Au confluent des math\u00e9matiques et des sciences comportementales, l’inf\u00e9rence statistique fournit le cadre logique indispensable \u00e0 la validation des mod\u00e8les psychologiques contemporains. Au sein du paradigme de test d’hypoth\u00e8ses d\u00e9velopp\u00e9 par Jerzy Neyman et Egon Pearson, la distribution alternative d\u00e9signe la distribution de probabilit\u00e9 d’une statistique de test lorsque l’hypoth\u00e8se alternative est vraie. Loin d’\u00eatre un simple artifice th\u00e9orique, ce concept structure l’ensemble de la planification exp\u00e9rimentale, de la puissance statistique et de l’estimation de la taille d’effet dans la recherche psychologique rigoureuse.<\/p>\n
En inf\u00e9rence statistique et en m\u00e9thodologie psychologique, la distribution alternative<\/strong> correspond \u00e0 la distribution d’\u00e9chantillonnage th\u00e9orique que suit une statistique de test sp\u00e9cifique lorsque l’hypoth\u00e8se nulle ($H_0$<\/span>) est fausse et qu’une hypoth\u00e8se alternative donn\u00e9e ($H_1$<\/span>) est v\u00e9rifi\u00e9e au sein de la population \u00e9tudi\u00e9e. Elle d\u00e9crit rigoureusement l’ensemble des valeurs plausibles que peut prendre la statistique d’int\u00e9r\u00eat en pr\u00e9sence d’un effet r\u00e9el, qu’il s’agisse d’une diff\u00e9rence de moyennes, d’une corr\u00e9lation non nulle ou d’une interaction factorielle.<\/p>\n Dans les sciences cognitives, affectives et sociales, la distribution alternative constitue le socle fondamental sur lequel reposent l’\u00e9valuation de l’erreur de type II (le risque $\\beta$<\/span>), le calcul de la puissance statistique ($1 – \\beta$<\/span>) et la planification d’\u00e9chantillons optimis\u00e9s. Contrairement \u00e0 la distribution nulle, qui est g\u00e9n\u00e9ralement invariante et centr\u00e9e autour de z\u00e9ro ou d’une valeur de r\u00e9f\u00e9rence standard, la distribution alternative d\u00e9pend intrins\u00e8quement de la magnitude de la taille d’effet<\/a> postul\u00e9e et de la taille de l’\u00e9chantillon collect\u00e9.<\/p>\n Elle prend le plus souvent la forme d’une distribution statistique non centrale (comme la distribution de Student<\/em> non centrale ou la distribution de Fisher-Snedecor<\/em> non centrale), dont le param\u00e8tre de non-centralit\u00e9 traduit pr\u00e9cis\u00e9ment le degr\u00e9 de divergence entre l’\u00e9tat r\u00e9el du monde psychologique et l’absence th\u00e9orique d’effet.<\/p>\n L’expression \u00ab distribution alternative \u00bb tire ses racines de deux traditions distinctes de la langue savante et des math\u00e9matiques appliqu\u00e9es. Le vocable \u00ab distribution \u00bb provient directement du latin classique distributio<\/em>, substantif d\u00e9riv\u00e9 du verbe distribuere<\/em>, form\u00e9 du pr\u00e9fixe s\u00e9paratif dis-<\/em> et de tribuere<\/em> (\u00ab accorder \u00bb, \u00ab assigner \u00bb, \u00ab r\u00e9partir entre les tribus \u00bb). D\u00e8s le XVIIIe si\u00e8cle, sous l’influence des pionniers du calcul des probabilit\u00e9s tels qu’Abraham de Moivre et Pierre-Simon de Laplace, le mot s’est impos\u00e9 pour d\u00e9signer la fa\u00e7on dont la masse de probabilit\u00e9 totale d’un ph\u00e9nom\u00e8ne al\u00e9atoire est allou\u00e9e aux diverses issues concevables.<\/p>\n L’adjectif \u00ab alternative \u00bb, quant \u00e0 lui, est d\u00e9riv\u00e9 du latin alternatus<\/em>, participe pass\u00e9 du verbe alternare<\/em> (\u00ab faire succ\u00e9der \u00e0 tour de r\u00f4le \u00bb, \u00ab varier \u00bb), issu de alter<\/em> signifiant \u00ab l’autre de deux \u00bb. En logique formelle et en philosophie m\u00e9thodologique, une proposition alternative propose une v\u00e9rit\u00e9 disjointe et incompatible avec une premi\u00e8re affirmation pos\u00e9e comme rep\u00e8re initial.<\/p>\n L’incorporation de ce syntagme dans le lexique des sciences quantitatives et de la psychom\u00e9trie s’est op\u00e9r\u00e9e dans les ann\u00e9es 1930 \u00e0 travers les publications fondatrices de Jerzy Neyman<\/a> et Egon Sharpe Pearson. En introduisant le concept d’hypoth\u00e8se alternative (alternative hypothesis<\/em>), ces auteurs ont rendu indispensable la caract\u00e9risation formelle de sa loi de probabilit\u00e9 associ\u00e9e, d\u00e9sign\u00e9e dans la litt\u00e9rature anglo-saxonne par l’expression alternative distribution<\/em> ou distribution under the alternative hypothesis<\/em>.