La recherche contemporaine en psychologie cognitive, clinique et comportementale repose de mani\u00e8re pr\u00e9pond\u00e9rante sur la quantification rigoureuse des variations psychologiques induites par des interventions exp\u00e9rimentales ou th\u00e9rapeutiques. Au c\u0153ur de cette d\u00e9marche d’inf\u00e9rence statistique se trouve la comparaison des moyennes issues de protocoles longitudinaux ou quasi exp\u00e9rimentaux. Lorsque les chercheurs \u00e9valuent l’efficacit\u00e9 d’une psychoth\u00e9rapie, l’impact d’un entra\u00eenement cognitif sur la m\u00e9moire de travail ou la modulation de l’attention sous l’effet du stress, ils mesurent fr\u00e9quemment les m\u00eames sujets \u00e0 des moments distincts. Cette configuration exp\u00e9rimentale, d\u00e9sign\u00e9e sous le terme de plan intra-sujet ou \u00e0 mesures r\u00e9p\u00e9t\u00e9es, requiert des outils analytiques capables de neutraliser la variabilit\u00e9 interindividuelle pour isoler le signal exp\u00e9rimental.<\/p>\n
Le test t<\/em> pour \u00e9chantillons appari\u00e9s, d\u00e9riv\u00e9 des travaux fondateurs de William Sealy Gosset publi\u00e9s sous le pseudonyme de Student en 1908<\/a>, constitue l’outil param\u00e9trique paradigmatique pour r\u00e9pondre \u00e0 cette exigence m\u00e9thodologique. En transformant un probl\u00e8me bivari\u00e9 d\u00e9pendant en une analyse univari\u00e9e sur les scores de diff\u00e9rence intra-individuels, ce test offre une puissance statistique substantiellement sup\u00e9rieure \u00e0 celle des tests pour \u00e9chantillons ind\u00e9pendants. N\u00e9anmoins, son application valide ne saurait \u00eatre r\u00e9duite \u00e0 une simple op\u00e9ration calculatoire m\u00e9canique : elle exige une compr\u00e9hension aigu\u00eb de ses fondements stochastiques, de ses postulats sous-jacents et des implications m\u00e9thodologiques propres aux sciences humaines.<\/p>\n L’essor de l’\u00e9cosyst\u00e8me open-source et du langage de programmation Python a profond\u00e9ment transform\u00e9 les pratiques de traitement des donn\u00e9es dans la communaut\u00e9 scientifique internationale. Gr\u00e2ce \u00e0 des biblioth\u00e8ques sp\u00e9cialis\u00e9es telles que SciPy, NumPy, Pandas, Statsmodels et Pingouin, les psychologues et les neuroscientifiques disposent d\u00e9sormais d’un environnement computationnel robuste, flexible et garant de la reproductibilit\u00e9 scientifique. Ce guide doctoral exhaustif explore la mise en \u0153uvre int\u00e9grale du test t<\/em> appari\u00e9 en Python, depuis l’\u00e9chafaudage th\u00e9orique et math\u00e9matique jusqu’\u00e0 la r\u00e9daction des r\u00e9sultats selon les normes strictes de la septi\u00e8me \u00e9dition de l’American Psychological Association (APA), en passant par le diagnostic minutieux des postulats et la mod\u00e9lisation des alternatives non param\u00e9triques.<\/p>\n Dans l’architecture de la recherche comportementale, le choix du devis exp\u00e9rimental conditionne l’ensemble de la cha\u00eene inf\u00e9rentielle. Le devis intra-sujet, commun\u00e9ment d\u00e9sign\u00e9 sous l’appellation de plan \u00e0 mesures r\u00e9p\u00e9t\u00e9es, se caract\u00e9rise par l’observation des m\u00eames unit\u00e9s statistiques \u00e0 travers deux ou plusieurs conditions exp\u00e9rimentales, ou \u00e0 des moments temporels successifs. Cette approche se distingue fondamentalement du devis inter-sujets o\u00f9 des cohortes distinctes de participants sont affect\u00e9es \u00e0 des conditions mutuellement exclusives. La force \u00e9pist\u00e9mologique du plan intra-sujet r\u00e9side dans le principe selon lequel chaque participant agit comme son propre contr\u00f4le statistique, ce qui permet d’\u00e9liminer la quasi-totalit\u00e9 du bruit de fond attribuable aux diff\u00e9rences individuelles stables telles que l’intelligence fluide, la r\u00e9activit\u00e9 \u00e9motionnelle de base, le patrimoine g\u00e9n\u00e9tique ou le niveau socio-\u00e9conomique.<\/p>\n Sur le plan math\u00e9matique, l’avantage d\u00e9cisif de cette structure r\u00e9side dans la r\u00e9duction drastique de la variance r\u00e9siduelle interindividuelle. Dans un plan inter-sujets, la variance d’\u00e9chantillonnage de l’estimateur de la diff\u00e9rence int\u00e8gre la variance totale des deux groupes ind\u00e9pendants, ce qui dilue fr\u00e9quemment l’effet du traitement statistique. \u00c0 l’inverse, dans un plan appari\u00e9, la corr\u00e9lation positive existant naturellement entre les observations r\u00e9p\u00e9t\u00e9es d’un m\u00eame individu vient soustraire une part substantielle de la variance totale du d\u00e9nominateur de la statistique de test. Il en r\u00e9sulte un gain consid\u00e9rable de sensibilit\u00e9 exp\u00e9rimentale et de puissance statistique globale, autorisant l’identification d’effets subtils avec des tailles d’\u00e9chantillons nettement plus restreintes que celles exig\u00e9es par les protocoles \u00e0 groupes parall\u00e8les.<\/p>\n Les contextes d’application en psychologie sont multiples et paradigmatiques. Le protocole pr\u00e9-test et post-test constitue la configuration la plus classique, mesurant par exemple les sympt\u00f4mes anxieux d’une cohorte avant et apr\u00e8s un protocole de th\u00e9rapie d’acceptation et d’engagement. Les \u00e9tudes longitudinales \u00e0 court terme exploitent \u00e9galement ce dispositif afin d’\u00e9tudier la cin\u00e9tique d’apprentissage ou la consolidation mn\u00e9sique au fil des heures. Enfin, l’appariement par paires repr\u00e9sente une variante essentielle o\u00f9 deux individus distincts, mais rigoureusement jumel\u00e9s sur des variables covariables critiques telles que l’\u00e2ge, le quotient intellectuel ou le statut hormonal, sont soumis \u00e0 deux conditions exp\u00e9rimentales contrast\u00e9es, conf\u00e9rant ainsi aux donn\u00e9es une structure de d\u00e9pendance statistique \u00e9quivalente \u00e0 celle d’une mesure r\u00e9p\u00e9t\u00e9e sur un sujet unique.<\/p>\n La m\u00e9canique inf\u00e9rentielle du test t<\/em> d\u00e9pendant repose sur une transformation math\u00e9matique \u00e9l\u00e9gante et r\u00e9ductrice : l’effacement de l’\u00e9chelle brute originale au profit du calcul du score de diff\u00e9rence intrapaire. Pour chaque sujet i appartenant \u00e0 l’\u00e9chantillon, la mesure obtenue lors de la seconde condition est soustraite de celle obtenue lors de la premi\u00e8re condition, g\u00e9n\u00e9rant un vecteur unidimensionnel de variations individuelles not\u00e9 D. Par cette op\u00e9ration de soustraction \u00e9l\u00e9mentaire, la complexit\u00e9 bivari\u00e9e du probl\u00e8me initial, qui mettait en jeu deux variables al\u00e9atoires d\u00e9pendantes, s’effondre pour devenir un test d’hypoth\u00e8se univari\u00e9 portant sur un \u00e9chantillon unique de scores de diff\u00e9rence, confront\u00e9 \u00e0 une valeur th\u00e9orique de r\u00e9f\u00e9rence g\u00e9n\u00e9ralement fix\u00e9e \u00e0 z\u00e9ro.<\/p>\n Cette condensation du probl\u00e8me statistique ne sacrifie aucunement l’information relative \u00e0 la d\u00e9pendance des mesures ; au contraire, elle l’internalise directement dans l’estimation de la variance. Lorsque deux variables sont appari\u00e9es, la variance de leur diff\u00e9rence math\u00e9matique est fonction non seulement de la variance de chacune des deux distributions marginales, mais \u00e9galement de leur covariance conjointe. L’\u00e9quation fondamentale montre que la variance de la diff\u00e9rence est \u00e9gale \u00e0 la somme des variances individuelles diminu\u00e9e du double de la covariance entre les deux temps de mesure. Plus la corr\u00e9lation entre les observations r\u00e9p\u00e9t\u00e9es est \u00e9lev\u00e9e, plus le terme de covariance soustrait est important, comprimant ainsi la dispersion de la distribution des diff\u00e9rences d’\u00e9chantillonnage.<\/p>\n Ce r\u00f4le pr\u00e9pond\u00e9rant de la covariance dans l’estimation de l’erreur type constitue le c\u0153ur battant de la logique intra-individuelle. Alors qu’un analyste imprudent traitant ces mesures comme ind\u00e9pendantes surestimerait l’erreur standard et commettrait une erreur de type II en \u00e9chouant \u00e0 rejeter une hypoth\u00e8se nulle pourtant fausse, l’int\u00e9gration de la d\u00e9pendance permet d’estimer avec une pr\u00e9cision maximale la v\u00e9ritable variabilit\u00e9 du changement temporel ou conditionnel. Le test t<\/em> appari\u00e9 \u00e9value ainsi rigoureusement si la trajectoire moyenne de modification au sein de l’\u00e9chantillon s’\u00e9carte de mani\u00e8re statistiquement significative de la stabilit\u00e9 parfaite.<\/p>\n L’assise \u00e9pist\u00e9mologique du test t<\/em> s’inscrit dans le cadre classique du test de signification de l’hypoth\u00e8se nulle d\u00e9velopp\u00e9 par Ronald Fisher et formalis\u00e9 ult\u00e9rieurement par Jerzy Neyman et Egon Pearson. Dans ce paradigme, la premi\u00e8re \u00e9tape m\u00e9thodologique imp\u00e9rative consiste \u00e0 d\u00e9finir formellement l’hypoth\u00e8se nulle, d\u00e9sign\u00e9e par H0. Pour le test t<\/em> appari\u00e9, cette hypoth\u00e8se stipule que la moyenne des diff\u00e9rences au sein de la population parente, symbolis\u00e9e par la lettre grecque mu indic\u00e9e par delta (\u03bc_D), est strictement \u00e9gale \u00e0 z\u00e9ro. Cela signifie que l’intervention psychologique, le temps \u00e9coul\u00e9 ou la manipulation exp\u00e9rimentale n’induit aucun d\u00e9placement moyen syst\u00e9matique de la variable d\u00e9pendante \u00e0 l’\u00e9chelle de l’univers statistique \u00e9tudi\u00e9.<\/p>\n \u00c0 l’oppos\u00e9 de cette proposition de r\u00e9f\u00e9rence s’\u00e9rige l’hypoth\u00e8se alternative, not\u00e9e H1, dont la formulation d\u00e9pend \u00e9troitement des pr\u00e9dictions th\u00e9oriques avanc\u00e9es par l’exp\u00e9rimentateur avant la collecte des donn\u00e9es. Dans une perspective non directionnelle ou bilat\u00e9rale, H1 postule simplement que \u03bc_D est diff\u00e9rent de z\u00e9ro, sans pr\u00e9sumer a priori du sens positif ou n\u00e9gatif de l’effet observ\u00e9. Cette approche prudente est recommand\u00e9e par l’ensemble des consortiums de m\u00e9thodologie psychologique lorsque l’intervention peut th\u00e9oriquement susciter des b\u00e9n\u00e9fices chez certains sujets et des effets paradoxaux ou d\u00e9l\u00e9t\u00e8res chez d’autres. En revanche, lorsque les mod\u00e8les neurobiologiques ou cliniques pr\u00e9disent de mani\u00e8re univoque un sens de variation, comme une r\u00e9duction syst\u00e9matique d’un score de d\u00e9pression apr\u00e8s traitement, une hypoth\u00e8se alternative unilat\u00e9rale peut \u00eatre avanc\u00e9e, affirmant que \u03bc_D est strictement sup\u00e9rieur ou strictement inf\u00e9rieur \u00e0 z\u00e9ro.<\/p>\n La fixation du risque d’erreur de premi\u00e8re esp\u00e8ce, universellement symbolis\u00e9 par alpha, parach\u00e8ve cette formalisation. Dans la recherche en psychologie, le seuil de significativit\u00e9 est conventionnellement calibr\u00e9 \u00e0 0.05, ce qui signifie que le chercheur accepte une probabilit\u00e9 de cinq pour cent de rejeter \u00e0 tort l’hypoth\u00e8se nulle alors que celle-ci est v\u00e9ritablement exacte dans la population. Dans le cadre n\u00e9o-fisherien moderne, cette valeur seuil sert de garde-fou d\u00e9cisionnel, mais l’analyse scientifique moderne accorde une importance grandissante \u00e0 la valeur de probabilit\u00e9 exacte calcul\u00e9e (la p<\/em>-valeur) combin\u00e9e \u00e0 l’estimation par intervalle de confiance, transcendant ainsi le simplisme d’un rejet dichotomique et aveugle des hypoth\u00e8ses.