Dans le champ de l’inf\u00e9rence statistique et de la psychologie quantitative, la mod\u00e9lisation rigoureuse de l’incertitude constitue le socle indispensable \u00e0 la validation des d\u00e9couvertes scientifiques. La distribution d’\u00e9chantillonnage th\u00e9orique qui \u00e9merge lorsqu’un effet r\u00e9el existe dans la population repr\u00e9sente l’outil math\u00e9matique fondamental permettant d’\u00e9valuer la probabilit\u00e9 d’observer un r\u00e9sultat probant et d’optimiser les protocoles exp\u00e9rimentaux contemporains.<\/p>\n
La distribution sous l’hypoth\u00e8se alternative<\/strong> (couramment d\u00e9sign\u00e9e par la notation de distribution sous H\u2081<\/em>) repr\u00e9sente la distribution d’\u00e9chantillonnage th\u00e9orique d’une statistique de test calcul\u00e9e sous l’hypoth\u00e8se qu’un effet non nul d’une magnitude sp\u00e9cifique existe r\u00e9ellement au sein de la population \u00e9tudi\u00e9e. Contrairement \u00e0 la distribution nulle, qui postule l’absence absolue de diff\u00e9rence ou de corr\u00e9lation, cette distribution d\u00e9crit la variabilit\u00e9 stochastique attendue lorsque l’hypoth\u00e8se de recherche est v\u00e9ritablement v\u00e9rifi\u00e9e.<\/p>\n Dans la pratique m\u00e9thodologique des sciences comportementales, cette distribution permet d’ancrer le calcul formel de la puissance statistique<\/a> (1 – \u03b2) et du taux d’erreur de deuxi\u00e8me esp\u00e8ce (\u03b2). Elle ne constitue pas une courbe unique et immuable, mais plut\u00f4t une famille infinie de distributions potentielles dont la localisation, la dispersion et la morphologie d\u00e9pendent directement de la taille d’effet postul\u00e9e, de la variance d’\u00e9chantillonnage et de la taille de l’\u00e9chantillon analys\u00e9.<\/p>\n Comprendre la distribution sous l’hypoth\u00e8se alternative est capital pour tout chercheur en psychologie d\u00e9sireux de d\u00e9passer le cadre restrictif du test de signification de l’hypoth\u00e8se nulle (NHST). Elle offre une perspective prospective et probabiliste indispensable \u00e0 la planification exp\u00e9rimentale rigoureuse, \u00e0 la d\u00e9termination a priori<\/em> des effectifs et \u00e0 l’interpr\u00e9tation des r\u00e9sultats non significatifs.<\/p>\n L’expression est une construction syntagmatique issue de plusieurs traditions linguistiques et scientifiques. Le mot \u00ab distribution \u00bb provient du latin distributio<\/em> (\u00ab division \u00bb, \u00ab r\u00e9partition \u00bb), d\u00e9riv\u00e9 du verbe distribuere<\/em>, traduisant en statistique math\u00e9matique la fa\u00e7on dont les probabilit\u00e9s ou les fr\u00e9quences sont r\u00e9parties sur les diff\u00e9rentes valeurs possibles d’une variable al\u00e9atoire.<\/p>\n Le substantif \u00ab hypoth\u00e8se \u00bb d\u00e9rive du grec ancien hypothesis<\/em> (\u1f51\u03c0\u03cc\u03b8\u03b5\u03c3\u03b9\u03c2), form\u00e9 du pr\u00e9fixe hypo-<\/em> (\u00ab sous \u00bb) et du radical thesis<\/em> (\u00ab proposition \u00bb, \u00ab action de poser \u00bb), signifiant litt\u00e9ralement une base pos\u00e9e pour un raisonnement ou une conjecture servant de pr\u00e9misse. L’adjectif \u00ab alternative \u00bb puise ses racines dans le latin alternativus<\/em> (lui-m\u00eame issu de alternare<\/em>, signifiant \u00ab faire alterner \u00bb ou \u00ab se succ\u00e9der \u00bb), soulignant l’existence d’une seconde possibilit\u00e9 mutuellement exclusive par rapport \u00e0 la pr\u00e9misse par d\u00e9faut.<\/p>\n L’introduction formelle du concept de distribution sous l’hypoth\u00e8se alternative dans le corpus statistique contemporain remonte aux publications conjointes de Jerzy Neyman<\/a> et Egon Pearson \u00e0 la fin des ann\u00e9es 1920 et au d\u00e9but des ann\u00e9es 1930. Ces auteurs ont th\u00e9oris\u00e9 l’alternative (not\u00e9e H\u2081<\/em>) pour contrebalancer la vision unilat\u00e9rale de l’hypoth\u00e8se nulle d\u00e9fendue par Ronald Fisher, introduisant ainsi le raisonnement d\u00e9cisionnel fond\u00e9 sur deux distributions d’\u00e9chantillonnage concurrentes.