<\/p>\n Sur le plan phon\u00e9tique, l’expression se prononce en fran\u00e7ais international standard [dis.t\u0281i.by.sj\u0254\u0303 al.t\u025b\u0281.na.tiv]. Le premier substantif comporte quatre syllabes orales sans diphtongue, tandis que le second adjectif comprend quatre syllabes m\u00e9triques marqu\u00e9es par une consonne d’appui alv\u00e9olaire liquide [\u0281].<\/p>\n D’un point de vue morphosyntaxique, \u00ab distribution alternative \u00bb est un syntagme nominal f\u00e9minin singulier. Il associe le substantif f\u00e9minin \u00ab distribution \u00bb \u00e0 l’adjectif qualificatif \u00ab alternative \u00bb qui s’accorde en genre et en nombre avec son noyau r\u00e9gissant. Au pluriel, il devient \u00ab distributions alternatives \u00bb [dis.t\u0281i.by.sj\u0254\u0303z\u203fal.t\u025b\u0281.na.tiv], refl\u00e9tant alors la pluralit\u00e9 des tailles d’effet envisageables ou la multiplicit\u00e9 des hypoth\u00e8ses concurrentes dans les dispositifs exp\u00e9rimentaux multivari\u00e9s.<\/p>\n Dans le discours scientifique contemporain, on observe couramment plusieurs variantes \u00e9quivalentes : \u00ab distribution sous l’hypoth\u00e8se alternative \u00bb, \u00ab distribution sous $H_1$<\/span> \u00bb, ou encore \u00ab distribution d’\u00e9chantillonnage de $H_1$<\/span> \u00bb. Son usage s’inscrit toujours dans un registre technique de niveau acad\u00e9mique, employ\u00e9 aussi bien en mod\u00e9lisation psychom\u00e9trique qu’en didactique des m\u00e9thodes de recherche exp\u00e9rimentales.<\/p>\n Pour appr\u00e9hender la port\u00e9e de la distribution alternative, il convient de replacer la prise de d\u00e9cision statistique au c\u0153ur du raisonnement exp\u00e9rimental en psychologie. Lorsque des cliniciens \u00e9valuent l’efficacit\u00e9 d’une nouvelle th\u00e9rapie cognitive et comportementale face \u00e0 un placebo, ou lorsque des psychologues du d\u00e9veloppement mesurent le gain mn\u00e9sique cons\u00e9cutif \u00e0 un entra\u00eenement m\u00e9tacognitif, les donn\u00e9es recueillies sont soumises \u00e0 la fluctuation d’\u00e9chantillonnage. Pour d\u00e9cider si les observations traduisent une loi g\u00e9n\u00e9rale ou une simple co\u00efncidence stochastique, la mod\u00e9lisation statistique oppose deux mod\u00e8les du monde : l’hypoth\u00e8se nulle ($H_0$<\/span>), postulant l’absence stricte d’effet, et l’hypoth\u00e8se alternative ($H_1$<\/span>), postulant l’existence effective d’une modification du comportement, d’une am\u00e9lioration clinique ou d’une covariation psychique.<\/p>\n Chacun de ces mod\u00e8les g\u00e9n\u00e8re sa propre distribution de probabilit\u00e9 pour la statistique de test calcul\u00e9e (telle que le $t$<\/span> de Student, le $F$<\/span> d’analyse de variance ou le $\\chi^2$<\/span>). La distribution nulle est calibr\u00e9e de mani\u00e8re \u00e0 d\u00e9terminer la r\u00e9gion critique, c’est-\u00e0-dire l’intervalle de valeurs extr\u00eames au-del\u00e0 duquel la probabilit\u00e9 d’observer les donn\u00e9es sous condition de $H_0$<\/span> devient inf\u00e9rieure \u00e0 un seuil pr\u00e9d\u00e9termin\u00e9 $\\alpha$<\/span> (g\u00e9n\u00e9ralement fix\u00e9 \u00e0 0,05 ou 0,01 en sciences humaines). Cette r\u00e9gion critique d\u00e9finit le seuil d\u00e9cisionnel \u00e0 partir duquel le chercheur rejette $H_0$<\/span> au profit de $H_1$<\/span>.<\/p>\n Cependant, la distribution nulle est par nature incapable d’indiquer ce qui advient si l’hypoth\u00e8se nulle est v\u00e9ritablement fausse. C’est pr\u00e9cis\u00e9ment ici qu’intervient la distribution alternative. Si le traitement th\u00e9rapeutique poss\u00e8de un impact tangible dans la population \u2014 par exemple une diff\u00e9rence standardis\u00e9e de moyennes $d = 0,50$<\/span> \u2014, la statistique observ\u00e9e ne fluctuera plus autour de z\u00e9ro, mais oscillera autour d’une esp\u00e9rance math\u00e9matique d\u00e9cal\u00e9e. La distribution alternative est la loi math\u00e9matique exacte d\u00e9crivant cette seconde courbe de probabilit\u00e9.