Comment créer et interpréter des graphiques Q-Q dans Stata

Dans la pratique contemporaine de l’économétrie, de la psychométrie et des sciences quantitatives, l’évaluation des postulats distributionnels constitue une étape charnière qui conditionne la robustesse des inférences empiriques. Si les méthodes paramétriques traditionnelles reposent de manière presque universelle sur l’hypothèse de normalité des termes d’erreur, les chercheurs se trouvent souvent démunis face à la rigidité ou à la vulnérabilité des tests formels d’adéquation. C’est précisément pour dépasser les apories des tests de signification d’hypothèse nulle (NHST), souvent hypersensibles dans les grands échantillons ou insuffisamment puissants dans les petits effectifs, que le diagramme quantile-quantile (communément désigné sous l’anglicisme Q-Q plot) s’impose comme un instrument diagnostique indispensable.

L’environnement logiciel Stata propose une suite complète d’outils analytiques et graphiques permettant d’inspecter visuellement la conformité d’une distribution empirique à une distribution théorique de référence. Maîtriser l’élaboration et la lecture critique d’un graphique Q-Q sous Stata ne relève pas d’une simple compétence technique d’affichage, mais participe d’une véritable démarche épistémologique visant à sonder la structure intrinsèque des résidus, à déceler la présence de valeurs atypiques ou influentes, et à corriger les éventuelles distorsions de modélisation avant la phase de publication.

Ce guide exhaustif a pour vocation de vous accompagner pas à pas dans l’apprentissage théorique, algorithmique et pratique du tracé quantile-quantile au sein de l’écosystème Stata. De la dérivation géométrique des quantiles théoriques jusqu’au reporting académique conforme aux standards internationaux de l’American Psychological Association (APA), cet article analyse les subtilités d’interprétation des courbures distributionnelles et propose des solutions méthodologiques concrètes face aux violations des postulats statistiques classiques.

1. Fondements théoriques et mathématiques du diagramme quantile-quantile (Q-Q plot)

1.1 Définition formelle et principe géométrique des quantiles

D’un point de vue statistique rigoureux, la fonction quantile est définie comme l’inverse généralisé de la fonction de répartition cumulative (en anglais, Cumulative Distribution Function ou CDF) d’une variable aléatoire continue. Soit une variable aléatoire X régie par une fonction de répartition théorique continue et strictement croissante notée F(x) = P(X ≤ x). La fonction quantile théorique correspondante, notée Q(p) = F^-1(p), renvoie la valeur x pour laquelle la probabilité cumulative équivaut exactement à p, où p appartient à l’intervalle semi-ouvert ]0, 1[.

Au niveau de l’échantillon observé comprenant n observations ordonnées de manière ascendante telles que x₍₁₎ ≤ x₍₂₎ ≤ … ≤ x_(n), la fonction quantile empirique attribue à chaque rang i une probabilité cumulée d’apparition. Cette probabilité est généralement formalisée au moyen d’une règle de positionnement (dite plotting position) de la forme p_i = (i – a) / (n + 1 – 2a), où le paramètre a varie selon les conventions mathématiques retenues (par exemple, la correction de Hazen où a = 0,5, la formule de Weibull où a = 0, ou encore l’ajustement optimal de Blom où a = 0,375, souvent préconisé pour l’approximation gaussienne).

Le diagramme Q-Q consiste en la projection, dans un système de coordonnées cartésiennes orthogonales, de couples associant les quantiles théoriques calculés aux quantiles empiriques observés. Ainsi, pour chaque observation classée i, le tracé fait correspondre l’abscisse théorique F^-1(p_i) à l’ordonnée empirique observée x_(i). Lorsque la loi empirique converge parfaitement vers la loi théorique sous-jacente, les couples de points s’alignent le long d’une droite affine de référence d’équation y = α + βx, où l’ordonnée à l’origine α capture le paramètre de localisation (la moyenne empirique dans le cas normal) et la pente β capture le paramètre d’échelle (l’écart-type de l’échantillon). Dans le cas d’une standardisation préalable complète, cette droite se confond rigoureusement avec la première bissectrice à 45 degrés passant par l’origine cartésienne.

La puissance géométrique de cette représentation réside dans sa sensibilité différentielle. Contrairement à d’autres métriques qui agrègent l’information sur toute l’étendue de l’échantillon, le diagramme Q-Q maintient une résolution spatiale élevée aux extrémités de la distribution. Les quantiles marginaux (les percentiles inférieurs et supérieurs) sont projetés de manière étirée dans l’espace cartésien, ce qui permet à l’analyste de repérer visuellement des écarts minuscules de densité dans les queues de distribution qui demeureraient invisibles lors de l’observation d’indicateurs synthétiques de tendance centrale.

1.2 Origine et utilité dans l’inférence statistique paramétrique

L’introduction formelle du diagramme quantile-quantile dans la boîte à outils des statisticiens remonte aux travaux pionniers publiés par Martin Wilk et Ram Gnanadesikan en 1968 au sein de la revue Biometrika. Leur démarche visait à libérer les analystes de données de la tyrannie des tests d’adéquation omnibus, tels que le test de Kolmogorov-Smirnov ou le test du khi-carré de Pearson, qui résumaient la conformité distributionnelle à une unique valeur de probabilité (p-value). Wilk et Gnanadesikan ont démontré que la réduction d’une structure de données multidimensionnelle à un indicateur scalaire binaire obscurcit les mécanismes sous-jacents qui provoquent le rejet de l’hypothèse nulle.

Dans l’inférence paramétrique classique, le diagramme Q-Q apporte un diagnostic qualitatif continu. Alors qu’un test formel indique uniquement si une distribution s’écarte significativement d’un modèle théorique, le diagramme Q-Q explicite comment et où cet écart s’opère. L’analyste peut déterminer instantanément si la défaillance d’ajustement découle d’une asymétrie unilatérale, d’un excès d’aplatissement (queues lourdes), d’une bimodalité dissimulée ou simplement de la présence isolée d’un agrégat de points extrêmes générés par des erreurs de mesure instrumentales.

Cette approche graphique constitue une méthode semi-paramétrique d’évaluation diagnostique. Elle ne nécessite aucun découpage arbitraire des données en classes d’intervalles — un défaut majeur qui grève l’usage de l’histogramme classique — et préserve l’intégrité de chaque observation individuelle. Face aux exigences modernes de transparence méthodologique et d’analyse exploratoire des données popularisées par John Tukey, le Q-Q plot incarne la première ligne de défense contre les erreurs d’inférence induites par une foi aveugle dans des modèles mal calibrés.

1.3 Distinction fondamentale entre Q-Q plot et P-P plot

Une confusion récurrente parmi les praticiens de la statistique consiste à assimiler le diagramme quantile-quantile (Q-Q plot) au diagramme probabilité-probabilité (P-P plot). Bien que ces deux visualisations cherchent à confronter un échantillon à une loi probabiliste de référence, leurs mécanismes de calcul et leurs vocations diagnostiques diffèrent substantiellement.

Le tracé P-P (généré sous Stata via la commande pnorm) compare la fonction de répartition empirique F_n(x) à la fonction de répartition théorique F(x) en projetant les probabilités cumulées sur un repère orthonormé borné par l’intervalle [0, 1] sur les deux axes. Pour chaque observation, on calcule la proportion théorique de valeurs attendues inférieures à x en regard de la proportion empirique observée. En conséquence directe de cette construction géométrique, la variabilité des probabilités cumulées p(1 – p) / n est maximale au centre de la distribution (lorsque p = 0,5) et tend vers zéro à mesure que p s’approche de 0 ou de 1.