<\/p>\n Sur le plan morphosyntaxique, l’expression \u00ab distribution sous l’hypoth\u00e8se alternative \u00bb est un groupe nominal f\u00e9minin singulier. Les variantes admises dans la litt\u00e9rature francophone incluent \u00ab distribution d’\u00e9chantillonnage sous l’hypoth\u00e8se alternative \u00bb, \u00ab distribution sous H\u2081 \u00bb ou, plus rarement, \u00ab distribution sous hypoth\u00e8se d’effet \u00bb.<\/p>\n L’usage acad\u00e9mique impose l’accord de l’adjectif \u00ab alternative \u00bb avec le substantif f\u00e9minin \u00ab hypoth\u00e8se \u00bb. Lorsqu’elle est abr\u00e9g\u00e9e, la notation s’\u00e9crit g\u00e9n\u00e9ralement avec la lettre majuscule H indic\u00e9e par le chiffre 1 (H\u2081<\/em>) ou la lettre A (H\u2090<\/em>). Dans le langage oral savant, les m\u00e9thodologues prononcent couramment \u00ab distribution sous H un \u00bb pour d\u00e9signer cette entit\u00e9 probabiliste.<\/p>\n L’expression fonctionne principalement comme compl\u00e9ment de nom ou comme sujet dans les phrases d\u00e9crivant le comportement des statistiques inf\u00e9rentielles : \u00ab La distribution sous l’hypoth\u00e8se alternative se d\u00e9cale vers la droite lorsque la taille de l’effet augmente \u00bb, ou encore \u00ab L’aire sous la courbe de la distribution sous H\u2081 d\u00e9limit\u00e9e par la valeur critique d\u00e9finit la puissance du test \u00bb.<\/p>\n Pour appr\u00e9hender en profondeur la distribution sous l’hypoth\u00e8se alternative, il convient de replacer l’inf\u00e9rence statistique dans son paradigme d’\u00e9chantillonnage r\u00e9p\u00e9t\u00e9. Lorsque l’on extrait un \u00e9chantillon al\u00e9atoire d’une population afin d’\u00e9valuer, par exemple, l’efficacit\u00e9 d’une psychoth\u00e9rapie sur les scores de d\u00e9pression, la moyenne observ\u00e9e fluctuera in\u00e9vitablement d’un \u00e9chantillon \u00e0 un autre en raison de l’erreur d’\u00e9chantillonnage. Si l’intervention th\u00e9rapeutique a un impact r\u00e9el d’une certaine intensit\u00e9, la moyenne th\u00e9orique des statistiques de test calcul\u00e9es sur une infinit\u00e9 d’\u00e9chantillons hypoth\u00e9tiques ne sera pas centr\u00e9e sur z\u00e9ro, mais sur une valeur param\u00e9trique positive ou n\u00e9gative.<\/p>\n Cette distribution d’\u00e9chantillonnage mod\u00e9lise avec pr\u00e9cision l’ensemble des valeurs possibles que la statistique de test (qu’il s’agisse d’un test t<\/em> de Student, d’un F<\/em> de Snedecor ou d’un test z<\/em>) est susceptible de prendre si le ph\u00e9nom\u00e8ne psychologique postul\u00e9 est v\u00e9ridique. Sa position sur l’axe des abscisses est d\u00e9termin\u00e9e par le param\u00e8tre de non-centralit\u00e9 (souvent not\u00e9 \u03b4 ou \u03bb), lequel combine l’amplitude de l’effet dans la population et la taille globale de l’\u00e9chantillon recueilli.<\/p>\n La fronti\u00e8re op\u00e9rationnelle entre la distribution nulle (H\u2080<\/em>) et la distribution alternative (H\u2081<\/em>) est \u00e9tablie par le seuil de d\u00e9cision statistique, mat\u00e9rialis\u00e9 par la valeur critique (d\u00e9termin\u00e9e par le niveau de signification \u03b1, usuellement fix\u00e9 \u00e0 0,05). Tout \u00e9chantillon issu de la distribution sous l’hypoth\u00e8se alternative dont la statistique d\u00e9passe cette valeur critique tombe dans la r\u00e9gion de rejet de l’hypoth\u00e8se nulle. La proportion de l’aire sous la courbe de la distribution sous H\u2081<\/em> situ\u00e9e au-del\u00e0 de cette fronti\u00e8re repr\u00e9sente la puissance statistique (1 – \u03b2). Inversement, la proportion de l’aire sous la courbe qui \u00e9choue \u00e0 franchir cette limite constitue l’erreur de type II (\u03b2), c’est-\u00e0-dire l’incapacit\u00e9 \u00e0 d\u00e9tecter un effet psychologique bien r\u00e9el.