<\/p>\n La position, l’\u00e9talement et la sym\u00e9trie de la distribution alternative d\u00e9pendent \u00e9troitement de la grandeur de l’effet attendu et de la taille de l’\u00e9chantillon ($N$<\/span>). Tandis que la distribution nulle de la statistique $t$<\/span> est rigoureusement sym\u00e9trique et centr\u00e9e sur 0 quel que soit $N$<\/span>, la distribution alternative d’un test $t$<\/span> devient une distribution non centrale caract\u00e9ris\u00e9e par un param\u00e8tre de d\u00e9centrement $\\delta = d \\times \\sqrt{N\/2}$<\/span> (dans le cas de deux groupes ind\u00e9pendants de taille \u00e9quivalente). Plus ce param\u00e8tre de non-centralit\u00e9 est \u00e9lev\u00e9, plus la courbe alternative glisse vers la droite (ou la gauche si l’effet est n\u00e9gatif) et pr\u00e9sente une asym\u00e9trie caract\u00e9ristique.<\/p>\n L’intersection entre la r\u00e9gion critique impos\u00e9e par la distribution nulle et l’aire sous la courbe de la distribution alternative gouverne l’ensemble des probabilit\u00e9s d\u00e9cisionnelles de second ordre. La fraction de la distribution alternative qui tombe au-del\u00e0 du seuil critique correspond \u00e0 la puissance statistique ($1 – \\beta$<\/span>), soit la probabilit\u00e9 exacte d’identifier un effet existant. R\u00e9ciproquement, la portion de la distribution alternative qui demeure en de\u00e7\u00e0 du seuil critique repr\u00e9sente le taux d’erreur de type II ($\\beta$<\/span>), c’est-\u00e0-dire la probabilit\u00e9 d’\u00e9chouer \u00e0 rejeter l’hypoth\u00e8se nulle alors qu’un effet r\u00e9el pr\u00e9vaut dans la r\u00e9alit\u00e9 clinique ou psychologique \u00e9tudi\u00e9e.<\/p>\n La th\u00e9orisation des distributions sous hypoth\u00e8se concurrente trouve son point de d\u00e9part dans les tensions m\u00e9thodologiques qui ont marqu\u00e9 les d\u00e9buts de la biom\u00e9trie et de l’agronomie exp\u00e9rimentale au tournant des ann\u00e9es 1920 et 1930. Initialement, Sir Ronald Aylmer Fisher concevait le test de signification comme un processus unilat\u00e9ral : le chercheur formulait une seule hypoth\u00e8se, l’hypoth\u00e8se nulle, calculait la valeur $p$<\/span> associ\u00e9e, et \u00e9valuait le degr\u00e9 de compatibilit\u00e9 des donn\u00e9es empiriques avec cette pr\u00e9misse unique. Dans cette optique purement fisherienne, l’\u00e9vocation formelle d’une distribution alternative n’\u00e9tait pas requise, car l’inf\u00e9rence se limitait \u00e0 la r\u00e9futation potentielle d’un postulat d’absence d’effet.<\/p>\n Cette approche fut profond\u00e9ment remise en question par le math\u00e9maticien polonais Jerzy Neyman et le statisticien britannique Egon Pearson entre 1928 et 1933. Neyman et Pearson soulign\u00e8rent avec force qu’un chercheur ne peut logiquement d\u00e9cider de rejeter une hypoth\u00e8se sans consid\u00e9rer implicitement ou explicitement ce que le rejet implique, c’est-\u00e0-dire l’existence d’une explication concurrente. En publiant leur lemme fondamental en 1933, ils d\u00e9montr\u00e8rent qu’un test n’atteint des propri\u00e9t\u00e9s optimales que si l’on prend en compte la vraisemblance relative des donn\u00e9es sous deux distributions distinctes : la distribution sous $H_0$<\/span> et la distribution sous $H_1$<\/span>.<\/p>\n Dans les d\u00e9cennies qui suivirent, le d\u00e9veloppement analytique des distributions dites \u00ab non centrales \u00bb fit l’objet d’un intense travail computationnel. Des auteurs comme David Johnson et Norman Lloyd Johnson entreprirent dans les ann\u00e9es 1940 et 1950 la tabulation rigoureuse de ces fonctions de densit\u00e9 asym\u00e9triques pour les statistiques $t$<\/span>, $F$<\/span> et $\\chi^2$<\/span>. Toutefois, en raison de la lourdeur des int\u00e9grations num\u00e9riques \u00e0 l’\u00e9poque pr\u00e9-informatique, l’utilisation pratique de la distribution alternative demeura longtemps restreinte aux cercles de statisticiens chevronn\u00e9s.<\/p>\n L’introduction massive de ce concept dans la sph\u00e8re de la psychologie empirique est l’\u0153uvre majeure de Jacob Cohen<\/a> \u00e0 partir de la fin des ann\u00e9es 1960. Dans son ouvrage s\u00e9minal de 1969, Statistical Power Analysis for the Behavioral Sciences<\/em>, Cohen d\u00e9non\u00e7a le fait que les revues de psychologie regorgeaient d’\u00e9tudes statistiques sous-puissantes, dont la distribution alternative chevauchait de mani\u00e8re si \u00e9crasante la distribution nulle que les chercheurs avaient moins d’une chance sur deux de d\u00e9tecter les ph\u00e9nom\u00e8nes qu’ils pr\u00e9tendaient investiguer. En introduisant des m\u00e9triques de taille d’effet standardis\u00e9es et des tables d’accessibilit\u00e9 simplifi\u00e9es reliant la distribution alternative au nombre de sujets requis, Cohen a ancr\u00e9 durablement ce concept dans le cursus des sciences du comportement.