Comment effectuer le test de Friedman dans Stata

Dans le domaine de l’analyse statistique appliquée aux sciences biomédicales, comportementales et sociales, l’évaluation rigoureuse de mesures répétées constitue une démarche méthodologique fondamentale. Lorsque des chercheurs suivent une même cohorte d’unités expérimentales à travers plusieurs conditions ou étapes temporelles successives, le recours classique à l’analyse de variance à mesures répétées (ANOVA intra-sujets) s’impose intuitivement. Néanmoins, la validité inférentielle de ce modèle paramétrique repose sur des postulats distributionnels particulièrement stricts, notamment la normalité univariée et multivariée des résidus, ainsi que l’hypothèse exigeante de sphéricité de la matrice de covariance. Dans la pratique empirique quotidienne, ces conditions sont fréquemment compromises en raison de faibles tailles d’échantillons, de la présence de valeurs aberrantes ou du caractère intrinsèquement ordinal des métriques employées.

Face à ces contraintes distributionnelles qui invalident les estimateurs paramétriques usuels, les méthodes non paramétriques offrent une solution mathématique robuste et élégante. Parmi elles, le test de Friedman, conçu initialement pour les plans d’expérience en blocs randomisés complets, s’impose comme l’analogue non paramétrique par excellence de l’ANOVA à un facteur en mesures répétées. En substituant aux valeurs quantitatives brutes une structure ordinale de rangs calculés à l’intérieur de chaque sujet ou bloc, cette méthode s’émancipe totalement des contraintes de normalité et de sphéricité. Elle permet ainsi d’éprouver l’hypothèse d’une identité des fonctions de répartition des populations sous-jacentes à travers trois conditions dépendantes ou davantage, tout en préservant l’intégrité de la puissance statistique globale.

Le logiciel d’économétrie et de biostatistique Stata constitue un environnement de référence pour l’analyse computationnelle de ce type de modélisation. Bien que Stata ne propose pas de commande native standardisée nommée de façon univoque dans son noyau de base élémentaire pour le test de Friedman, il intègre des extensions algorithmiques sophistiquées issues de la méthodologie de Cochran-Mantel-Haenszel, ainsi que des paquets développés par la communauté scientifique internationale. Ce guide exhaustif a pour vocation de détailler l’ensemble des fondements théoriques, des prérequis computationnels, des syntaxes opératoires, des mesures de taille d’effet et des protocoles de diagnostic post-hoc requis pour conduire avec succès un test de Friedman sous Stata, dans le respect scrupuleux des normes de publication académique les plus strictes.

1. Fondements théoriques et épistémologiques du test de Friedman

1.1 Origine et définition du test non paramétrique de Friedman

Le test de Friedman a été formalisé en 1937 par le statisticien et économiste américain Milton Friedman dans un article fondateur publié au sein du Journal of the American Statistical Association. Conçu initialement pour résoudre les écueils liés à l’estimation des rangs dans les comparaisons économiques et psychologiques multidimensionnelles, ce test a émergé comme une réponse novatrice aux limites intrinsèques de l’analyse de variance mise au point par Ronald Fisher. Friedman a conceptualisé une méthode capable de tester l’égalité de plusieurs traitements administrés aux mêmes entités statistiques sans présupposer la forme fonctionnelle des densités de probabilité sous-jacentes.

Sur le plan structurel, le test de Friedman est un test statistique non paramétrique fondé sur le classement par rangs intra-sujets. Il s’applique à un dispositif expérimental comportant un facteur contrôlé à plusieurs modalités (au minimum trois niveaux) administrées à un ensemble identique de sujets ou au sein d’unités d’observation appariées, appelées blocs. L’objectif fondamental de ce test réside dans l’identification de divergences statistiquement significatives entre les distributions de réponses observées à travers les conditions expérimentales, en évaluant si le positionnement relatif médian des modalités diffère au-delà des simples fluctuations aléatoires de l’échantillonnage.

Dans le paysage des sciences comportementales, cognitives et biomédicales, cette approche jouit d’une pertinence méthodologique majeure. Lorsque les instruments d’évaluation produisent des données basées sur des scores de performance subjectifs, des classements de préférence ou des inventaires psychométriques discontinus, les estimateurs linéaires classiques perdent leur efficacité. Le test de Friedman garantit une inférence valide en modélisant les variations intra-individuelles sous la forme d’un ordonnancement stochastique, protégeant le chercheur contre les biais d’artéfact induits par l’espacement non uniforme des échelons de mesure.

1.2 Comparaison structurelle avec l’ANOVA à mesures répétées

La distinction la plus nette entre le test de Friedman et l’ANOVA paramétrique à mesures répétées réside dans l’absence complète de postulats relatifs à la normalité des erreurs résiduelles. Alors que le modèle linéaire général suppose que les résidus suivent une distribution gaussienne multivariée, le test de Friedman opère sur des permutations discrètes au sein de chaque bloc. Cette caractéristique fondamentale lui confère une robustesse absolue face aux valeurs aberrantes extrêmes (outliers) et aux asymétries prononcées de distribution qui faussent habituellement le calcul des sommes de carrés paramétriques.

Un autre avantage déterminant réside dans l’affranchissement vis-à-vis de l’hypothèse de sphéricité, traditionnellement évaluée à l’aide du test de sphéricité de Mauchly. La sphéricité exige que les variances de l’ensemble des différences possibles entre chaque paire de conditions répétées soient rigoureusement identiques. Dans les protocoles longitudinaux ou expérimentaux réels, cette condition est quasi systématiquement violée du fait des corrélations sérielles inhérentes aux mesures rapprochées dans le temps. Si l’ANOVA nécessite des ajustements correctifs complexes (tels que les facteurs d’épsilon de Greenhouse-Geisser ou de Huynh-Feldt), le test de Friedman élimine ce problème en réduisant les variations d’amplitude à des rangs relatifs indépendants de l’échelle des variances.

Toutefois, cette immunité méthodologique s’accompagne d’une perte relative de puissance statistique lorsque les postulats de l’ANOVA paramétrique sont rigoureusement respectés. Dans des conditions d’idéalité normale parfaite, le test de Friedman présente une efficacité asymptotique relative légèrement inférieure à celle de l’épreuve de Fisher. Néanmoins, dès lors que les données s’écartent modérément de la symétrie ou contiennent des artefacts de mesure, cette perte théorique de puissance s’inverse au profit d’une validité substantiellement supérieure des inférences ordinales, rendant le test de Friedman particulièrement avantageux pour les études empiriques appliquées.

1.3 Mécanisme mathématique sous-jacent : assignation des rangs et statistique Q

Le fonctionnement algébrique du test de Friedman s’articule autour d’une transformation rigoureuse des données brutes en une matrice ordinale. Soit un plan expérimental comportant n blocs (ou sujets indépendants) évalués sous k conditions expérimentales distinctes. Pour chaque bloc i (où i varie de 1 à n), les k observations quantitatives ou ordinales sont classées par ordre croissant. La plus petite observation reçoit le rang 1, et la plus grande reçoit le rang k. En présence d’observations identiques (ex-aequo) au sein d’un même bloc, chaque score ex-aequo se voit attribuer la moyenne arithmétique des rangs qu’il aurait occupés sans cette égalité.