<\/p>\n Contrairement \u00e0 une conception na\u00efve qui d\u00e9crirait la distribution sous H\u2081<\/em> comme une simple translation rigide de la distribution sous H\u2080<\/em>, sa forme exacte peut diverger de fa\u00e7on substantielle. Dans le cas de nombreuses statistiques param\u00e9triques courantes, la distribution sous l’hypoth\u00e8se alternative adopte une g\u00e9om\u00e9trie non centrale (comme la distribution t<\/em> non centrale ou la distribution F<\/em> non centrale), caract\u00e9ris\u00e9e par une asym\u00e9trie marqu\u00e9e qui s’accentue avec la grandeur du param\u00e8tre de non-centralit\u00e9.<\/p>\n Il appara\u00eet ainsi que la distribution sous l’hypoth\u00e8se alternative n’est pas une entit\u00e9 statique, mais une fonction param\u00e9tr\u00e9e : pour chaque valeur hypoth\u00e9tique concevable de la taille de l’effet (exprim\u00e9e par exemple en d<\/em> de Cohen, en r<\/em> de Pearson ou en \u03b7\u00b2), il existe une distribution sous H\u2081<\/em> distincte. L’investigateur doit donc sp\u00e9cifier une valeur a priori pertinente ou cliniquement significative pour mat\u00e9rialiser cette distribution dans ses analyses de puissance prospective.<\/p>\n L’histoire de la distribution sous l’hypoth\u00e8se alternative est intimement li\u00e9e \u00e0 l’une des controverses fondatrices les plus passionn\u00e9es des sciences exactes et sociales : le d\u00e9bat \u00e9pist\u00e9mologique entre Ronald Aylmer Fisher d’un c\u00f4t\u00e9, et Jerzy Neyman associ\u00e9 \u00e0 Egon Sharpe Pearson de l’autre.<\/p>\n Au d\u00e9but des ann\u00e9es 1920, Ronald Fisher \u00e9labore le concept de test de signification fond\u00e9 exclusivement sur l’hypoth\u00e8se nulle (H\u2080<\/em>). Selon sa doctrine, le chercheur formule une hypoth\u00e8se qu’il cherche \u00e0 r\u00e9futer ; si les donn\u00e9es observ\u00e9es s’av\u00e8rent trop improbables sous cette hypoth\u00e8se nulle (valeur de p<\/em> inf\u00e9rieure au seuil conventionnel), elle est rejet\u00e9e. Dans le syst\u00e8me fisherien, il n’existe aucune distribution explicite pour une hypoth\u00e8se concurrente, car Fisher consid\u00e9rait que l’on ne pouvait attribuer une distribution de probabilit\u00e9 rigoureuse \u00e0 une hypoth\u00e8se ind\u00e9termin\u00e9e.<\/p>\n Jerzy Neyman et Egon Pearson identifient rapidement une lacune majeure dans la logique fisherienne : rejeter une hypoth\u00e8se sans consid\u00e9rer l’alternative logique laisse la d\u00e9cision statistique vuln\u00e9rable \u00e0 l’arbitraire et emp\u00eache toute quantification du risque de ne pas d\u00e9tecter un effet r\u00e9el. Dans une s\u00e9rie d’articles s\u00e9minaux publi\u00e9s entre 1928 et 1933, notamment \u00ab On the Use and Interpretation of Certain Test Criteria for Purposes of Statistical Inference \u00bb, ils introduisent le paradigme du test d’hypoth\u00e8ses binaires.<\/p>\n Neyman et Pearson d\u00e9montrent math\u00e9matiquement qu’une prise de d\u00e9cision optimale exige de confronter la distribution sous l’hypoth\u00e8se nulle \u00e0 une distribution sous l’hypoth\u00e8se alternative clairement d\u00e9finie. C’est \u00e0 partir de cette conceptualisation que naissent les notions sym\u00e9triques d’erreur de premi\u00e8re esp\u00e8ce (rejet erron\u00e9 de H\u2080<\/em>) et d’erreur de seconde esp\u00e8ce (acceptation erron\u00e9e de H\u2080<\/em>, ou plus exactement non-rejet erron\u00e9). La distribution sous l’hypoth\u00e8se alternative devient alors le support g\u00e9om\u00e9trique indispensable pour d\u00e9finir l’erreur \u03b2 et la puissance du test.<\/p>\n Durant la seconde moiti\u00e9 du vingti\u00e8me si\u00e8cle, l’adoption de ce formalisme en psychologie s’est heurt\u00e9e \u00e0 une hybridation maladroite des doctrines de Fisher et de Neyman-Pearson dans les manuels d’enseignement, ph\u00e9nom\u00e8ne fr\u00e9quemment d\u00e9nonc\u00e9 par des historiens des statistiques comme Gerd Gigerenzer. Ce n’est qu’avec le plaidoyer infatigable de Jacob Cohen<\/a> dans les ann\u00e9es 1960 \u00e0 1980, culminant avec son ouvrage de r\u00e9f\u00e9rence Statistical Power Analysis for the Behavioral Sciences<\/em>, que la distribution sous l’hypoth\u00e8se alternative a retrouv\u00e9 sa juste place au c\u0153ur de la m\u00e9thodologie empirique en psychologie.