<\/p>\n Le socle th\u00e9orique de la distribution alternative s’adosse \u00e0 plusieurs th\u00e9or\u00e8mes majeurs de la probabilit\u00e9 math\u00e9matique et de l’inf\u00e9rence statistique fr\u00e9quentiste. En premier lieu, la loi des grands nombres et le th\u00e9or\u00e8me central limite<\/a> garantissent que, lorsque les \u00e9chantillons atteignent une taille suffisante, les moyennes d’\u00e9chantillons r\u00e9p\u00e9t\u00e9s tendent vers une loi normale, quelle que soit la forme originelle de la distribution dans la population. D\u00e8s lors que l’hypoth\u00e8se alternative postule une moyenne populationnelle $\\mu_1 \\neq \\mu_0$<\/span>, la moyenne observ\u00e9e d’un \u00e9chantillon suit asymptotiquement une loi normale centr\u00e9e non plus sur $\\mu_0$<\/span>, mais sur $\\mu_1$<\/span>.<\/p>\n Sur le plan math\u00e9matique, la mod\u00e9lisation formelle de la distribution alternative passe par l’introduction d’un param\u00e8tre de non-centralit\u00e9. Dans le cadre d’un test $t$<\/span> univari\u00e9 comparant la moyenne d’un \u00e9chantillon \u00e0 une valeur de r\u00e9f\u00e9rence, la statistique $t$<\/span> s’\u00e9crit g\u00e9n\u00e9ralement comme le ratio d’une variable al\u00e9atoire normale et de la racine carr\u00e9e d’une variable du khi-carr\u00e9 divis\u00e9e par ses degr\u00e9s de libert\u00e9 :<\/p>\n $$t = \\frac{Z + \\delta}{\\sqrt{U \/ \\nu}}$$<\/span><\/p>\n o\u00f9 $Z$<\/span> suit une loi normale centr\u00e9e r\u00e9duite $\\mathcal{N}(0, 1)$<\/span>, $U$<\/span> suit une loi du $\\chi^2$<\/span> \u00e0 $\\nu$<\/span> degr\u00e9s de libert\u00e9 ind\u00e9pendante de $Z$<\/span>, et $\\delta$<\/span> est le param\u00e8tre de non-centralit\u00e9. Lorsque $H_0$<\/span> est vraie, $\\delta = 0$<\/span>, et l’on retrouve la distribution de Student centrale classique. En revanche, lorsque $H_1$<\/span> est av\u00e9r\u00e9e, $\\delta \\neq 0$<\/span>, et l’expression donne lieu \u00e0 la distribution de Student non centrale. Cette construction th\u00e9orique d\u00e9montre math\u00e9matiquement que la distribution alternative n’est pas simplement une copie d\u00e9cal\u00e9e de la distribution de Student habituelle, mais une fonction de densit\u00e9 asym\u00e9trique dot\u00e9e de moments d’ordre sup\u00e9rieur (asym\u00e9trie et kurtosis) modifi\u00e9s par la pr\u00e9sence du param\u00e8tre de non-centralit\u00e9.<\/p>\n Au sein de l’\u00e9pist\u00e9mologie de la d\u00e9cision inductive, la distribution alternative incarne l’expression de la m\u00e9thode de Neyman-Pearson en tant que contr\u00f4le rigoureux des erreurs \u00e0 long terme. Si la distribution nulle permet de borner sup\u00e9rieurement les faux positifs (l’erreur de type I), la distribution alternative est l’unique entit\u00e9 probabiliste permettant de contraindre et de r\u00e9guler les faux n\u00e9gatifs (l’erreur de type II). Sans elle, la notion m\u00eame d’\u00e9valuation de la performance d’un outil psychodiagnostique ou d’une exp\u00e9rimentation cognitive s’effondre.<\/p>\n Enfin, dans l’approche de l’inf\u00e9rence par la vraisemblance et dans l’inf\u00e9rence bay\u00e9sienne, la distribution alternative trouve son corollaire th\u00e9orique direct. Bien que les bay\u00e9siens rejettent les proc\u00e9dures fond\u00e9es uniquement sur les fr\u00e9quences d’\u00e9chantillonnage th\u00e9orique, ils emploient le rapport de vraisemblance ($BF_{10}$<\/span>) qui met pr\u00e9cis\u00e9ment en balance la probabilit\u00e9 conditionnelle des observations empiriques sous le mod\u00e8le nul et sous le mod\u00e8le alternatif, r\u00e9affirmant ainsi la n\u00e9cessit\u00e9 incontournable d’une formalisation math\u00e9matique de l’hypoth\u00e8se concurrente.