<\/p>\n La formalisation math\u00e9matique du test t<\/em> d\u00e9pendant repose sur des grandeurs \u00e9chantillonnales d\u00e9riv\u00e9es des paires d’observations individuelles. Soit un \u00e9chantillon de N participants, pour lesquels on mesure les variables X1 et X2 repr\u00e9sentant respectivement les \u00e9tats pr\u00e9-test et post-test. Pour chaque participant d’indice i allant de 1 \u00e0 N, le score de changement individuel D_i est d\u00e9fini par la relation D_i = X2_i – X1_i. La moyenne empirique des diff\u00e9rences, not\u00e9e D\u0304 (D barre), correspond \u00e0 la somme des scores D_i divis\u00e9e par la taille de l’\u00e9chantillon N. Cet estimateur ponctuel constitue le num\u00e9rateur de notre \u00e9quation de test, refl\u00e9tant l’ampleur moyenne du changement observ\u00e9 dans l’\u00e9chantillon.<\/p>\n Le d\u00e9nominateur de la statistique n\u00e9cessite le calcul pr\u00e9alable de la variance d’\u00e9chantillonnage non biais\u00e9e des scores de diff\u00e9rence, not\u00e9e s\u00b2_D. Cette derni\u00e8re est obtenue en sommant les carr\u00e9s des \u00e9carts entre chaque diff\u00e9rence individuelle D_i et la moyenne D\u0304, puis en divisant cette somme des carr\u00e9s par le nombre de degr\u00e9s de libert\u00e9 N – 1. L’\u00e9cart type \u00e9chantillonnal s_D est la racine carr\u00e9e arithm\u00e9tique de cette variance. D\u00e8s lors, l’erreur standard de la moyenne des diff\u00e9rences, not\u00e9e SE_D (ou s_D\u0304), s’exprime par le ratio entre l’\u00e9cart type des diff\u00e9rences s_D et la racine carr\u00e9e de la taille de l’\u00e9chantillon N. Cette erreur type mod\u00e9lise l’amplitude th\u00e9orique de la fluctuation d’\u00e9chantillonnage attendue si l’on r\u00e9p\u00e9tait l’exp\u00e9rience un nombre infini de fois avec des \u00e9chantillons de taille identique tir\u00e9s de la m\u00eame population.<\/p>\n La statistique t<\/em> empirique pour paires d\u00e9pendantes s’obtient alors en divisant la diff\u00e9rence moyenne observ\u00e9e par son erreur type, sous l’hypoth\u00e8se nulle d’une esp\u00e9rance \u03bc_D nulle. La formule g\u00e9n\u00e9rale s’\u00e9crit de la mani\u00e8re suivante : t = (D\u0304 – 0) \/ (s_D \/ \u221aN). Ce ratio standardise la mesure du changement moyen en unit\u00e9s d’erreur type. Une valeur de t<\/em> \u00e9lev\u00e9e indique que la moyenne des diff\u00e9rences observ\u00e9es d\u00e9passe tr\u00e8s largement ce qui pourrait \u00eatre attendu sous l’effet du seul hasard d’\u00e9chantillonnage, fournissant ainsi une preuve quantitative en d\u00e9faveur de l’hypoth\u00e8se d’invariance temporelle ou exp\u00e9rimentale.<\/p>\n La distribution th\u00e9orique \u00e0 laquelle est compar\u00e9e la statistique t<\/em> calcul\u00e9e n’est pas la loi normale centr\u00e9e r\u00e9duite, mais la distribution t<\/em> de Student \u00e0 N – 1 degr\u00e9s de libert\u00e9. Les degr\u00e9s de libert\u00e9, not\u00e9s couramment df (pour degrees of freedom<\/em>) ou ddl, quantifient le nombre d’\u00e9l\u00e9ments d’information ind\u00e9pendants qui interviennent dans l’estimation du param\u00e8tre de dispersion s\u00b2_D. \u00c9tant donn\u00e9 que la somme des r\u00e9sidus individuels autour de la moyenne empirique D\u0304 est n\u00e9cessairement contrainte \u00e0 z\u00e9ro, d\u00e8s lors que N – 1 diff\u00e9rences sont connues, la derni\u00e8re diff\u00e9rence est math\u00e9matiquement d\u00e9termin\u00e9e de mani\u00e8re univoque. Par cons\u00e9quent, pour un devis \u00e0 paires d\u00e9pendantes comportant N paires compl\u00e8tes, le nombre de degr\u00e9s de libert\u00e9 s’\u00e9tablit strictement \u00e0 N – 1.<\/p>\n La distribution t<\/em> de Student pr\u00e9sente une g\u00e9om\u00e9trie sym\u00e9trique en forme de cloche, analogue \u00e0 la distribution de Gauss, mais elle s’en distingue par des queues de distribution plus \u00e9paisses et un sommet plus aplati, une caract\u00e9ristique connue sous le nom de leptocurticit\u00e9 relative. Cette dispersion accrue refl\u00e8te l’incertitude suppl\u00e9mentaire induite par le fait que la variance de la population sigma\u00b2_D est inconnue et doit \u00eatre estim\u00e9e \u00e0 partir de l’\u00e9chantillon via s\u00b2_D. \u00c0 mesure que la taille de l’\u00e9chantillon N augmente, l’estimation de l’\u00e9cart type devient de plus en plus pr\u00e9cise, et la distribution t<\/em> converge asymptotiquement vers la loi normale standard z. Sur le plan op\u00e9rationnel, d\u00e8s que le nombre de degr\u00e9s de libert\u00e9 d\u00e9passe une centaine d’unit\u00e9s, la divergence entre les deux distributions devient marginale.<\/p>\n L’impact de la taille de l’\u00e9chantillon sur la valeur critique de t<\/em> est direct et profond. Pour un seuil de signification bilat\u00e9ral alpha de 0.05, si N est \u00e9gal \u00e0 10 (df = 9), la valeur critique de rupture est de 2.262. Cela implique que la statistique calcul\u00e9e doit d\u00e9passer cette valeur seuil pour que le r\u00e9sultat soit d\u00e9clar\u00e9 statistiquement significatif. En revanche, si la taille de l’\u00e9chantillon atteint 100 paires (df = 99), la valeur critique s’abaisse \u00e0 1.984. Cette d\u00e9pendance g\u00e9om\u00e9trique souligne combien les \u00e9tudes sous-dimensionn\u00e9es p\u00e9nalisent la recherche comportementale en exigeant des contrastes empiriques disproportionnellement massifs pour franchir le seuil d’admissibilit\u00e9 inf\u00e9rentielle.<\/p>\n L’un des apports majeurs de la mod\u00e9lisation appari\u00e9e est son int\u00e9gration intrins\u00e8que de la corr\u00e9lation lin\u00e9aire existant entre la mesure initiale et la mesure terminale. Soit r_12 le coefficient de corr\u00e9lation produit-moment de Pearson entre les scores du pr\u00e9-test et ceux du post-test. En d\u00e9veloppant alg\u00e9briquement la variance de la variable al\u00e9atoire de diff\u00e9rence D = X2 – X1, on obtient l’\u00e9galit\u00e9 fondamentale : s\u00b2_D = s\u00b2_1 + s\u00b2_2 – 2 * r_12 * s_1 * s_2, o\u00f9 s_1 et s_2 repr\u00e9sentent les \u00e9carts types respectifs des deux conditions exp\u00e9rimentales. Cette formulation d\u00e9montre avec \u00e9clat le r\u00f4le mod\u00e9rateur du param\u00e8tre de corr\u00e9lation.<\/p>\n Si la corr\u00e9lation entre les temps de mesure est positive (r_12 > 0), ce qui constitue la norme quasi universelle en psychologie lors de l’administration r\u00e9p\u00e9t\u00e9e d’un instrument psychom\u00e9trique valide, le terme soustractif 2 * r_12 * s_1 * s_2 r\u00e9duit directement la variance de la diff\u00e9rence s\u00b2_D. Par voie de cons\u00e9quence, l’erreur standard SE_D s’en trouve contract\u00e9e, ce qui propulse la valeur de la statistique t<\/em> vers des amplitudes plus \u00e9lev\u00e9es pour un m\u00eame diff\u00e9rentiel moyen D\u0304. Ainsi, plus la fid\u00e9lit\u00e9 test-retest de l’instrument psychologique est robuste, plus l’efficacit\u00e9 statistique du protocole exp\u00e9rimental est amplifi\u00e9e, permettant d’extraire le signal de l’intervention hors du bruit de mesure.<\/p>\n \u00c0 l’inverse, commettre l’erreur m\u00e9thodologique classique consistant \u00e0 analyser des donn\u00e9es appari\u00e9es \u00e0 l’aide d’un test t<\/em> pour \u00e9chantillons ind\u00e9pendants s’av\u00e8re particuli\u00e8rement pr\u00e9judiciable. Dans un test ind\u00e9pendant, le d\u00e9nominateur repose sur la somme pure des variances (s\u00b2_1 + s\u00b2_2) sans d\u00e9duction du terme de covariance. Le chercheur gonfle ainsi artificiellement l’erreur standard de l’estimation, \u00e9crasant la statistique de test et multipliant le risque de commettre une erreur de type II en passant \u00e0 c\u00f4t\u00e9 d’effets r\u00e9els et reproductibles. Exceptionnellement, si la corr\u00e9lation test-retest s’av\u00e9rait n\u00e9gative, l’usage du test appari\u00e9 p\u00e9naliserait le mod\u00e8le en augmentant l’erreur type, r\u00e9v\u00e9lant une instabilit\u00e9 th\u00e9orique majeure dans le protocole de recueil des donn\u00e9es.<\/p>\n L’utilisation l\u00e9gitime du test t<\/em> de Student pour paires d\u00e9pendantes repose sur un ensemble d’axiomes m\u00e9thodologiques stricts que le chercheur doit scrupuleusement auditer avant toute inf\u00e9rence. Le premier postulat concerne la nature m\u00e9trologique de la variable d\u00e9pendante. Celle-ci doit obligatoirement \u00eatre mesur\u00e9e sur une \u00e9chelle d’intervalle ou de rapport au sens de la classification m\u00e9trique de Stevens (1946)<\/a>. Les op\u00e9rations d’addition et de soustraction n\u00e9cessaires au calcul de la moyenne D\u0304 et de la variance s\u00b2_D n’ont de validit\u00e9 math\u00e9matique que si les intervalles s\u00e9parant les \u00e9chelons successifs de l’instrument de mesure sont \u00e9gaux et constants sur l’ensemble du continuum d’\u00e9valuation psychologique.<\/p>\n Bien que des d\u00e9bats acad\u00e9miques r\u00e9currents animent la psychom\u00e9trie quant \u00e0 l’assimilation des \u00e9chelles de Likert ordinales \u00e0 des \u00e9chelles d’intervalles, l’emploi du test t<\/em> appari\u00e9 sur des scores composites issus de questionnaires valid\u00e9s (tels que le BDI-II pour la d\u00e9pression ou le STAI pour l’anxi\u00e9t\u00e9) est largement tol\u00e9r\u00e9 d\u00e8s lors que la distribution globale pr\u00e9sente une granularit\u00e9 suffisante. En revanche, l’application du test sur des items isol\u00e9s \u00e0 trois ou quatre modalit\u00e9s ordinales constitue une violation m\u00e9trologique majeure qui invalide les calculs d’esp\u00e9rance et d’\u00e9cart type, orientant imp\u00e9rativement l’analyste vers des m\u00e9thodologies non param\u00e9triques adapt\u00e9es.<\/p>\n Le second axiome fondamental stipule l’ind\u00e9pendance mutuelle stricte entre les paires distinctes de sujets. Si les observations au sein d’une m\u00eame paire sont structurellement d\u00e9pendantes \u2014 ce qui constitue la raison d’\u00eatre du test \u2014, il est imp\u00e9ratif qu’aucune d\u00e9pendance n’intervienne entre les diff\u00e9rentes paires constituant l’\u00e9chantillon. Cela signifie que le score ou le comportement d’un participant i ne doit en aucun cas influencer le comportement d’un participant j. Cette condition exclut par exemple les protocoles o\u00f9 les sujets sont \u00e9valu\u00e9s au sein de dyades en interaction, de fratries non contr\u00f4l\u00e9es ou de classes scolaires soumises \u00e0 une dynamique de groupe non mod\u00e9lis\u00e9e, sous peine d’induire une d\u00e9pendance spatiale ou s\u00e9rielle faussant les degr\u00e9s de libert\u00e9.<\/p>\n Un malentendu persistant en m\u00e9thodologie quantitative conduit de nombreux chercheurs \u00e0 exiger la normalit\u00e9 univari\u00e9e des distributions de la variable pr\u00e9-test d’une part, et de la variable post-test d’autre part. Il s’agit d’une confusion conceptuelle dommageable. L’hypoth\u00e8se fondamentale de distributionnalit\u00e9 du test t<\/em> appari\u00e9 porte exclusivement et strictement sur la distribution de la variable de diff\u00e9rence intrapaire D. En vertu de la th\u00e9orie des probabilit\u00e9s multivari\u00e9es, deux distributions marginales non normales peuvent parfaitement g\u00e9n\u00e9rer, par soustraction alg\u00e9brique de leurs composantes d\u00e9pendantes, un vecteur de diff\u00e9rences dont la distribution est rigoureusement gaussienne.