<\/p>\n La formalisation math\u00e9matique de la distribution sous l’hypoth\u00e8se alternative repose sur le th\u00e9or\u00e8me central limite et la th\u00e9orie des distributions de probabilit\u00e9 non centrales<\/a>. Dans un cadre univari\u00e9 o\u00f9 l’on compare une moyenne observ\u00e9e \u00e0 une valeur th\u00e9orique, la statistique de Student standard suit, sous l’hypoth\u00e8se nulle d’absence d’effet, une loi t<\/em> centrale \u00e0 \u03bd degr\u00e9s de libert\u00e9. En revanche, sous l’hypoth\u00e8se alternative selon laquelle l’esp\u00e9rance math\u00e9matique de la population diff\u00e8re de la valeur nulle d’une quantit\u00e9 \u03b4*, la statistique suit une loi t<\/em> non centrale, not\u00e9e t<\/em>(\u03bd, \u03b4).<\/p>\n Le param\u00e8tre de non-centralit\u00e9, g\u00e9n\u00e9ralement d\u00e9sign\u00e9 par la lettre grecque delta (\u03b4), exprime le degr\u00e9 d’\u00e9loignement de la distribution par rapport \u00e0 la centralit\u00e9 nulle. Pour une comparaison de deux moyennes ind\u00e9pendantes avec des tailles d’\u00e9chantillon \u00e9gales \u00e0 n<\/em> par groupe, le param\u00e8tre s’exprime formellement par la relation :<\/p>\n \u03b4 = d \u00d7 \u221a(n \/ 2)<\/strong><\/p>\n o\u00f9 d<\/em> repr\u00e9sente le d de Cohen dans la population. Cette formule fondamentale met en lumi\u00e8re l’interd\u00e9pendance structurelle qui gouverne la distribution sous l’hypoth\u00e8se alternative : pour un effet psychologique intrins\u00e8que constant (d<\/em>), l’accroissement de la taille de l’\u00e9chantillon (n<\/em>) amplifie directement le param\u00e8tre de non-centralit\u00e9, repoussant ainsi la distribution sous H\u2081<\/em> vers des valeurs de statistiques de test plus \u00e9lev\u00e9es et plus \u00e9loign\u00e9es de z\u00e9ro.<\/p>\n Sur le plan g\u00e9om\u00e9trique et probabiliste, la loi t<\/em> non centrale pr\u00e9sente une propri\u00e9t\u00e9 cruciale : contrairement \u00e0 la loi t<\/em> centrale sym\u00e9trique, elle souffre d’une asym\u00e9trie positive ou n\u00e9gative selon le signe de \u03b4. Sa densit\u00e9 de probabilit\u00e9 s’\u00e9tale davantage du c\u00f4t\u00e9 oppos\u00e9 \u00e0 z\u00e9ro, ce qui implique que les calculs de puissance exacte ne peuvent pas reposer sur de simples approximations gaussiennes standardis\u00e9es lorsque les \u00e9chantillons sont de taille modeste ou lorsque les degr\u00e9s de libert\u00e9 sont restreints.<\/p>\n Dans le cas de l’analyse de variance univari\u00e9e ou multivari\u00e9e (ANOVA et MANOVA), la distribution sous l’hypoth\u00e8se alternative de la statistique F<\/em> ob\u00e9it \u00e0 une loi de Fisher-Snedecor non centrale, param\u00e9tr\u00e9e par les degr\u00e9s de libert\u00e9 du num\u00e9rateur, les degr\u00e9s de libert\u00e9 du d\u00e9nominateur, et un param\u00e8tre de non-centralit\u00e9 quadratique not\u00e9 lambda (\u03bb). Cette formulation th\u00e9orique g\u00e9n\u00e9ralise le comportement sous H\u2081<\/em> \u00e0 des mod\u00e8les lin\u00e9aires complexes et \u00e0 des analyses factorielles fr\u00e9quemment employ\u00e9es en psychologie cognitive et sociale.<\/p>\n La compr\u00e9hension op\u00e9rationnelle de la distribution sous l’hypoth\u00e8se alternative implique de diss\u00e9quer ses diff\u00e9rentes caract\u00e9ristiques fondamentales et ses variantes m\u00e9thodologiques :<\/p>\n Pour illustrer concr\u00e8tement le fonctionnement de la distribution sous l’hypoth\u00e8se alternative, consid\u00e9rons une recherche en neuropsychologie cognitive \u00e9valuant les b\u00e9n\u00e9fices d’un programme d’entra\u00eenement de la m\u00e9moire de travail chez des personnes \u00e2g\u00e9es pr\u00e9sentant un d\u00e9clin cognitif l\u00e9ger. L’\u00e9quipe formule l’hypoth\u00e8se d’une am\u00e9lioration des performances standardis\u00e9es apr\u00e8s six semaines d’intervention.