Comment effectuer un test de Jarque-Bera en Python

L’évaluation des propriétés distributionnelles d’un échantillon constitue l’un des piliers méthodologiques les plus déterminants de l’analyse quantitative moderne. Dans l’ensemble des sciences empiriques, et tout particulièrement au sein de la psychologie computationnelle, des neurosciences cognitives et de l’économétrie appliquée, la conformité des données à la loi normale conditionne la validité des conclusions inférentielles tirées des modèles statistiques classiques. Lorsqu’un chercheur applique un modèle linéaire généralisé, une analyse de variance ou une régression ordinaire par les moindres carrés, il mobilise implicitement ou explicitement le postulat selon lequel les erreurs ou les observations sous-jacentes se conforment à une distribution gaussienne symétrique et mésokurtique. Ignorer cette exigence formelle expose l’analyste à des distorsions majeures du taux d’erreur de première espèce, à des estimations biaisées des erreurs standards et à des interprétations théoriques potentiellement erronées de phénomènes comportementaux ou psychologiques complexes.

Face à cet impératif méthodologique, l’arsenal statistique contemporain propose divers protocoles de diagnostic, parmi lesquels le test développé conjointement par Carlos Jarque et Anil Bera occupe une position singulière et prépondérante. Contrairement aux approches basées sur l’écart maximal entre fonctions de répartition empiriques et théoriques, le test de Jarque-Bera opère une évaluation directe et conjointe de la morphologie distributionnelle à travers les moments d’ordre supérieur : le coefficient d’asymétrie (skewness) et le coefficient d’aplatissement (kurtosis). Cette approche élégante confère au test une sensibilité remarquable face aux altérations structurelles de la loi normale, particulièrement dans le cadre d’échantillons de taille modérée à grande, où la détection de queues de distribution épaisses ou d’une dérive de symétrie s’avère cruciale pour préserver l’intégrité des inférences scientifiques.

L’écosystème Python s’est imposé comme l’environnement de référence pour la science des données et la recherche quantitative, offrant des implémentations robustes, optimisées et hautement reproductibles des méthodes inférentielles les plus avancées. À travers des bibliothèques scientifiques de premier plan telles que SciPy et Statsmodels, les chercheurs disposent d’outils algorithmiques performants pour exécuter le test de Jarque-Bera, automatiser son déploiement sur des jeux de données multidimensionnels, et diagnostiquer avec rigueur les violations potentielles des postulats distributionnels. Cet article propose une monographie exhaustive et rigoureuse consacrée au test de Jarque-Bera en Python, alliant dérivation mathématique formelle, contextualisation épistémologique en sciences du comportement, démonstrations computationnelles complètes, stratégies de remédiation méthodologique et normes académiques de publication.

1. Introduction au test de Jarque-Bera et fondements théoriques

1.1 Définition et genèse historique du test

Le test de Jarque-Bera puise ses origines fondamentales dans les travaux séminaux publiés au début des années 1980 par les économètres et statisticiens Carlos M. Jarque et Anil K. Bera. Dans leurs articles fondateurs de 1980 et 1987, les auteurs cherchaient à élaborer une procédure d’adéquation paramétrique fondée sur le principe du multiplicateur de Lagrange (test des scores de Rao), capable d’évaluer simultanément si les résidus d’un modèle de régression ou une série d’observations univariées dérivent d’un processus générateur gaussien. L’objectif initial consistait à concevoir un test diagnostique omnidirectionnel qui n’exigerait pas l’estimation de paramètres distributionnels additionnels sous l’hypothèse alternative, maximisant ainsi l’efficacité computationnelle tout en garantissant des propriétés asymptotiques optimales selon le critère du rapport de vraisemblance.

Sur le plan conceptuel, le test de Jarque-Bera se classe parmi les tests d’adéquation d’échantillon basés sur les moments empiriques. Cette caractéristique le distingue radicalement des tests d’adéquation concurrents s’appuyant sur la fonction de répartition empirique (EDF, pour Empirical Distribution Function), à l’instar des tests de Kolmogorov-Smirnov, de Lilliefors, de Cramér-von Mises ou d’Anderson-Darling. Alors que ces derniers quantifient une distance géométrique ou quadratique globale entre la courbe cumulative observée et la courbe cumulative théorique projetée, la procédure de Jarque-Bera décompose la déviation par rapport à la normalité en deux vecteurs géométriques spécifiques : l’asymétrie latérale de la masse de probabilité et la densité relative des queues de distribution par rapport au dôme central.