De ce fait, le graphique P-P affiche une sensibilité maximale au centre de la distribution et compresse visuellement les queues. Il excelle dans l’évaluation de la justesse de l’ajustement autour de la médiane et dans la détection des anomalies modales médianes. À l’inverse, le graphique Q-Q préserve une métrique d’échelle constante exprimée dans l’unité de la variable ou en écarts-types normés. Ses quantiles théoriques s’étendent virtuellement de moins l’infini à plus l’infini, offrant une surface de projection démultipliée pour les observations situées dans les queues.

Le chercheur doit sélectionner son outil selon l’objectif poursuivi. Si le risque d’inférence dépend de la survenue d’événements extrêmes, de la validité des seuils de confiance à 95% ou 99%, ou de la précision des écarts-types des estimateurs — des préoccupations dominantes en psychométrie, en finance et en épidémiologie —, le diagramme Q-Q s’impose sans équivoque comme l’instrument supérieur.

2. L’importance du postulat de normalité des résidus en psychométrie et sciences comportementales

2.1 Le modèle linéaire général et le théorème de Gauss-Markov

Dans l’arsenal méthodologique des sciences comportementales, le modèle linéaire général (qui englobe la régression multiple, l’analyse de variance et l’analyse de covariance) constitue l’épine dorsale de la vérification des hypothèses de recherche. Dans ce cadre mathématique, il est impératif de dissiper une méconception répandue : le modèle linéaire ne requiert aucunement que la variable dépendante observée ou les variables prédictives suivent isolément une distribution normale. L’exigence de normalité porte exclusivement sur la distribution conditionnelle de la variable de réponse sachant les covariables, c’est-à-dire sur le terme d’erreur stochastique ε.

Le célèbre théorème de Gauss-Markov stipule que sous les hypothèses d’espérance conditionnelle nulle des erreurs, d’homoscédasticité (variance constante) et d’absence d’autocorrélation, les estimateurs obtenus par la méthode des moindres carrés ordinaires (MCO) sont les meilleurs estimateurs linéaires sans biais (propriété BLUE : Best Linear Unbiased Estimator). Il est fondamental de noter que le théorème de Gauss-Markov n’invoque nullement l’hypothèse de normalité pour garantir l’optimalité non biaisée des coefficients. La normalité des erreurs intervient à l’étape ultérieure de l’inférence probabiliste.

En effet, pour que les erreurs-types estimées autorisent la construction d’intervalles de confiance exacts et que les ratios empiriques suivent rigoureusement les distributions de Student (tests t sur les coefficients) et de Snedecor-Fisher (tests F globaux ou emboîtés), les résidus doivent provenir d’une population parente gaussienne. Si le terme d’erreur s’écarte lourdement de la normalité dans un échantillon de taille modeste, les seuils critiques tabulés deviennent caducs. Même si le théorème central limite garantit une convergence asymptotique de la distribution d’échantillonnage des estimateurs vers la normalité à mesure que la taille de l’échantillon N croît indéfiniment, cette protection asymptotique est souvent illusoire dans les recherches psychométriques réelles impliquant des échantillons restreints ou des distributions hautement asymétriques.

2.2 Implications psychométriques de la non-normalité des résidus

Dans la recherche psychologique et sociale, la modélisation s’appuie fréquemment sur des instruments de mesure standardisés (inventaires de personnalité, échelles de détresse psychologique, batteries de tests cognitifs). L’évaluation des interventions thérapeutiques ou comportementales repose sur la comparaison de scores d’efficacité où la moindre altération des erreurs-types peut modifier substantiellement les conclusions substantielles.

La non-normalité des résidus induit des distorsions asymétriques dans l’estimation des erreurs de mesure. Lorsqu’un chercheur tente d’établir un intervalle de confiance autour du score prédit d’un individu ou d’un paramètre d’effet d’une intervention, une distribution résiduelle à queues lourdes produit des intervalles empiriques trop étroits dans les marges, gonflant le taux d’erreur de première espèce (α). L’analyste risque alors de déclarer statistiquement significative une différence clinique qui relève du simple bruit stochastique.

De surcroît, les échelles psychométriques sont naturellement sujettes aux phénomènes de troncature empirique, plus connus sous les termes d’effets plancher (floor effects) et d’effets plafond (ceiling effects). Lorsqu’une échelle clinique d’évaluation de la dépression est administrée à une population générale non pathologique, une vaste majorité de participants se concentre sur le score minimal de zéro. Si l’analyste applique un modèle linéaire classique sans précaution, les résidus qui en résultent affichent une asymétrie mécanique sévère et une hétérogénéité structurelle. Ignorer ces signaux distributionnels sur un graphique Q-Q conduit à des inférences biaisées sur l’efficacité des protocoles expérimentaux.

2.3 Rôle diagnostique préventif avant la modélisation avancée

L’inspection des résidus via le diagramme Q-Q remplit une fonction diagnostique stratégique en amont de modélisations structurelles plus sophistiquées. L’analyse de médiation conditionnelle, les modèles à équations structurelles (SEM) et la modélisation multiniveau partagent des hypothèses sous-jacentes de multinormalité. Les estimateurs du maximum de vraisemblance (ML) standard utilisés dans ces architectures analytiques s’avèrent hypersensibles aux déviations de kurtosis dans les termes d’erreur.

Avant d’engager des calculs complexes d’indices d’adéquation globale (comme le RMSEA, le CFI ou le TLI), le chercheur gagne à isoler les anomalies distributionnelles au niveau élémentaire des équations de mesure univariées. Un graphique Q-Q dévoile sans ambiguïté si une non-normalité apparente provient d’une propriété structurelle continue de la population étudiée ou de la présence isolée d’un sous-groupe latent non modélisé (ce qui se traduit graphiquement par des ruptures de pente ou des discontinuités horizontales).

Dans le contexte actuel de la crise de reproductibilité des sciences comportementales, l’audit visuel pré-analytique garantit l’honnêteté intellectuelle de la démarche expérimentale. Documenter scrupuleusement la validité des résidus protège la communauté scientifique contre la publication de pseudo-découvertes générées par des artéfacts distributionnels non maîtrisés.

3. Préparation de l’environnement Stata et chargement des données

3.1 Configuration initiale et bonnes pratiques de reproductibilité

La recherche scientifique reproductible exige que chaque étape du flux d’analyse de données puisse être auditée, exécutée et répliquée à l’identique par des observateurs indépendants. Au sein de l’environnement Stata, cette discipline méthodologique débute impérativement par la rédaction d’un script structuré (fichier do-file) et la configuration d’un environnement de travail propre.

L’initialisation d’une session analytique sous Stata implique de purger la mémoire de toute variable résiduelle préexistante, de désactiver les interruptions de défilement dans la fenêtre d’affichage et de définir un répertoire de travail explicite vers lequel pointeront les sorties textuelles et graphiques. La création systématique d’un fichier journal d’audit (fichier log) s’avère indispensable pour archiver l’historique complet des calculs et des estimations matricielles exécutés au fil de la session.