<\/p>\n Supposons que le chercheur postule, en se basant sur la litt\u00e9rature m\u00e9ta-analytique ant\u00e9rieure, un effet mod\u00e9r\u00e9 correspondant \u00e0 un d<\/em> de Cohen de 0,50. Il recrute deux groupes de 30 participants (groupe d’entra\u00eenement versus groupe t\u00e9moin passif), soit un \u00e9chantillon total de 60 individus. Sous l’hypoth\u00e8se nulle (H\u2080 : d = 0<\/em>), la statistique t<\/em> suit une loi t<\/em> centrale \u00e0 58 degr\u00e9s de libert\u00e9, dont la valeur critique bilat\u00e9rale pour \u03b1 = 0,05 est d’environ 2,00. Sous l’hypoth\u00e8se alternative (H\u2081 : d = 0,50<\/em>), le param\u00e8tre de non-centralit\u00e9 est \u00e9gal \u00e0 \u03b4 = 0,50 \u00d7 \u221a(30 \/ 2) \u2248 1,936. La distribution sous H\u2081<\/em> est alors une loi t<\/em> non centrale t<\/em>(58, 1,936). L’int\u00e9gration math\u00e9matique de cette distribution au-del\u00e0 du seuil de 2,00 r\u00e9v\u00e8le une puissance statistique de seulement 0,48 : l’exp\u00e9rience a moins d’une chance sur deux de d\u00e9tecter l’effet postul\u00e9 si celui-ci existe r\u00e9ellement.<\/p>\n Dans un second sc\u00e9nario illustratif en psychologie clinique, un chercheur teste l’efficacit\u00e9 d’une nouvelle th\u00e9rapie cognitive et comportementale sur l’anxi\u00e9t\u00e9 sociale. Conscient du risque de sous-puissance, il r\u00e9alise une analyse prospective pour ajuster la distribution sous H\u2081<\/em>. En augmentant l’effectif \u00e0 86 participants par groupe (total N<\/em> = 172) pour d\u00e9tecter ce m\u00eame effet de d<\/em> = 0,50, le param\u00e8tre de non-centralit\u00e9 passe \u00e0 \u03b4 = 0,50 \u00d7 \u221a(86 \/ 2) \u2248 3,278. Cette augmentation d\u00e9place l’int\u00e9gralit\u00e9 de la distribution sous l’hypoth\u00e8se alternative vers des valeurs sup\u00e9rieures. L’aire sous la courbe situ\u00e9e au-del\u00e0 de la valeur critique de 1,97 atteint alors 0,90, garantissant une puissance d’exp\u00e9rimentation hautement satisfaisante.<\/p>\n \u00c0 l’inverse, l’absence de consid\u00e9ration pour la forme de la distribution sous H\u2081<\/em> explique pourquoi tant d’\u00e9tudes pilotes de petite taille (par exemple n<\/em> = 10 par condition) aboutissent \u00e0 des \u00e9checs de r\u00e9plication. Dans ces conditions de surdispersion, la distribution alternative s’\u00e9crase et chevauche massivement la distribution nulle, rendant toute distinction empirique semblable \u00e0 la d\u00e9tection d’un signal acoustique discret au milieu d’un vacarme assourdissant.<\/p>\n La d\u00e9termination empirique et computationnelle de la distribution sous l’hypoth\u00e8se alternative ne fait pas l’objet d’un recueil direct sur le terrain, mais r\u00e9sulte d’une mod\u00e9lisation math\u00e9matique rigoureuse op\u00e9r\u00e9e \u00e0 l’aide d’outils statistiques d\u00e9di\u00e9s. Dans la recherche psychologique contemporaine, cette mod\u00e9lisation est majoritairement effectu\u00e9e via des logiciels sp\u00e9cialis\u00e9s d’analyse de puissance tels que G*Power, le package Pour \u00e9valuer et param\u00e9trer correctement la distribution sous H\u2081<\/em>, le psychologue quantitatif doit renseigner plusieurs variables cl\u00e9s interconnect\u00e9es :<\/p>\n Une fois ces param\u00e8tres instanci\u00e9s, les algorithmes calculent les int\u00e9grales de la fonction de densit\u00e9 de probabilit\u00e9 non centrale afin de renvoyer la puissance statistique exacte. Des approches contemporaines de simulation de Monte-Carlo sont de plus en plus privil\u00e9gi\u00e9es lorsque les postulats de normalit\u00e9, d’homosc\u00e9dasticit\u00e9 ou de sph\u00e9ricit\u00e9 sont viol\u00e9s, permettant de g\u00e9n\u00e9rer empiriquement une distribution sous H\u2081<\/em> personnalis\u00e9e et robuste face aux imperfections des donn\u00e9es comportementales r\u00e9elles.