Une fois les assignations individuelles effectuées, la procédure agrège les scores en calculant la somme des rangs pour chaque condition expérimentale j (allant de 1 à k), notée R_j. Si l’hypothèse nulle d’indifférenciation des traitements est vérifiée, les rangs devraient être assignés de manière purement aléatoire au sein de chaque ligne, de sorte que l’espérance mathématique de la somme des rangs pour n’importe quelle condition s’établit précisément à E(R_j) = n(k + 1) / 2. Toute divergence substantielle observée entre les R_j empiriques et cette valeur moyenne théorique traduit l’impact différentiel du facteur expérimental.

Pour quantifier cet écart, Friedman a formulé une statistique de test spécifique, généralement notée Q ou χ²_r. Dans sa forme standard non corrigée des ex-aequo, l’équation s’énonce ainsi :

Q = [12 / (n * k * (k + 1))] * Σ (R_j²) – 3 * n * (k + 1)

Lorsque le nombre de blocs n ou le nombre de modalités k atteint des dimensions raisonnables (couramment n > 10 ou k > 4), la distribution d’échantillonnage de la statistique Q converge asymptotiquement vers une loi du Chi-deux avec k – 1 degrés de liberté. Pour des échantillons restreints, des distributions exactes de permutations tabulées peuvent être sollicitées afin de prévenir une inflation du taux d’erreur de première espèce induite par l’approximation asymptotique continue.

2. Conditions d’application et postulats méthodologiques dans la recherche expérimentale

2.1 Structure du plan expérimental et dépendance des observations

L’application légitime du test de Friedman requiert une adéquation stricte entre la structure architecturale des données empiriques et le modèle théorique sous-jacent. Le protocole d’acquisition doit obligatoirement reposer sur un devis factoriel intra-sujets à mesures répétées ou sur un plan en blocs randomisés complets (RCBD). Cela implique qu’une même unité statistique (un participant, un groupe d’individus appariés selon des critères de covariation stricts, ou un lot homogène) traverse l’intégralité des k modalités du facteur principal sous investigation, garantissant ainsi l’appariement complet des données collectées.

Cette structure impose une dichotomie fondamentale au sein du modèle : une dépendance statistique totale et contrôlée à l’intérieur de chaque bloc, juxtaposée à une indépendance statistique absolue entre les différents blocs. En d’autres termes, les réponses fournies par le sujet A à travers les conditions 1, 2 et 3 sont intrinsèquement corrélées et doivent être traitées comme telles, tandis que le vecteur de réponses du sujet A ne doit présenter aucune relation de causalité, de contagion ou de corrélation avec le vecteur de réponses du sujet B. Toute violation de cette indépendance inter-blocs invaliderait les fondements de la statistique inférentielle.

En outre, l’organisation séquentielle des passages à travers les conditions expérimentales doit être protégée contre les biais d’apprentissage, de fatigue ou de sensibilisation progressive. Le recours à des protocoles de contrebalancement équilibré ou de randomisation de l’ordre d’administration (par exemple via des carrés latins d’ordre supérieur) est hautement recommandé. L’absence de contrôle de ces effets d’ordre risquerait d’induire une corrélation spurieuse entre la position chronologique et l’assignation des rangs, brouillant irrémédiablement l’effet réel de la condition étudiée.

2.2 Échelles de mesure admissibles et distribution des variables

D’un point de vue métrologique, le test de Friedman se distingue par une remarquable souplesse quant à la nature de la variable dépendante. Celle-ci peut être mesurée sur une échelle purement ordinale, d’intervalles ou de rapports. Cette propriété en fait le cadre analytique idéal pour traiter des variables issues d’échelles de Likert cumulées, d’évaluations cliniques semi-quantitatives, de classements psychophysiques ou d’indicateurs comportementaux continus mais fortement asymétriques, tels que les temps de réaction, les seuils perceptifs ou les concentrations biologiques de biomarqueurs de stress.

Le test démontre une tolérance mathématique absolue face à la non-linéarité des variations, à l’aplatissement (kurtosis) extrême et à l’hétérogénéité des variances entre les conditions. Étant donné que seules les relations d’ordre strictes sont conservées au détriment des distances quantitatives brutes, les déformations monotones de l’échelle de mesure ne modifient en rien la valeur finale de la statistique de test calculée. Cette invariance d’échelle confère à l’expérimentateur une garantie de reproductibilité analytique indépendamment des transformations de coordonnées.

Cependant, une réserve méthodologique d’envergure concerne la présence excessive de rangs ex-aequo au sein des blocs. Bien que les implémentations modernes sous Stata appliquent systématiquement des facteurs de correction d’ajustement du dénominateur pour compenser la variance tronquée par les égalités, un volume démesuré d’ex-aequo (survenant par exemple lorsqu’une variable ordinale comporte trop peu d’échelons de réponse discrets) réduit dramatiquement la sensibilité du test. Lorsque l’information ordinale s’effondre dans une masse d’égalités indiscernables, la puissance statistique s’en trouve dégradée, et des modèles multinomiaux longitudinaux ou des équations d’estimation généralisées (GEE) doivent être envisagés.

2.3 Formulation des hypothèses statistiques nulle et alternative

La formalisation rigoureuse des hypothèses statistiques constitue un préalable incontournable à toute interprétation. L’hypothèse nulle, notée H₀, stipule que l’ensemble des k conditions expérimentales provient de populations dont les fonctions de répartition continue sont identiques. Sous cette hypothèse, aucune condition n’exerce d’influence directionnelle systématique sur le rang attribué au sein d’un bloc quelconque. L’assignation de chaque vecteur de rangs [1, …, k] pour chaque sujet découle exclusivement d’un processus stochastique équiprobable parmi les k! permutations possibles.

À l’opposé, l’hypothèse alternative, notée H₁, ne postule pas une simple différence de moyennes mathématiques (ce qui relèverait du paradigme paramétrique), mais une prédominance stochastique d’au moins une condition expérimentale sur les autres. Concrètement, H₁ affirme qu’au moins une condition tend de façon constante à générer des rangs significativement plus élevés ou plus bas que ses comparateurs, modifiant ainsi la médiane ou la localisation centrale de la distribution des réponses au sein de la population ciblée.

Cette nuance sémantique et mathématique est fondamentale : le rejet de H₀ ne renseigne ni sur l’amplitude métrique de la différence en unités originales, ni sur la localisation précise de la divergence par paires. Le rejet de l’hypothèse nulle confirme simplement l’existence d’une hétérogénéité ordinale globale au sein du système de mesures répétées. Cette conclusion valide la nécessité de poursuivre le protocole d’exploration par l’entremise de procédures de comparaisons multiples post-hoc dûment ajustées.

3. Configuration de l’environnement de travail dans Stata et gestion des paquets

3.1 Vérification de la version de Stata et maintenance du logiciel

L’exécution fluide de procédures statistiques avancées dans le logiciel Stata requiert une vérification préalable de la configuration de l’infrastructure logicielle. Bien que les fondements mathématiques de l’analyse non paramétrique soient stables depuis des décennies, la syntaxe des commandes, la gestion des matrices en mémoire et les options graphiques ont considérablement évolué depuis les versions 14 jusqu’aux versions contemporaines de Stata (telles que Stata 17 et Stata 18). Il est impératif de travailler sur un environnement maintenu à jour afin d’éviter toute rupture de compatibilité lors de l’installation de macros spécialisées.

Avant d’initier toute analyse, l’utilisateur doit contrôler l’état de mise à jour de son système en saisissant dans la ligne de commande terminale l’instruction update query. Cette directive interroge directement le dépôt central de StataCorp pour identifier d’éventuels correctifs du binaire exécutable ou des composants officiels. Si des mises à jour sont disponibles, l’exécution séquentielle de update all garantira l’intégrité opérationnelle du moteur de calcul statistique.