<\/p>\n La statistique t<\/em> de Student est d\u00e9riv\u00e9e sous la pr\u00e9misse th\u00e9orique que la variable al\u00e9atoire des \u00e9carts D_i suit une loi normale d’esp\u00e9rance \u03bc_D et de variance finie sigma\u00b2_D. Si cette hypoth\u00e8se n’est pas satisfaite, la distribution d’\u00e9chantillonnage de la statistique empirique peut diverger de la loi t<\/em> th\u00e9orique, affectant potentiellement le calibrage nominal du risque d’erreur de premi\u00e8re esp\u00e8ce. Les asym\u00e9tries prononc\u00e9es ou les aplatissements extr\u00eames tendent \u00e0 distordre le calcul de la probabilit\u00e9 critique, induisant des d\u00e9cisions inf\u00e9rentielles erron\u00e9es soit par exc\u00e8s de conservatisme, soit par lib\u00e9ralisme abusif.<\/p>\n N\u00e9anmoins, la puissance op\u00e9rationnelle du th\u00e9or\u00e8me central limite conf\u00e8re au test t<\/em> une robustesse substantielle face aux \u00e9carts mod\u00e9r\u00e9s \u00e0 la normalit\u00e9 th\u00e9orique d\u00e8s lors que la taille d’\u00e9chantillon devient suffisante. Lorsque N d\u00e9passe trente ou quarante paires, la distribution d’\u00e9chantillonnage de la moyenne empirique D\u0304 tend spontan\u00e9ment vers la normalit\u00e9, quelle que soit la forme g\u00e9n\u00e9rale de la population parente des diff\u00e9rences, pourvu que cette derni\u00e8re poss\u00e8de une variance finie. Toutefois, en pr\u00e9sence d’\u00e9chantillons de taille clinique restreinte (typiquement N inf\u00e9rieur \u00e0 20), la tol\u00e9rance math\u00e9matique du test s’effondre, rendant l’examen formel de la distribution des deltas rigoureusement incontournable.<\/p>\n L’\u00e9valuation de la distribution des diff\u00e9rences ne peut faire l’\u00e9conomie d’une d\u00e9tection m\u00e9ticuleuse des valeurs aberrantes univari\u00e9es. Dans un protocole appari\u00e9, une observation aberrante peut r\u00e9sulter de multiples artefacts : une erreur technique d’encodage lors de la saisie num\u00e9rique, un d\u00e9faut de calibration de l’appareil de mesure physiologique lors de la seconde session, ou une rupture d’adh\u00e9sion d’un participant face \u00e0 la consigne exp\u00e9rimentale. De surcro\u00eet, un individu pr\u00e9sentant une d\u00e9gradation spectaculaire de ses performances suite \u00e0 un \u00e9v\u00e9nement ext\u00e9rieur traumatique non li\u00e9 au protocole constitue un profil aberrant susceptible de biaiser le calcul global.<\/p>\n L’impact d’une seule observation extr\u00eame sur la statistique t<\/em> est disproportionn\u00e9 en raison de la nature math\u00e9matique des param\u00e8tres d’estimation. La moyenne arithm\u00e9tique poss\u00e8de un point de rupture de z\u00e9ro pour cent, signifiant qu’une unique valeur arbitrairement d\u00e9viante peut d\u00e9placer le centre de gravit\u00e9 de l’ensemble de l’\u00e9chantillon. Plus pernicieux encore, la pr\u00e9sence d’une valeur extr\u00eame gonfle artificiellement la somme des carr\u00e9s des \u00e9carts, provoquant une explosion de l’\u00e9cart type \u00e9chantillonnal s_D. En \u00e9largissant de fa\u00e7on dramatique l’erreur standard SE_D, l’observation aberrante peut \u00e9craser la valeur de t<\/em> et masquer un effet par ailleurs robuste au sein du reste de la cohorte, provoquant une erreur de type II.<\/p>\n La gestion m\u00e9thodologique de ces points singuliers exige une tra\u00e7abilit\u00e9 irr\u00e9prochable et proscrit toute suppression opportuniste visant \u00e0 forcer la significativit\u00e9 statistique. Le chercheur doit documenter syst\u00e9matiquement la pr\u00e9sence d’\u00e9ventuelles valeurs aberrantes sur le vecteur D, en explorer la source \u00e9tiologique et proc\u00e9der \u00e0 une analyse de sensibilit\u00e9. Cette pratique vertueuse consiste \u00e0 ex\u00e9cuter le test statistique \u00e0 la fois sur l’\u00e9chantillon int\u00e9gral et sur l’\u00e9chantillon \u00e9pur\u00e9 afin de v\u00e9rifier si la conclusion scientifique d\u00e9pend de la pr\u00e9sence d’un individu singulier, gage de probit\u00e9 acad\u00e9mique.<\/p>\n L’\u00e9cosyst\u00e8me Python d\u00e9di\u00e9 au calcul scientifique et \u00e0 la biostatistique repose sur un ensemble de biblioth\u00e8ques hautement sp\u00e9cialis\u00e9es, d\u00e9velopp\u00e9es en langage compil\u00e9 (C et Fortran) pour garantir des performances de calcul optimales tout en offrant des interfaces de programmation en Python de haut niveau. Pour mener \u00e0 bien l’analyse d’un test t<\/em> appari\u00e9, la biblioth\u00e8que fondamentale de r\u00e9f\u00e9rence est SciPy<\/a>, et plus particuli\u00e8rement son sous-module sp\u00e9cialis\u00e9 stats. Ce module regroupe l’ensemble des fonctions d’inf\u00e9rence statistique classique, de calcul de fonctions de densit\u00e9 de probabilit\u00e9, de tests de normalit\u00e9 et de r\u00e9\u00e9chantillonnage stochastique.<\/p>\n En amont de l’analyse inf\u00e9rentielle, la structuration, le filtrage et la manipulation analytique des jeux de donn\u00e9es requi\u00e8rent l’utilisation conjointe des biblioth\u00e8ques NumPy et Pandas. NumPy fournit les structures matricielles vectoris\u00e9es multidimensionnelles \u00e0 la base de tout calcul scientifique num\u00e9rique, tandis que Pandas introduit l’objet DataFrame, une structure de donn\u00e9es tabulaire labellis\u00e9e analogue aux feuilles de calcul de logiciels propri\u00e9taires tels que SPSS ou SAS, facilitant les indexations par sujet et par variable. Pour la mod\u00e9lisation statistique avanc\u00e9e et les graphiques diagnostiques approfondis, Statsmodels constitue un pilier incontournable.<\/p>\n Enfin, la recherche psychologique et comportementale moderne b\u00e9n\u00e9ficie d’une biblioth\u00e8que d\u00e9di\u00e9e sp\u00e9cifiquement aux pratiques psychom\u00e9triques : Pingouin. D\u00e9velopp\u00e9e par Rapha\u00ebl Vallat, cette biblioth\u00e8que comble l’\u00e9cart existant entre les sorties computationnelles aust\u00e8res de SciPy et les attentes analytiques des comit\u00e9s de lecture acad\u00e9miques. Pingouin fournit par d\u00e9faut des sorties structur\u00e9es sous forme de DataFrames contenant les degr\u00e9s de libert\u00e9, les intervalles de confiance \u00e0 95 %, les tailles d’effet standardis\u00e9es et le facteur de Bayes, simplifiant consid\u00e9rablement le pipeline analytique du chercheur.<\/p>\n La crise de la reproductibilit\u00e9 qui traverse les sciences comportementales impose l’adoption de normes d’ing\u00e9nierie logicielle rigoureuses lors du traitement des donn\u00e9es empiriques. L’ex\u00e9cution d’un script d’analyse statistique ne doit jamais d\u00e9pendre de la configuration globale instable du syst\u00e8me d’exploitation de l’ordinateur de l’analyste. Il est imp\u00e9ratif d’isoler l’ensemble des d\u00e9pendances au sein d’un environnement virtuel d\u00e9di\u00e9, configur\u00e9 sp\u00e9cifiquement pour le projet de recherche concern\u00e9, garantissant qu’une mise \u00e0 jour logicielle ult\u00e9rieure ne vienne modifier les r\u00e9sultats d’analyses ant\u00e9rieures.<\/p>\n L’utilisation de l’outil standard venv int\u00e9gr\u00e9 \u00e0 la biblioth\u00e8que syst\u00e8me de Python, ou de gestionnaires de distribution scientifique tels que Conda, permet de cr\u00e9er un bac \u00e0 sable herm\u00e9tique. Dans cet espace clos, les versions exactes des biblioth\u00e8ques analytiques \u2014 SciPy, Pandas, NumPy, Statsmodels, Pingouin, Matplotlib et Seaborn \u2014 sont install\u00e9es de mani\u00e8re verrouill\u00e9e. L’exportation de l’arborescence des d\u00e9pendances au sein d’un fichier standardis\u00e9 nomm\u00e9 requirements.txt assure la p\u00e9rennit\u00e9 et la r\u00e9plicabilit\u00e9 int\u00e9grale de l’architecture logicielle, permettant \u00e0 tout \u00e9valuateur externe de recr\u00e9er \u00e0 l’identique l’environnement d’ex\u00e9cution du laboratoire d’origine.<\/p>\n Un autre vecteur crucial de la reproductibilit\u00e9 r\u00e9side dans la fixation syst\u00e9matique des graines al\u00e9atoires, couramment appel\u00e9es random seeds<\/em>. Plusieurs proc\u00e9dures contemporaines compl\u00e9mentaires au test t<\/em> classique, notamment les calculs d’intervalles de confiance par r\u00e9\u00e9chantillonnage bootstrap ou les tests de permutations exactes, mobilisent des g\u00e9n\u00e9rateurs de nombres pseudo-al\u00e9atoires. Afin de garantir que deux ex\u00e9cutions cons\u00e9cutives du m\u00eame script produisent des estimations num\u00e9riques strictement identiques au dix-milli\u00e8me de point pr\u00e8s, le chercheur doit explicitement initialiser les graines al\u00e9atoires des biblioth\u00e8ques NumPy et SciPy d\u00e8s le prologue du code computationnel.<\/p>\n La structuration matricielle des donn\u00e9es exp\u00e9rimentales repr\u00e9sente une \u00e9tape charni\u00e8re o\u00f9 se croisent rigueur conceptuelle et exigences algorithmiques. En science des donn\u00e9es, deux architectures tabulaires s’opposent : le format large, traditionnellement qualifi\u00e9 de wide format<\/em>, et le format long, d\u00e9sign\u00e9 sous les vocables de long format<\/em> ou tidy data<\/em>. Comprendre la dialectique entre ces deux repr\u00e9sentations est indispensable pour ma\u00eetriser l’interfa\u00e7age avec les diff\u00e9rentes fonctions statistiques de l’\u00e9cosyst\u00e8me Python.<\/p>\n Dans le format large, chaque unit\u00e9 exp\u00e9rimentale (le participant) occupe une ligne et une seule au sein de la matrice Pandas. Les mesures successives pr\u00e9-test et post-test sont dispos\u00e9es dans des colonnes adjacentes distinctes, par exemple intitul\u00e9es Score_Pre et Score_Post. Cette morphologie de donn\u00e9es s’av\u00e8re particuli\u00e8rement adapt\u00e9e pour l’ex\u00e9cution directe des fonctions computationnelles de SciPy, \u00e0 l’instar de la fonction sp\u00e9cialis\u00e9e ttest_rel, qui requiert en entr\u00e9e deux vecteurs unidimensionnels synchronis\u00e9s repr\u00e9sentant les deux moments exp\u00e9rimentaux. C’est \u00e9galement la structure la plus naturelle pour d\u00e9river par simple op\u00e9ration de soustraction le vecteur univari\u00e9 des \u00e9carts.<\/p>\n Inversement, le format long alloue une ligne distincte \u00e0 chaque observation temporelle individuelle. Dans cette configuration, une colonne sert d’identifiant au sujet, une seconde colonne fait office de facteur intra-sujet qualifiant le temps de mesure (avec des \u00e9tiquettes telles que Pre et Post), et une troisi\u00e8me colonne h\u00e9berge la valeur quantitative de la variable mesur\u00e9e. Si cette structuration est exig\u00e9e par les mod\u00e8les mixtes et les visualisations contemporaines d\u00e9velopp\u00e9es avec Seaborn, elle n\u00e9cessite des op\u00e9rations de restructuration bidirectionnelle dans Pandas. Le recours aux m\u00e9thodes int\u00e9gr\u00e9es melt et pivot permet de convertir les donn\u00e9es avec une fluidit\u00e9 algorithmique totale, adaptant le jeu de donn\u00e9es aux contraintes de chaque biblioth\u00e8que.