<\/p>\n La manipulation et l’interpr\u00e9tation de la distribution alternative reposent sur un ensemble de dimensions structurales et de composantes analytiques interd\u00e9pendantes :<\/p>\n Afin de concr\u00e9tiser le fonctionnement de la distribution alternative dans la pratique de la recherche psychologique, envisageons un premier cas en neuropsychologie clinique. Une \u00e9quipe de chercheurs souhaite \u00e9valuer l’impact d’un programme d’entra\u00eenement de la m\u00e9moire de travail chez des patients aux premiers stades de la maladie d’Alzheimer. L’hypoth\u00e8se nulle ($H_0$<\/span>) postule que la diff\u00e9rence de score entre le groupe exp\u00e9rimental et le groupe t\u00e9moin est \u00e9gale \u00e0 z\u00e9ro. Cependant, sur la base d’\u00e9tudes pilotes, les chercheurs formulent une hypoth\u00e8se alternative ($H_1$<\/span>) pr\u00e9voyant un b\u00e9n\u00e9fice moyen d’ampleur mod\u00e9r\u00e9e, caract\u00e9ris\u00e9 par une taille d’effet $d = 0,50$<\/span>.<\/p>\n Si l’\u00e9quipe teste 32 patients au total (16 par groupe), les calculs montrent que la distribution alternative pour le test $t$<\/span> bilat\u00e9ral de Student poss\u00e9dera un param\u00e8tre de non-centralit\u00e9 $\\delta = 0,50 \\times \\sqrt{16\/2} = 1,414$<\/span>. En projetant cette distribution alternative sur la distribution nulle de r\u00e9f\u00e9rence (qui poss\u00e8de un seuil critique bilat\u00e9ral \u00e0 $t = \\pm 2,042$<\/span> au risque $\\alpha = 0,05$<\/span>), on constate que seulement 27 % environ de l’aire de la distribution alternative d\u00e9passe la valeur critique 2,042. Cela signifie que la puissance statistique n’est que de 0,27 et que l’\u00e9tude a 73 % de risques d’\u00e9chouer \u00e0 d\u00e9tecter l’am\u00e9lioration mn\u00e9sique, l’immense majorit\u00e9 de la distribution alternative \u00e9tant pi\u00e9g\u00e9e dans la zone de non-rejet.<\/p>\n Pour corriger cette faille m\u00e9thodologique, les investigateurs augmentent la taille d’\u00e9chantillon \u00e0 130 patients (65 par groupe). Le nouveau param\u00e8tre de non-centralit\u00e9 devient $\\delta = 0,50 \\times \\sqrt{65\/2} \\approx 2,85$<\/span>. La distribution alternative glisse substantiellement vers des valeurs de $t$<\/span> plus \u00e9lev\u00e9es et voit sa dispersion se resserrer. D\u00e8s lors, plus de 80 % de sa courbe d\u00e9passe le seuil critique de la distribution nulle : le protocole dispose d’une puissance ad\u00e9quate ($1 – \\beta ge 0,80$<\/span>), et le risque d’erreur de type II est contenu sous la barre des 20 %.<\/p>\n Un second exemple illustratif \u00e9mane de la psychom\u00e9trie appliqu\u00e9e au recrutement organisationnel. Une organisation \u00e9value si un test de jugement situationnel corr\u00e8le avec la performance professionnelle \u00e0 hauteur de $r = 0,30$<\/span> ($H_1$<\/span>), contre une hypoth\u00e8se de non-validit\u00e9 $r = 0$<\/span> ($H_0$<\/span>). La distribution alternative du coefficient de Pearson apr\u00e8s transformation en $z$<\/span> de Fisher permet d’\u00e9tablir pr\u00e9cis\u00e9ment la courbe de densit\u00e9 des corr\u00e9lations \u00e9chantillonnales attendues et d’isoler le nombre minimal de salari\u00e9s \u00e0 \u00e9valuer pour garantir que les coefficients observ\u00e9s n’aboutissent pas par accident \u00e0 une conclusion d’inutilit\u00e9 de l’instrument.<\/p>\n Dans la bo\u00eete \u00e0 outils du psychologue et du statisticien des donn\u00e9es comportementales, la distribution alternative n’est pas directement observable sous la forme d’un score brut ; elle est estim\u00e9e, mod\u00e9lis\u00e9e et \u00e9valu\u00e9e au moyen d’algorithmes de calcul sp\u00e9cialis\u00e9s. L’\u00e9valuation repose traditionnellement sur des logiciels d’analyse de puissance a priori, tels que l’outil de r\u00e9f\u00e9rence mondialis\u00e9 G*Power<\/em>, ou les biblioth\u00e8ques computationnelles du langage R (notamment les packages Ces outils proc\u00e8dent \u00e0 l’int\u00e9gration num\u00e9rique de la fonction de densit\u00e9 de probabilit\u00e9 non centrale pour d\u00e9limiter les probabilit\u00e9s exactes sous la courbe. Pour une statistique $t$<\/span>, l’expression analytique de la distribution alternative int\u00e8gre la fonction Gamma et s’\u00e9crit formellement :<\/p>\n $$f(t; \\nu, \\delta) = \\frac{\\nu^{nu\/2} e^{-\\delta^2 \/ 2}}{\\sqrt{\\pi} \\Gamma(nu\/2) 2^{(nu-1)\/2} (\\nu + t^2)^{(nu+1)\/2}} \\int_0^\\infty x^\\nu e^{-\\frac{1}{2}\\left(x – \\frac{\\delta t}{\\sqrt{\\nu + t^2}}\\right)^2} dx$$<\/span><\/p>\n L’\u00e9valuation rigoureuse de la distribution alternative exige d’alimenter cette \u00e9quation par des estimations \u00e9tay\u00e9es de la taille d’effet. Les chercheurs s’appuient \u00e0 cette fin sur des m\u00e9ta-analyses ant\u00e9rieures, sur des donn\u00e9es issues d’\u00e9tudes pilotes m\u00e9thodologiquement contr\u00f4l\u00e9es, ou sur le concept fondamental de la \u00ab plus petite taille d’effet d’int\u00e9r\u00eat scientifique ou clinique \u00bb (Smallest Effect Size of Interest<\/em>, ou SESOI). Cette derni\u00e8re approche, pr\u00e9conis\u00e9e en psychologie computationnelle moderne, \u00e9vite d’ancrer la distribution alternative sur des esp\u00e9rances irr\u00e9alistes.