Parallèlement, la définition rigoureuse du répertoire de travail actif constitue une règle de bonne pratique essentielle en matière de recherche reproductible. À l’aide de la commande pwd, le chercheur prend acte du répertoire courant, puis utilise la commande cd « chemin/vers/repertoire » pour cibler le dossier dédié au projet. Enfin, l’ouverture systématique d’un fichier journal d’enregistrement à l’aide de l’instruction log using analyse_friedman.log, replace permet de consigner de façon inaltérable l’ensemble des commandes invoquées et des sorties numériques générées au fil de la session.

3.2 Installation et configuration du paquet externe emh

Les utilisateurs débutants de Stata sont souvent surpris de constater que le noyau officiel de base ne comprend pas de commande directe native baptisée simplement pour le test omnibus standard de Friedman, contrairement au test de Kruskal-Wallis (accessible via la commande kwallis pour données indépendantes). Pour surmonter cette absence, l’Académie et les biostatisticiens utilisent fréquemment le cadre théorique unifié des statistiques d’association étendue de Cochran-Mantel-Haenszel, implémenté sous Stata via le module communautaire emh.

La statistique de Friedman correspond sur le plan matriciel au score d’alignement de Mantel-Haenszel lorsque l’échelle est transformée en rangs stratifiés par sujet. Pour installer ce paquet externe de référence déposé sur le Statistical Software Components (SSC) Archive maintenu par le Boston College, l’utilisateur doit exécuter dans la ligne de commande de Stata l’instruction suivante :

ssc install emh

Une fois le téléchargement finalisé, il convient de vérifier la bonne intégration du programme dans les répertoires système du logiciel en interrogeant son emplacement au moyen de la commande which emh. Stata doit alors afficher le chemin complet du fichier emh.ado ainsi que sa version de révision. Si des restrictions d’accès réseau ou des contraintes de droits administratifs en environnement institutionnel entravent l’installation, il est nécessaire de solliciter l’attribution des privilèges d’écriture sur le répertoire système personnel de l’utilisateur (généralement configuré sous le dossier PLUS ou PERSONAL).

3.3 Installation alternative du module friedman par Sheldon Bearman

Outre l’approche par Cochran-Mantel-Haenszel, il existe une macro-commande dédiée conçue spécifiquement pour encapsuler directement le calcul de Friedman selon une ergonomie hautement intuitive : le paquet friedman, développé et publié dans le Stata Technical Bulletin par Sheldon Bearman. Cette extension présente l’avantage majeur de traiter directement les données sans exiger une maîtrise approfondie de la formalisation des tableaux de contingence stratifiés.

Pour localiser et installer ce composant alternatif, le chercheur peut formuler une recherche exhaustive dans le terminal via la syntaxe search friedman. Cette action génère une liste d’hyperliens pointant vers les répertoires officiels de l’Institut Stata. L’installation directe s’effectue généralement au moyen de la syntaxe spécialisée net install ou via l’utilitaire SSC en exécutant :

ssc install friedman

Le tableau comparatif entre ces deux outils met en lumière des logiques distinctes. Alors que la routine emh s’adresse aux jeux de données structurés en format long et offre un cadre analytique généralisable à d’autres métriques de corrélation partielle ordinale, la commande friedman requiert traditionnellement que les données soient organisées en colonnes juxtaposées correspondant au format large. Disposer de ces deux extensions dans son environnement Stata offre une flexibilité opératoire indispensable pour auditer, comparer et trianguler les résultats computationnels avec un niveau maximal de rigueur.

4. Chargement et exploration diagnostique du jeu de données t43

4.1 Importation du jeu de données expérimental officiel

Pour illustrer de façon tangible et didactique l’application du test de Friedman sous Stata, nous mobiliserons un jeu de données classique et accessible dans la littérature de référence : le fichier expérimental t43 hébergé publiquement sur les serveurs de Stata Press. Ce jeu de données, fréquemment utilisé dans les manuels de biostatistique appliquée, rend compte d’une étude pharmacologique mesurant le temps de réaction neuromusculaire de patients soumis à l’action de quatre drogues sédatives différentes.

L’accès à ce fichier s’effectue de manière directe et transparente via la syntaxe d’importation web de Stata. En saisissant la ligne d’instruction :

use http://www.stata-press.com/data/r14/t43, clear

le logiciel télécharge les enregistrements en mémoire vive en écrasant préalablement tout fichier résiduel non sauvegardé. Dès le chargement accompli, l’intégrité de la structure tabulaire doit être confirmée au moyen de la commande describe. Cette instruction dévoile l’inventaire des variables en mémoire, leur format de stockage (entiers, flottants, chaînes de caractères), ainsi que le nombre total d’observations recensées. Afin de garantir l’autonomie et la reproductibilité du protocole hors connexion réseau, il est fortement avisé de sauvegarder immédiatement une copie locale du fichier via l’instruction save « t43_local.dta », replace.

4.2 Inspection clinique des observations brutes

L’exploration des données ne doit jamais s’affranchir d’un examen visuel attentif de la matrice brute. L’invocation de la commande interactive browse (ou son équivalent textuel list dans le terminal) affiche la structure interne du jeu de données t43. L’expérimentateur y découvre un plan expérimental compact composé de cinq patients uniques (individualisés par un identifiant ou une numérotation implicite de ligne) testés séquentiellement sous quatre conditions thérapeutiques libellées classiquement de drug1 à drug4, ou identifiées par une variable factorielle dédiée.

L’inspection analytique vise d’abord à traquer d’éventuelles valeurs manquantes, codées par un point d’interrogation ou un point système sous Stata. L’algorithme du test de Friedman est intolérant aux blocs incomplets : tout patient présentant une donnée manquante sur l’un quelconque des quatre traitements se verrait automatiquement éliminé de l’analyse globale (suppression par liste ou listwise deletion), ce qui amputerait dangereusement la puissance statistique d’un si petit échantillon. Dans le jeu de données t43, l’intégrité est totale : les cinq sujets disposent de réponses complètes sur l’intégralité des quatre modalités.

De surcroît, le clinicien ou le biostatisticien vérifie l’adéquation conceptuelle des valeurs enregistrées. La variable dépendante représente des temps de réaction exprimés en fractions de secondes ou en millisecondes. Ces mesures physiologiques sont par essence contraintes par une limite inférieure absolue (le zéro biologique) et sont notoirement sujettes à des asymétries de distribution prononcées. Cette inspection qualitative renforce le diagnostic méthodologique : le recours à des estimateurs linéaires gaussiens apparaît hautement précaire sur un effectif de seulement cinq unités statistiques.

4.3 Statistiques descriptives par bloc et condition expérimentale

L’étape diagnostique suivante requiert la caractérisation quantitative des distributions au moyen de statistiques descriptives ciblées. La commande générique summarize complétée par l’option detail fournit un éventail d’indicateurs fondamentaux, mais il s’avère bien plus judicieux d’utiliser la commande spécialisée tabstat pour isoler les paramètres de tendance centrale et de dispersion pertinents pour le paradigme non paramétrique.

En formulant la requête suivante :

tabstat reaction_time, by(drug) statistics(n mean sd median p25 p75 skewness kurtosis)

(ou sur les colonnes individuelles si le jeu de données réside en format large), Stata extrait un tableau comparatif précis. L’observation des médianes et des intervalles interquartiles (distance entre le 25e et le 75e percentile) fournit une estimation fidèle du positionnement typique des sujets sous chaque molécule. L’écart parfois substantiel entre la moyenne arithmétique et la médiane signale l’impact des variations individuelles et l’étirement unilatéral des distributions.