Dans votre éditeur de do-file Stata, insérez les lignes de commande directrices suivantes :

clear all
macro drop _all
set more off
set linesize 100
cd « C:/Analyses_Psychometriques/Projet_Normalite »
capture log close
log using « journal_diagnostic_qq.log », replace text

Cette routine d’amorce garantit que votre environnement de calcul est totalement isolé d’éventuelles affectations scalaires antérieures, stabilise la largeur d’impression du terminal pour une lecture optimale des sorties d’estimation et scelle l’intégrité de vos démarches empiriques dans un journal textuel universellement exploitable.

3.2 Chargement et inspection préliminaire du jeu de données auto

Pour illustrer la mécanique diagnostique des résidus dans un cadre standardisé et accessible à l’ensemble de la communauté scientifique, nous exploitons la base de données intégrée de Stata consacrée aux caractéristiques automobiles (auto.dta). Bien que ses variables relèvent de spécifications techniques et économiques, la structure statistique de cette base de données — présentant des asymétries prononcées, des corrélations linéaires robustes et des observations atypiques — réplique fidèlement les défis distributionnels rencontrés quotidiennement en recherche empirique.

Le chargement de cette base s’opère instantanément à l’aide de l’instruction sysuse auto, clear. Une fois les données injectées dans la mémoire vive, la première exigence consiste à explorer la taxonomie des variables et l’architecture des observations au moyen des commandes describe et codebook.

Afin d’obtenir une vision détaillée des paramètres de dispersion, d’asymétrie et d’aplatissement de nos variables cibles, nous sollicitons la commande summarize assortie de l’option detail :

summarize price mpg displacement, detail

Cette requête délivre une décomposition quantile fine (percentiles 1%, 5%, 10%, 25%, 50%, 75%, 90%, 95%, 99%) ainsi que les coefficients d’asymétrie empirique (skewness) et d’aplatissement (kurtosis). L’observation de la variable price (le prix d’achat) met en exergue une divergence majeure entre la médiane (autour de 5000 dollars) et la moyenne arithmétique (supérieure à 6100 dollars), conjuguée à un coefficient d’asymétrie substantiellement positif. Ce comportement univarié fournit un terrain d’investigation idéal pour examiner la transmission des asymétries aux résidus de régression.

3.3 Nettoyage et contrôle de qualité des données

Préalablement à toute modélisation stochastique, une inspection rigoureuse de la qualité des données s’impose afin d’éviter que des artéfacts d’encodage ne polluent le diagnostic des quantiles. Il convient de vérifier l’exhaustivité des cellules d’observations à l’aide de la commande misstable summarize, qui permet de localiser l’éventuelle présence de valeurs manquantes (notées par un point d’interrogation ou un point typographique sous Stata).

Le contrôle des types de stockage machine est tout aussi crucial. Sous Stata, les variables numériques destinées à la modélisation mathématique doivent être stockées sous forme d’entiers (byte, int, long) ou de réels en virgule flottante (float, double). Une variable numérique accidentellement interprétée comme une chaîne de caractères (string) bloquera impitoyablement les calculs matriciels de post-estimation.

Enfin, la vérification des bornes d’admissibilité des données empêche la persistance d’aberrations de saisie. À titre d’exemple, des grandeurs physiques comme la consommation au gallon (mpg) ou la cylindrée du moteur (displacement) ne peuvent théoriquement pas afficher des valeurs négatives ou nulles. L’exécution de la commande assert mpg > 0 valide de manière automatisée l’adéquation formelle de l’échantillon aux contraintes de la réalité empirique.

4. Ajustement du modèle de régression linéaire multiple dans Stata

4.1 Spécification de l’équation de régression

Afin d’ancrer notre démarche dans le cadre de l’inférence multivariée classique, nous formulons un modèle de régression linéaire multiple dans lequel la variable de réponse continue price (le prix du véhicule) est expliquée simultanément par l’efficacité énergétique mpg (miles per gallon) et par la puissance volumétrique displacement (la cylindrée). D’un point de vue conceptuel, ce modèle vise à isoler l’arbitrage économique ou comportemental entre performance motrice et économie de carburant.

L’ajustement du modèle par la méthode des moindres carrés ordinaires s’effectue dans Stata au moyen de la syntaxe fondamentale suivante :

regress price mpg displacement

L’exécution de cette commande déclenche le calcul de la table d’analyse de la variance (ANOVA), décomposant la somme totale des carrés des écarts (Total SS) en somme des carrés expliquée par le modèle (Model SS) et somme des carrés des résidus non expliqués (Residual SS). La lecture immédiate du tableau se focalise sur le test global de Fisher F(2, 71) et sur sa probabilité associée (Prob > F), qui atteste du rejet sans équivoque de l’hypothèse nulle d’inutilité conjointe des prédicteurs. Le coefficient de détermination R² indique quant à lui la proportion de variance de la variable dépendante absorbée par les covariables sélectionnées.

4.2 Interprétation préliminaire des coefficients statistiques

L’inspection des coefficients d’ajustement partiels révèle l’impact spécifique de chaque covariable, sous condition de contrôle mutuel. Le coefficient associé à displacement affiche une valeur positive statistiquement significative, indiquant que l’augmentation de la taille du moteur est corrélée à un accroissement moyen du prix de vente. À l’opposé, le coefficient associé à mpg renvoie une valeur négative : les véhicules plus économes ont tendance à se négocier à des tarifs inférieurs dans ce millésime particulier du marché automobile.

Avant d’aborder la question de la normalité résiduelle, un diagnostic de colinéarité élémentaire est exécuté à l’aide de l’outil de post-estimation estat vif (facteur d’inflation de la variance). Des valeurs de VIF excessives (conventionnellement supérieures au seuil de 5 ou 10) signaleraient une interdépendance linéaire dégradant la précision des coefficients partiels. Dans le cas présent, les valeurs de VIF demeurent à des niveaux modérés, garantissant que l’instabilité numérique n’interfère pas avec les calculs ultérieurs.

Toutefois, la validité des valeurs de p affichées dans la colonne P>|t| et celle des intervalles de confiance à 95% reposent implicitement sur la supposition que les écarts d’ajustement individuels suivent une loi normale pure. Si cette prémisse s’avère fausse, les seuils de rejet formels risquent d’induire en erreur le modélisateur.

4.3 Validation des hypothèses sous-jacentes du modèle

Le chercheur doit impérativement rappeler les conditions mathématiques d’application de la régression MCO pour éviter les erreurs d’interprétation. Les hypothèses fondamentales exigent :

• La linéarité de la relation structurelle liant la variable dépendante aux covariables ;
• L’exogénéité stricte des régresseurs, c’est-à-dire une espérance mathématique conditionnelle des erreurs nulle : E(ε | X) = 0 ;
• L’homoscédasticité, se traduisant par une variance constante des perturbations : Var(ε | X) = σ² ;
• L’absence de dépendance ou de corrélation sérielle entre les perturbations d’observations distinctes : Cov(ε_i, ε_j) = 0 pour tout i ≠ j ;
• La normalité conditionnelle multivariée : ε | X ~ N(0, σ²I).

Il est fondamental de dissocier la distribution marginale des prédicteurs — qui peuvent être asymétriques, discrets, binaires ou catégoriels sans que cela n’invalide la théorie des MCO — de la distribution des termes d’erreur non observés. Dès lors, le diagnostic de normalité ne doit sous aucun prétexte être exécuté sur la variable brute price sans ajustement préalable. Les vérifications distributionnelles doivent porter de manière exclusive sur les résidus extraits post-estimation.