<\/p>\n L’int\u00e9grit\u00e9 inf\u00e9rentielle du test t<\/em> d\u00e9pendant repose sur une pr\u00e9misse technique incontournable : la correspondance bijective stricte entre les \u00e9l\u00e9ments des deux vecteurs analys\u00e9s. Le i-\u00e8me \u00e9l\u00e9ment du vecteur pr\u00e9-test doit imp\u00e9rativement provenir de la m\u00eame entit\u00e9 biologique ou psychologique que le i-\u00e8me \u00e9l\u00e9ment du vecteur post-test. Un d\u00e9calage d’indexation induit par un tri accidentel d’une seule colonne ou une mauvaise jointure de bases de donn\u00e9es ruinerait int\u00e9gralement la covariance des mesures et produirait un r\u00e9sultat statistique fallacieux sans pour autant g\u00e9n\u00e9rer d’erreur d’ex\u00e9cution logicielle explicite.<\/p>\n Le traitement des donn\u00e9es manquantes constitue une source majeure de vuln\u00e9rabilit\u00e9 analytique dans les suivis longitudinaux. Les pertes de vue au post-test, les abandons th\u00e9rapeutiques ou les incidents techniques g\u00e9n\u00e8rent des cellules vides (not\u00e9es NaN dans Pandas). Face \u00e0 une observation incompl\u00e8te, le test t<\/em> appari\u00e9 impose d’embl\u00e9e une proc\u00e9dure d’exclusion par paire, d\u00e9sign\u00e9e dans la litt\u00e9rature anglo-saxonne sous le terme de pairwise deletion<\/em> (ou listwise deletion<\/em> sur le sous-ensemble). Tout participant ne poss\u00e9dant pas une paire compl\u00e8te de mesures doit \u00eatre imp\u00e9rativement \u00e9cart\u00e9 du calcul de la statistique de Student, r\u00e9duisant de facto la taille finale N de l’\u00e9chantillon analys\u00e9.<\/p>\n Sur le plan m\u00e9thodologique, cette \u00e9limination des donn\u00e9es manquantes ne saurait s’effectuer de mani\u00e8re aveugle. Le chercheur se doit d’interroger la nature du m\u00e9canisme g\u00e9n\u00e9rateur de ces absences, selon la c\u00e9l\u00e8bre typologie formalis\u00e9e par Donald Rubin : donn\u00e9es manquantes compl\u00e8tement al\u00e9atoires (MCAR), donn\u00e9es manquantes al\u00e9atoires (MAR), ou donn\u00e9es manquantes non al\u00e9atoires (MNAR). Si les participants abandonnant un programme d’entra\u00eenement cognitif sont pr\u00e9cis\u00e9ment ceux qui pr\u00e9sentent les difficult\u00e9s mn\u00e9siques les plus s\u00e9v\u00e8res au pr\u00e9-test, l’exclusion pure et simple de leurs profils introduit un biais d’attrition d\u00e9vastateur qui compromet irr\u00e9m\u00e9diablement la repr\u00e9sentativit\u00e9 de l’\u00e9chantillon et la validit\u00e9 externe des conclusions tir\u00e9es par le test t<\/em>.<\/p>\n Une fois les donn\u00e9es rigoureusement index\u00e9es, align\u00e9es et d\u00e9barrass\u00e9es des cellules orphelines, l’\u00e9tape programmatique suivante consiste \u00e0 mat\u00e9rialiser le vecteur des diff\u00e9rences intrapaires. Gr\u00e2ce \u00e0 la vectorisation inh\u00e9rente aux structures Series de Pandas et aux tableaux de calcul NumPy, cette op\u00e9ration s’ex\u00e9cute par une simple soustraction alg\u00e9brique entre les deux colonnes cibles. L’instanciation explicite d’une colonne d\u00e9di\u00e9e aux \u00e9carts individuels au sein du DataFrame constitue une excellente pratique de d\u00e9veloppement statistique, servant de socle pour l’ensemble des diagnostics distributionnels ult\u00e9rieurs.<\/p>\n Ce calcul vectoriel permet d’op\u00e9rer un contr\u00f4le de qualit\u00e9 imm\u00e9diat sur la coh\u00e9rence interne des donn\u00e9es psychom\u00e9triques. L’analyste peut v\u00e9rifier par programmation logique qu’aucun score de diff\u00e9rence ne d\u00e9passe les limites th\u00e9oriquement admissibles de l’instrument de mesure, \u00e9cartant ainsi d\u00e9finitivement les erreurs mat\u00e9rielles de frappe num\u00e9rique. De surcro\u00eet, le sens de la soustraction doit \u00eatre scrupuleusement document\u00e9 : soustraire le pr\u00e9-test du post-test attribue des valeurs positives aux augmentations de score, ce qui facilite grandement l’interpr\u00e9tation s\u00e9mantique ult\u00e9rieure des graphiques et des coefficients inf\u00e9rentiels.<\/p>\n D\u00e8s la g\u00e9n\u00e9ration de cette variable diff\u00e9rentielle, il convient d’ex\u00e9cuter un calcul automatis\u00e9 des statistiques descriptives fondamentales afin de caract\u00e9riser la distribution brute du changement. L’appel aux m\u00e9thodes analytiques de Pandas permet d’extraire instantan\u00e9ment la moyenne empirique D\u0304, l’\u00e9cart type s_D, l’erreur standard de la moyenne, ainsi que les m\u00e9triques robustes de tendance centrale et de dispersion que sont la m\u00e9diane et l’\u00e9cart interquartile. Cette confrontation pr\u00e9liminaire entre param\u00e8tres param\u00e9triques et indicateurs non param\u00e9triques offre un premier aper\u00e7u diagnostique de l’\u00e9ventuelle asym\u00e9trie de la r\u00e9ponse comportementale au sein de la cohorte.<\/p>\n L’agr\u00e9gation des donn\u00e9es sous forme de moyennes globales masque fr\u00e9quemment une h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 substantielle de comportements individuels. En psychologie exp\u00e9rimentale, deux interventions g\u00e9n\u00e9rant un diff\u00e9rentiel moyen rigoureusement identique de cinq points peuvent recouvrir des dynamiques sous-jacentes diam\u00e9tralement oppos\u00e9es : une am\u00e9lioration uniforme de chaque participant d’une part, ou une am\u00e9lioration massive de la moiti\u00e9 de l’\u00e9chantillon combin\u00e9e \u00e0 une d\u00e9t\u00e9rioration marqu\u00e9e de l’autre moiti\u00e9 d’autre part. L’analyse descriptive doit imp\u00e9rativement d\u00e9buter par l’observation des cin\u00e9tiques singuli\u00e8res \u00e0 l’aide de repr\u00e9sentations visuelles adapt\u00e9es.<\/p>\n Le diagramme de trajectoires individuelles, fr\u00e9quemment d\u00e9sign\u00e9 dans la communaut\u00e9 anglo-saxonne sous l’appellation imag\u00e9e de spaghetti plot<\/em>, constitue l’outil graphique par excellence pour appr\u00e9hender cette variabilit\u00e9 intra-sujet. Construit en reliant par un segment lin\u00e9aire le point pr\u00e9-test au point post-test de chaque sujet identifi\u00e9, ce graphique permet de rep\u00e9rer imm\u00e9diatement la direction, l’amplitude et la dispersion des trajectoires comportementales. Les pentes ascendantes, descendantes ou horizontales traduisent visuellement la granularit\u00e9 de la r\u00e9ponse \u00e0 l’exp\u00e9rimentation.<\/p>\n L’int\u00e9gration programmatique au sein de l’environnement graphique Matplotlib et Seaborn permet de superposer sur cet \u00e9cheveau de trajectoires individuelles la droite de tendance moyenne globale, repr\u00e9sent\u00e9e avec une \u00e9paisseur de trait et une couleur contrast\u00e9e. Cette confrontation visuelle offre au chercheur la capacit\u00e9 d’identifier d’un simple coup d’\u0153il les participants \u00ab non-r\u00e9pondeurs \u00bb \u00e0 l’intervention, ainsi que les trajectoires paradoxales qui s’\u00e9cartent drastiquement de la tendance centrale, orientant de futures investigations cliniques cibl\u00e9es sur ces sous-profils sp\u00e9cifiques.<\/p>\n Puisque le test t<\/em> d\u00e9pendant s’appuie fondamentalement sur la distribution univari\u00e9e des deltas intrapaires, l’\u00e9valuation graphique de ce vecteur constitue le second jalon diagnostique incontournable. L’analyste doit mobiliser un triptyque visuel compl\u00e9mentaire compos\u00e9 de l’histogramme de fr\u00e9quences, de la courbe d’estimation de la densit\u00e9 par la m\u00e9thode des noyaux (KDE pour Kernel Density Estimation<\/em>), et de la bo\u00eete \u00e0 moustaches formalis\u00e9e par John Tukey.<\/p>\n L’histogramme, associ\u00e9 \u00e0 la courbe de lissage par noyau param\u00e9tr\u00e9e dans la biblioth\u00e8que Seaborn, permet d’appr\u00e9cier la morphologie g\u00e9n\u00e9rale de la distribution : unimodalit\u00e9, bimodalit\u00e9 sous-jacente r\u00e9v\u00e9lant deux sous-populations distinctes, ou asym\u00e9trie prononc\u00e9e d’un c\u00f4t\u00e9 de l’axe vertical. La bo\u00eete \u00e0 moustaches, quant \u00e0 elle, isole les quartiles de la distribution, positionne la m\u00e9diane et d\u00e9ploie des moustaches dont l’extr\u00e9mit\u00e9 d\u00e9limite l’intervalle au-del\u00e0 duquel toute observation isol\u00e9e est graphiquement mat\u00e9rialis\u00e9e par un point distinct, signalant imm\u00e9diatement une valeur divergente potentielle.<\/p>\n Ce dispositif graphique est avantageusement compl\u00e9t\u00e9 par le diagramme quantile-quantile (Q-Q plot), g\u00e9n\u00e9r\u00e9 avec une haute pr\u00e9cision math\u00e9matique \u00e0 l’aide des fonctions diagnostiques de Statsmodels. En tra\u00e7ant les quantiles empiriques observ\u00e9s de la distribution des diff\u00e9rences en regard des quantiles th\u00e9oriques attendus d’une loi normale parfaite, le Q-Q plot permet de d\u00e9celer les moindres anomalies de courbure. Tout d\u00e9tachement des points par rapport \u00e0 la droite diagonale de r\u00e9f\u00e9rence \u00e0 45 degr\u00e9s dans les r\u00e9gions terminales mat\u00e9rialise une lourdeur anormale des queues de distribution, avertissant le statisticien d’une d\u00e9viation pr\u00e9judiciable par rapport \u00e0 l’id\u00e9al gaussien.<\/p>\n L’efficacit\u00e9 du devis \u00e0 mesures r\u00e9p\u00e9t\u00e9es reposant sur la corr\u00e9lation positive existant entre les deux temps de mesure, l’\u00e9valuation graphique de cette association lin\u00e9aire rev\u00eat une importance diagnostique majeure. La construction d’un diagramme de dispersion bivari\u00e9 associant les scores du pr\u00e9-test sur l’axe des abscisses et ceux du post-test sur l’axe des ordonn\u00e9es fournit une cartographie d\u00e9taill\u00e9e de la structure d’appariement des donn\u00e9es.<\/p>\n Sur ce nuage de points, il est particuli\u00e8rement instructif de tracer la droite d’identit\u00e9 parfaite d’\u00e9quation th\u00e9orique y = x. Dans ce rep\u00e8re g\u00e9om\u00e9trique, tout participant dont le score n’a subi aucune modification entre les deux sessions exp\u00e9rimentales se positionne exactement sur cette bissectrice. Les participants dont les performances se sont accrues se situent au-dessus de la droite, tandis que ceux ayant r\u00e9gress\u00e9 se positionnent en dessous. L’\u00e9cart orthogonal moyen entre le nuage de points et cette droite de r\u00e9f\u00e9rence mat\u00e9rialise visuellement la magnitude brute de l’effet moyen de l’intervention.<\/p>\n L’estimation conjointe du coefficient de corr\u00e9lation r de Pearson et de son intervalle de confiance \u00e0 95 % quantifie la force de ce lien stochastique. Ce graphique permet \u00e9galement de rep\u00e9rer visuellement un \u00e9cueil m\u00e9thodologique classique en sciences humaines : le ph\u00e9nom\u00e8ne de r\u00e9gression statistique vers la moyenne identifi\u00e9 par Sir Francis Galton. Il n’est pas rare de constater que les sujets ayant obtenu des scores extr\u00eamement faibles au pr\u00e9-test progressent spontan\u00e9ment vers la moyenne lors du retest en raison de la simple dissipation de l’erreur transitoire de mesure, un artefact que l’analyste doit apprendre \u00e0 discerner de l’authentique progression clinique.<\/p>\n Si l’exploration graphique conf\u00e8re une sensibilit\u00e9 intuitive essentielle, la d\u00e9cision m\u00e9thodologique relative \u00e0 l’admissibilit\u00e9 du test param\u00e9trique requiert une confirmation par des tests d’hypoth\u00e8se formels. Au sein de la bo\u00eete \u00e0 outils statistique de SciPy, le test de normalit\u00e9 par excellence est le test de Shapiro-Wilk, accessible via la fonction sp\u00e9cialis\u00e9e shapiro log\u00e9e dans le module scipy.stats. Ce test \u00e9value formellement l’hypoth\u00e8se nulle selon laquelle l’\u00e9chantillon des scores de diff\u00e9rence est issu d’une population distribu\u00e9e selon une loi normale.