique des rangs th\u00e9oriques $j^*$<\/span> et $k^*$<\/span> : ces calculs produisent la plupart du temps des nombres d\u00e9cimaux non entiers. Or, les statistiques d’ordre d’un \u00e9chantillon empirique $X_{(1)}, X_{(2)}, dots, X_{(n)}$<\/span> ne sont indic\u00e9es que par des nombres entiers appartenant \u00e0 l’ensemble ${1, 2, dots, n}$<\/span>. Il est donc structurellement n\u00e9cessaire d’appliquer une r\u00e8gle de discr\u00e9tisation pour assigner les indices $j^*$<\/span> et $k^*$<\/span> \u00e0 des rangs physiques exploitables dans le vecteur des donn\u00e9es ordonn\u00e9es.<\/p>\nLa r\u00e8gle d’or \u00e9nonc\u00e9e par Conover (1999) prescrit de proc\u00e9der syst\u00e9matiquement \u00e0 un arrondi \u00e0 l’entier imm\u00e9diatement sup\u00e9rieur<\/strong> (fonction plafond, not\u00e9e formellement $\\lceil \\cdot \\rceil$<\/span>, ou round up<\/em> en anglais) pour les deux indices th\u00e9oriques :<\/p>\n$$j = \\lceil j^* \\rceil = \\lceil nq – z_{1 – alpha\/2} \\sqrt{nq(1-q)} \\rceil$$<\/span><\/p>\n$$k = \\lceil k^* \\rceil = \\lceil nq + z_{1 – alpha\/2} \\sqrt{nq(1-q)} \\rceil$$<\/span><\/p>\nCette prescription peut para\u00eetre contre-intuitive au premier abord, notamment pour le calcul de la borne sup\u00e9rieure $k$<\/span>. Dans les arrondis arithm\u00e9tiques standard, une valeur telle que $11{,}29$<\/span> serait rabattue vers $11$. Cependant, Conover justifie math\u00e9matiquement cette d\u00e9marche par le principe d’extr\u00eame conservativit\u00e9 du niveau de couverture probabiliste. Dans le cadre discret de la loi binomiale, arrondir $k$<\/span> \u00e0 l’entier sup\u00e9rieur (choisir $12$ plut\u00f4t que $11$) a pour cons\u00e9quence m\u00e9canique d’\u00e9largir d\u00e9lib\u00e9r\u00e9ment l’intervalle d’ordre, garantissant ainsi formellement que la probabilit\u00e9 cumul\u00e9e effective $P(X_{(j)} le \\theta_{0{,}5} le X_{(k)})$<\/span> sera strictement sup\u00e9rieure ou \u00e9gale au seuil nominal d\u00e9sir\u00e9 $1 – \\alpha$<\/span>.<\/p>\nDans la circonstance sp\u00e9cifique o\u00f9 le calcul analytique aboutit accidentellement \u00e0 un nombre entier exact (par exemple si $j^* = 3{,}0000$<\/span>), la fonction plafond ne modifie pas la valeur : nous retenons simplement $j = 3$<\/span>. Si l’analyste d\u00e9cidait d’appliquer un arrondi usuel au plus proche ou d’arrondir $k$<\/span> vers le bas, l’intervalle r\u00e9sultant risquerait de devenir sous-couvrant (anticonservative<\/em>), affichant par exemple une probabilit\u00e9 de couverture de 92 % alors qu’un niveau de 95 % est revendiqu\u00e9 dans le rapport scientifique. La r\u00e8gle du plafond strict de Conover constitue une protection m\u00e9thodique contre l’erreur d’inflation du risque d’inf\u00e9rence.<\/p>\n5. 5. Les niveaux de confiance et la s\u00e9lection de la valeur critique z<\/h2>\n5.1 5.1 Correspondance entre seuil alpha et valeur critique z<\/h3>\n