<\/p>\n Au-del\u00e0 du calcul classique de puissance, l’usage contemporain de la distribution alternative s’est \u00e9tendu \u00e0 la construction d’intervalles de confiance non centraux autour des tailles d’effet (comme les bornes de confiance \u00e0 95 % de $d$<\/span> de Cohen ou du $\\eta^2_p$<\/span>). En inversant la fonction de r\u00e9partition de la distribution alternative, les algorithmes d\u00e9terminent les limites exactes des param\u00e8tres de non-centralit\u00e9 compatibles avec la statistique d’\u00e9chantillon observ\u00e9e, offrant une estimation psychom\u00e9trique infiniment plus informative que le simple verdict binaire d’un rejet de l’hypoth\u00e8se nulle.<\/p>\n La formalisation de la distribution alternative irrigue les domaines appliqu\u00e9s de la psychologie contemporaine de multiples fa\u00e7ons, garantissant la fiabilit\u00e9 des d\u00e9cisions prises tant au laboratoire que sur le terrain clinique ou \u00e9ducatif :<\/p>\n En psychologie clinique et en psychiatrie de pr\u00e9cision<\/strong>, la prise en compte de la distribution alternative gouverne la conception des essais contr\u00f4l\u00e9s randomis\u00e9s. Lorsqu’il s’agit de valider un traitement contre la d\u00e9pression s\u00e9v\u00e8re, une sous-estimation du d\u00e9placement de la distribution alternative conduirait \u00e0 d\u00e9clarer inefficace une mol\u00e9cule ou une prise en charge psychologique r\u00e9ellement b\u00e9n\u00e9fique. En ajustant la taille des cohortes pour maximiser l’aire de la distribution alternative au-del\u00e0 de la valeur critique, les cliniciens minimisent le risque \u00e9thique de rejeter des th\u00e9rapeutiques salvatrices.<\/p>\n Dans le champ de la psychologie scolaire et des apprentissages<\/strong>, la distribution alternative intervient dans l’\u00e9valuation de dispositifs p\u00e9dagogiques compensatoires (comme les rem\u00e9diations pour enfants dyslexiques ou dyscalculiques). Les \u00e9ducateurs et d\u00e9cideurs publics s’appuient sur cette distribution pour simuler la probabilit\u00e9 que les gains mesur\u00e9s d\u00e9passent un seuil de rentabilit\u00e9 p\u00e9dagogique pr\u00e9d\u00e9termin\u00e9, assurant une allocation responsable des budgets publics d’intervention.<\/p>\n Dans le domaine des sciences organisationnelles et de la psychologie du travail<\/strong>, les sp\u00e9cialistes de l’\u00e9valuation du personnel mobilisent la distribution alternative pour tester la validit\u00e9 diff\u00e9rentielle des tests de s\u00e9lection. Cela garantit que les matrices de comp\u00e9tences ou les inventaires de personnalit\u00e9 ne g\u00e9n\u00e8rent pas d’in\u00e9galit\u00e9s d’embauche ind\u00e9tectables par manque de sensibilit\u00e9 m\u00e9thodologique.<\/p>\n Enfin, dans le mouvement contemporain de la science ouverte et des plans d’enregistrement pr\u00e9alables<\/strong> (Preregistration<\/em> et Registered Reports<\/em>), la simulation de la distribution alternative est devenue un crit\u00e8re formel de recevabilit\u00e9 \u00e9ditoriale. De prestigieuses revues scientifiques exigent d\u00e9sormais que les chercheurs fournissent une justification a priori compl\u00e8te de leur \u00e9chantillon \u00e9tay\u00e9e par la mod\u00e9lisation explicite de leur distribution alternative avant toute collecte de donn\u00e9es empiriques.<\/p>\n L’exploration empirique des pratiques m\u00e9thodologiques en psychologie a mis en \u00e9vidence des carences r\u00e9currentes quant \u00e0 la consid\u00e9ration effective de la distribution alternative. Dans une s\u00e9rie d’\u00e9tudes r\u00e9pliquant les travaux pionniers de Jacob Cohen, des chercheurs comme John Ioannidis ou Joseph Simmons ont r\u00e9v\u00e9l\u00e9 que la puissance statistique m\u00e9diane dans de nombreuses sous-disciplines comportementales stagnait autour de 0,50 pour des tailles d’effet moyennes. Cela d\u00e9montre que, pendant des d\u00e9cennies, la recherche empirique a op\u00e9r\u00e9 sous des distributions alternatives dont la moiti\u00e9 de la surface probabiliste restait submerg\u00e9e sous la zone des r\u00e9sultats faussement n\u00e9gatifs.