5. Extraction et calcul des résidus du modèle sous Stata

5.1 Types de résidus calculables dans l’environnement post-estimation

À l’issue de l’estimation d’un modèle de régression linéaire, Stata conserve en mémoire les matrices de variance-covariance et les vecteurs de paramètres. La commande predict permet d’exploiter cette mémoire volatile pour dériver plusieurs variantes analytiques des résidus, chacune répondant à une finalité diagnostique précise.

Le premier type correspond aux résidus ordinaires (ou bruts), définis mathématiquement par la différence élémentaire e_i = y_i – ŷ_i, où y_i représente la valeur observée pour l’individu i et ŷ_i sa valeur prédite par le plan de régression. Bien qu’intuitifs et conservant l’unité de mesure originale de la variable dépendante, les résidus ordinaires présentent une variance hétérogène inhérente, dépendante de l’éloignement de l’observation par rapport au centre de gravité des prédicteurs (l’effet de levier h_ii).

Pour remédier à cette hétérogénéité d’échelle interne, on calcule les résidus standardisés (ou résidus de Pearson). Ces derniers divisent le résidu ordinaire par l’écart-type global de l’erreur d’ajustement du modèle : r_i = e_i / s. Bien qu’utiles, ils négligent le fait que la variance théorique de chaque résidu individuel est en réalité égale à σ²(1 – h_ii).

Enfin, les résidus studentisés (externes ou résidus jackknife) constituent l’étalon diagnostique le plus rigoureux. Notés t_i, ils sont calculés en excluant délibérément l’observation i de l’estimation de la variance de l’erreur et en pondérant le résidu par son erreur-type conditionnelle spécifique : t_i = e_i / [s_(i) √(1 – h_ii)]. Sous l’hypothèse nulle de normalité et en l’absence de valeurs aberrantes, ces résidus studentisés suivent précisément une loi de Student à n – k – 2 degrés de liberté, se rapprochant de la loi normale centrée réduite dans les échantillons de taille moyenne à grande. Ils se révèlent particulièrement redoutables pour démasquer des points extrêmes dissimulés.

5.2 Implémentation technique de la commande predict

L’extraction de ces différents types de résidus dans Stata s’effectue immédiatement après la commande de régression via des appels séquentiels à l’instruction predict, assortie des options appropriées. Exécutez le bloc syntaxique suivant :

predict res_bruts, residuals
predict res_std, rstandard
predict res_stud, rstudent

La première instruction génère un nouveau vecteur numérique baptisé res_bruts contenant les résidus ordinaires y – ŷ. La seconde instruction stocke sous le nom res_std les résidus standardisés basiques. Enfin, la troisième ligne crée la variable res_stud, qui isole les résidus studentisés externes. Cette dernière variable est celle qu’il convient de privilégier pour l’audit graphique fin de la normalité, car elle neutralise mathématiquement les distorsions provoquées par les points à fort effet de levier (high leverage points).

5.3 Examen descriptif des résidus extraits

Avant même d’afficher les quantiles sur un plan graphique, l’analyste doit inspecter les propriétés numériques de premier ordre de la variable résiduelle. L’exécution de la commande suivante fournit les indicateurs de base :

summarize res_bruts, detail

Une propriété mathématique fondamentale de la méthode des moindres carrés ordinaires garantit que la moyenne arithmétique des résidus ordinaires est rigoureusement égale à zéro (aux erreurs d’arrondi machine près de l’ordre de 10^-12), pourvu que le modèle intègre une constante d’ajustement. L’inspection des moments d’ordre supérieur constitue le véritable foyer d’intérêt : un coefficient d’asymétrie (skewness) s’écartant de 0 traduit une dissymétrie de la masse résiduelle, tandis qu’un coefficient d’aplatissement (kurtosis) excédant nettement la valeur canonique de 3 signale la présence de queues lourdes et épaisses.

Pour compléter cet examen préliminaire d’un point de vue exploratoire sans faire appel à un tracé lourd, l’instruction stem res_stud génère un affichage tige-et-feuilles (stem-and-leaf plot) directement dans la console textuelle de Stata. Ce retour permet de visualiser instantanément la symétrie centrale et de repérer les observations périphériques dont la valeur absolue franchit les seuils critiques conventionnels de 2 ou 3 écarts-types.

6. Génération du graphique Q-Q standard avec la commande qnorm

6.1 Syntaxe de base et fonctionnement interne de qnorm

Au sein de l’environnement Stata, la commande dédiée à la construction immédiate d’un diagramme quantile-quantile normal théorique est qnorm. Sa syntaxe élémentaire la plus directe s’écrit tout simplement :

qnorm res_bruts

Dès l’exécution de cette commande, le moteur algorithmique de Stata opère une suite séquentielle de calculs mathématiques :

• Il calcule la moyenne d’échantillon m et la variance non biaisée s² du vecteur de résidus spécifié ;
• Il trie l’ensemble des n observations de la variable par ordre strictement croissant afin d’établir la série des quantiles empiriques ;
• Pour chaque observation de rang i, il détermine la probabilité cumulative théorique via la règle de Blom ou de Hazen ;
• Il résout l’inverse de la fonction de répartition cumulative d’une loi normale gaussienne de paramètres N(m, s²) pour extraire la valeur théorique z_i correspondante ;
• Il projette simultanément le nuage de points cartésiens et superpose une droite de référence continue représentant la concordance théorique parfaite.

6.2 Application de qnorm sur différentes variantes de résidus

Bien que l’exécution de qnorm sur les résidus bruts res_bruts fournisse une première estimation visuelle, son application sur les résidus studentisés externes offre des avantages diagnostiques supérieurs. Exécutez consécutivement :

qnorm res_stud

Sur cette nouvelle figure, l’axe des ordonnées reflète directement les déviations en unités d’écart-type studentisé. L’alignement sur la droite de référence devient un indicateur direct de conformité à une loi normale standard N(0, 1). Les observations dont les résidus studentisés dépassent +2,5 ou tombent en dessous de -2,5 se détachent immédiatement de l’axe central, révélant la présence d’atypicités conditionnelles sévères que la variance globale des résidus bruts avait tendance à lisser visuellement.

Cette standardisation garantit également la stabilité du diagnostic face aux observations détenant un levier élevé dans l’espace des covariables. Une observation isolée dans l’espace des variables indépendantes (par exemple un véhicule doté d’une cylindrée exceptionnellement volumineuse) tend mécaniquement à attirer à elle le plan de régression, contractant artificiellement son résidu ordinaire. Le résidu studentisé corrigeant ce biais par le facteur √(1 – h_ii), le tracé Q-Q de res_stud révèle la perturbation réelle infligée au postulat de normalité.

6.3 Décomposition structurelle de l’affichage graphique par défaut

Par défaut, l’interface graphique de Stata générée par qnorm présente des spécificités structurelles qu’il convient de décrypter minutieusement :

• L’axe des abscisses (axe X) est systématiquement libellé Theoretical Quantiles. Il correspond aux valeurs de quantiles issues de la distribution normale paramétrique modélisée à partir des données.
• L’axe des ordonnées (axe Y) porte l’étiquette Reverse Cumulative Residuals ou simplement le nom de la variable inspectée avec ses quantiles observés effectifs.
• La droite de référence diagonale ne représente pas simplement une fonction arbitraire, mais la trajectoire sur laquelle doivent rigoureusement reposer l’ensemble des points d’échantillonnage si l’hypothèse de distribution normale est satisfaite. Toute déviation orthogonale ou verticale par rapport à ce guide linéaire matérialise une anomalie probabiliste.