La calibration de la largeur de l’intervalle de confiance pour la m\u00e9diane est directement r\u00e9gie par le choix du risque de premi\u00e8re esp\u00e8ce nominal $\\alpha$<\/span>, qui quantifie la probabilit\u00e9 r\u00e9siduelle acceptable que l’intervalle ne recouvre pas la m\u00e9diane de population. Dans la distribution normale centr\u00e9e r\u00e9duite $\\mathcal{N}(0, 1)$<\/span>, la valeur critique $z_{1 – alpha\/2}$<\/span> correspond au quantile bilat\u00e9ral d\u00e9limitant une aire centrale \u00e9gale \u00e0 $1 – \\alpha$<\/span>, r\u00e9partissant sym\u00e9triquement une surface d’erreur \u00e9gale \u00e0 $alpha\/2$<\/span> dans chacune des queues de distribution.<\/p>\nLa pratique empirique en recherche psychologique s’articule conventionnellement autour de trois seuils d’inf\u00e9rence privil\u00e9gi\u00e9s, dont les propri\u00e9t\u00e9s m\u00e9trologiques se synth\u00e9tisent de la mani\u00e8re suivante :<\/p>\n
\n- Niveau de confiance \u00e0 90 % ($\\alpha = 0{,}10$<\/span>) :<\/strong> L’erreur unilat\u00e9rale tol\u00e9r\u00e9e est de $alpha\/2 = 0{,}05$<\/span>. La consultation de la table de la loi normale fournit la valeur critique $z_{0{,}95} = 1{,}645$<\/span>. Ce niveau est fr\u00e9quemment employ\u00e9 dans les \u00e9tudes exploratoires pr\u00e9liminaires ou lorsque les tailles d’\u00e9chantillons sont extr\u00eamement r\u00e9duites et que l’analyste privil\u00e9gie la finesse de localisation au d\u00e9triment d’une certitude absolue.<\/li>\n
- Niveau de confiance \u00e0 95 % ($\\alpha = 0{,}05$<\/span>) :<\/strong> Il constitue le standard consensuel universellement adopt\u00e9 dans les publications de psychologie exp\u00e9rimentale et clinique, align\u00e9 sur les exigences \u00e9ditoriales de l’APA. L’erreur unilat\u00e9rale est fix\u00e9e \u00e0 $alpha\/2 = 0{,}025$<\/span>, conduisant \u00e0 la valeur critique embl\u00e9matique $z_{0{,}975} = 1{,}96$<\/span> (plus rigoureusement $1{,}95996$<\/span>).<\/li>\n
- Niveau de confiance conservateur \u00e0 99 % ($\\alpha = 0{,}01$<\/span>) :<\/strong> Ce seuil tr\u00e8s exigeant cantonne le risque d’erreur unilat\u00e9rale \u00e0 $alpha\/2 = 0{,}005$<\/span>, requ\u00e9rant une valeur critique $z_{0{,}995} = 2{,}576$<\/span> (fr\u00e9quemment arrondie \u00e0 $2{,}58$<\/span>). Il est imp\u00e9rativement requis dans les protocoles pr\u00e9cliniques \u00e0 fort enjeu m\u00e9dicamenteux, les \u00e9tudes neuropsychologiques d\u00e9cisionnelles ou les contextes de tests multiples n\u00e9cessitant une correction de type Bonferroni.<\/li>\n<\/ul>\n
5.2 5.2 Arbitrage entre pr\u00e9cision de l’intervalle et certitude statistique<\/h3>\n