<\/p>\n Sur le plan math\u00e9matique, le test de Shapiro-Wilk calcule un coefficient W bas\u00e9 sur le ratio entre l’estimateur de la variance d\u00e9riv\u00e9 de l’ordre lin\u00e9aire des observations et la somme classique des carr\u00e9s des \u00e9carts \u00e0 la moyenne. Si la valeur de W est significativement inf\u00e9rieure \u00e0 l’unit\u00e9, associ\u00e9e \u00e0 une valeur de probabilit\u00e9 critique p<\/em> inf\u00e9rieure au seuil conventionnel de 0.05, l’hypoth\u00e8se de normalit\u00e9 doit \u00eatre formellement rejet\u00e9e. Pour les \u00e9chantillons de taille plus cons\u00e9quente (plusieurs centaines de paires), le test d’omniscience de D’Agostino-Pearson, impl\u00e9ment\u00e9 dans scipy.stats.normaltest, combine de mani\u00e8re \u00e9l\u00e9gante les coefficients d’asym\u00e9trie et d’aplatissement pour \u00e9prouver la d\u00e9viation gaussienne.<\/p>\n L’analyste chevronn\u00e9 doit n\u00e9anmoins faire preuve d’un discernement critique aigu face aux sorties num\u00e9riques de ces tests d’hypoth\u00e8se. Avec des cohortes de tr\u00e8s grande taille, le test de Shapiro-Wilk pr\u00e9sente une surpuissance statistique notoire : des micro-d\u00e9viations triviales sans aucune incidence pratique sur la robustesse du test t<\/em> seront d\u00e9clar\u00e9es significatives \u00e0 p<\/em> < 0.001, incitant \u00e0 tort \u00e0 l'abandon du mod\u00e8le param\u00e9trique. Inversement, sur de tr\u00e8s petits \u00e9chantillons (N inf\u00e9rieur \u00e0 15), le test souffre d'une puissance notoirement insuffisante, incapable de d\u00e9tecter des asym\u00e9tries pourtant d\u00e9l\u00e9t\u00e8res. L'interpr\u00e9tation de la normalit\u00e9 doit par cons\u00e9quent r\u00e9sulter d'une synth\u00e8se \u00e9quilibr\u00e9e entre m\u00e9triques graphiques et probabilit\u00e9s formelles.<\/p>\n Pour d\u00e9passer les limites inh\u00e9rentes aux tests d’hypoth\u00e8se binaires de normalit\u00e9, l’\u00e9valuation quantitative des troisi\u00e8me et quatri\u00e8me moments centr\u00e9s de la distribution constitue une \u00e9tape analytique de premier plan. La sym\u00e9trie d’une distribution est mesur\u00e9e par son coefficient d’asym\u00e9trie, commun\u00e9ment d\u00e9sign\u00e9 sous le terme anglo-saxon de skewness<\/em>, tandis que son profil de pointement est quantifi\u00e9 par son coefficient d’aplatissement, ou kurtosis<\/em>. Ces deux estimateurs fondamentaux s’extraient avec une haute pr\u00e9cision num\u00e9rique via les fonctions sp\u00e9cialis\u00e9es scipy.stats.skew et scipy.stats.kurtosis.<\/p>\n Une distribution gaussienne th\u00e9orique pr\u00e9sente un coefficient d’asym\u00e9trie rigoureusement nul. Une valeur de skewness positive traduit un \u00e9tirement de la queue de distribution vers les valeurs \u00e9lev\u00e9es de la diff\u00e9rence (asym\u00e9trie \u00e0 droite), tandis qu’une valeur n\u00e9gative signale un \u00e9talement vers les scores n\u00e9gatifs (asym\u00e9trie \u00e0 gauche). Concernant le kurtosis, la fonction de SciPy calcule par d\u00e9faut le kurtosis exc\u00e9dentaire (excess kurtosis de Fisher), qui soustrait la constante 3 de la valeur brute afin qu’une loi normale parfaite pr\u00e9sente une valeur de z\u00e9ro. Un kurtosis positif traduit une distribution leptocurtique aux queues lourdes, augmentant le risque d’observations divergentes.<\/p>\n Dans la litt\u00e9rature m\u00e9thodologique en sciences du comportement, notamment sous l’impulsion des travaux de r\u00e9f\u00e9rence de Kline (2016), des seuils d’admissibilit\u00e9 empiriques ont \u00e9t\u00e9 formalis\u00e9s. Une distribution des scores de diff\u00e9rence est g\u00e9n\u00e9ralement consid\u00e9r\u00e9e comme compatible avec l’usage robuste du test t<\/em> de Student tant que la valeur absolue de l’asym\u00e9trie ne d\u00e9passe pas 2.0 (|skewness| < 2.0) et que la valeur absolue du kurtosis exc\u00e9dentaire demeure inf\u00e9rieure \u00e0 7.0 (|kurtosis| < 7.0). Au-del\u00e0 de ces fronti\u00e8res distributionnelles, la validit\u00e9 des probabilit\u00e9s critiques asymptotiques de la statistique t<\/em> est s\u00e9v\u00e8rement compromise.<\/p>\n L’\u00e9tape finale de validation des postulats m\u00e9thodologiques r\u00e9side dans le criblage objectif des valeurs aberrantes potentielles qui pars\u00e8ment le vecteur des \u00e9carts D. Deux approches quantitatives dominent la pratique en programmation statistique : la m\u00e9thode non param\u00e9trique de l’\u00e9cart interquartile (IQR) th\u00e9oris\u00e9e par Tukey, et la standardisation univari\u00e9e par le calcul des scores Z.<\/p>\n La r\u00e8gle des cl\u00f4tures de Tukey d\u00e9finit comme aberrante mod\u00e9r\u00e9e toute observation se situant au-del\u00e0 de 1.5 fois l’\u00e9cart interquartile calcul\u00e9 au-dessus du troisi\u00e8me quartile (Q3 + 1.5 * IQR) ou en dessous du premier quartile (Q1 – 1.5 * IQR). Les valeurs franchissant la barri\u00e8re des 3.0 IQR sont quant \u00e0 elles qualifi\u00e9es d’aberrantes extr\u00eames. Parall\u00e8lement, la m\u00e9thode des scores Z standardise la diff\u00e9rence en soustrayant la moyenne empirique D\u0304 et en divisant par l’\u00e9cart type \u00e9chantillonnal s_D. Tout score de diff\u00e9rence dont la valeur absolue du score standardis\u00e9 d\u00e9passe le seuil critique de 3.0 ou 3.29 unit\u00e9s d’\u00e9cart type (correspondant \u00e0 une probabilit\u00e9 d’occurrence th\u00e9orique inf\u00e9rieure \u00e0 0.001 dans une loi normale) est formellement r\u00e9pertori\u00e9 comme un point atypique majeur.<\/p>\n Lorsqu’une telle observation est identifi\u00e9e au sein du jeu de donn\u00e9es, la conduite m\u00e9thodologique optimale ne consiste pas en une suppression m\u00e9canique et opaque. Le chercheur doit proc\u00e9der \u00e0 une analyse de sensibilit\u00e9 syst\u00e9matique en ex\u00e9cutant un double pipeline computationnel : le premier incluant l’ensemble des donn\u00e9es, le second neutralisant temporairement le ou les points divergents incrimin\u00e9s. La confrontation transparente des valeurs t<\/em>, des degr\u00e9s de libert\u00e9 et des tailles d’effet r\u00e9sultant de ces deux mod\u00e9lisations permet de statuer avec rigueur sur l’influence r\u00e9elle exerc\u00e9e par ces donn\u00e9es singuli\u00e8res sur les conclusions globales de la recherche.<\/p>\n Au c\u0153ur de l’\u00e9cosyst\u00e8me Python, l’outil d\u00e9di\u00e9 au calcul de la statistique de Student pour paires d\u00e9pendantes est la fonction L’un des arguments les plus cruciaux de la signature de cette fonction concerne la gestion algorithmique des valeurs manquantes, param\u00e9tr\u00e9e via l’argument textuel L’ex\u00e9cution de la fonction Les versions r\u00e9centes de la biblioth\u00e8que SciPy ont introduit une flexibilit\u00e9 m\u00e9thodologique essentielle en int\u00e9grant le param\u00e8tre La modalit\u00e9 par d\u00e9faut, Ce choix param\u00e9trique entra\u00eene des r\u00e9percussions inf\u00e9rentielles substantielles : pour une statistique t<\/em> positive identique, le test unilat\u00e9ral divise exactement la p<\/em>-valeur bilat\u00e9rale par deux. Il importe de souligner avec gravit\u00e9 les imp\u00e9ratifs \u00e9thiques et m\u00e9thodologiques qui encadrent cette d\u00e9cision : l’adoption d’un param\u00e9trage unilat\u00e9ral doit imp\u00e9rativement r\u00e9sulter d’un pr\u00e9-enregistrement formel ou d’une justification th\u00e9orique irr\u00e9futable \u00e9tablie a priori, avant toute inspection des donn\u00e9es. Recourir a posteriori \u00e0 un test unilat\u00e9ral uniquement pour abaisser artificiellement une p<\/em>-valeur de 0.08 \u00e0 0.04 rel\u00e8ve d’une pratique de recherche contestable (qualifi\u00e9e de p-hacking<\/em>) formellement proscrite par la d\u00e9ontologie scientifique.<\/p>\n Conform\u00e9ment aux pr\u00e9conisations insistantes des m\u00e9thodologistes et des comit\u00e9s \u00e9ditoriaux internationaux, la fourniture de la seule probabilit\u00e9 critique est insuffisante pour caract\u00e9riser un ph\u00e9nom\u00e8ne psychologique. La mod\u00e9lisation inf\u00e9rentielle doit s’enrichir imp\u00e9rativement d’un intervalle de confiance encadrant la moyenne des diff\u00e9rences. L’intervalle de confiance \u00e0 95 % d\u00e9limite la plage de valeurs plausibles qui, sous l’hypoth\u00e8se d’une r\u00e9plication infinie du protocole dans des conditions identiques, contiendrait le v\u00e9ritable param\u00e8tre de population \u03bc_D dans exactement quatre-vingt-quinze pour cent des cas observ\u00e9s.<\/p>\n Sur le plan math\u00e9matique, les bornes inf\u00e9rieure et sup\u00e9rieure de cet intervalle sont calcul\u00e9es en ajoutant et en retranchant \u00e0 la moyenne empirique D\u0304 le produit de l’erreur standard de la moyenne SE_D par la valeur critique de la distribution de Student t_(critique) associ\u00e9e au degr\u00e9 de libert\u00e9 N – 1 et au seuil alpha choisi. L’objet r\u00e9sultat retourn\u00e9 par L’analyse s\u00e9mantique de l’intervalle de confiance apporte une information clinique inestimable que la p<\/em>-valeur est incapable de fournir : la pr\u00e9cision de la mesure. Un intervalle de confiance extr\u00eamement large, m\u00eame s’il ne contient pas la valeur z\u00e9ro (garantissant ainsi une significativit\u00e9 statistique \u00e0 p<\/em> < 0.05), avertit le chercheur d'une grande instabilit\u00e9 d'\u00e9chantillonnage, sugg\u00e9rant que l'effet r\u00e9el dans la population pourrait \u00eatre infinit\u00e9simal ou au contraire colossal. Si l'intervalle englobe la valeur z\u00e9ro, l'hypoth\u00e8se d'absence d'effet moyen ne peut \u00eatre rejet\u00e9e avec le niveau de confiance requis.<\/p>\n La d\u00e9couverte d’une significativit\u00e9 statistique ne pr\u00e9juge en rien de l’importance substantielle ou de l’utilit\u00e9 clinique d’un r\u00e9sultat. Un \u00e9chantillon volumineux de mille paires de participants peut g\u00e9n\u00e9rer une valeur t<\/em> extr\u00eamement significative (p<\/em> < 0.00001) pour une am\u00e9lioration moyenne de 0.1 point sur une \u00e9chelle d'humeur gradu\u00e9e de 0 \u00e0 100, un diff\u00e9rentiel d\u00e9nu\u00e9 de toute pertinence pour le patient. Pour dissocier la significativit\u00e9 statistique de la port\u00e9e concr\u00e8te du ph\u00e9nom\u00e8ne, le calcul de la taille d'effet standardis\u00e9e s'impose comme une obligation m\u00e9thodologique absolue.<\/p>\n Dans le domaine des devis intra-sujets, la transposition de la m\u00e9trique standardis\u00e9e formalis\u00e9e par Jacob Cohen en 1988<\/a> soul\u00e8ve d’importantes subtilit\u00e9s math\u00e9matiques souvent m\u00e9connues des praticiens. En effet, il existe plusieurs variantes conceptuelles du d<\/em> de Cohen adapt\u00e9es aux mesures r\u00e9p\u00e9t\u00e9es, dont la confusion alt\u00e8re gravement les m\u00e9ta-analyses. La formulation la plus directe, fr\u00e9quemment d\u00e9sign\u00e9e par le symbole d_z<\/em>, consiste \u00e0 diviser la moyenne des diff\u00e9rences D\u0304 directement par l’\u00e9cart type de ces m\u00eames diff\u00e9rences s_D : d_z = D\u0304 \/ s_D. Cette m\u00e9trique quantifie l’ampleur du changement en unit\u00e9s de dispersion de la diff\u00e9rence, refl\u00e9tant fid\u00e8lement la puissance statistique du test t<\/em> lui-m\u00eame (puisque t = d_z * \u221aN).