<\/p>\n La mod\u00e9lisation de la distribution sous l’hypoth\u00e8se alternative d\u00e9ploie des retomb\u00e9es fondamentales dans de nombreux secteurs de la psychologie th\u00e9orique et appliqu\u00e9e :<\/p>\n En psychologie clinique et pharmacopsychologie<\/strong>, la distribution sous H\u2081<\/em> est le pilier des essais contr\u00f4l\u00e9s randomis\u00e9s (ECR). D\u00e9terminer si un nouveau protocole psychoth\u00e9rapeutique surpasse significativement un placebo ou une th\u00e9rapie standard requiert de garantir que l’\u00e9chantillon soit suffisant pour que la distribution alternative ne se confonde pas avec le hasard. Une mauvaise calibration expose \u00e0 un abandon pr\u00e9matur\u00e9 de th\u00e9rapies pourtant b\u00e9n\u00e9fiques en raison d’erreurs de type II.<\/p>\n Dans le domaine de la psychologie du travail et des organisations<\/strong>, les praticiens utilisent les distributions sous H\u2081<\/em> pour estimer le retour sur investissement et l’efficacit\u00e9 pr\u00e9dictive d’outils de s\u00e9lection du personnel. Lorsqu’on \u00e9value si une batterie de tests d’intelligence \u00e9motionnelle accro\u00eet la validit\u00e9 incr\u00e9mentielle par rapport \u00e0 un inventaire de personnalit\u00e9 g\u00e9n\u00e9raliste, positionner la distribution alternative permet de savoir avec quelle probabilit\u00e9 ce gain pr\u00e9dictif modeste mais substantiel pourra \u00eatre confirm\u00e9 statistiquement.<\/p>\n En neurosciences cognitives et neuroimagerie fonctionnelle<\/strong>, la correction des comparaisons multiples (par exemple lors de l’analyse voxel par voxel en IRMf) impose des seuils alpha extr\u00eamement rigoureux (ex. p<\/em> < 0,00001). Dans un tel contexte, la valeur critique est repouss\u00e9e tr\u00e8s loin sur l’axe des abscisses. Comprendre la forme de la distribution sous l’hypoth\u00e8se alternative est alors capital pour concevoir des paradigmes avec un nombre suffisant de r\u00e9p\u00e9titions par sujet, sous peine de voir la puissance de d\u00e9tection s’effondrer dramatiquement.<\/p>\n La distribution sous l’hypoth\u00e8se alternative s’est retrouv\u00e9e au centre des d\u00e9bats entourant la crise de la reproductibilit\u00e9 en psychologie au cours de la d\u00e9cennie 2010. L’initiative collective men\u00e9e par le Center for Open Science<\/em> et publi\u00e9e en 2015 par l’Open Science Collaboration a r\u00e9v\u00e9l\u00e9 que seul un tiers environ des \u00e9tudes publi\u00e9es dans des revues prestigieuses de psychologie ont pu \u00eatre r\u00e9pliqu\u00e9es avec succ\u00e8s.<\/p>\n Une analyse approfondie de ce ph\u00e9nom\u00e8ne d\u00e9montre que la cause premi\u00e8re r\u00e9side dans la sous-puissance chronique des \u00e9tudes originelles. En s’appuyant sur des \u00e9chantillons trop r\u00e9duits, les chercheurs op\u00e9raient avec des distributions sous H\u2081<\/em> tr\u00e8s proches de la distribution nulle, n’offrant souvent qu’une puissance statistique m\u00e9diane oscillant entre 30 % et 50 % pour des effets de taille moyenne. Comme l’ont formalis\u00e9 des statisticiens et m\u00e9thodologues tels que John Ioannidis dans son article s\u00e9minal \u00ab Why Most Published Research Findings Are False \u00bb, un champ scientifique fonctionnant avec des distributions alternatives aplaties et sous-dimensionn\u00e9es produit in\u00e9vitablement une majorit\u00e9 de d\u00e9couvertes fallacieuses en raison de l’inflation de l’erreur de type I induite par le biais de publication.<\/p>\n De surcro\u00eet, les travaux de psychologues quantitatifs comme Dani\u00ebl Lakens ont d\u00e9montr\u00e9 l’importance de formaliser la distribution sous l’hypoth\u00e8se alternative dans le cadre des tests d’\u00e9quivalence (TOST – Two One-Sided Tests<\/em>). Pour prouver l’absence d’un effet psychologique th\u00e9oriquement postul\u00e9, le chercheur doit inverser la logique traditionnelle et positionner des distributions sous H\u2081<\/em> autour des bornes d’\u00e9quivalence pr\u00e9alablement stipul\u00e9es, ouvrant ainsi la voie \u00e0 une r\u00e9futation rigoureuse des th\u00e9ories pseudo-scientifiques.