Le choix d’un niveau de confiance ne constitue jamais une op\u00e9ration purement technique ; il incarne un compromis \u00e9pist\u00e9mologique direct entre la certitude statistique de l’\u00e9nonc\u00e9 et la pr\u00e9cision clinique de l’information produite. \u00c0 mesure que le coefficient $z$<\/span> s’accro\u00eet lors de la transition d’un seuil de 90 % ($z = 1{,}645$<\/span>) vers un seuil de 99 % ($z = 2{,}576$<\/span>), le produit $z \\times \\sqrt{nq(1-q)}$<\/span> augmente dans un rapport d’environ 1,57. Cette expansion math\u00e9matique repousse m\u00e9caniquement le rang inf\u00e9rieur $j$<\/span> vers les premiers indices de la s\u00e9rie ordonn\u00e9e et le rang sup\u00e9rieur $k$<\/span> vers les indices terminaux.<\/p>\nEn psychologie clinique, un intervalle trop large perd son utilit\u00e9 d\u00e9cisionnelle. Supposons un protocole \u00e9valuant l’efficacit\u00e9 d’une psychoth\u00e9rapie cognitivo-comportementale sur l’\u00e9chelle de d\u00e9pression de Hamilton (HAM-D, score de 0 \u00e0 52). Si l’intervalle de confiance calcul\u00e9 \u00e0 99 % s’\u00e9tend du rang correspondant au score de 8 (r\u00e9mission compl\u00e8te) jusqu’au rang correspondant au score de 24 (d\u00e9pression s\u00e9v\u00e8re), l’intervalle est m\u00e9thodologiquement irr\u00e9prochable sur le plan de la certitude probabiliste, mais cliniquement d\u00e9nu\u00e9 de pertinence pour statuer sur l’efficacit\u00e9 de la prise en charge. Inversement, fixer un seuil trop laxiste pour resserrer artificiellement l’intervalle accro\u00eet le risque d’infirmer pr\u00e9matur\u00e9ment des hypoth\u00e8ses valides ou de fonder des politiques de sant\u00e9 mentale sur des artefacts d’\u00e9chantillonnage.<\/p>\n
Le chercheur avis\u00e9 doit donc expliciter rationnellement son choix de $z$<\/span> en amont de la collecte des donn\u00e9es (id\u00e9alement dans le cadre d’un pr\u00e9-enregistrement d’\u00e9tude). En l’absence de justifications particuli\u00e8res relatives \u00e0 la gravit\u00e9 clinique des faux n\u00e9gatifs ou des faux positifs, le niveau standard de 95 % ($z = 1{,}96$<\/span>) repr\u00e9sente l’\u00e9quilibre optimal entre le co\u00fbt m\u00e9trologique de l’impr\u00e9cision et la rigueur de la validation scientifique.<\/p>\n5.3 5.3 Prise en compte de la taille d’\u00e9chantillon sur la pr\u00e9cision de z<\/h3>\n
L\u2019applicabilit\u00e9 de la valeur critique $z$<\/span>, issue de la loi normale asymptotique, est \u00e9troitement conditionn\u00e9e par l\u2019effectif global $n$<\/span> de la cohorte analys\u00e9e. Bien que la loi binomiale converge remarquablement vite vers la courbe de Gauss sous la sym\u00e9trie $q = 0{,}5$<\/span>, l’approximation normale commence \u00e0 perdre de sa rigueur math\u00e9matique d\u00e8s lors que l\u2019\u00e9chantillon devient excessivement restreint ($n < 10$). Pour ces tr\u00e8s petits \u00e9chantillons, la discr\u00e9tisation spatiale des statistiques d'ordre est tellement grossi\u00e8re qu'une variation unitaire de rang induit un saut massif dans le niveau de couverture cumulative.