<\/p>\n Toutefois, comme l’a d\u00e9montr\u00e9 de mani\u00e8re d\u00e9cisive Geoff Cumming, le d_z<\/em> pr\u00e9sente l’inconv\u00e9nient majeur de d\u00e9pendre \u00e9troitement de la corr\u00e9lation test-retest r_12. Lorsque la corr\u00e9lation est tr\u00e8s \u00e9lev\u00e9e, s_D s’effondre et le d_z<\/em> s’envole artificiellement, interdisant toute comparaison \u00e9quitable avec les tailles d’effet issues de protocoles inter-sujets. Pour pallier ce biais m\u00e9tam\u00e9trique, plusieurs autorit\u00e9s recommandent l’emploi du d_av<\/em> (o\u00f9 le d\u00e9nominateur est la moyenne arithm\u00e9tique des \u00e9carts types des deux sessions, (s_1 + s_2) \/ 2) ou la formulation propos\u00e9e par Becker et Glass, o\u00f9 le d\u00e9nominateur s’appuie exclusivement sur l’\u00e9cart type de la condition initiale pr\u00e9-test (s_1), consid\u00e9rant que cette derni\u00e8re fournit la r\u00e9f\u00e9rence non alt\u00e9r\u00e9e de la variabilit\u00e9 naturelle de la population cible.<\/p>\n L’impl\u00e9mentation algorithmique de ces diff\u00e9rentes variantes m\u00e9triques peut s’effectuer par programmation directe au moyen des fonctions vectorielles fondamentales de NumPy, garantissant une transparence totale de l’\u00e9quation math\u00e9matique mobilis\u00e9e au sein du code source. En divisant la moyenne empirique du vecteur des diff\u00e9rences par son \u00e9cart type non biais\u00e9 corrig\u00e9 par N – 1 degr\u00e9s de libert\u00e9, l’analyste instancie imm\u00e9diatement le coefficient d_z<\/em>.<\/p>\n N\u00e9anmoins, la biblioth\u00e8que sp\u00e9cialis\u00e9e Pingouin propose une simplification proc\u00e9durale remarquable gr\u00e2ce \u00e0 sa fonction hautement modulaire Un apport technique inestimable des biblioth\u00e8ques modernes r\u00e9side dans la d\u00e9rivation d’intervalles de confiance pour la taille d’effet elle-m\u00eame. Contrairement \u00e0 l’intervalle de confiance de la moyenne qui repose sur la distribution t<\/em> centrale classique de Student, l’intervalle de confiance encadrant un d<\/em> de Cohen standardis\u00e9 exige le recours \u00e0 la distribution t<\/em> non centrale (d\u00e9finie par un param\u00e8tre de non-centralit\u00e9 lambda). Pingouin int\u00e8gre nativement ces calculs matriciels complexes, d\u00e9livrant conjointement la valeur ponctuelle de l’effet et ses bornes d’incertitude \u00e0 95 %, r\u00e9pondant ainsi aux exigences les plus pointues des revues scientifiques \u00e0 fort facteur d’impact.<\/p>\n L’appr\u00e9ciation de l’amplitude d’un effet standardis\u00e9 ne saurait s’op\u00e9rer par l’application aveugle de seuils universels d\u00e9contextualis\u00e9s. Certes, les balises mn\u00e9motechniques universellement diss\u00e9min\u00e9es par Jacob Cohen \u2014 qualifiant conventionnellement un d<\/em> de 0.2 d’effet de petite taille, 0.5 d’effet moyen, et 0.8 d’effet de forte magnitude \u2014 fournissent un point de rep\u00e8re initial utile dans le discours m\u00e9thodologique. Cependant, Cohen lui-m\u00eame mettait solennellement en garde la communaut\u00e9 scientifique contre l’utilisation dogmatique de ces conventions purement op\u00e9rationnelles.<\/p>\n En psychologie exp\u00e9rimentale et en neurosciences comportementales, la signification pratique d’un effet doit imp\u00e9rativement \u00eatre \u00e9valu\u00e9e \u00e0 l’aune du domaine th\u00e9orique investigu\u00e9 et du co\u00fbt \u00e9cologique de l’intervention. Dans le cadre de th\u00e9rapies br\u00e8ves ciblant des phobies sp\u00e9cifiques, des tailles d’effet d\u00e9passant 1.0 sont couramment observ\u00e9es et cliniquement attendues. \u00c0 l’oppos\u00e9, dans le secteur de la rem\u00e9diation cognitive pour des troubles neurod\u00e9g\u00e9n\u00e9ratifs s\u00e9v\u00e8res ou dans le champ de la psychologie sociale portant sur des modifications d’attitudes implicites, un d<\/em> de Cohen de 0.25 peut repr\u00e9senter une avanc\u00e9e scientifique remarquable et justifier pleinement des d\u00e9ploiements soci\u00e9taux \u00e0 grande \u00e9chelle.<\/p>\n Le chercheur moderne doit donc imp\u00e9rativement contextualiser la valeur num\u00e9rique extraite par son script Python. Il s’agit de confronter l’amplitude du coefficient d’effet obtenu avec les m\u00e9ta-analyses publi\u00e9es dans le m\u00eame sous-domaine de la discipline, d’\u00e9valuer la stabilit\u00e9 \u00e9cologique de ce gain temporel, et d’expliciter sans ambigu\u00eft\u00e9 quelle variante du d<\/em> de Cohen a \u00e9t\u00e9 programm\u00e9e afin de pr\u00e9venir toute distorsion dans les synth\u00e8ses quantitatives ult\u00e9rieures de la litt\u00e9rature.<\/p>\n Lorsque la v\u00e9rification diagnostique r\u00e9v\u00e8le des violations r\u00e9dhibitoires des conditions de validit\u00e9 du test param\u00e9trique \u2014 qu’il s’agisse d’une distribution des scores de diff\u00e9rence manifestant une asym\u00e9trie incorrigible, d’une contamination s\u00e9v\u00e8re par des valeurs aberrantes ou d’un \u00e9chantillon clinique ultra-r\u00e9duit (N inf\u00e9rieur \u00e0 10) rendant le th\u00e9or\u00e8me central limite inop\u00e9rant \u2014, l’abandon du test t<\/em> de Student devient un imp\u00e9ratif m\u00e9thodologique. L’alternative classique par excellence est le test des rangs sign\u00e9s de Wilcoxon, formalis\u00e9 par Frank Wilcoxon en 1945<\/a>.<\/p>\n La m\u00e9canique algorithmique de cette proc\u00e9dure non param\u00e9trique op\u00e8re une transformation des grandeurs continues en donn\u00e9es ordinales. Dans un premier temps, les scores de diff\u00e9rence nulle (D_i = 0) sont neutralis\u00e9s (selon la convention standard de Pratt ou de Wilcoxon). Les valeurs absolues de l’ensemble des diff\u00e9rences restantes sont ensuite ordonn\u00e9es selon une \u00e9chelle de rangs croissants, du rang 1 pour la plus faible divergence au rang N pour le diff\u00e9rentiel le plus massif. Chaque rang se voit alors r\u00e9attribuer le signe alg\u00e9brique (+ ou -) de la diff\u00e9rence initiale d’o\u00f9 il d\u00e9rive. La statistique de test, not\u00e9e W ou T, correspond \u00e0 la somme des rangs associ\u00e9s aux diff\u00e9rences de signe positif, ou au minimum entre la somme des rangs positifs et la somme des rangs n\u00e9gatifs selon les conventions logicielles.<\/p>\n Sous Python, cette analyse s’ex\u00e9cute de mani\u00e8re optimale via l’appel \u00e0 la fonction Une alternative contemporaine d’une puissance m\u00e9thodologique sup\u00e9rieure consiste \u00e0 s’affranchir enti\u00e8rement des postulats distributionnels th\u00e9oriques sans pour autant abandonner la richesse m\u00e9trique des scores continus, gr\u00e2ce aux approches de r\u00e9\u00e9chantillonnage computationnel th\u00e9oris\u00e9es par Bradley Efron : la m\u00e9thode du bootstrap. Cette d\u00e9marche algorithmique ne postule aucune forme de densit\u00e9 a priori (ni gaussienne, ni sym\u00e9trique) pour la population parente, mais traite l’\u00e9chantillon empirique observ\u00e9 comme une pseudo-population repr\u00e9sentative de laquelle des milliers de r\u00e9-\u00e9chantillons sont it\u00e9rativement extraits.<\/p>\n Dans le cadre d’un test appari\u00e9, le bootstrap est appliqu\u00e9 directement au vecteur univari\u00e9 des scores de diff\u00e9rence D. L’algorithme extrait al\u00e9atoirement, avec remise, un \u00e9chantillon de taille N \u00e0 partir du vecteur d’origine, et calcule la moyenne empirique de cette r\u00e9plication. Cette op\u00e9ration stochastique est r\u00e9p\u00e9t\u00e9e un nombre massif de fois (g\u00e9n\u00e9ralement entre 5 000 et 10 000 it\u00e9rations). La collection r\u00e9sultante des moyennes bootstrapp\u00e9es forme une distribution d’\u00e9chantillonnage empirique \u00e0 partir de laquelle il devient possible de calculer un intervalle de confiance robuste pour le v\u00e9ritable changement moyen.<\/p>\n La biblioth\u00e8que SciPy met \u00e0 disposition du chercheur la fonction de haut niveau Compl\u00e9tant l’arsenal des m\u00e9thodes r\u00e9\u00e9chantillonn\u00e9es, les tests de randomisation ou de permutation exacte repr\u00e9sentent le paradigme ultime de la robustesse inf\u00e9rentielle, en parfaite ad\u00e9quation avec la philosophie originelle de Ronald Fisher. Le fondement logique de ce test repose sur une pr\u00e9misse d’interchangeabilit\u00e9 conditionnelle : si l’hypoth\u00e8se nulle d’absence d’effet du traitement est rigoureusement exacte, l’assignation de l’\u00e9tiquette temporelle (pr\u00e9-test vs post-test) \u00e0 l’int\u00e9rieur de chaque paire d’observations rel\u00e8ve d’une convention purement arbitraire.<\/p>\n D\u00e8s lors, pour chaque participant i, la valeur observ\u00e9e lors de la seconde session aurait tout aussi bien pu \u00eatre observ\u00e9e lors de la premi\u00e8re, et inversement. Sur le vecteur des diff\u00e9rences D_i, cela \u00e9quivaut \u00e0 affirmer que le signe (+ ou -) affect\u00e9 \u00e0 la valeur absolue de chaque diff\u00e9rence rel\u00e8ve d’un tirage \u00e0 pile ou face \u00e9quiprobable sous H0. Pour un \u00e9chantillon de N paires, il existe exactement 2^N combinaisons de signes possibles. L’algorithme de permutation calcule la moyenne empirique des diff\u00e9rences pour chacune de ces configurations combinatoires possibles (ou pour un sous-ensemble al\u00e9atoire massif de plusieurs dizaines de milliers de permutations si 2^N est excessivement grand), forgeant ainsi la distribution exacte de la statistique sous l’hypoth\u00e8se nulle.<\/p>\n L’environnement SciPy permet l’impl\u00e9mentation directe de ce dispositif via la fonction La formalisation textuelle des r\u00e9sultats d’un test statistique conditionne leur intelligibilit\u00e9 et leur int\u00e9gration dans le corpus universel des connaissances. L’American Psychological Association, dans la septi\u00e8me \u00e9dition de son manuel de publication, \u00e9dicte des r\u00e8gles typographiques et structurelles d’une minutie extr\u00eame pour la restitution des tests param\u00e9triques. Tout manquement \u00e0 ces standards expose le manuscrit \u00e0 des r\u00e9serves imm\u00e9diates de la part des comit\u00e9s de lecture des revues internationales de psychologie.<\/p>\n La structure syntaxique standardis\u00e9e pour un test t<\/em> appari\u00e9 impose la mention explicite de la lettre statistique t<\/em> en italique, imm\u00e9diatement suivie entre parenth\u00e8ses du nombre entier de degr\u00e9s de libert\u00e9 (N – 1), d’une espace, d’un signe d’\u00e9galit\u00e9, de la valeur empirique de la statistique t<\/em> arrondie strictement \u00e0 deux d\u00e9cimales, d’une virgule, de la lettre p<\/em> en italique, d’un signe d’\u00e9galit\u00e9 ou d’inf\u00e9riorit\u00e9, et enfin de la valeur de probabilit\u00e9 critique exacte arrondie \u00e0 trois d\u00e9cimales. Une r\u00e8gle typographique cardinale concerne la gestion du z\u00e9ro initial : la p<\/em>-valeur ne pouvant math\u00e9matiquement jamais d\u00e9passer 1.0, le z\u00e9ro pr\u00e9c\u00e9dant la virgule ou le point d\u00e9cimal doit imp\u00e9rativement \u00eatre omis (par exemple, p<\/em> = .023 et non p<\/em> = 0.023). Si la valeur calcul\u00e9e est inf\u00e9rieure \u00e0 un milli\u00e8me, elle doit \u00eatre consign\u00e9e sous la forme p<\/em> < .001.