<\/p>\n Cette situation a culmin\u00e9 avec ce que la communaut\u00e9 nomme d\u00e9sormais la \u00ab crise de la r\u00e9plicabilit\u00e9 \u00bb en psychologie. Lorsque des consortiums internationaux, \u00e0 l’instar de l’Open Science Collaboration<\/a> en 2015, ont tent\u00e9 de r\u00e9pliquer 100 exp\u00e9riences canoniques publi\u00e9es dans les meilleures revues de la discipline, le taux de succ\u00e8s n’a atteint que 36 %. Les r\u00e9analyses r\u00e9trospectives ont mis en exergue que les \u00e9tudes originelles se focalisaient quasi exclusivement sur la distribution nulle pour revendiquer une valeur $p < 0,05$, sans jamais calibrer rigoureusement leur distribution alternative, cr\u00e9ant une inflation artificielle des tailles d'effet r\u00e9elles (le ph\u00e9nom\u00e8ne connu sous le nom de \u00ab mal\u00e9diction du vainqueur \u00bb).<\/p>\n Des enqu\u00eates bibliom\u00e9triques r\u00e9centes attestent toutefois d’une mutation substantielle des m\u0153urs scientifiques. L’adoption croissante de protocoles d’\u00e9quivalence (tels que le formalisme Two One-Sided Tests<\/em> ou TOST), introduits par Dani\u00ebl Lakens dans le sillage des sciences psychologiques, a r\u00e9orient\u00e9 les projecteurs sur la distribution alternative. Dans ces approches, c’est l’hypoth\u00e8se d’absence d’effet signifiant qui devient l’hypoth\u00e8se alternative \u00e0 prouver math\u00e9matiquement, ce qui impose une ma\u00eetrise calculatoire absolue de la distribution alternative pour attester de l’invariabilit\u00e9 ou de la similitude r\u00e9elle de deux profils cognitifs.<\/p>\n Bien que les lois probabilistes r\u00e9gissant la distribution alternative rel\u00e8vent des math\u00e9matiques universelles, leur application dans l’investigation empirique est fortement modul\u00e9e par les contextes culturels, linguistiques et sociologiques des populations \u00e9tudi\u00e9es. Pendant des d\u00e9cennies, la vaste majorit\u00e9 des participants recrut\u00e9s dans les recherches psychologiques provenaient de soci\u00e9t\u00e9s dites WEIRD (Western, Educated, Industrialized, Rich, Democratic<\/em>). Transposer sans pr\u00e9caution les param\u00e8tres d’une distribution alternative calibr\u00e9e sur des \u00e9tudiants occidentaux \u00e0 des populations issues du Sud global engendre des distorsions m\u00e9thodologiques majeures.<\/p>\n La variance intragroupe d’un trait psychologique ou d’une attitude socioculturelle varie notablement selon les normes de socialisation, les styles parentaux ou les repr\u00e9sentations culturelles de la conformit\u00e9. Or, la forme et la position de la distribution alternative d\u00e9pendent \u00e9troitement de cette variance par le biais de l’erreur type. Si la diversit\u00e9 des r\u00e9ponses est plus large dans une culture donn\u00e9e en raison de nuances s\u00e9mantiques propres \u00e0 la langue de passation, le d\u00e9nominateur de la statistique de test s’accro\u00eet, comprimant artificiellement le param\u00e8tre de non-centralit\u00e9 et d\u00e9calant d\u00e9favorablement la distribution alternative vers la gauche.<\/p>\n Dans la recherche transculturelle rigoureuse, la construction de la distribution alternative impose donc une v\u00e9rification pr\u00e9alable de l’invariance de mesure \u00e0 travers l’\u00e9quivalence factorielle et m\u00e9trique des instruments de mesure. Sans cette contextualisation attentive, ce qui appara\u00eet sous une distribution alternative comme une incapacit\u00e9 \u00e0 rejeter l’hypoth\u00e8se nulle d’un effet psychologique ne traduit souvent qu’une mauvaise calibration du bruit de mesure li\u00e9 \u00e0 l’inad\u00e9quation contextuelle de l’outil d’\u00e9valuation.<\/p>\n La mobilisation pratique de la distribution alternative dans le paradigme fr\u00e9quentiste orthodoxe fait l’objet de vives controverses depuis plusieurs d\u00e9cennies. La principale pierre d’achoppement r\u00e9side dans le caract\u00e8re fondamentalement hypoth\u00e9tique de la taille d’effet requise pour la param\u00e9trer. Alors que la distribution sous $H_0$<\/span> poss\u00e8de l’avantage d’une simplicit\u00e9 math\u00e9matique absolue \u2014 l’effet \u00e9tant g\u00e9n\u00e9ralement postul\u00e9 comme strictement nul \u2014, la distribution alternative exige que le chercheur postule a priori la valeur pr\u00e9cise de l’effet qu’il cherche justement \u00e0 d\u00e9couvrir. Fixer arbitrairement un $d = 0,50$<\/span> rel\u00e8ve parfois d’un acte de divination m\u00e9thodologique d\u00e9nu\u00e9 de fondement \u00e9pist\u00e9mologique r\u00e9el.