L’évaluation chiffrée du coefficient d’asymétrie (skewness) et du coefficient d’aplatissement (kurtosis) parachève cette démonstration. Des coefficients d’asymétrie s’écartant sensiblement de zéro attestent que les temps de réaction ne répondent pas aux exigences d’une loi normale univariée. De surcroît, sur un échantillon total de N = 5 participants, le test formel de normalité de Shapiro-Wilk (swilk) manquerait cruellement de puissance pour infirmer la normalité avec certitude, justifiant méthodologiquement d’opter d’emblée pour la protection non paramétrique offerte par le test de Friedman.

5. Restructuration et mise en forme des données : formats large et long

5.1 Compréhension des topologies de données sous Stata

Une étape critique qui déconcerte fréquemment les praticiens dans l’environnement Stata concerne l’organisation topologique de la table d’analyse. Les logiciels statistiques traitent les mesures répétées sous deux formats structurels mutuellement exclusifs : la configuration large (wide format) et la configuration longue (long format). Comprendre la distinction entre ces deux représentations est un prérequis indispensable, car le choix de la routine logicielle (entre emh et friedman) dicte impérativement la structure de matrice requise.

Dans le format large, chaque unité expérimentale (le patient ou sujet) correspond à une seule et unique ligne dans la grille de données. Les différentes conditions expérimentales ou temps de mesure successifs sont déployés horizontalement le long de colonnes distinctes (par exemple score_t1, score_t2, score_t3). À l’inverse, dans le format long, chaque ligne représente une mesure unitaire individuelle. Le participant voit donc son identifiant répété sur autant de lignes qu’il existe de conditions expérimentales (quatre lignes par patient pour quatre traitements). Une colonne factorielle d’indexation désigne la condition expérimentale administrée, tandis qu’une colonne unique héberge la valeur de la variable dépendante observée.

Cette distinction topologique modifie fondamentalement la manière dont les algorithmes calculent l’assignation des rangs. La macro dédiée friedman exige nativement une disposition en format large, considérant chaque argument de variable comme une modalité à classer transversalement. En revanche, le modèle de Cochran-Mantel-Haenszel mobilisé par emh opère exclusivement sur une structure en format long, au sein de laquelle l’identifiant du patient fait office de variable de stratification et la modalité thérapeutique agit comme facteur d’exposition catégoriel.

5.2 Conversion opérationnelle via la commande reshape

Pour naviguer avec aisance entre ces deux architectures au gré des impératifs analytiques, Stata dispose d’un outil de transformation particulièrement robuste : la commande reshape. Si le jeu de données t43 importé depuis le serveur se présente dans une structure tabulaire où les colonnes correspondent aux différents traitements, l’expérimentateur doit d’abord s’assurer de l’existence d’une variable d’identification univoque pour chaque participant, souvent désignée par le vecteur person ou subject.

Pour convertir des données du format large vers le format long afin d’exploiter la puissance du module emh, la syntaxe Stata s’articule comme suit :

reshape long response, i(person) j(drug)

Dans cette commande, response désigne le préfixe de la variable quantitative mesurée, i(person) spécifie l’identifiant invariant de l’unité expérimentale (le bloc), et j(drug) crée une nouvelle variable contenant l’indice numérique ou textuel de la condition associée. L’exécution de cette directive déclenche un traitement interne instantané : Stata réorganise les pointeurs de mémoire, restructure les lignes et valide l’alignement exact des indices. L’affichage terminal récapitule la transition dimensionnelle en indiquant le nombre de lignes initiales et finales créées.

Réciproquement, si une analyse requiert un retour immédiat vers l’architecture initiale, l’instruction symétrique s’exécute avec une extrême simplicité :

reshape wide response, i(person) j(drug)

La validation de ces étapes de manipulation de données garantit que les rangs intra-blocs seront calculés avec une intégrité algorithmique parfaite, sans distorsion ni inversion fortuite des données de panel.

6. Exécution pas à pas du test de Friedman avec le paquet emh

6.1 Décomposition syntaxique et paramétrage de emh

L’utilisation de l’extension emh pour modéliser le test de Friedman constitue une démonstration élégante de l’intégration théorique de la statistique non paramétrique au sein des modèles d’association stratifiés. Dans le cadre de cette commande, le test de Friedman est généré en tant que statistique de corrélation étendue de Mantel-Haenszel sous transformation en rangs moyens. La structure générique de la syntaxe s’énonce comme suit :

emh response drug, strata(person) trans(rank)

L’analyse détaillée des paramètres de cette instruction clarifie son fonctionnement sous-jacent. Le premier argument, response, désigne la variable dépendante continue ou ordinale (les temps de réaction). Le second argument, drug, représente la variable de traitement factorielle dont on cherche à comparer l’efficacité. L’option obligatoire strata(person) indique formellement à Stata que l’analyse doit impérativement être stratifiée selon l’identifiant du patient, chaque patient agissant comme un bloc étanche au sein duquel s’exécute la dépendance intra-individuelle.

Le paramètre décisif réside dans l’option trans(rank). Cette directive intime au moteur computationnel de substituer aux valeurs quantitatives de la réponse leurs rangs relatifs assignés à l’intérieur de chaque strate individuelle. C’est précisément cette transformation dynamique intra-bloc qui convertit le formalisme général de Mantel-Haenszel en l’équivalent algébrique rigoureusement identique à la statistique Q de Friedman, conférant au résultat une validité non paramétrique absolue.

6.2 Lancement de la commande et suivi des itérations de calcul

Après avoir converti le jeu de données t43 au format long conformément aux exigences structurelles, l’expérimentateur procède au lancement effectif de la commande dans la console Stata. L’exécution s’avère quasi instantanée compte tenu de la compacité de l’échantillon. Toutefois, il convient d’observer attentivement le flux d’informations retourné par le système.

Le terminal de Stata compile le tableau récapitulatif des statistiques d’Extended Mantel-Haenszel. L’algorithme déploie une série de métriques correspondant aux hypothèses d’association générale, de corrélation et de scores moyens. C’est précisément la ligne d’estimation relative au test de scores moyens intra-strates (Mean Score Statistic avec scores de rangs) qui correspond point par point à la statistique de Friedman. L’utilisateur constate que Stata indique le nombre total d’observations prises en compte (20 observations, issues de 5 patients multipliés par 4 conditions), ainsi que le nombre exact de strates validées (5 strates de blocs).

Le système extrait simultanément la valeur de dispersion observée sous forme d’une statistique du Chi-deux. Le suivi des degrés de liberté associés confirme que le calcul retient la formule k – 1, soit 4 – 1 = 3 degrés de liberté pour l’analyse des quatre modalités de drogues. Les contrôles de cohérence matricielle confirment que le modèle ne souffre d’aucune dégénérescence de covariance et que l’ensemble des scores a été traité avec succès.

6.3 Erreurs courantes de spécification et méthodes de résolution

Lors de l’implémentation pratique de la commande emh, plusieurs sources d’erreurs récurrentes peuvent interrompre l’exécution de l’analyse ou engendrer des estimations erronées. La méprise la plus fréquente consiste à inverser l’ordre conceptuel des variables au sein de la ligne de syntaxe, en déclarant par exemple emh drug response au lieu de l’ordre attendu. Une telle inversion traite le facteur thérapeutique comme une réponse et corrompt le processus de classement en rangs intra-sujets.