Cette spécification confère au test une pertinence fondamentale dans l’évaluation des postulats de distribution en statistique inférentielle. En se concentrant sur les troisième et quatrième moments standardisés, le test capture précisément les pathologies distributionnelles les plus délétères pour les méthodes paramétriques : l’allongement unilatéral des trajectoires extrêmes et la concentration anormale de valeurs atypiques dans les extrêmes. Bien que formalisé initialement dans le cadre univarié, le principe du test de Jarque-Bera a été étendu à des contextes multivariés complexes, consolidant son statut d’outil diagnostique incontournable tant en économétrie financière qu’en biostatistique et en psychologie computationnelle.

1.2 Importance de la normalité dans la recherche psychologique et comportementale

Au sein de la recherche psychologique et comportementale, le respect du postulat de normalité ne relève nullement d’une simple convenance théorique, mais conditionne directement la validité écologique et interne des conclusions expérimentales. La quasi-totalité des modèles statistiques paramétriques classiques, incluant le test t de Student, l’analyse de variance univariée et multivariée (ANOVA/MANOVA), les modèles de régression linéaire hiérarchique et la modélisation par équations structurelles, reposent sur l’hypothèse que les perturbations aléatoires ou les résidus conditionnels suivent une loi normale homoscédastique. Cette hypothèse mathématique assure l’exactitude des distributions d’échantillonnage de Student et de Fisher sous-jacentes aux tests de significativité statistique.

Dans l’évaluation des construits psychométriques latents, tels que l’intelligence fluide, la résilience émotionnelle ou les traits de personnalité du modèle en cinq facteurs, les scores composites sont fréquemment standardisés sous l’assomption d’une distribution normale sous-jacente au sein de la population générale. Néanmoins, les données brutes issues de protocoles expérimentaux présentent fréquemment des déviations intrinsèques substantielles. Par exemple, les mesures de temps de réaction en chronométrie mentale manifestent invariablement une traîne positive prononcée, tandis que les échelles évaluant des pathologies sévères (telles que la dépression clinique majeure ou les conduites addictives) exhibent une concentration massive d’observations à la borne inférieure de l’instrument, créant des effets de plancher prononcés.

Les conséquences d’une violation sévère de la normalité dans ce paradigme de recherche s’avèrent critiques. Lorsque la distribution s’éloigne notablement du profil gaussien, l’erreur standard des estimations est systématiquement sous-estimée ou surestimée selon la nature des queues de distribution, ce qui altère dramatiquement la précision des intervalles de confiance et invalide les calculs de puissance statistique. De surcroît, les décisions cliniques ou éducatives basées sur des coupures percentiles arbitraires issues de tables normales théoriques peuvent engendrer des taux substantiels de faux positifs ou de faux négatifs diagnostiques. Par conséquent, l’exécution d’un diagnostic rigoureux de normalité au moyen d’outils paramétriques tels que le test de Jarque-Bera s’impose comme une obligation déontologique et méthodologique incontournable pour tout chercheur en sciences comportementales.

1.3 Formulation des hypothèses statistique nulle et alternative

L’opérationnalisation formelle du test de Jarque-Bera repose sur la formulation rigoureuse d’un système d’hypothèses statistiques mutuellement exclusives portant sur les paramètres de forme de la population dont l’échantillon empirique est extrait. L’hypothèse nulle, formellement désignée sous l’abréviation $H_0$, postule la conformité conjointe des moments d’ordre trois et quatre de la variable étudiée avec ceux définissant une distribution normale théorique. Précisément, l’hypothèse nulle stipule que le coefficient d’asymétrie de la population est rigoureusement égal à zéro et que le coefficient d’aplatissement est strictement égal à trois (ce qui équivaut à un excès d’aplatissement nul) :

H0 : S = 0 et K = 3 (ou K – 3 = 0)