<\/p>\n Bien que les lois de probabilit\u00e9s sous-jacentes \u00e0 la distribution sous l’hypoth\u00e8se alternative rel\u00e8vent des math\u00e9matiques universelles, leur application dans la recherche transcuturelle soul\u00e8ve des d\u00e9fis conceptuels et empiriques majeurs.<\/p>\n En psychologie transculturelle, la variabilit\u00e9 interindividuelle et l’erreur de mesure augmentent souvent de mani\u00e8re substantielle en raison des difficult\u00e9s inh\u00e9rentes \u00e0 la traduction d’\u00e9chelles psychom\u00e9triques, des biais d’acquiescement diff\u00e9rentiels ou des variations contextuelles d’interpr\u00e9tation des items. Cette inflation de la variance d’\u00e9chantillonnage \u00e9largit l’erreur-type du mod\u00e8le. Par cons\u00e9quent, la distribution sous l’hypoth\u00e8se alternative s’aplatit et se rapproche de la distribution nulle, ce qui d\u00e9grade la puissance statistique \u00e0 taille d’\u00e9chantillon \u00e9gale.<\/p>\n De plus, la taille de l’effet dans la population (qui d\u00e9termine le param\u00e8tre de non-centralit\u00e9) n’est que rarement invariante d’une culture \u00e0 une autre. Un ph\u00e9nom\u00e8ne comportemental robuste observ\u00e9 dans des soci\u00e9t\u00e9s industrielles, \u00e9duqu\u00e9es, riches et d\u00e9mocratiques (dites populations WEIRD) peut ne pr\u00e9senter qu’une magnitude tr\u00e8s affaiblie, voire nulle, lorsqu’il est examin\u00e9 dans des cultures traditionnelles ou collectivistes. Pr\u00e9sumer a priori<\/em> d’une distribution sous H\u2081<\/em> unique et universelle sans r\u00e9\u00e9talonnage local expose les chercheurs \u00e0 des erreurs d’inf\u00e9rence syst\u00e9matiques et \u00e0 des g\u00e9n\u00e9ralisations abusives.<\/p>\n Malgr\u00e9 son r\u00f4le cl\u00e9 dans l’orthodoxie m\u00e9thodologique, la distribution sous l’hypoth\u00e8se alternative fait l’objet de critiques persistantes au sein de la communaut\u00e9 scientifique, particuli\u00e8rement de la part des tenants de l’inf\u00e9rence bay\u00e9sienne<\/a>.<\/p>\n La premi\u00e8re critique majeure concerne l’incertitude ontologique entourant la vraie valeur de l’effet. Dans le cadre fr\u00e9quentiste de Neyman-Pearson, la distribution sous H\u2081<\/em> exige la fixation arbitraire d’un param\u00e8tre ponctuel unique (par exemple d<\/em> = 0,40). Or, dans la r\u00e9alit\u00e9 de l’exploration psychologique, la v\u00e9ritable amplitude du ph\u00e9nom\u00e8ne est par d\u00e9finition inconnue avant la collecte des donn\u00e9es. S\u00e9lectionner une distribution alternative optimiste conduit fr\u00e9quemment \u00e0 surestimer massivement la puissance r\u00e9elle de l’\u00e9tude. Si l’effet r\u00e9el est de d<\/em> = 0,25 au lieu des 0,40 anticip\u00e9s, la distribution sous H\u2081<\/em> effective se retrouve bien plus proche de l’origine, plongeant l’investigateur dans une sous-puissance s\u00e9v\u00e8re dont il n’a pas conscience.<\/p>\n La seconde critique fondamentale d\u00e9coule de l’\u00e9pist\u00e9mologie bay\u00e9sienne. Les d\u00e9tracteurs du paradigme fr\u00e9quentiste soulignent que la distribution sous l’hypoth\u00e8se alternative demeure une mod\u00e9lisation contrefactuelle fond\u00e9e sur des donn\u00e9es imaginaires qui auraient pu \u00eatre observ\u00e9es mais ne l’ont pas \u00e9t\u00e9 (le principe d’\u00e9chantillonnage infini r\u00e9p\u00e9t\u00e9). Les statisticiens bay\u00e9siens proposent de remplacer cette dichotomie H\u2080\/H\u2081<\/em> par le calcul de facteurs de Bayes (Bayes Factor<\/em>), o\u00f9 l’hypoth\u00e8se alternative est mod\u00e9lis\u00e9e non pas par une courbe fixe issue d’une valeur ponctuelle, mais par une distribution de probabilit\u00e9 a priori<\/em> sur l’ensemble des valeurs plausibles du param\u00e8tre. Cette approche permet de quantifier le degr\u00e9 de vraisemblance relative des donn\u00e9es r\u00e9elles en faveur de l’une ou l’autre th\u00e9orie sans devoir figer une distribution alternative d\u00e9terministe.