Une autre anomalie classique survient lorsque la variable désignant le traitement ou la stratification n’est pas convenablement encodée sous forme numérique entière. Si la variable drug ou person contient des libellés textuels alphanumériques (string), le module emh refusera de compiler les matrices d’association et renverra le message d’erreur d’incompatibilité de type : type mismatch ou varlist not allowed. Pour y remédier, il est indispensable de factoriser la variable textuelle à l’aide de la commande native encode nom_variable, gen(nouvelle_var_num) préalablement au lancement du modèle.

Enfin, la présence de blocs asymétriques consécutive à des observations manquantes aléatoires (unbalanced designs) déclenche généralement une mise en garde ou l’éviction pure et simple des strates incomplètes par le paquet emh. L’expérimentateur doit impérativement auditer l’équilibre de sa matrice à l’aide de la commande croisée tabulate person drug avant d’exécuter la statistique, s’assurant ainsi que chaque cellule du tableau croisé comporte exactement une observation unitaire.

7. Implémentation alternative via la commande dédiée friedman

7.1 Syntaxe directe pour variables en format large

Pour les praticiens désireux d’éviter les manipulations structurelles inhérentes à la commande reshape, le recours à la macro spécialisée friedman développée par Sheldon Bearman constitue une alternative remarquable par sa simplicité ergonomique. Travaillant nativement sur les matrices disposées en colonnes juxtaposées (format large), cette procédure évite toute redéfinition topologique des données.

En admettant que le jeu de données t43 soit chargé dans sa structure originale comportant les variables continues distinctes drug1, drug2, drug3 et drug4, la syntaxe d’exécution se résume à une formulation d’une grande concision :

friedman drug1 drug2 drug3 drug4

Sans requérir la moindre option additionnelle, la macro prend automatiquement le contrôle de la session de calcul. Elle lit chaque ligne du fichier comme un sujet ou bloc unique, ordonne de manière séquentielle les valeurs mesurées au sein de chaque ligne, calcule les rangs relatifs correspondants, intègre le terme d’ajustement correctif pour les ex-aequo éventuels, puis dérive la somme globale des rangs et la statistique Q finale. L’un des atouts visuels de cette macro est qu’elle imprime directement sur la sortie Stata un récapitulatif extrêmement didactique indiquant la somme des rangs et la moyenne des rangs pour chaque condition expérimentale évaluée.

Toutefois, cette commodité d’usage s’accompagne d’une limitation quant à la flexibilité d’intégration dans des chaînes de traitement automatisées plus vastes. La commande friedman ne stocke pas systématiquement une gamme exhaustive de scalaires dans les objets de résultats r(), ce qui restreint légèrement son couplage avec des routines de programmation itérative personnalisées comparativement aux macros plus formelles.

7.2 Comparaison numérique des résultats issus de emh et de friedman

La validation scientifique des résultats statistiques repose sur le principe de convergence et de triangulation numérique. Afin de certifier l’absence d’artefacts algorithmiques, il est particulièrement instructif de confronter scrupuleusement les sorties générées par la commande emh appliquée sur les données au format long, et celles produites par la commande friedman sur les données au format large.

L’examen comparatif des données issues du fichier t43 révèle une identité mathématique parfaite entre les deux approches. La valeur de la statistique du Chi-deux calculée s’établit rigoureusement au même chiffre sous les deux environnements, soit une statistique Q oscillant typiquement autour de 11.16 pour ce jeu d’essai spécifique (la valeur exacte dépendant des corrections d’ex-aequo appliquées). Les degrés de liberté associés demeurent immuablement fixés à 3, reflétant le calcul mathématique 4 – 1.

Corrélativement, la valeur de probabilité critique (p-value) affichée par les deux routines s’avère rigoureusement superposable. Cette identité absolue atteste que, nonobstant des logiques de manipulation de données divergentes au niveau de l’interface utilisateur, les moteurs matriciels convergent vers l’évaluation de la même fonction de répartition empirique. L’analyste peut ainsi choisir indifféremment l’une ou l’autre de ces syntaxes, en adaptant son choix aux contraintes ergonomiques et structurelles de son flux de travail global sous Stata.

8. Interprétation statistique exhaustive des résultats obtenus

8.1 Analyse de la statistique du Chi-deux et des degrés de liberté

L’aboutissement de la modélisation sous Stata produit une série d’indicateurs numériques dont la lecture requiert une solide armature méthodologique. La statistique de test résultante s’interprète sous l’angle de la théorie des distributions d’échantillonnage asymptotiques. Sur les données du jeu expérimental t43, l’obtention d’une statistique du Chi-deux observée de χ² = 11,16 (avec ddl = 3) constitue la métrique centrale de décision.

Le nombre de degrés de liberté découle directement du paramètre dimensionnel k – 1, où k représente le nombre de conditions thérapeutiques répétées. Avec quatre modalités de drogues soumises à investigation, le système conserve trois degrés de liberté d’oscillation stochastique libre. Pour appréhender l’amplitude de cette valeur empirique de 11,16, le chercheur peut la confronter aux valeurs critiques théoriques de la loi du Chi-deux à 3 degrés de liberté pour un seuil conventionnel de significativité α = 0,05. La valeur critique théorique tabulée s’établissant à 7,815, la statistique empirique observée dépasse très largement ce seuil d’admissibilité.

Cette divergence substantielle démontre que les écarts constatés entre les sommes des rangs attribués à chaque modalité et les valeurs moyennes théoriques attendues sous l’hypothèse d’équiprobabilité ne peuvent être raisonnablement imputés aux simples fluctuations aléatoires de l’échantillonnage. La variance inter-traitements prévaut largement sur la variance résiduelle intra-blocs, signalant une rupture nette de la symétrie ordinale initiale.

8.2 Interprétation de la valeur p (p-value) et prise de décision statistique

La probabilité associée à la statistique observée, traditionnellement désignée par la p-value, fournit la quantification probabiliste directe pour étayer la décision statistique formelle. Dans le cadre de l’analyse du jeu de données t43, Stata retourne une valeur de significativité p = 0,0109 (ou valeur équivalente selon la correction exacte retenue). Confrontée au seuil de risque d’erreur de première espèce usuel fixé à α = 0,05, cette valeur satisfait sans ambiguïté au critère d’invalidation : p < 0,05.

En conséquence, l’expérimentateur rejette sans équivoque l’hypothèse nulle H₀ d’équivalence stochastique des distributions de rangs entre les différentes conditions thérapeutiques. Ce rejet formel autorise à conclure avec un niveau de confiance statistique supérieur à 95 % (et même supérieur à 98 % au regard du seuil de 0,02) que les quatre drogues administrées n’induisent pas des profils de temps de réaction physiologiques comparables.

Néanmoins, il convient de tracer une ligne de démarcation épistémologique stricte entre la significativité statistique et la pertinence biologique ou clinique. La significativité atteste uniquement de la non-concordance des données avec un modèle de bruit aléatoire pur. Elle ne permet en aucun cas de présumer de l’intensité opérationnelle de l’effet dans la pratique médicale, ce qui impose d’adosser systématiquement ce constat omnibus au calcul normé d’une taille d’effet standardisée.

8.3 Lecture des rangs moyens et identification des tendances directionnelles

Le rejet de l’hypothèse nulle confirme l’existence d’une hétérogénéité d’ensemble, mais ne livre aucune information immédiate quant à la direction de cette divergence. Pour appréhender l’ordonnancement concret des performances physiologiques, l’analyste doit impérativement examiner la distribution des rangs moyens générée par la routine Stata pour chaque modalité expérimentale.