<\/p>\n Une seconde d\u00e9rive tr\u00e8s document\u00e9e est l’usage trompeur de la \u00ab puissance post-hoc \u00bb (post-hoc power<\/em>) ou \u00ab puissance observ\u00e9e \u00bb. Confront\u00e9s \u00e0 un r\u00e9sultat statistiquement non significatif ($p > 0,05$<\/span>), de nombreux auteurs calculent r\u00e9trospectivement la distribution alternative en y injectant la taille d’effet observ\u00e9e dans leur petit \u00e9chantillon pour expliquer l’absence de r\u00e9sultat par un manque de puissance. Les statisticiens ont formellement d\u00e9montr\u00e9 que cette pratique est circulaire et invalide : la puissance post-hoc n’est qu’une fonction directe et redondante de la valeur $p$<\/span> obtenue et ne renseigne en rien sur la v\u00e9ritable distribution alternative populationnelle.<\/p>\n D’autres critiques proviennent de l’\u00e9cole de l’inf\u00e9rence bay\u00e9sienne. Les repr\u00e9sentants de ce courant, tels que Harold Jeffreys ou plus r\u00e9cemment Eric-Jan Wagenmakers, soulignent que le concept m\u00eame de distribution alternative de Neyman-Pearson demeure prisonnier de donn\u00e9es imaginaires jamais observ\u00e9es (toutes les trajectoires d’\u00e9chantillons hypoth\u00e9tiques qui auraient pu \u00eatre recueillies). Ils soutiennent qu’il est intellectuellement plus coh\u00e9rent d’attribuer des distributions de probabilit\u00e9 a priori directement aux param\u00e8tres d’int\u00e9r\u00eat plut\u00f4t qu’\u00e0 des statistiques de test conditionnelles, privil\u00e9giant ainsi les densit\u00e9s a posteriori et les facteurs de Bayes aux fonctions de non-centralit\u00e9 complexes.<\/p>\n Pour clarifier sans ambigu\u00eft\u00e9 la place de la distribution alternative dans la mod\u00e9lisation statistique, il convient de la discriminer soigneusement des notions voisines :<\/p>\n En r\u00e9capitulation des \u00e9l\u00e9ments fondamentaux pr\u00e9sent\u00e9s, plusieurs constats cardinaux doivent \u00eatre retenus :<\/p>\n D\u00e9couvrez ce qu’est la distribution alternative en psychologie et en statistiques : d\u00e9finition, d\u00e9veloppement historique, puissance statistique et applications.<\/p>\n","protected":false},"author":1,"featured_media":0,"template":"","categories":[1907,2],"tags":[33128,8991,33129,2547,3549,8287],"class_list":["post-20156","psych_term","type-psych_term","status-publish","hentry","category-methodologie-et-statistiques","category-psychometrie","tag-distribution-alternative","tag-erreur-de-type-ii","tag-hypothese-alternative","tag-puissance-statistique","tag-taille-deffet","tag-tests-statistiques"],"_links":{"self":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_term\/20156","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_term"}],"about":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/types\/psych_term"}],"author":[{"embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/users\/1"}],"version-history":[{"count":0,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_term\/20156\/revisions"}],"wp:attachment":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=20156"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=20156"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=20156"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}2. \u00c9tymologie et origine linguistique<\/h3>\n
3. Prononciation et forme grammaticale<\/h3>\n
4. Explication conceptuelle d\u00e9taill\u00e9e<\/h3>\n
5. D\u00e9veloppement historique<\/h3>\n
6. Fondements th\u00e9oriques<\/h3>\n
7. Composantes cl\u00e9s, types et dimensions<\/h3>\n
\n
8. Exemples et cas illustratifs<\/h3>\n
9. Mesure et \u00e9valuation psychom\u00e9trique<\/h3>\n
pwr<\/code> et MBESS<\/code>).<\/p>\n10. Applications et port\u00e9e pratique<\/h3>\n
11. Recherche et donn\u00e9es empiriques<\/h3>\n
12. Consid\u00e9rations culturelles et contextuelles<\/h3>\n
13. Critiques, controverses et limites<\/h3>\n
14. Termes associ\u00e9s et distinctions conceptuelles<\/h3>\n
\n
15. Synth\u00e8se et points cl\u00e9s \u00e0 retenir<\/h3>\n
\n
R\u00e9f\u00e9rences<\/h2>\n
\n