Il est fondamental de noter que les paramètres de la droite de référence par défaut sont directement calibrés sur la moyenne et l’écart-type observés de la variable analysée. En conséquence, le graphique évalue si les données proviennent d’une loi normale générale de moyenne et variance identiques, et non pas spécifiquement d’une loi normale centrée réduite arbitraire.

7. Utilisation avancée : Comparaison empirique avec la commande qqplot

7.1 Syntaxe et cas d’usage de la commande qqplot

Tandis que la commande qnorm confronte une distribution empirique unique à une distribution théorique paramétrique gaussienne, Stata intègre une commande d’une remarquable puissance analytique destinée à la comparaison distributionnelle non paramétrique directe entre deux vecteurs de données : la commande qqplot.

Sa formulation canonique s’articule comme suit :

qqplot variable1 variable2

Dans ce cadre géométrique, Stata ne calcule plus les quantiles à partir d’une équation intégrale normale théorique. L’algorithme trie indépendamment les deux variables empiriques désignées, détermine les quantiles correspondants pour chaque centile d’ordre p, et les projette l’un contre l’autre dans le plan cartésien. Si les deux échantillons proviennent d’une population parente régie par une loi de probabilité identique (quelle que soit la nature de cette loi — gaussienne, logistique, gamma ou exponentielle), les points empiriques s’agencent le long d’une droite de concordance.

Cette méthodologie non paramétrique trouve une utilité cruciale en psychométrie expérimentale lorsqu’il s’agit d’évaluer l’invariance distributionnelle entre un groupe exposé à un traitement expérimental et un groupe de contrôle recevant un placebo. Si le traitement modifie la moyenne sans altérer la variance ou la forme générale de la distribution, le tracé qqplot demeure une droite linéaire parfaite simplement translatée verticalement. En revanche, si l’intervention induit une hétérogénéité structurelle dans les réponses individuelles, le tracé affiche une rupture de pente manifeste.

7.2 Comparaison entre deux modèles de régression concurrents

Une application très avancée de qqplot réside dans l’arbitrage visuel direct entre deux modélisations concurrentes pour un même phénomène empirique. Supposons que nous hésitions entre notre modèle linéaire de base et un modèle alternatif incorporant une transformation logarithmique de la variable dépendante ou des termes polynomiaux pour modéliser des courbures non linéaires.

Exécutons l’ajustement concurrent et extrayons ses résidus :

regress price mpg displacement c.displacement#c.displacement
predict res_modele2, residuals

Nous disposons désormais de deux vecteurs résiduels distincts : res_bruts (issu du modèle strictement linéaire) et res_modele2 (issu du modèle quadratique). Pour comparer visuellement leur comportement aux extrêmes sans dépendre d’une comparaison abstraite de critères d’information (comme l’AIC ou le BIC), nous pouvons projeter directement ces résidus l’un contre l’autre :

qqplot res_bruts res_modele2

L’inspection des courbures résultantes indique immédiatement quel modèle compresse le plus efficacement les valeurs résiduelles excessives et neutralise les déviations aberrantes dans les queues de distribution.

7.3 Différenciation analytique entre qnorm et qqplot

Pour clarifier la prise de décision méthodologique du statisticien sous Stata, les spécificités de ces deux commandes fondamentales peuvent être synthétisées à travers leurs logiques d’application :

• La commande qnorm : Modélisation univariée théorique. Elle impose un a priori probabiliste fort (l’hypothèse de normalité gaussienne). Elle est l’outil exclusif à mobiliser pour vérifier le respect du postulat de normalité résiduelle dans le cadre de l’inférence des modèles de régression MCO standards.
• La commande qqplot : Comparaison bivariée empirique. Elle est totalement exempte de toute hypothèse paramétrique préalable. Elle permet de tester l’équivalence distributionnelle entre deux conditions expérimentales, deux cohortes indépendantes ou deux vecteurs résiduels issus de spécifications concurrentes.

L’utilisation judicieuse et combinée de ces deux approches offre au modélisateur une vision panoramique de la dynamique distributionnelle de ses données, écartant tout risque d’incompréhension face aux déformations géométriques des tracés.

8. Personnalisation esthétique et technique des graphiques Q-Q dans Stata

8.1 Optimisation des marqueurs et des symboles graphiques

L’habillage graphique par défaut produit par Stata — bien qu’analytiquement rigoureux — nécessite une optimisation substantielle pour satisfaire aux critères d’exigence visuelle des revues scientifiques de premier rang. La lisibilité d’un diagramme Q-Q repose principalement sur la netteté de ses marqueurs ponctuels et l’absence d’occultation visuelle (overplotting) lorsque la taille de l’échantillon devient conséquente.

Stata permet de moduler précisément la géométrie, la taille et la tonalité chromatique des points au moyen des options msymbol, msize et mcolor. Par exemple, l’adoption de marqueurs circulaires pleins de taille réduite (msymbol(circle) msize(small)) combinée à une couleur sobre (comme le bleu acier ou le gris anthracite) améliore la lisibilité globale. Lorsque les observations sont nombreuses et se superposent au centre du graphique, l’introduction d’un canal de transparence (opacité alpha) permet de révéler la densité locale des observations :

qnorm res_stud, msymbol(circle) msize(small) mcolor(« 50 100 150 %60 »)

Dans un contexte diagnostique clinique ou forensique, il est également précieux d’identifier nommément les observations responsables des décrochages les plus sévères aux extrémités. L’option mlabel permet de projeter une variable d’identification textuelle (par exemple le nom du modèle de véhicule ou le code d’un patient) à côté de chaque point du tracé :

qnorm res_stud, mlabel(make) mlabsize(vsmall) mlabcolor(black)

8.2 Personnalisation de la droite de référence et des axes

La droite théorique de concordance ne doit pas dominer visuellement le tracé au détriment des données empiriques, mais agir comme un repère géométrique d’une parfaite clarté. L’option rlopts (reference line options) permet de piloter directement les attributs de tracé de cette droite vectorielle. Il est recommandé de lui attribuer un motif discontinu ou une couleur contrastée mais élégante, par exemple un rouge bordeaux ou une nuance sombre d’épaisseur modérée : rlopts(lcolor(cranberry) lwidth(medium) lpattern(dash)).

Le paramétrage des axes coordonnés doit obéir à des impératifs d’équilibre géométrique. Pour que l’œil humain évalue objectivement les courbures sans distorsion d’anamorphose, il convient de calibrer des échelles symétriques et d’insérer des repères de graduation explicites via les options xlabel et ylabel :

qnorm res_stud, xlabel(-3(1)3, grid) ylabel(-3(1)4, grid) yline(0, lstyle(foreground) lpattern(dot))

L’insertion d’une grille discrète d’arrière-plan (grid) et d’une ligne horizontale marquant le zéro résiduel (yline(0)) ancre visuellement la dispersion et facilite la détection immédiate des asymétries de répartition autour du centre fonctionnel.

8.3 Titrage, légendes et application des chartes graphiques académiques

L’intégration d’un graphique dans un manuscrit académique ou un rapport de recherche exige le respect de chartes typographiques strictes. L’environnement graphique de Stata permet d’abandonner l’apparence par défaut (le schéma s2color et son fond bleuté peu adapté à l’impression papier) au profit de schémas monochromes professionnels et minimalistes, tels que scheme(s1mono) ou les schémas récents de la bibliothèque StataCorp.