<\/p>\n Enfin, une limite pratique r\u00e9side dans la difficult\u00e9 cognitive qu’\u00e9prouvent de nombreux \u00e9tudiants et praticiens \u00e0 appr\u00e9hender la nature non centrale de ces distributions. La persistance d’enseignements simplistes traitant la distribution sous H\u2081<\/em> comme une r\u00e9plique gaussienne sym\u00e9trique d\u00e9cal\u00e9e de la distribution sous H\u2080<\/em> continue d’alimenter des confusions conceptuelles quant \u00e0 l’interpr\u00e9tation des intervalles de confiance et de la puissance post hoc<\/em>.<\/p>\n Pour naviguer avec rigueur dans la litt\u00e9rature m\u00e9thodologique, il est capital de distinguer la distribution sous l’hypoth\u00e8se alternative de concepts adjacents avec lesquels elle est fr\u00e9quemment confondue :<\/p>\n La distribution sous l’hypoth\u00e8se alternative (H\u2081<\/em>) incarne le versant positif et constructif de l’inf\u00e9rence statistique d\u00e9cisionnelle formalis\u00e9e par Neyman et Pearson. Loin d’\u00eatre un simple artifice math\u00e9matique, elle constitue le fondement g\u00e9om\u00e9trique sans lequel aucune planification exp\u00e9rimentale s\u00e9rieuse n’est possible.<\/p>\n Sa position et sa morphologie sont r\u00e9gies conjointement par l’ampleur v\u00e9ritable de l’effet investigu\u00e9 au sein de la population et par la taille de l’\u00e9chantillon recrut\u00e9, synth\u00e9tis\u00e9es sous la forme du param\u00e8tre de non-centralit\u00e9. Dans la grande majorit\u00e9 des tests param\u00e9triques, elle emprunte la voie de distributions asym\u00e9triques non centrales (t<\/em>, F<\/em>, Chi-deux non centraux).<\/p>\n Pour la psychologie scientifique, ma\u00eetriser les propri\u00e9t\u00e9s de la distribution sous H\u2081<\/em> constitue le meilleur rempart contre les illusions m\u00e9thodologiques de la sous-puissance, garantissant que les protocoles de recherche disposent de la sensibilit\u00e9 empirique indispensable pour faire progresser la connaissance du fonctionnement de l’esprit humain.<\/p>\n D\u00e9couvrez en profondeur la distribution sous l’hypoth\u00e8se alternative (H1) en psychologie : mod\u00e9lisation non centrale, calcul de puissance et impact m\u00e9thodologique.<\/p>\n","protected":false},"author":1,"featured_media":0,"template":"","categories":[1907,647,2],"tags":[33130,33129,1917,2219,2067,2547,3549],"class_list":["post-20158","psych_term","type-psych_term","status-publish","hentry","category-methodologie-et-statistiques","category-psychologie-cognitive","category-psychometrie","tag-distribution-non-centrale","tag-hypothese-alternative","tag-inference-statistique","tag-methodologie-quantitative","tag-psychologie-experimentale","tag-puissance-statistique","tag-taille-deffet"],"_links":{"self":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=\/wp\/v2\/psych_term\/20158","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\/20158\/revisions"}],"wp:attachment":[{"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=20158"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=20158"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/french.arabpsychology.com\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=20158"}],"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<\/h3>\n
pwr<\/code> dans le langage R, ou les modules int\u00e9gr\u00e9s d’environnements comme JASP et Jamovi.<\/p>\n\n
10. Applications et port\u00e9e pratique<\/h3>\n
11. Recherche et donn\u00e9es empiriques<\/h3>\n
12. Consid\u00e9rations culturelles et transcuturelles<\/h3>\n
13. Critiques, d\u00e9bats et limites<\/h3>\n
14. Termes associ\u00e9s et distinctions<\/h3>\n
\n
15. R\u00e9sum\u00e9 et points cl\u00e9s \u00e0 retenir<\/h3>\n
R\u00e9f\u00e9rences<\/h2>\n
\n