<\/p>\nLorsque $n ge 15$<\/span>, la m\u00e9thode asymptotique de Conover pr\u00e9sente une concordance satisfaisante avec les calculs exacts combinatoires. L’erreur absolue commise sur la couverture r\u00e9elle ne d\u00e9passe g\u00e9n\u00e9ralement pas 1 \u00e0 2 points de pourcentage par rapport au seuil nominal th\u00e9orique. En revanche, pour des \u00e9chantillons restreints compris entre $n = 6$<\/span> et $n = 10$<\/span>, le calcul asymptotique de $j$<\/span> peut aboutir \u00e0 des indices math\u00e9matiques inf\u00e9rieurs \u00e0 1 (par exemple $j^* = 0{,}4$<\/span>), ce qui oblige l’analyste \u00e0 tronquer l’indice \u00e0 $j = 1$<\/span>, r\u00e9duisant de fait la borne inf\u00e9rieure \u00e0 la valeur minimale de l’\u00e9chantillon $X_{(1)}$<\/span>.<\/p>\nDans ce contexte de micro-\u00e9chantillons exp\u00e9rimentaux, l’analyste doit \u00eatre conscient que la valeur nominale $z = 1{,}96$<\/span> n’assure plus qu’une approximation indicative. Bien que l’application de la r\u00e8gle d’arrondi au plafond compense la plupart du temps cette impr\u00e9cision en restaurant une sur-couverture protectrice, il devient m\u00e9thodologiquement recommandable pour $n < 10$ de confronter le r\u00e9sultat \u00e0 la distribution binomiale exacte ou de mobiliser une correction de continuit\u00e9, comme nous le formaliserons dans les chapitres d'approfondissement comparatif.<\/p>\n6. 6. Guide pratique pas-\u00e0-pas : Pr\u00e9paration et ordonnancement des donn\u00e9es<\/h2>\n6.1 6.1 Pr\u00e9sentation du jeu de donn\u00e9es psychom\u00e9triques (n = 15)<\/h3>\n
Pour illustrer la mise en \u0153uvre empirique de la proc\u00e9dure de Conover, consid\u00e9rons un cas d’\u00e9tude r\u00e9el en recherche comportementale. Une \u00e9quipe de psychologues de la sant\u00e9 s’int\u00e9resse \u00e0 l’impact du stress per\u00e7u chez des internes en m\u00e9decine hospitali\u00e8re lors de leurs premi\u00e8res semaines de garde d’urgence. Le stress per\u00e7u est quantifi\u00e9 au moyen d’une version valid\u00e9e de l’\u00e9chelle d’\u00e9valuation du stress per\u00e7u (Perceived Stress Scale, PSS-10), dont les scores totaux s’\u00e9tendent de 0 (absence totale de stress) \u00e0 40 (d\u00e9tresse psychologique s\u00e9v\u00e8re).<\/p>\n
Un \u00e9chantillon cons\u00e9cutif de $n = 15$<\/span> internes a \u00e9t\u00e9 soumis \u00e0 cette \u00e9valuation psychom\u00e9trique. L’extraction des protocoles bruts permet de recueillir les scores individuels suivants, r\u00e9pertori\u00e9s selon l’ordre chronologique d’inclusion des sujets dans l’\u00e9tude :<\/p>\n$$\\text{Scores bruts} = {21, 15, 8, 26, 20, 11, 23, 19, 12, 28, 22, 13, 21, 17, 25}$$<\/span><\/p>\nUn examen diagnostique initial des donn\u00e9es confirme l’absence de valeurs aberrantes impossibles : toutes les mesures sont strictement comprises dans l’intervalle th\u00e9orique [0, 40] de l’instrument psychom\u00e9trique. Les scores sont de nature ordinale \u00e0 m\u00e9trique discr\u00e8te quasi-continue. Une observation attentive r\u00e9v\u00e8le \u00e9galement la pr\u00e9sence de deux scores identiques de valeur $21$, illustrant le ph\u00e9nom\u00e8ne d’ex \u00e6quo (ties<\/em>) fr\u00e9quemment rencontr\u00e9 dans les protocoles de recherche en psychologie. Ce jeu de donn\u00e9es de taille modeste ($n = 15$<\/span>) constitue un cas repr\u00e9sentatif d’investigation en contexte clinique.<\/p>\n6.2 6.2 \u00c9tape 1 : Ordonnancement strict des observations<\/h3>\n