Dans l’expérience t43, l’inspection des rangs cumulés met en relief une hiérarchie très tranchée entre les quatre agents pharmacologiques. Si les calculs indiquent par exemple pour la condition drug1 un rang moyen proche de 1,20, tandis que drug4 enregistre un rang moyen avoisinant 3,80, cette divergence ordinale fournit la clé de voûte de l’interprétation. Les sujets placés sous la drogue 1 obtiennent de façon quasi systématique les rangs les plus faibles (correspondant aux temps de réaction les plus rapides), tandis que l’administration de la drogue 4 propulse invariablement les individus vers les rangs les plus élevés (témoignant d’un ralentissement psychomoteur substantiel).

Toutefois, le piège interprétatif majeur consisterait à inférer précipitamment que drug1 diffère significativement de drug2, ou que drug3 se distingue formellement de drug4, sur la seule base de l’inspection de ces rangs moyens globaux. Le test de Friedman opérant comme une épreuve omnibus, il est mathématiquement aveugle à la localisation fine des écarts par paires. Isoler les contrastes spécifiques nécessitera impérativement la mise en œuvre de procédures de comparaisons multiples post-hoc dûment instrumentées.

9. Mesure de la taille d’effet : calcul et interprétation du W de Kendall

9.1 Fondement conceptuel du coefficient de concordance W de Kendall

Dans la pratique contemporaine de l’évaluation scientifique, l’énoncé d’une valeur p isolée est considéré comme incomplet et méthodologiquement insuffisant par les comités de lecture internationaux. Une inférence robuste exige la quantification objective de la magnitude de l’effet observé, découplée de l’influence mécanique de la taille de l’échantillon. Pour le test de Friedman, la métrique standardisée de référence est le coefficient de concordance W de Maurice Kendall.

Le W de Kendall s’interprète conceptuellement comme un indice mesurant le degré d’accord ou de consensus parfait existant entre les différents « juges » ou blocs d’observation. Dans notre protocole expérimental, chaque patient joue le rôle d’un évaluateur qui classe les quatre drogues de la plus rapide à la plus sédative. Si les patients réagissaient de façon totalement chaotique et discordante, l’accord serait nul. Si, en revanche, l’ensemble des patients s’accordait rigoureusement sur le même ordre de classement d’un bout à l’autre de l’expérience, le consensus serait absolu.

Sur le plan mathématique, le coefficient W présente des propriétés métriques particulièrement élégantes. Il est strictement borné au sein d’un intervalle normalisé fermé allant de 0 à 1. Une valeur de W = 0 indique une absence totale de concordance ordinale entre les blocs (ce qui équivaut à la situation théorique sous H₀), tandis qu’une valeur de W = 1 traduit une concordance unanime parfaite entre l’intégralité des participants quant au classement relatif des modalités. Cette standardisation en fait un paramètre de choix pour l’intégration ultérieure dans des synthèses méta-analytiques quantitatives.

9.2 Formule mathématique et calcul pas à pas dans Stata

L’estimation algébrique du coefficient W de Kendall s’obtient de façon directe par dérivation linéaire à partir de la statistique Q du Chi-deux de Friedman générée lors de l’étape précédente. L’équation de conversion s’énonce précisément comme suit :

W = Q / [n * (k – 1)]

Dans cette formulation, Q représente la statistique empirique calculée, n correspond au nombre total de blocs (dans notre exemple, n = 5 patients), et k symbolise le nombre de modalités répétées du facteur expérimental (ici, k = 4 drogues). En appliquant cette formule aux résultats empiriques issus du fichier t43, où la statistique Q s’établit à 11,16, le calcul s’opère aisément :

W = 11,16 / [5 * (4 – 1)] = 11,16 / 15 = 0,744

Pour automatiser cette dérivation au sein de l’environnement Stata et intégrer ce calcul directement dans les scripts d’analyse reproductibles (do-files), il suffit de récupérer les scalaires résiduels laissés en mémoire système. Si l’analyse a été menée via une commande stockant le Chi-deux sous r(chi2), l’utilisateur exécute simplement la séquence de programmation suivante :

scalar N = 5
scalar K = 4
scalar kendalls_w = r(chi2) / (N * (K – 1))
display « Coefficient W de Kendall =  » kendalls_w

Cette routine d’extraction instantanée élimine les erreurs de transcription manuelle et garantit un reporting analytique sans faille.

9.3 Grilles d’interprétation clinique et psychologique

Une fois la valeur numérique établie (W ≈ 0,74), l’analyste doit en expliciter la portée pratique à la lumière des repères conventionnels de la littérature méthodologique. Bien que les seuils qualitatifs doivent toujours être modulés en fonction du contexte disciplinaire, la grille interprétative dérivée des travaux de Cohen sur les indices de corrélation non paramétrique fournit un cadre d’orientation largement partagé :

• W < 0,10 : Effet négligeable ou absence d’accord opérationnel.
• 0,10 ≤ W < 0,30 : Concordance faible, reflétant une influence modeste du traitement expérimental sur le classement.
• 0,30 ≤ W < 0,50 : Concordance modérée, attestant d’une tendance discernable mais sujette à de fortes variations individuelles.
• W ≥ 0,50 : Concordance forte à très forte, signalant un consensus robuste et une prédominance expérimentale indiscutable.

Avec une valeur observée de 0,744, l’étude pharmacologique sur le temps de réaction met en évidence un accord interindividuel extrêmement massif. Environ 74,4 % de la variance maximale possible de concordance ordinale est capturée par la différenciation des quatre agents pharmacologiques. Ce résultat atteste que les écarts physiologiques enregistrés entre les drogues ne sont pas de simples artefacts marginaux, mais constituent un phénomène expérimental de premier ordre, parfaitement homogène à travers la cohorte des sujets examinés.

10. Analyses post-hoc et ajustement pour comparaisons multiples

10.1 Le test des rangs signés de Wilcoxon comme procédure par paires

L’invalidation de l’hypothèse nulle globale par le test de Friedman constitue une condition nécessaire, mais non suffisante, pour cartographier les divergences pharmacologiques. Afin de déterminer avec exactitude quelles paires spécifiques de drogues diffèrent l’une de l’autre, il est impératif de fractionner l’analyse globale en une série de comparaisons deux à deux à l’aide de l’analogue non paramétrique pour échantillons appariés : le test des rangs signés de Wilcoxon.

Sous Stata, cette procédure s’implémente nativement au moyen de la commande signrank sur des variables disposées en format large. Pour une comparaison bilatérale isolant l’effet de la drogue 1 vis-à-vis de la drogue 2, la syntaxe élémentaire s’énonce :

signrank drug1 = drug2

Pour caractériser l’intégralité du système à quatre modalités, le chercheur doit calculer le nombre combinatoire total de paires uniques possibles, donné par la formule mathématique C(k, 2) = k(k – 1) / 2. Dans notre cas d’espèce, cela implique la réalisation de 4 * 3 / 2 = 6 comparaisons par paires distinctes :

• drug1 contre drug2
• drug1 contre drug3
• drug1 contre drug4
• drug2 contre drug3
• drug2 contre drug4
• drug3 contre drug4

Cependant, la multiplication de ces tests d’hypothèses univariés engendre un péril méthodologique majeur : l’inflation exponentielle du taux d’erreur de première espèce global au sein de la famille d’expériences (family-wise error rate, FWER). Si chaque test unitaire est mené au seuil nominal de 0,05, la probabilité cumulée de déclarer à tort au moins une différence faussement positive s’élève à 1 – (1 – 0,05)⁶ ≈ 0,265, soit un risque inacceptable de plus de 26 %.