À l’inverse, l’hypothèse alternative, notée $H_1$, réfute cette conjonction paramétrique stricte. Elle est caractérisée par toute déviation statistiquement significative du coefficient d’asymétrie par rapport à zéro, ou toute divergence de l’aplatissement par rapport à la valeur canonique de trois, ou la combinaison simultanée de ces deux altérations morphologiques :

H1 : S ≠ 0 ou K ≠ 3 (ou K – 3 ≠ 0)

D’un point de vue épistémologique et inférentiel, la lecture des conclusions dérivées de ce cadre d’hypothèses exige une circonspection méthodologique aiguë. L’absence de rejet de l’hypothèse nulle (concrétisée par une p-valeur supérieure au seuil critique préétabli $\alpha$) ne saurait être interprétée comme une démonstration formelle de la normalité de la distribution. En logique statistique classique, ne pas rejeter $H_0$ signifie uniquement que les éléments empiriques collectés au sein de l’échantillon ne présentent pas un degré de déformation suffisant pour exclure le modèle gaussien avec un risque d’erreur contrôlé. L’équivalence stricte ne peut être affirmée sans recourir à des protocoles spécifiques de test d’équivalence. Dès lors, pour valider l’assomption de normalité dans une démarche de modélisation, le non-rejet de l’hypothèse nulle doit impérativement être corroboré par des indices convergents issus d’inspections graphiques approfondies et d’une analyse contextuelle de la taille de l’échantillon.

2. Les composantes mathématiques du test de Jarque-Bera

2.1 L’asymétrie (skewness) et son impact sur la distribution

Le coefficient d’asymétrie, désigné dans la littérature internationale sous le terme de skewness et généralement symbolisé par la lettre $S$ ou par le coefficient $\sqrt{\beta_1}$, constitue la première composante mathématique mobilisée par la statistique de Jarque-Bera. Sur le plan théorique, l’asymétrie quantifie le degré de déséquilibre structurel de la distribution de probabilité autour de sa tendance centrale, formalisée par l’espérance mathématique. Mathématiquement, pour une variable aléatoire continue $X$ d’espérance $\mu$ et d’écart-type $\sigma$, le coefficient d’asymétrie théorique correspond au troisième moment centré standardisé, défini formellement par l’équation suivante :

S = E[((X – μ) / σ)^3] = μ3 / (σ^3)

Dans un contexte d’échantillonnage empirique comportant $n$ observations indépendantes et identiquement distribuées, le coefficient d’asymétrie échantillonnal est calculé à partir de la moyenne empirique et des résidus observés, selon l’estimateur des moments :

S = ( (1 / n) * Σ (X_i – X_bar)^3 ) / ( (1 / n) * Σ (X_i – X_bar)^2 )^(3/2)

Une distribution parfaitement symétrique, telle que la courbe en cloche de Gauss, présente un coefficient d’asymétrie théorique rigoureusement nul ($S = 0$). Lorsque l’asymétrie est positive ($S > 0$), la queue de distribution s’étire substantiellement vers les valeurs positives supérieures de l’abscisse, signifiant que la masse des observations est concentrée à gauche de la moyenne, laquelle se trouve tirée vers la droite par quelques valeurs extrêmement élevées. Ce profil est universellement observé en psychologie expérimentale lors de l’enregistrement des temps de réaction motrice ou de décodage sémantique, où les latences physiologiques minimales créent une limite infranchissable à gauche tandis que les lapsus attentionnels étirent la distribution vers la droite. À l’inverse, une asymétrie négative ($S < 0$) traduit un étalement de la queue de distribution vers la gauche, caractéristique typique des examens académiques à haut taux de réussite ou des inventaires de fonctionnement cognitif global chez des adultes sains où se manifeste un effet de plafond.