La premi\u00e8re op\u00e9ration algorithmique de toute d\u00e9marche non param\u00e9trique fond\u00e9e sur les statistiques d’ordre consiste \u00e0 trier rigoureusement les donn\u00e9es d’\u00e9chantillon par ordre strictement croissant. Soit le vecteur initial non structur\u00e9 $X = (x_1, x_2, dots, x_{15})$<\/span>. Nous appliquons un op\u00e9rateur de tri $tau$<\/span> tel que :<\/p>\n$$X_{(1)} le X_{(2)} le X_{(3)} le dots le X_{(14)} le X_{(15)}$$<\/span><\/p>\nIl est imp\u00e9ratif d’assigner \u00e0 chaque valeur son rang indic\u00e9 pr\u00e9cis de 1 \u00e0 $n$<\/span>. Une erreur m\u00e9thodologique consisterait \u00e0 fusionner les scores identiques ou \u00e0 leur attribuer des rangs moyens (comme on le pratique dans le cadre des tests de rangs sign\u00e9s de Wilcoxon ou du test de Mann-Whitney). Dans le protocole de Conover d\u00e9di\u00e9 \u00e0 l’intervalle d’un quantile, toutes les observations doivent imp\u00e9rativement conserver leur statut individuel distinct<\/strong> au sein de la s\u00e9quence ordonn\u00e9e. Les doublons doivent donc figurer cons\u00e9cutivement en occupant deux indices de rang successifs.<\/p>\nLe tableau d’ordonnancement ci-dessous consigne l’ensemble des donn\u00e9es structur\u00e9es pr\u00eates pour le traitement inf\u00e9rentiel :<\/p>\n
\n\n\n| Rang indic\u00e9 ($i$<\/span>)<\/th>\n | Observation ordonn\u00e9e ($X_{(i)}$<\/span>)<\/th>\n | Statut m\u00e9thodologique<\/th>\n<\/tr>\n<\/thead>\n |
\n\n| 1<\/td>\n | 8<\/td>\n | Minimum de l’\u00e9chantillon<\/td>\n<\/tr>\n |
\n| 2<\/td>\n | 11<\/td>\n | Statistique d’ordre<\/td>\n<\/tr>\n |
\n| 3<\/td>\n | 12<\/td>\n | Statistique d’ordre<\/td>\n<\/tr>\n |
\n| 4<\/td>\n | 13<\/td>\n | Statistique d’ordre<\/td>\n<\/tr>\n |
\n| 5<\/td>\n | 15<\/td>\n | Statistique d’ordre<\/td>\n<\/tr>\n |
\n| 6<\/td>\n | 17<\/td>\n | Statistique d’ordre<\/td>\n<\/tr>\n |
\n| 7<\/td>\n | 19<\/td>\n | Statistique d’ordre<\/td>\n<\/tr>\n |
\n| 8<\/td>\n | 20<\/td>\n | M\u00e9diane empirique de l’\u00e9chantillon<\/strong><\/td>\n<\/tr>\n\n| 9<\/td>\n | 21<\/td>\n | Ex \u00e6quo (premi\u00e8re occurrence)<\/td>\n<\/tr>\n | \n| 10<\/td>\n | 21<\/td>\n | Ex \u00e6quo (seconde occurrence)<\/td>\n<\/tr>\n | \n| 11<\/td>\n | 22<\/td>\n | Statistique d’ordre<\/td>\n<\/tr>\n | \n| 12<\/td>\n | 23<\/td>\n | Statistique d’ordre<\/td>\n<\/tr>\n | \n| 13<\/td>\n | 25<\/td>\n | Statistique d’ordre<\/td>\n<\/tr>\n | \n| 14<\/td>\n | 26<\/td>\n | Statistique d’ordre<\/td>\n<\/tr>\n | \n| 15<\/td>\n | 28<\/td>\n | Maximum de l’\u00e9chantillon<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n6.3 6.3 \u00c9tape 2 : D\u00e9termination