Voici la commande synthétique intégrant l’ensemble des bonnes pratiques de personnalisation graphique en vue d’une diffusion scientifique irréprochable :

qnorm res_stud, ///
    msymbol(circle) msize(medium) mcolor(navy%70) ///
    rlopts(lcolor(cranberry) lwidth(medthick) lpattern(solid)) ///
    title(« Diagramme Quantile-Quantile des Résidus Studentisés », size(medium) color(black)) ///
    subtitle(« Modèle de prédiction du prix du véhicule », size(small) color(gs6)) ///
    xtitle(« Quantiles Théoriques d’une Loi Normale Standardisée », size(small)) ///
    ytitle(« Quantiles Empiriques des Résidus Studentisés », size(small)) ///
    note(« Source: Base auto.dta. Résidus studentisés externes dérivés par MCO. », size(tiny)) ///
    scheme(s1mono)

Une fois le graphique finalisé dans la fenêtre active, son exportation vers des formats de publication vectoriels haute résolution (sans aucune perte matricielle de netteté) s’exécute à l’aide de l’instruction graph export :

graph export « Figure_Diagnostic_QQ.pdf », replace
graph export « Figure_Diagnostic_QQ.png », width(2400) height(1800) replace

Cette approche garantit un rendu professionnel adapté tant aux documents imprimés qu’aux supports de diffusion numérique.

9. Analyse et interprétation diagnostique des écarts à la droite de référence

9.1 Détection des asymétries distributionnelles (Skewness)

L’interprétation visuelle d’un diagramme Q-Q repose sur la reconnaissance de motifs morphologiques spécifiques formés par les déviations des points empiriques par rapport à la droite de référence. La première anomalie majeure fréquemment rencontrée est l’asymétrie de distribution (skewness).

Une asymétrie positive (ou asymétrie vers la droite) survient lorsque la queue de distribution s’étire de manière disproportionnée vers les valeurs positives élevées. Sur le graphique Q-Q, cette pathologie distributionnelle se manifeste par une courbure convexe caractéristique en forme de bol ou de parabole orientée vers le haut :

• Dans la partie inférieure gauche (quantiles négatifs), les points empiriques se situent au-dessus de la droite de référence, ce qui démontre que les valeurs minimales observées sont moins négatives (plus resserrées vers le centre) que ne le prévoit la théorie normale.
• Au centre, les points traversent la droite d’ajustement.
• Dans la partie supérieure droite (quantiles positifs), les points empiriques s’élèvent brutalement et s’écartent au-dessus de la ligne de référence, traduisant le fait que les grandes valeurs positives sont considérablement plus extrêmes que les valeurs théoriques attendues sous l’hypothèse normale.

À l’inverse, une asymétrie négative (ou asymétrie vers la gauche) engendre une courbure concave en forme de voûte orientée vers le bas. Dans ce cas de figure, les points de la queue inférieure décrochent profondément en dessous de la droite théorique (valeurs négatives excessivement lointaines), tandis que les quantiles supérieurs plafonnent sous la ligne de référence. La persistance d’une telle asymétrie invalide la symétrie des intervalles de confiance et biaise lourdement l’évaluation des seuils d’intervention clinique.

9.2 Identification des queues lourdes et légères (Kurtosis)

Le second paramètre morphologique critique concerne l’aplatissement de la distribution (kurtosis), qui régit l’épaisseur relative des queues par rapport au centre fonctionnel de la loi normale standard.

Une distribution résiduelle leptokurtique (à queues lourdes ou épaisses) génère une configuration géométrique hautement caractéristique en forme de « S » inversé :

• Aux extrémités gauches (quantiles théoriques négatifs), les observations empiriques plongent sous la droite de référence, indiquant que les résidus négatifs extrêmes sont bien plus distants et sévères que prévu par le modèle gaussien.
• Dans la zone médiane, la pente empirique des points se redresse de manière plus abrupte que la droite théorique, trahissant une concentration centrale excessive (excès de pointicité).
• Aux extrémités droites (quantiles théoriques positifs), les observations s’envolent au-dessus de la droite de référence, confirmant la prolifération de valeurs résiduelles positives anormalement élevées.

Cette signature leptokurtique signale un danger statistique majeur : la sous-estimation systématique des probabilités associées aux événements extrêmes et une dégradation sensible de l’efficacité asymptotique des estimateurs MCO.

Inversement, une distribution platykurtique (à queues légères ou courtes) adopte la morphologie opposée, prenant l’aspect d’un « S » étiré régulier. Les quantiles empiriques inférieurs se situent au-dessus de la droite (absence de valeurs très négatives), tandis que les quantiles supérieurs demeurent sous la droite (absence de valeurs très positives), traduisant une dispersion tronquée ou compacte qui rappelle une distribution uniforme ou bimodale.

9.3 Identification des valeurs aberrantes et discontinuités

Au-delà des courbures globales continues relatives à l’asymétrie ou à l’aplatissement, le diagramme Q-Q excelle dans l’isolement des anomalies locales discrètes qui altèrent l’échantillon.

La présence d’une ou plusieurs valeurs aberrantes (outliers) se matérialise sur le graphique par un décrochage orthogonal isolé. Tandis que 95% des points de données épousent harmonieusement la rectilinéarité de la référence centrale, un point unique ou un chapelet discontinu de deux ou trois observations s’écarte radicalement de l’alignement général aux confins du repère. Cet agencement permet à l’analyste de diagnostiquer que la non-normalité n’est pas une caractéristique structurelle de la population étudiée, mais le produit de quelques observations spécifiques qu’il convient d’isoler pour examen substantiel.

Une autre pathologie fréquente en sciences du comportement est la présence de paliers horizontaux. Si la variable analysée — ou la variable de réponse sous-jacente — est discrète, fortement arrondie ou sujette à un effet plafond massif sur une échelle psychométrique, le tracé Q-Q ne présentera pas une trajectoire continue. Il affichera des successions de segments horizontaux parallèles reliés par des sauts verticaux. Ces paliers traduisent le fait que de multiples observations partagent exactement la même valeur résiduelle discrète pour des quantiles théoriques continus distincts. Un tel constat disqualifie immédiatement l’usage de modèles linéaires continus non ajustés et impose le recours à des modélisations alternatives appropriées.

10. Comparaison du graphique Q-Q avec d’autres diagnostics de normalité dans Stata

10.1 Complémentarité avec les tests statistiques formels

L’écosystème Stata dispose d’un ensemble complet de tests formels d’adéquation à la normalité. Parmi les plus renommés figurent le test de Shapiro-Wilk (exécutable via swilk res_bruts), le test de Shapiro-Francia (via sfrancia res_bruts) et le test d’asymétrie et de kurtosis de D’Agostino-Pearson (via la commande sktest res_bruts).

Bien que ces tests délivrent un critère de décision binaire commode fondé sur la règle de décision p < 0,05, leur utilisation isolée expose le chercheur à des pièges méthodologiques majeurs bien documentés en épistémologie statistique. Dans les très grands échantillons (courants dans les registres épidémiologiques ou les bases de données massives), la puissance statistique de ces tests devient quasi-infinie. La moindre divergence microscopique par rapport à une perfection gaussienne idéale — une déviation sans aucune conséquence pratique sur la robustesse des MCO — déclenche instantanément le rejet de l’hypothèse nulle avec des valeurs de p infinitésimales (p < 0,00001).