<\/p>\n Cette formalisation inf\u00e9rentielle doit imp\u00e9rativement \u00eatre int\u00e9gr\u00e9e au sein d’une phrase articulant la description clinique pr\u00e9alable et la magnitude de l’effet. Les moyennes (M en italique) et les \u00e9carts types (SD en italique) de chacune des conditions exp\u00e9rimentales doivent \u00eatre syst\u00e9matiquement rapport\u00e9s, accompagn\u00e9s de la taille d’effet standardis\u00e9e (d<\/em> de Cohen en italique) et de son intervalle de confiance \u00e0 95 % (not\u00e9 95% CI). Un mod\u00e8le canonique de restitution acad\u00e9mique s’articule ainsi : \u00ab Une analyse par test t<\/em> pour \u00e9chantillons appari\u00e9s a r\u00e9v\u00e9l\u00e9 une diminution statistiquement significative des scores d’anxi\u00e9t\u00e9 entre le pr\u00e9-test (M<\/em> = 45.32, SD<\/em> = 8.14) et le post-test (M<\/em> = 38.11, SD<\/em> = 7.65), t<\/em>(29) = 4.87, p<\/em> < .001, d<\/em> = 0.89, 95% CI [0.48, 1.28]. Ces donn\u00e9es confirment l’efficacit\u00e9 substantielle du protocole d’intervention psychologique. \u00bb<\/p>\n L’excellence de la communication scientifique contemporaine proscrit le recours aux antiques diagrammes en b\u00e2tons assortis de barres d’erreur (famili\u00e8rement qualifi\u00e9s de dynamite plots<\/em>), dont le caract\u00e8re opaque occulte la dispersion r\u00e9elle et la trajectoire des donn\u00e9es sous-jacentes. Les standards \u00e9ditoriaux de pointe privil\u00e9gient des repr\u00e9sentations graphiques int\u00e9gr\u00e9es et explicites, dont le parangon pour les mesures r\u00e9p\u00e9t\u00e9es est le diagramme de Gardner-Altman (ou estimation plot<\/em>).<\/p>\n Un diagramme de Gardner-Altman juxtapose de mani\u00e8re synchronis\u00e9e deux panneaux compl\u00e9mentaires. Le panneau gauche affiche les donn\u00e9es individuelles brutes de chaque participant sous forme de points interconnect\u00e9s par des lignes de trajectoire semi-transparentes entre le pr\u00e9-test et le post-test, rendant visible la distribution compl\u00e8te et l’h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des pentes individuelles. Le panneau droit, cal\u00e9 sur un axe vertical secondaire d\u00e9cal\u00e9 repr\u00e9sentant l’\u00e9chelle de la diff\u00e9rence brute, isole l’estimateur ponctuel de la diff\u00e9rence moyenne sous forme d’un marqueur g\u00e9om\u00e9trique distinct entour\u00e9 d’une barre d’erreur mat\u00e9rialisant son intervalle de confiance \u00e0 95 % complet, confront\u00e9 \u00e0 une ligne horizontale en pointill\u00e9s mat\u00e9rialisant l’hypoth\u00e8se nulle \u00e0 z\u00e9ro.<\/p>\n La g\u00e9n\u00e9ration programmatique de ce type de visualisation s’orchestre avec une grande \u00e9l\u00e9gance sous Python, soit par l’assemblage personnalis\u00e9 d’axes avec Matplotlib, soit par l’usage de biblioth\u00e8ques sp\u00e9cialis\u00e9es comme DABEST (Data Analysis with Bootstrap Exploration and Estimation<\/em>). Afin de satisfaire aux crit\u00e8res techniques les plus s\u00e9v\u00e8res des \u00e9diteurs scientifiques internationaux, les figures finales doivent \u00eatre export\u00e9es dans des formats vectoriels pr\u00e9servant l’int\u00e9grit\u00e9 graphique lors des agrandissements (tels que le format PDF ou SVG), ou sous forme d’images matricielles non compress\u00e9es (TIFF) \u00e9talonn\u00e9es \u00e0 une r\u00e9solution minimale absolue de 300 \u00e0 600 DPI (dots per inch<\/em>).<\/p>\n Pour ancrer ces concepts th\u00e9oriques et algorithmiques dans l’empirisme de la recherche en laboratoire, consid\u00e9rons une investigation clinique standardis\u00e9e en neuropsychologie cognitive. Une \u00e9quipe de chercheurs souhaite \u00e9valuer l’impact d’un programme d’entra\u00eenement informatis\u00e9 de la m\u00e9moire de travail d’une dur\u00e9e de six semaines sur les performances ex\u00e9cutives d’une cohorte de 15 patients adultes pr\u00e9sentant des s\u00e9quelles de traumatismes cr\u00e2niens l\u00e9gers. L’instrument d’\u00e9valuation cognitive retenu est le test d’empan envers de chiffres de la WAIS-IV, mesur\u00e9 avant l’intervention (session Pr\u00e9-test) et le lendemain de l’ach\u00e8vement de la derni\u00e8re session d’entra\u00eenement (session Post-test).<\/p>\n Le traitement des donn\u00e9es d\u00e9bute par l’importation matricielle dans Pandas, assurant que chaque participant poss\u00e8de une ligne structur\u00e9e et v\u00e9rifi\u00e9e. Le calcul programmatique du vecteur des diff\u00e9rences individuelles (D_i = Post_i – Pr\u00e9_i) permet d’\u00e9tablir les m\u00e9triques descriptives pr\u00e9liminaires : l’\u00e9chantillon pr\u00e9sente une progression moyenne de +2.40 points d’empan mn\u00e9sique, associ\u00e9e \u00e0 un \u00e9cart type des diff\u00e9rences s_D de 1.85. L’audit distributionnel est imm\u00e9diatement enclench\u00e9 : le test de normalit\u00e9 de Shapiro-Wilk ex\u00e9cut\u00e9 sur les deltas renvoie une statistique W de 0.962 associ\u00e9e \u00e0 une p<\/em>-valeur de .721, confirmant sans \u00e9quivoque la parfaite compatibilit\u00e9 des donn\u00e9es avec l’hypoth\u00e8se de normalit\u00e9 gaussienne. L’inspection des cl\u00f4tures de Tukey et des scores Z (|Z| < 2.1) atteste de l'absence totale de points aberrants au sein de la cohorte.<\/p>\n Les postulats \u00e9tant rigoureusement satisfaits, la fonction Toutefois, la perfection computationnelle et la significativit\u00e9 statistique \u00e9clatante d’un test t<\/em> appari\u00e9 ne sauraient masquer les faiblesses \u00e9pist\u00e9mologiques intrins\u00e8ques d’un devis pr\u00e9-test \/ post-test \u00e0 groupe unique. L’analyste averti et le chercheur en sciences humaines doivent imp\u00e9rativement identifier les menaces majeures pesant sur la validit\u00e9 interne du dispositif exp\u00e9rimental, lesquelles peuvent cr\u00e9er l’illusion d’une efficacit\u00e9 causale du traitement l\u00e0 o\u00f9 ne s’exercent que des biais m\u00e9thodologiques contextuels.<\/p>\n La premi\u00e8re menace paradigmatique r\u00e9side dans l’effet d’apprentissage, d’\u00e9chauffement ou de familiarisation avec l’instrument de mesure (testing effect<\/em>). Lors de la seconde passation de l’\u00e9preuve mn\u00e9sique, les patients ont d\u00e9j\u00e0 fait l’exp\u00e9rience de la consigne, des stimuli num\u00e9riques et de l’environnement d’\u00e9valuation, ce qui dissipe l’anxi\u00e9t\u00e9 situationnelle initiale et active des strat\u00e9gies mn\u00e9motechniques spontan\u00e9es ind\u00e9pendantes de l’entra\u00eenement lui-m\u00eame. En l’absence d’un groupe contr\u00f4le n’ayant pas re\u00e7u l’entra\u00eenement cognitif, il est rigoureusement impossible de distinguer la part du gain attribuable au programme informatique de celle r\u00e9sultant de la simple r\u00e9exposition au test psychom\u00e9trique.<\/p>\n La seconde menace d’envergure est la r\u00e9gression statistique vers la moyenne combin\u00e9e aux effets d’histoire et de maturation biologique spontan\u00e9e. Dans les populations cliniques suivies suite \u00e0 un traumatisme c\u00e9r\u00e9bral, une part variable de r\u00e9cup\u00e9ration neurologique spontan\u00e9e intervient au cours du temps, ind\u00e9pendamment de toute action th\u00e9rapeutique ext\u00e9rieure. De surcro\u00eet, si les patients ont \u00e9t\u00e9 inclus dans l’\u00e9tude \u00e0 un moment de d\u00e9tresse cognitive aigu\u00eb, leurs scores pr\u00e9-test particuli\u00e8rement bas contiennent une forte part d’erreur transitoire n\u00e9gative qui tend m\u00e9caniquement \u00e0 s’estomper lors de la seconde mesure. Seul l’adjonction d’un groupe t\u00e9moin appari\u00e9 ou l’int\u00e9gration d’un devis contr\u00f4l\u00e9 randomis\u00e9 permet d’isoler le v\u00e9ritable effet causal de l’intervention psychologique.<\/p>\n Pour guider le praticien et le chercheur \u00e0 travers la complexit\u00e9 des embranchements analytiques, un protocole d\u00e9cisionnel formalis\u00e9 s’av\u00e8re indispensable pour arbitrer entre les diff\u00e9rentes alternatives computationnelles disponibles sous Python. Le choix de la m\u00e9thode ne doit jamais relever d’une pr\u00e9f\u00e9rence subjective ou d’une recherche d’optimisation opportuniste de la significativit\u00e9, mais d\u00e9couler d’un diagnostic d’ad\u00e9quation rigoureux et transparent.<\/p>\n L’arbitrage m\u00e9thodologique initial s’\u00e9tablit selon la logique suivante :<\/p>\n En conclusion, l’exercice de l’analyse statistique sous Python transcende largement la simple saisie m\u00e9canique de commandes logicielles. Il requiert une vigilance m\u00e9thodologique continue, depuis la structuration m\u00e9ticuleuse des donn\u00e9es tabulaires jusqu’\u00e0 la restitution \u00e9thique des r\u00e9sultats selon les canons acad\u00e9miques internationaux. La mise \u00e0 disposition publique et transparente des scripts de calcul Python et des jeux de donn\u00e9es anonymis\u00e9s au sein de d\u00e9p\u00f4ts ouverts p\u00e9rennes (tels que l’Open Science Framework ou GitHub) parach\u00e8ve la d\u00e9marche scientifique, assurant l’int\u00e9grit\u00e9, la reproductibilit\u00e9 et la p\u00e9rennit\u00e9 des avanc\u00e9es de la recherche en psychologie comportementale et cognitive.<\/p>\n American Psychological Association. (2020). Publication manual of the American Psychological Association<\/em> (7th ed.). American Psychological Association. https:\/\/doi.org\/10.1037\/0000165-000<\/a><\/p>\n Cohen, J. (1988). Statistical power analysis for the behavioral sciences<\/em> (2nd ed.). Lawrence Erlbaum Associates. https:\/\/doi.org\/10.4324\/9780203771587<\/a><\/p>\n Cumming, G. (2012). Understanding the new statistics: Effect sizes, confidence intervals, and meta-analysis<\/em>. Routledge. https:\/\/doi.org\/10.4324\/9780203807002<\/a><\/p>\n D’Agostino, R. B., & Pearson, E. S. (1973). Tests for departure from normality. Empirical results for the distributions of b2 and \u221ab1. Biometrika<\/em>, 60(3), 613\u2013622. https:\/\/doi.org\/10.1093\/biomet\/60.3.613<\/a><\/p>\n Efron, B., & Tibshirani, R. J. (1994). An introduction to the bootstrap<\/em>. Chapman & Hall\/CRC. https:\/\/doi.org\/10.1201\/9780429246593<\/a><\/p>\n Kline, R. B. (2016). Principles and practice of structural equation modeling<\/em> (4th ed.). The Guilford Press.<\/p>\n Lakens, D. (2013). Calculating and reporting effect sizes to facilitate cumulative science: A practical primer for t-tests and ANOVAs. Frontiers in Psychology<\/em>, 4, Article 863. https:\/\/doi.org\/10.3389\/fpsyg.2013.00863<\/a><\/p>\n Rubin, D. B. (1976). Inference and missing data. Biometrika<\/em>, 63(3), 581\u2013592. https:\/\/doi.org\/10.1093\/biomet\/63.3.581<\/a><\/p>\n Shapiro, S. S., & Wilk, M. B. (1965). An analysis of variance test for normality (complete samples). Biometrika<\/em>, 52(3\u20134), 591\u2013611. https:\/\/doi.org\/10.1093\/biomet\/52.3-4.591<\/a><\/p>\n Stevens, S. S. (1946). On the theory of scales of measurement. Science<\/em>, 103(2684), 677\u2013680. https:\/\/doi.org\/10.1126\/science.103.2684.677<\/a><\/p>\n Student. (1908). The probable error of a mean. Biometrika<\/em>, 6(1), 1\u201325. https:\/\/doi.org\/10.1093\/biomet\/6.1.1<\/a><\/p>\n Vallat, R. (2018). Pingouin: Statistics in Python. Journal of Open Source Software<\/em>, 3(31), Article 1026. https:\/\/doi.org\/10.21105\/joss.01026<\/a><\/p>\n Virtanen, P., Gommers, R., Oliphant, T. E., Haberland, M., Reddy, T., Cournapeau, D., Burovski, E., Peterson, P., Weckesser, W., Bright, J., van der Walt, S. J., Brett, M., Wilson, J., Millman, K. J., Mayorov, N., Nelson, A. R. J., Jones, E., Kern, R., Larson, E., \u2026 SciPy 1.0 Contributors. (2020). SciPy 1.0: Fundamental algorithms for scientific computing in Python. Nature Methods<\/em>, 17(3), 261\u2013272. https:\/\/doi.org\/10.1038\/s41592-019-0686-2<\/a><\/p>\n1. Fondements th\u00e9oriques du test t pour \u00e9chantillons appari\u00e9s en psychologie<\/h2>\n