de la m\u00e9diane empirique de l’\u00e9chantillon<\/h3>\nL’\u00e9chantillon \u00e9tant ordonn\u00e9, l’\u00e9tape suivante consiste \u00e0 extraire l’estimation ponctuelle de la m\u00e9diane empirique, not\u00e9e $\\tilde{X}$<\/span> ou $\\text{Mdn}$<\/span>. Sur le plan formel, la r\u00e8gle de s\u00e9lection de la m\u00e9diane d\u00e9pend de la parit\u00e9 de la taille d’\u00e9chantillon $n$<\/span> :<\/p>\n\n- Si $n$<\/span> est pair, il n’existe pas d’\u00e9l\u00e9ment central unique ; la m\u00e9diane correspond conventionnellement \u00e0 la demi-somme arithm\u00e9tique des deux observations centrales occupant les rangs $n\/2$<\/span> et $(n\/2) + 1$<\/span>.<\/li>\n
- Si $n$<\/span> est impair, la m\u00e9diane correspond pr\u00e9cis\u00e9ment \u00e0 l’unique observation occupant la position centrale exacte d\u00e9termin\u00e9e par la formule :
\n $$\\text{Rang}_{\\text{m\u00e9diane}} = \\frac{n + 1}{2}$$<\/span><\/li>\n<\/ul>\nDans notre \u00e9tude, la cohorte comporte $n = 15$<\/span> internes, soit un effectif impair. L’application de la formule de localisation indique :<\/p>\n$$\\text{Rang}_{\\text{m\u00e9diane}} = \\frac{15 + 1}{2} = \\frac{16}{2} = 8$$<\/span><\/p>\nEn consultant notre tableau de donn\u00e9es ordonn\u00e9es \u00e0 la ligne correspondant au rang $i = 8$<\/span>, nous extrayons directement la valeur associ\u00e9e :<\/p>\n$$\\text{Mdn} = X_{(8)} = 20$$<\/span><\/p>\nCliniquement, ce r\u00e9sultat ponctuel indique que la moiti\u00e9 des internes \u00e9valu\u00e9s dans ce service pr\u00e9sente un score de stress per\u00e7u inf\u00e9rieur ou \u00e9gal \u00e0 20, tandis que l’autre moiti\u00e9 rapporte des scores compris entre 20 et 28. Ce score de 20 correspond dans la litt\u00e9rature psychom\u00e9trique \u00e0 un niveau de stress mod\u00e9r\u00e9 tendant vers la limite haute des valeurs de normalit\u00e9 en population g\u00e9n\u00e9rale hospitali\u00e8re. Cependant, sans son intervalle de confiance, ce chiffre isol\u00e9 ne permet pas de d\u00e9terminer si ce r\u00e9sultat est attribuable \u00e0 un al\u00e9a d’\u00e9chantillonnage ou s’il refl\u00e8te une charge anxieuse structurelle de l’ensemble de la population des internes.<\/p>\n 7. 7. Guide pratique pas-\u00e0-pas : Calcul rigoureux des indices j et k<\/h2>\n7.1 7.1 \u00c9tape 3 : Application des param\u00e8tres dans les formules<\/h3>\nNous abordons \u00e0 pr\u00e9sent la phase analytique consistant \u00e0 d\u00e9terminer les bornes d’intervalles au moyen du formalisme de Conover. Fixons notre niveau de confiance \u00e0 la valeur standard acad\u00e9mique de 95 % ($\\alpha = 0{,}05$<\/span>), ce qui impose la mobilisation de la valeur critique normale $z_{0{,}975} = 1{,}96$<\/span>. Les param\u00e8tres initiaux du mod\u00e8le sont donc d\u00e9finis sans ambigu\u00eft\u00e9 :<\/p>\n\n- Taille d’\u00e9chantillon : $n = 15$<\/span><\/li>\n
- Quantile m\u00e9dian cible : $q = 0{,}5$<\/span><\/li>\n
- Valeur critique :
| |