À l’inverse, dans les petits échantillons (typiques des protocoles cliniques ou neuroscientifiques où N < 30), ces tests formels souffrent d’un déficit de puissance statistique notoire, échouant fréquemment à rejeter la normalité face à des distributions pourtant manifestement bimodales ou leptokurtiques. L’inspection conjointe du graphique Q-Q neutralise ces deux écueils : elle permet de contextualiser la significativité mécanique des grands échantillons en confirmant que l’alignement visuel reste globalement satisfaisant, tout en révélant les déviations périlleuses dans les petits collectifs de données.

10.2 Comparaison avec l’histogramme des résidus superposé

L’histogramme demeure traditionnellement la visualisation la plus intuitive de la distribution d’une variable. Sous Stata, l’adjonction d’une courbe normale théorique de référence s’effectue aisément via la commande suivante :

histogram res_bruts, normal kdensity

Toutefois, l’histogramme présente une vulnérabilité majeure qui limite sa portée diagnostique fine : sa morphologie apparente dépend de manière critique du choix arbitraire du nombre d’intervalles (bins) et de la largeur des classes de découpage. Modifier légèrement le point de départ d’une classe peut masquer une bimodalité ou faire artificiellement émerger une asymétrie inexistante.

De plus, l’histogramme compresse visuellement les extrémités pour mettre en valeur le centre de la masse de données. Les quantiles extrêmes — qui portent la quasi-totalité de l’information sur la validité des queues d’inférence — se trouvent réduits à de minces barres d’un ou deux millimètres de hauteur, rendant impossible toute appréciation critique de leur comportement stochastique. Le graphique Q-Q élimine tout découpage arbitraire en classes en représentant chaque observation individuelle, garantissant une résolution optique optimale sur l’ensemble du domaine de variation.

10.3 Complémentarité avec le tracé résidus-valeurs ajustées

La validation globale d’un modèle de régression ne saurait se borner au seul diagnostic de normalité. Une violation visible sur un diagramme Q-Q est très fréquemment le symptôme dérivé d’une pathologie plus fondamentale du modèle : la non-linéarité structurelle de la fonction de régression ou l’hétéroscédasticité des perturbations.

Il est donc impératif de coupler systématiquement le diagramme Q-Q avec l’inspection du graphique des résidus en fonction des valeurs prédites (Residuals versus Fitted plot), généré sous Stata par la commande post-estimation canonique :

rvfplot, yline(0)

Ce graphique permet de vérifier que la dispersion verticale des résidus demeure rigoureusement constante et homogène sur l’ensemble du continuum des valeurs ajustées &ycirc; (homoscédasticité), et qu’aucune courbure fonctionnelle résiduelle systématique (forme en entonnoir, parabole) n’indique l’omission de termes non linéaires. Si le tracé rvfplot révèle une structure en entonnoir prononcée (hétéroscédasticité structurelle), les déviations observées sur le graphique Q-Q découlent directement de cette hétérogénéité de variance. Traiter l’hétéroscédasticité restaure bien souvent la conformité du diagramme Q-Q.

11. Solutions méthodologiques face aux violations diagnostiquées par le graphique Q-Q

11.1 Transformations de la variable dépendante

Lorsque le diagramme Q-Q révèle une asymétrie persistante ou une déformation systématique des résidus, la première stratégie corrective classique consiste à appliquer une transformation mathématique non linéaire à la variable dépendante originale Y, de manière à compresser les valeurs extrêmes et à rétablir la symétrie conditionnelle.

Face à une asymétrie positive marquée (courbure convexe sur le graphique Q-Q), la transformation logarithmique s’impose comme la solution canonique la plus féconde et la plus interprétable :

generate ln_price = ln(price)
regress ln_price mpg displacement
predict res_log, rstudent
qnorm res_log

Dans la grande majorité des cas empiriques impliquant des grandeurs monétaires, des temps de latence ou des échelles cliniques asymétriques, l’adoption d’un modèle log-linéaire élimine la courbure convexe et replace harmonieusement les résidus studentisés le long de la bissectrice théorique. Pour des variables de comptage ou des scores bornés affichant des asymétries plus modérées, la transformation par la racine carrée (sqrt(y)) ou la transformation inverse (1/y) constituent des alternatives viables.

Lorsque l’analyste refuse de choisir empiriquement une transformation arbitraire, Stata propose l’algorithme d’optimisation de puissance paramétrique de Box-Cox via la commande intégrée :

boxcox price mpg displacement

Cette procédure estime par le maximum de vraisemblance le paramètre d’échelle optimal λ qui maximise la normalité des résidus du modèle, guidant l’analyste vers la transformation la plus rigoureuse sur le plan des données.

11.2 Méthodes d’estimation robustes aux écarts de normalité

Si la transformation mathématique de la variable dépendante altère excessivement l’interprétabilité des coefficients dans le cadre théorique de l’étude, le chercheur doit renoncer aux MCO classiques au profit d’estimateurs robustes conçus pour opérer avec précision en présence de distributions non gaussiennes.

La première réponse consiste à neutraliser les distorsions d’erreurs-types sans modifier les coefficients en sollicitant l’estimateur de variance robuste de Huber-White :

regress price mpg displacement, vce(robust)

Toutefois, si la non-normalité sur le tracé Q-Q s’accompagne d’observations aberrantes exerçant une influence démesurée sur la position du plan d’ajustement, le recours aux M-estimateurs robustes et à la régression bi-carrée de Tukey s’avère indispensable via la commande Stata :

rreg price mpg displacement

L’algorithme de rreg procède par moindres carrés pondérés itératifs, attribuant une pondération dégressive aux observations situées aux confins de la distribution et excluant totalement les valeurs aberrantes destructrices (dont la distance de Cook excède 1). Les résidus de ce modèle robuste retrouvent une stabilité exemplaire.

Enfin, lorsque l’asymétrie structurelle est consubstantielle au phénomène modélisé, l’abandon de la moyenne conditionnelle au profit de la régression quantile médiane constitue une avancée méthodologique majeure :

qreg price mpg displacement

La commande qreg modélise la médiane conditionnelle (le 50e percentile) par minimisation de la somme des déviations absolues des résidus (critère LAD : Least Absolute Deviations). Cet estimateur est par nature totalement insensible aux déviations de kurtosis et aux queues lourdes mises en lumière par le graphique Q-Q.

11.3 Recours au rééchantillonnage et modèles non linéaires

Une alternative moderne et universellement respectée face aux anomalies distributionnelles identifiées sur le diagramme Q-Q consiste à s’affranchir entièrement des présupposés de normalité asymptotique en ayant recours au rééchantillonnage non paramétrique par bootstrap. Cette méthodologie reconstruit empiriquement la distribution d’échantillonnage des coefficients par tirages répétés avec remise au sein de l’échantillon observé :

regress price mpg displacement, vce(bootstrap, reps(2000) seed(12345))

L’estimation des intervalles de confiance percentiles ou corrigés des biais (BCa) dérivés de 2000 réplications bootstrap garantit des conclusions statistiques inférentielles d’une rigueur absolue, immunisées contre les distorsions de queues lourdes ou d’asymétrie révélées par le tracé Q-Q.