2.2 L’aplatissement (kurtosis) et l’excès d’aplatissement

La seconde dimension constitutive du test concerne le degré d’aplatissement ou kurtosis, classiquement noté $K$ ou $\beta_2$. Contrairement à une idée reçue tenace qui assimile exclusivement le kurtosis au caractère pointu ou arrondi du sommet de la courbe de densité, la théorie statistique moderne clarifie que ce paramètre reflète avant tout la propension de la distribution à générer des valeurs extrêmes situées dans ses queues, relativement à la masse concentrée dans ses flancs intermédiaires. Le kurtosis théorique d’une variable aléatoire $X$ correspond au quatrième moment centré standardisé :

K = E[((X – μ) / σ)^4] = μ4 / (σ^4)

Dans le cadre d’un échantillon fini de taille $n$, l’estimateur classique par la méthode des moments s’exprime par le ratio du quatrième moment centré empirique sur le carré de la variance empirique :

K = ( (1 / n) * Σ (X_i – X_bar)^4 ) / ( (1 / n) * Σ (X_i – X_bar)^2 )^2

Pour toute distribution normale univariée, quelle que soit son espérance ou sa dispersion, le calcul analytique démontre que le quatrième moment centré standardisé converge exactement vers la constante trois ($K = 3$). Pour simplifier les diagnostics morphologiques, la littérature scientifique privilégie l’usage de l’excès d’aplatissement (excess kurtosis), formulé par $K_{exc} = K – 3$, qui établit la distribution normale comme étalon zéro de référence. Les distributions affichant un excès d’aplatissement positif ($K > 3$, $K_{exc} > 0$) sont qualifiées de leptokurtiques. Elles se caractérisent par des queues de probabilité particulièrement lourdes et épaisses, traduisant une fréquence anormalement élevée de valeurs divergentes extrêmes. Les distributions présentant un excès d’aplatissement négatif ($K < 3$,$K_{exc} < 0$) sont dites platykurtiques, signalant des queues légères et une répartition plus diffuse des observations le long de l’intervalle central. Dans la modélisation psychométrique, les structures leptokurtiques déstabilisent drastiquement l’estimation de la variance commune et induisent une vulnérabilité critique des modèles linéaires en gonflant le taux de rejet à tort d’hypothèses nulles légitimes.

2.3 Dérivation de la statistique de test et loi du Chi-deux

L’élégance architecturale de la méthode développée par Carlos Jarque et Anil Bera réside dans la synthèse unifiée de ces deux descripteurs morphologiques en une statistique scalaire unique. En exploitant la théorie asymptotique de la distribution conjointe des estimateurs des moments sous l’hypothèse de normalité, les auteurs ont démontré que les estimateurs échantillonnaux standardisés de l’asymétrie et du kurtosis deviennent mutuellement orthogonaux et asymptotiquement indépendants à mesure que la taille de l’échantillon croît vers l’infini.

Sous l’hypothèse nulle $H_0$ de normalité rigoureuse, la distribution d’échantillonnage de l’asymétrie empirique $S$ converge vers une loi normale centrée d’espérance nulle et de variance asymptotique égale à $6/n$. Simultanément, l’estimateur de l’aplatissement empirique $K$ converge vers une loi normale d’espérance trois et de variance asymptotique égale à $24/n$. Dès lors, en appliquant le principe de standardisation des variables aléatoires, les quantités suivantes convergent individuellement vers une loi normale centrée réduite :

Z_S = S / racine(6 / n)

Z_K = (K – 3) / racine(24 / n)

En vertu du théorème central limite et des propriétés fondamentales des vecteurs gaussiens indépendants, la somme des carrés de deux variables normales standardisées indépendantes suit rigoureusement une distribution du Chi-deux ($\chi^2$) à deux degrés de liberté. En élevant au carré ces deux termes standardisés et en sommant leurs contributions respectives, on obtient la formulation algébrique de la statistique de test de Jarque-Bera ($JB$) :

JB = (Z_S)^2 + (Z_K)^2 = (n / 6) * [ S^2 + ((K – 3)^2 / 4) ]

Par construction algébrique, la statistique $JB$ constitue une quantité strictement positive ou nulle ($JB ge 0$). Toute discordance morphologique empirique par rapport aux canons gaussiens — qu’il s’agisse d’un déséquilibre directionnel matérialisé par $S^2 > 0$ ou d’une altération de la structure des queues matérialisée par $(K – 3)^2 > 0$ — amplifie mécaniquement la valeur scalaire de $JB$, l’éloignant de l’origine. La détermination formelle de la p-valeur associée à une observation empirique $jb_{obs}$ repose ensuite sur l’évaluation analytique de la fonction de survie (complémentaire de la fonction de répartition cumulative) de la loi du Chi-deux à deux degrés de liberté :

p-valeur = P( χ^2(2) ≥ jb_obs ) = exp( -jb_obs / 2 )

Cette forme close simplifiée de la p-valeur illustre l’efficacité analytique du test de Jarque-Bera, dont le calcul ne requiert aucune intégration numérique fastidieuse pour déterminer le niveau d’adéquation probabiliste d’un jeu de données continu.