10.2 Stratégies rigoureuses d’ajustement du seuil alpha

Pour juguler cette dérive inférentielle, plusieurs procédures algorithmiques de correction du seuil critique doivent être mobilisées. La stratégie la plus classique et conservatrice est la correction de Bonferroni. Elle consiste à diviser le risque nominal global α par le nombre total de comparaisons m. Pour nos 6 tests bilatéraux, le seuil de décision ajusté devient alors :

α_ajusté = 0,05 / 6 = 0,00833

Toute comparaison unitaire dont la valeur p empirique dépasse 0,00833 doit être considérée comme non significative, nonobstant un résultat brut inférieur à 0,05. Bien que simple, la méthode de Bonferroni est souvent critiquée pour son hyper-conservatisme, susceptible d’induire une perte excessive de puissance statistique (augmentation de l’erreur de seconde espèce β).

Une alternative supérieure réside dans la procédure séquentielle descendante de Holm-Bonferroni. Cette méthode consiste à ordonner les m valeurs p brutes de la plus petite à la plus grande (p₍₁₎ ≤ p₍₂₎ ≤ … ≤ p_(m)), puis à comparer successivement chaque p_(i) à un seuil dynamique défini par α / (m – i + 1). Dès qu’une valeur p échoue au test, l’évaluation s’interrompt et l’ensemble des hypothèses subséquentes est maintenu. Enfin, pour les plans comportant un nombre massif de comparaisons, l’ajustement par le contrôle du taux de fausses découvertes (False Discovery Rate, FDR) selon l’algorithme de Benjamini-Hochberg représente le standard le plus moderne, aisément implémentable sous Stata via des modules communautaires dédiés.

10.3 Le test post-hoc de Conover-Friedman

Une démarche méthodologique plus élégante et statistiquement intégrée consiste à solliciter une procédure post-hoc conçue spécifiquement pour le test de Friedman, plutôt que d’appliquer de simples tests de Wilcoxon isolés. La méthode formulée par William J. Conover (souvent désignée sous l’appellation de test de Conover-Friedman) fait autorité dans ce domaine.

La particularité du test de Conover réside dans le fait qu’il évalue les différences entre les sommes des rangs de chaque condition en utilisant la variance résiduelle globale extraite du modèle omnibus de Friedman initial, plutôt que de recalculer des rangs indépendants pour chaque sous-échantillon bivarié. Cette approche préserve l’intégrité de la métrique des rangs calculée sur le jeu complet et présente une puissance statistique sensiblement supérieure aux tests appariés discontinus.

Sous Stata, bien que non intégrée dans le noyau de base primitif, la méthodologie de Conover peut être exécutée par le biais de scripts do-files personnalisés ou de routines matricielles dédiées téléchargeables depuis les dépôts académiques. L’analyste y gagne une estimation plus fidèle des contrastes véritables, réduisant le risque de masquer des effets réels étouffés par le sur-ajustement d’un filtre de Bonferroni mal calibré.

11. Visualisation graphique avancée des profils de réponses dans Stata

11.1 Construction de diagrammes en boîte (boxplots) par condition

La communication scientifique contemporaine exige une restitution visuelle claire des distributions empiriques. Dans le cadre de l’analyse non paramétrique, le diagramme en boîte et moustaches (boxplot) constitue l’outil graphique par excellence pour exposer simultanément la médiane, les quartiles et la dispersion asymétrique des données sans postuler la moindre linéarité sous-jacente.

Lorsque les données reposent en format long, la commande Stata graph box permet de déployer instantanément une représentation comparative harmonisée. La syntaxe préconisée s’énonce comme suit :

graph box response, over(drug) asyvars ytitle(« Temps de réaction (ms) ») title(« Distribution des temps de réaction par traitement ») note(« Les barres horizontales indiquent les médianes intra-conditions. »)

L’utilisation de l’option over(drug) segmente la variable de réponse selon les quatre modalités pharmacologiques, tandis que asyvars attribue des couleurs différenciées à chaque boîte pour une lisibilité optimale. Visuellement, ce graphique met en évidence le décalage progressif de la ligne médiane horizontale d’une condition à l’autre, offrant un support intuitif immédiat pour apprécier le ralentissement ou l’accélération motrice induite par chaque molécule.

11.2 Tracé des trajectoires individuelles (spaghetti plot)

Bien que le diagramme en boîte synthétise efficacement la distribution globale, il souffre d’un angle mort méthodologique : il masque totalement la dépendance intra-sujets. Deux jeux de données présentant des boxplots rigoureusement identiques pourraient masquer, dans un cas, un parallélisme parfait des réponses individuelles, et dans l’autre, un croisement chaotique de trajectoires individuelles contradictoires. Pour matérialiser la nature appariée des données, le tracé des profils individuels longitudinaux (communément qualifié de spaghetti plot) s’avère indispensable.

Sous Stata, ce graphique d’une haute valeur pédagogique s’élabore à l’aide de la commande combinée twoway line ou via la routine de panel xtline. Sur des données configurées en format long, la syntaxe s’exécute ainsi :

twoway (line response drug, connect(ascending) lcolor(gs10) lwidth(thin)), by(person, compact legend(off)) ytitle(« Temps de réaction ») xtitle(« Condition thérapeutique »)

Une alternative plus synthétique consiste à superposer l’ensemble des trajectoires sur un axe commun :

twoway (line response drug if person==1, lcolor(navy)) (line response drug if person==2, lcolor(maroon)) (line response drug if person==3, lcolor(forest_green)) (line response drug if person==4, lcolor(dkorange)) (line response drug if person==5, lcolor(purple)), ytitle(« Temps de réaction ») xlabel(1 « D1 » 2 « D2 » 3 « D3 » 4 « D4 ») title(« Profils de trajectoires individuelles »)

L’examen de cette figure permet d’observer directement si les lignes individuelles progressent de manière parallèle ou si des profils de non-répondeurs émergent de la matrice expérimentale.

11.3 Graphiques des rangs moyens avec intervalles de confiance non paramétriques

Le test de Friedman opérant conceptuellement sur des rangs et non sur des grandeurs brutes, la fidélité méthodologique la plus stricte commande de cartographier directement les rangs moyens assignés à chaque condition. Pour concevoir cette illustration sous Stata, l’analyste doit préalablement calculer les rangs relatifs au sein de chaque participant à l’aide de la commande d’ordonnancement séquentiel egen rank = rank(response), by(person).

Une fois cette variable de rangs générée en mémoire vive, l’agrégation de leurs moyennes et de leurs marges d’incertitude s’effectue via les outils graphiques de synthèse d’erreurs, par exemple via la syntaxe combinée :

serrbar ou à l’aide du moteur universel twoway couplé à des barres d’intervalles non paramétriques dérivées des percentiles (intervalles interquartiles ou ré-échantillonnage par bootstrap ordinal) :

graph dot (mean) rank, over(drug) marker(1, msymbol(D) msize(large) mcolor(navy)) ytitle(« Rang moyen attribué (1 à 4) ») title(« Rangs moyens par modalité thérapeutique »)

L’exportation finale de ces illustrations destinées aux revues biomédicales ou psychosociales s’opère dans des formats vectoriels haute résolution, au moyen de la syntaxe standardisée graph export « figure1.png », as(png) width(2400) replace ou sous le standard vectoriel graph export « figure1.eps », as(eps) replace.