Enfin, si le diagramme Q-Q révèle des paliers horizontaux caractéristiques de variables bornées ou de comptage pur, la solution épistémologique définitive réside dans la transition vers le cadre unifié des modèles linéaires généralisés (GLM) :

glm price mpg displacement, family(gamma) link(log)

En substituant la famille de distribution Gaussienne par une famille Gamma (idéale pour les distributions continues strictement positives et fortement asymétriques) associée à une fonction de lien logarithmique, le chercheur adapte son cadre mathématique à la réalité intrinsèque de ses données au lieu de forcer ces dernières à se conformer artificiellement à une loi normale inadaptée.

12. Bonnes pratiques de reporting académique des graphiques Q-Q selon les normes APA

12.1 Intégration narrative des diagnostics dans la section Résultats

Le reporting scientifique moderne — encadré par les directives de l’American Psychological Association (APA, 7e édition) et les comités de lecture des revues internationales — proscrit l’affirmation péremptoire et non documentée de conformité aux postulats statistiques. Les auteurs doivent articuler une narration transparente décrivant le protocole de vérification des hypothèses préalables à la modélisation.

Dans la section Résultats de votre manuscrit, l’intégration narrative du diagnostic des résidus doit allier concision méthodologique et précision analytique. Voici un canevas rédactionnel académique exemplaire pouvant être adapté à vos publications :

« Préalablement à l’évaluation des hypothèses inférentielles du modèle de régression linéaire multiple, la validité des postulats sous-jacents du modèle linéaire général a fait l’objet d’un audit diagnostique systématique. L’évaluation de la normalité conditionnelle des perturbations a été réalisée par l’inspection conjointe du diagramme quantile-quantile (Q-Q plot) des résidus studentisés externes et des indicateurs formels de forme distributionnelle. L’examen graphique révèle un alignement étroit de la quasi-totalité des quantiles empiriques le long de la droite théorique gaussienne de référence, attestant de l’absence d’asymétrie structurelle invalidante. Bien qu’une légère divergence leptokurtique marginale se manifeste au-delà de trois écarts-types studentisés sur deux observations périphériques, la robustesse inhérente des moindres carrés ordinaires dans des échantillons de taille modérée autorise le maintien des estimations paramétriques sans transformation artificielle de l’échelle d’origine. Les erreurs-types ont en outre été corroborées par une procédure de rééchantillonnage bootstrap non paramétrique (2 000 itérations), confirmant la stricte stabilité des seuils de signification statistique rapportés. »

Cette formulation atteste auprès des relecteurs que l’évaluation des données n’a pas été automatisée aveuglément, mais a fait l’objet d’un arbitrage méthodologique éclairé.

12.2 Présentation visuelle des figures selon le style APA (7e édition)

L’insertion d’une figure diagnostique au sein d’un article soumis aux normes APA obéit à des conventions typographiques et géométriques rigoureusement standardisées. Les erreurs de mise en page graphique figurent parmi les motifs récurrents de rejet technique lors de la phase de révision.

Les prescriptions centrales du style APA 7e édition imposent :

• La numérotation de la figure : Elle figure au-dessus de l’image, en caractères gras, justifiée à gauche (par exemple, Figure 1).
• Le titre de la figure : Il apparaît sur une ligne distincte immédiatement sous le numéro, en italique, avec une majuscule au premier mot (par exemple, Diagramme quantile-quantile normal des résidus studentisés du modèle de régression).
• La sobriété chromatique : L’utilisation d’aplats de couleurs criards ou de fonds d’écran colorés est proscrite. Le graphique doit présenter un fond blanc immaculé, des axes noirs ou gris foncé et des marqueurs nettement contrastés (niveaux de gris ou teintes sombres universellement déchiffrables en impression noir et blanc).
• La note de bas de figure : Placée immédiatement sous le cadre graphique, elle débute par le terme Note. en italique, suivi d’un paragraphe descriptif compact explicitant la nature des variables, les éventuelles abréviations et l’interprétation de la droite de référence diagonale.

Veillez impérativement à ce que la résolution matricielle finale n’affiche aucun flou d’échantillonnage : une définition minimale de 300 points par pouce (DPI) pour les formats d’image matriciels (PNG, TIFF) ou l’exportation directe en format vectoriel non pixélisé (PDF, EPS) est formellement requise par les maisons d’édition scientifique.

12.3 Transparence, science ouverte et archivage du code

L’avènement du mouvement pour la science ouverte (Open Science Framework, OSF) et les exigences accrues de reproductibilité imposent désormais le partage transparent du code source analytique ayant permis d’aboutir aux conclusions empiriques publiées. La communauté scientifique attend des auteurs qu’ils archivent leurs scripts de calcul au sein de dépôts institutionnels publics pérennes (tels que Zenodo, Figshare ou des dépôts institutionnels universitaires).

Afin d’assurer la pérennité et la réplicabilité intégrale de vos graphiques Q-Q sous Stata, votre script do-file d’archivage doit être annoté ligne par ligne et structuré de manière autonome. Il doit contenir :

• Le numéro de version exact de Stata mobilisé au moment de l’analyse (par exemple, version 18 en en-tête de script) ;
• La séquence d’amorçage de l’environnement et l’attribution explicite du germe aléatoire pour toute fonction stochastique (set seed) ;
• Le chemin d’accès relatif aux bases de données brutes ouvertes ;
• Les lignes de commande intégrales d’ajustement du modèle, d’extraction vectorielle des résidus et de configuration graphique détaillée avec l’ensemble des options d’habillage ;
• La commande d’exportation automatisée enregistrant la figure dans un dossier dédié aux annexes numériques.

En adoptant cette discipline de travail, vous hissez vos démarches diagnostiques aux plus hauts standards méthodologiques internationaux, garantissant que vos représentations graphiques constituent des preuves empiriques irréfutables et pérennes.

Références

• Blom, G. (1958). Statistical estimates and transformed beta-variables. John Wiley & Sons.
• Box, G. E. P., & Cox, D. R. (1964). An analysis of transformations. Journal of the Royal Statistical Society: Series B (Methodological), 26(2), 211–243. https://doi.org/10.1111/j.2517-6161.1964.tb00553.x
• D’Agostino, R. B., Belanger, A., & D’Agostino, R. B. Jr. (1990). A suggestion for using powerful and informative tests of normality. The American Statistician, 44(4), 316–321. https://doi.org/10.2307/2684359
• Gnanadesikan, R. (1977). Methods for statistical data analysis of multivariate observations. John Wiley & Sons.
• Huber, P. J. (1981). Robust statistics. John Wiley & Sons. https://doi.org/10.1002/0471725250
• Koenker, R., & Hallock, K. F. (2001). Quantile regression. Journal of Economic Perspectives, 15(4), 143–156. https://doi.org/10.1257/jep.15.4.143
• Royston, P. (1992). Approximating the Shapiro-Wilk W-test for non-normality. Statistics and Computing, 2(3), 117–119. https://doi.org/10.1007/BF01891203
• Shapiro, S. S., & Wilk, M. B. (1965). An analysis of variance test for normality (complete samples). Biometrika, 52(3/4), 591–611. https://doi.org/10.2307/2333709
• StataCorp. (2023). Stata base reference manual: Release 18. Stata Press. https://www.stata.com/manuals/r.pdf
• Tukey, J. W. (1977). Exploratory data analysis. Addison-Wesley.
• Wilk, M. B., & Gnanadesikan, R. (1968). Probability plotting methods for the analysis of data. Biometrika, 55(1), 1–17. https://doi.org/10.1093/biomet/55.1.1
• Wooldridge, J. M. (2020). Introductory econometrics: A modern approach (7e éd.). Cengage Learning.