1.1 D\u00e9finition et nature des plans \u00e0 mesures r\u00e9p\u00e9t\u00e9es<\/h3>\n
1.2 La logique inf\u00e9rentielle de la comparaison intra-individuelle<\/h3>\n
1.3 Formulation formelle des hypoth\u00e8ses statistiques<\/h3>\n
2. Cadre math\u00e9matique et m\u00e9canique statistique du test t d\u00e9pendant<\/h2>\n
2.1 D\u00e9rivation de la statistique de Student pour paires d\u00e9pendantes<\/h3>\n
2.2 Degr\u00e9s de libert\u00e9 et distribution de r\u00e9f\u00e9rence<\/h3>\n
2.3 Prise en compte de la corr\u00e9lation test-retest<\/h3>\n
3. Conditions d’application et v\u00e9rification des postulats m\u00e9thodologiques<\/h2>\n
3.1 \u00c9chelle de mesure et ind\u00e9pendance des observations<\/h3>\n
3.2 Normalit\u00e9 de la distribution des diff\u00e9rences<\/h3>\n
3.3 D\u00e9tection des donn\u00e9es aberrantes et extr\u00eames<\/h3>\n
4. Configuration de l’environnement Python pour l’analyse statistique<\/h2>\n
4.1 S\u00e9lection et installation des biblioth\u00e8ques scientifiques<\/h3>\n
4.2 Gestion des environnements virtuels et reproductibilit\u00e9<\/h3>\n
5. Pr\u00e9paration et structuration des donn\u00e9es exp\u00e9rimentales<\/h2>\n
5.1 Formats de donn\u00e9es : formats large et long<\/h3>\n
5.2 Nettoyage et alignement rigoureux des paires<\/h3>\n
5.3 Calcul programmatique du vecteur des diff\u00e9rences<\/h3>\n
6. Exploration visuelle et diagnostic pr\u00e9liminaire en Python<\/h2>\n
6.1 Visualisation des trajectoires individuelles<\/h3>\n
6.2 Repr\u00e9sentation graphique de la distribution des diff\u00e9rences<\/h3>\n
6.3 \u00c9valuation de la d\u00e9pendance lin\u00e9aire test-retest<\/h3>\n
7. Validation formelle des postulats sous Python<\/h2>\n
7.1 Tests d’hypoth\u00e8se de normalit\u00e9<\/h3>\n
7.2 Mesures quantitatives de sym\u00e9trie et d’aplatissement<\/h3>\n
7.3 Diagnostic statistique des valeurs aberrantes<\/h3>\n
8. Ex\u00e9cution pas \u00e0 pas du test t appari\u00e9 avec SciPy<\/h2>\n
8.1 Param\u00e9trage fondamental de la fonction `ttest_rel`<\/h3>\n
ttest_rel<\/code> h\u00e9berg\u00e9e au sein du sous-module scipy.stats<\/code>. Le suffixe rel<\/em> fait r\u00e9f\u00e9rence explicite aux mesures apparent\u00e9es ou reli\u00e9es (related samples<\/em>). Cette fonction hautement optimis\u00e9e requiert la transmission de deux tableaux de donn\u00e9es de dimensions identiques, repr\u00e9sentant respectivement les s\u00e9ries de scores pr\u00e9-test et post-test.<\/p>\nnan_policy<\/code>. Par d\u00e9faut, la fonction adopte la modalit\u00e9 'propagate'<\/code>, ce qui implique que la pr\u00e9sence d’une seule valeur manquante au sein de l’un des deux vecteurs aboutit \u00e0 la g\u00e9n\u00e9ration d’une valeur de test et d’une probabilit\u00e9 critique \u00e9gales \u00e0 NaN, bloquant ainsi l’ensemble du flux analytique. Pour parer \u00e0 cette situation, l’analyste averti configure ce param\u00e8tre sur 'omit'<\/code>, ce qui d\u00e9clenche une exclusion vectorielle automatis\u00e9e de chaque paire contenant au moins une valeur ind\u00e9termin\u00e9e, ou proc\u00e8de en amont \u00e0 un nettoyage rigoureux du DataFrame Pandas \u00e0 l’aide de sa m\u00e9thode int\u00e9gr\u00e9e dropna()<\/code>.<\/p>\nttest_rel<\/code> renvoie un objet r\u00e9sultat sp\u00e9cialis\u00e9 (de type TtestResult<\/em> dans les versions contemporaines de SciPy), lequel encapsule l’ensemble des grandeurs math\u00e9matiques d\u00e9terminantes. L’analyste peut ainsi extraire par simple interrogation d’attributs la statistique empirique calcul\u00e9e statistic<\/code> (repr\u00e9sentant la valeur num\u00e9rique de t<\/em>), la probabilit\u00e9 critique exacte pvalue<\/code>, ainsi que le nombre de degr\u00e9s de libert\u00e9 df<\/code>. Cette granularit\u00e9 d’extraction programmatique simplifie l’automatisation ult\u00e9rieure de la g\u00e9n\u00e9ration de rapports de recherche dynamiques.<\/p>\n8.2 Modulation de l’hypoth\u00e8se alternative (param\u00e8tre ‘alternative’)<\/h3>\n
alternative<\/code> au sein de la fonction ttest_rel<\/code>, permettant d’aligner parfaitement le calcul algorithmique sur les hypoth\u00e8ses statistiques th\u00e9oris\u00e9es par l’investigateur. Historiquement cantonn\u00e9e au test bilat\u00e9ral sym\u00e9trique, la fonction autorise d\u00e9sormais trois configurations param\u00e9triques distinctes : 'two-sided'<\/code>, 'greater'<\/code>, et 'less'<\/code>.<\/p>\nalternative='two-sided'<\/code>, teste l’hypoth\u00e8se nulle d’\u00e9galit\u00e9 stricte des esp\u00e9rances contre l’hypoth\u00e8se alternative que la moyenne du premier vecteur d’entr\u00e9e diff\u00e8re de celle du second, int\u00e9grant les deux queues de la distribution de r\u00e9f\u00e9rence. La probabilit\u00e9 critique renvoy\u00e9e refl\u00e8te alors la surface d’int\u00e9gration bilat\u00e9rale sous la courbe de Student au-del\u00e0 des valeurs absolues de t<\/em>. En revanche, si la th\u00e9orie clinique pose qu’un entra\u00eenement cognitif induit une augmentation des scores au post-test par rapport au pr\u00e9-test, l’analyste peut sp\u00e9cifier une hypoth\u00e8se directionnelle unilat\u00e9rale. Si le premier argument transmis \u00e0 la fonction est le post-test et le second le pr\u00e9-test, la configuration alternative='greater'<\/code> testera rigoureusement si le diff\u00e9rentiel moyen est strictement positif.<\/p>\n8.3 Construction de l’intervalle de confiance de la diff\u00e9rence moyenne<\/h3>\n
ttest_rel<\/code> sous les versions modernes de SciPy int\u00e8gre nativement une m\u00e9thode d\u00e9di\u00e9e, nomm\u00e9e confidence_interval()<\/code>, acceptant l’argument confidence_level<\/code> (calibr\u00e9 par d\u00e9faut \u00e0 0.95), permettant d’extraire instantan\u00e9ment ces bornes sans avoir \u00e0 recalculer manuellement les quantiles de la distribution.<\/p>\n9. Quantification de la magnitude de l’effet<\/h2>\n
9.1 Le d de Cohen pour mesures r\u00e9p\u00e9t\u00e9es : sp\u00e9cificit\u00e9s m\u00e9triques<\/h3>\n
9.2 Calcul de la taille d’effet avec Python<\/h3>\n
compute_effsize<\/code>. Cette commande permet de sp\u00e9cifier par arguments explicites les vecteurs de scores pr\u00e9-test et post-test, d’indiquer la nature appari\u00e9e des donn\u00e9es via le param\u00e8tre bool\u00e9en paired=True<\/code>, et de s\u00e9lectionner la m\u00e9trique d\u00e9sir\u00e9e parmi une vaste gamme de standards (Cohen’s d, Hedges’ g pour les petits \u00e9chantillons avec correction du biais d’estimation, ou encore la corr\u00e9lation bis\u00e9riale). L’automatisation fournie par Pingouin pr\u00e9vient les erreurs de calcul manuel et homog\u00e9n\u00e9ise les protocoles de traitement.<\/p>\n9.3 Interpr\u00e9tation contextuelle en sciences comportementales<\/h3>\n
10. Alternatives non param\u00e9triques et robustes en cas de violation des postulats<\/h2>\n
10.1 Le test des rangs sign\u00e9s de Wilcoxon<\/h3>\n
scipy.stats.wilcoxon<\/code>. Cette fonction offre des options sophistiqu\u00e9es permettant d’ajuster le traitement des \u00e9galit\u00e9s de rangs et la gestion des z\u00e9ros. Pour quantifier l’ampleur de l’effet dans ce cadre distributionnel libre, le statisticien d\u00e9rive la taille d’effet non param\u00e9trique r<\/em>, calcul\u00e9e en divisant la statistique standardis\u00e9e Z par la racine carr\u00e9e du nombre total d’observations appari\u00e9es (r = |Z| \/ \u221aN), fournissant un indice standardis\u00e9 variant de 0 \u00e0 1 directement assimilable \u00e0 une m\u00e9trique de corr\u00e9lation.<\/p>\n10.2 Approches par r\u00e9\u00e9chantillonnage et bootstrap<\/h3>\n
scipy.stats.bootstrap<\/code>. Celle-ci impl\u00e9mente des raffinements m\u00e9thodologiques de pointe, au premier rang desquels figure la m\u00e9thode BCa (pour bias-corrected and accelerated<\/em>). L’intervalle de confiance BCa corrige algorithmiquement \u00e0 la fois le biais m\u00e9dian d’\u00e9chantillonnage et l’asym\u00e9trie de la distribution d’\u00e9chantillonnage, d\u00e9livrant des bornes de confiance d’une pr\u00e9cision math\u00e9matique irr\u00e9prochable m\u00eame en pr\u00e9sence de distributions tr\u00e8s h\u00e9t\u00e9rog\u00e8nes ou de tailles de cohortes modestes, constituant un standard m\u00e9thodologique d’excellence en science ouverte.<\/p>\n10.3 Tests de permutation exacte<\/h3>\n
scipy.stats.permutation_test<\/code>, en configurant le param\u00e8tre de type de test sur permutation_type='samples'<\/code> pour refl\u00e9ter la structure appari\u00e9e des donn\u00e9es. La probabilit\u00e9 critique exacte s’obtient alors en calculant la proportion g\u00e9om\u00e9trique de permutations dont la statistique moyenne simul\u00e9e d\u00e9passe en valeur absolue la moyenne empiriquement observ\u00e9e lors de l’exp\u00e9rience r\u00e9elle. Cette probabilit\u00e9 exacte, exempte de toute approximation asymptotique, fournit un verdict d\u00e9cisionnel inattaquable sur le plan stochastique.<\/p>\n11. Restitution acad\u00e9mique et conformit\u00e9 aux standards de l’APA<\/h2>\n
11.1 Directives r\u00e9dactionnelles de la 7e \u00e9dition de l’APA<\/h3>\n
11.2 Conception de visualisations graphiques pr\u00eates pour publication<\/h3>\n
12. \u00c9tude de cas int\u00e9gr\u00e9e et analyse des biais m\u00e9thodologiques<\/h2>\n
12.1 R\u00e9solution compl\u00e8te d’un probl\u00e8me exp\u00e9rimental de bout en bout<\/h3>\n
ttest_rel<\/code> de SciPy est ex\u00e9cut\u00e9e avec le param\u00e8tre bilat\u00e9ral standard. L’extraction des r\u00e9sultats produit une statistique t<\/em> empirique de 5.02 \u00e0 14 degr\u00e9s de libert\u00e9, g\u00e9n\u00e9rant une probabilit\u00e9 critique exacte de p<\/em> = .00019 (soit p<\/em> < .001). L'intervalle de confiance \u00e0 95 % encadrant la progression moyenne s'\u00e9tend de 1.38 point \u00e0 3.42 points d'empan. Le calcul du coefficient standardis\u00e9 d\u00e9riv\u00e9 sous Pingouin fournit un d<\/em> de Cohen appari\u00e9 (d_z) de 1.30, 95% CI [0.58, 1.98]. Le rapport automatis\u00e9 certifie une am\u00e9lioration cognitive majeure, statistiquement robuste et cliniquement significative chez ces patients cons\u00e9cutivement au programme d’entra\u00eenement cognitif.<\/p>\n12.2 Identification des menaces \u00e0 la validit\u00e9 interne<\/h3>\n
12.3 Guide synth\u00e9tique d’arbitrage m\u00e9thodologique<\/h3>\n
\n
scipy.stats.ttest_rel<\/code> demeure l’estimateur de premier choix, fournissant la puissance statistique maximale et autorisant le calcul direct du d<\/em> de Cohen.<\/li>\nscipy.stats.wilcoxon<\/code> constitue l’alternative non param\u00e9trique de r\u00e9f\u00e9rence, prot\u00e9geant l’inf\u00e9rence contre les distorsions d’\u00e9chantillonnage.<\/li>\nscipy.stats.bootstrap<\/code>)<\/strong> ou aux tests de permutations exactes (scipy.stats.permutation_test<\/code>)<\/strong> repr\u00e9sente la d\u00e9marche la plus rigoureuse et la plus \u00e9l\u00e9gante de la science des donn\u00e9es moderne.<\/li>\n<\/ul>\nR\u00e9f\u00e9rences<\/h2>\n