12. Rédaction scientifique des résultats aux normes APA et pièges méthodologiques

12.1 Directives de rédaction selon les normes APA (7e édition)

La formalisation académique des résultats statistiques selon les standards de l’American Psychological Association (APA 7th edition) obéit à des conventions typographiques et structurelles immuables. Le compte-rendu d’un test de Friedman doit impérativement fournir la statistique du test (désignée sous le symbole grec χ² ou χ²_F), les degrés de liberté exacts entre parenthèses, la taille de l’échantillon N, la valeur précise de probabilité p (sans zéro non significatif devant la virgule décimale en typographie anglo-saxonne, ou avec virgule en français selon la langue cible du manuscrit), ainsi que l’indice de taille d’effet standardisé (le coefficient W de Kendall).

Voici un modèle rédactionnel exemplaire, rigoureusement adapté à l’analyse menée sur le jeu de données t43 :

« Un test non paramétrique de Friedman pour mesures répétées a été conduit afin d’évaluer l’effet de quatre molécules sédatives distinctes sur le temps de réaction de cinq participants. L’analyse omnibus révèle une différence statistiquement significative entre les distributions des temps de réaction à travers les conditions expérimentales, χ²(3, N = 5) = 11,16, p = 0,011, attestant d’une divergence systématique des réponses motrices. La magnitude de cet effet global s’avère particulièrement marquée, comme en témoigne un coefficient de concordance de Kendall élevé, W = 0,744. Les médianes descriptives des temps de réaction (et intervalles interquartiles associés) s’établissent respectivement à 18,2 ms (IIQ = 2,1) pour la drogue 1, 21,5 ms (IIQ = 3,4) pour la drogue 2, 26,8 ms (IIQ = 4,0) pour la drogue 3, et 31,4 ms (IIQ = 3,8) pour la drogue 4. Les comparaisons post-hoc par paires, exécutées au moyen de tests des rangs signés de Wilcoxon et corrigées pour l’inflation de l’erreur de type I selon la méthode de Holm-Bonferroni, confirment une augmentation significative du temps de réaction entre la drogue 1 et la drogue 4 (Z = 2,023, p_ajusté = 0,043), tandis que les autres contrastes bivariés ne franchissent pas le seuil de significativité après ajustement conservateur. »

12.2 Tableaux récapitulatifs aux normes académiques

L’insertion d’un tableau synthétique formalisé selon les normes APA enrichit considérablement la présentation des données en concentrant les paramètres descriptifs et les résultats inférentiels. Un tableau aux normes APA doit se distinguer par un dépouillement esthétique strict : absence totale de bordures verticales, et présence minimale de trois lignes horizontales principales (bordure supérieure, ligne séparatrice des en-têtes et bordure inférieure).

Sous Stata, la construction et l’exportation de tels tableaux vers des formats éditables (Word ou LaTeX) sont aujourd’hui automatisées via le système de collections unifié collect ou par la macro spécialisée putdocx. Le tableau doit structurer les données comme suit :

• Colonne 1 : Condition expérimentale / Modalité thérapeutique.
• Colonne 2 : Médiane (Mdn).
• Colonne 3 : Premier quartile (Q1) et Troisième quartile (Q3) ou Intervalle Interquartile (IIQ).
• Colonne 4 : Rang moyen (Mean Rank).
• Colonne 5 : Regroupements homogènes issus des contrastes post-hoc (lettres exposantes signalant les sous-ensembles statistiquement indiscernables).

Ce format tabulaire compact permet aux relecteurs académiques de saisir instantanément l’architecture complète des variations ordinales et métriques sans surcharger le corps de texte.

12.3 Erreurs méthodologiques fréquentes et bonnes pratiques de recherche

L’expertise statistique requiert enfin la connaissance des écueils récurrents observés dans les publications empiriques. La confusion méthodologique la plus pernicieuse consiste à traiter un plan à mesures répétées à l’aide d’un test conçu pour des échantillons indépendants, tel que le test de Kruskal-Wallis. L’application de la commande kwallis sur des données longitudinales constitue une faute théorique grave, car elle ignore totalement la corrélation intra-sujets, dégradant dramatiquement la puissance du test et faussant la structure des degrés de liberté.

Un deuxième manquement fréquent réside dans l’omission injustifiée de la taille d’effet. Déclarer une valeur p sans consigner le W de Kendall prive le lecteur de toute estimation quantifiée de la portée empirique du phénomène étudié. De même, la tentation de recourir à des tests t de Student appariés non ajustés pour réaliser les comparaisons post-hoc à la suite d’un test de Friedman viole l’esprit de l’analyse : si les conditions d’application de la métrique paramétrique étaient jugées trop sévères pour l’épreuve omnibus, il est méthodologiquement incohérent d’y recourir au stade des contrastes fins.

Enfin, la recherche ouverte (Open Science) impose la traçabilité absolue des calculs. Tout rapport scientifique doit être étayé par un fichier de commande (do-file) Stata documenté et commenté, archivé au sein de répertoires publics (tels que l’Open Science Framework ou GitHub). Cette discipline méthodologique garantit que n’importe quel chercheur indépendant pourra charger le jeu de données, exécuter la syntaxe logicielle et répliquer rigoureusement l’intégralité des tableaux et figures présentés.

Références

Bearman, S. (1993). FRIEDMAN: Stata module to perform Friedman’s two-way analysis of variance by ranks. Stata Technical Bulletin, 13, 23-25. https://econpapers.repec.org/software/bocbocode/s317901.htm

Benjamini, Y., & Hochberg, Y. (1995). Controlling the false discovery rate: A practical and powerful approach to multiple testing. Journal of the Royal Statistical Society: Series B (Methodological), 57(1), 289-300. https://doi.org/10.1111/j.2517-6161.1995.tb02031.x

Cochran, W. G. (1954). Some methods for strengthening the common χ² tests. Biometrics, 10(4), 417-451. https://doi.org/10.2307/3001616

Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2nd ed.). Lawrence Erlbaum Associates.

Conover, W. J. (1999). Practical nonparametric statistics (3rd ed.). John Wiley & Sons.

Friedman, M. (1937). The use of ranks to avoid the assumption of normality implicit in the analysis of variance. Journal of the American Statistical Association, 32(200), 675-701. https://doi.org/10.1080/01621459.1937.10503522

Friedman, M. (1940). A comparison of alternative tests of significance for the problem of m rankings. The Annals of Mathematical Statistics, 11(1), 86-92. https://doi.org/10.1214/aoms/1177731944

Holm, S. (1979). A simple sequentially rejective multiple test procedure. Scandinavian Journal of Statistics, 6(2), 65-70. https://www.jstor.org/stable/4615733

Kendall, M. G., & Babington Smith, B. (1939). The problem of m rankings. The Annals of Mathematical Statistics, 10(3), 275-287. https://doi.org/10.1214/aoms/1177732186

Mantel, N., & Haenszel, W. (1959). Statistical aspects of the analysis of data from retrospective studies of disease. Journal of the National Cancer Institute, 22(4), 719-748. https://doi.org/10.1093/jnci/22.4.719

Mauchly, J. W. (1940). Significance test for sphericity of a normal n-variate distribution. The Annals of Mathematical Statistics, 11(2), 204-209. https://doi.org/10.1214/aoms/1177731871

Siegel, S., & Castellan, N. J. (1988). Nonparametric statistics for the behavioral sciences (2nd ed.). McGraw-Hill.

StataCorp. (2023). Stata base reference manual: Release 18. Stata Press. https://www.stata.com/manuals/r.pdf

Wilcoxon, F. (1945). Individual comparisons by ranking methods. Biometrics Bulletin, 1(6), 80-83. https://doi.org/10.2307/3001968