3. Préparation de l’environnement de développement Python

3.1 Installation et gestion des bibliothèques scientifiques

L’exécution computationnelle rigoureuse du test de Jarque-Bera et des analyses distributionnelles associées requiert le déploiement préalable d’une pile logicielle scientifique éprouvée. L’écosystème open source standard pour l’analyse statistique en Python s’articule autour de quatre bibliothèques maîtresses : NumPy pour l’algèbre linéaire vectorisée et les calculs matriciels haute performance, SciPy pour les fonctions statistiques inférentielles spécialisées, Pandas pour l’ingestion, la manipulation et le nettoyage structuré des séries de données cliniques ou comportementales, et Statsmodels pour l’estimation de modèles économétriques et l’analyse résiduelle avancée.

Pour garantir la reproductibilité absolue des calculs et prémunir les projets d’éventuels conflits d’interdépendances logicielles, la création d’un environnement virtuel isolé constitue une exigence technique incontournable. L’analyste peut recourir soit au gestionnaire natif venv, soit à la plateforme conda. L’installation standardisée s’effectue au moyen de l’utilitaire de gestion des paquets de référence. Au sein de la console terminale de l’environnement virtuel préalablement activé, la commande suivante permet d’assurer le déploiement simultané des outils indispensables :

pip install numpy scipy pandas statsmodels matplotlib seaborn jupyter

Dans le contexte spécifique de la recherche psychologique quantitative, le recours aux carnets interactifs Jupyter (Jupyter Notebooks ou JupyterLab) présente des bénéfices méthodologiques majeurs. Ils permettent de juxtaposer, au sein d’un document exécutable unique, les justifications théoriques formalisées, les blocs de code informatique, les sorties textuelles des tests inférentiels et les visualisations diagnostiques haute résolution. Cette structure intégrée répond directement aux standards internationaux de transparence analytique et facilite les audits par les pairs lors de la soumission de protocoles expérimentaux aux comités de lecture académiques.

3.2 Importation et structuration des modules de calcul

Une fois l’environnement configuré, l’architecture scripturale doit suivre les principes fondamentaux de modularité, de concision et de traçabilité promus par le guide de style PEP 8 de la communauté Python. L’importation ciblée des sous-modules statistiques évite la pollution de l’espace de noms global et garantit une lisibilité maximale pour les relecteurs de code. Pour mener à bien une étude diagnostique de distribution, l’initialisation du script débute conventionnellement par le chargement structuré des composants analytiques.

Le sous-module scipy.stats est traditionnellement importé pour héberger la routine canonique jarque_bera ainsi que les fonctions de génération de lois de probabilité. Parallèlement, statsmodels.api et le composant spécialisé statsmodels.stats.stattools sont mobilisés pour accéder aux routines alternatives d’économétrie appliquée. La manipulation des structures de données multidimensionnelles est confiée à pandas, tandis que numpy prend en charge les opérations arithmétiques fondamentales.

Un aspect critique de la reproductibilité scientifique computationnelle réside dans la gestion explicite des graines de pseudo-aléatoire (random seeds). La génération de cohortes synthétiques, de données simulées ou de procédures de rééchantillonnage bootstrap requiert la fixation formelle d’un générateur d’états aléatoires au moyen de l’instruction numpy.random.default_rng() ou de la commande conventionnelle numpy.random.seed(). L’omission de cette étape préliminaire engendre des variations numériques aléatoires entre les exécutions successives, compromettant la réplication exacte des statistiques calculées et des p-valeurs rapportées dans les publications savantes.

4. Exécution du test de Jarque-Bera avec la bibliothèque SciPy

4.1 Syntaxe et paramètres de la fonction jarque_bera

Au sein de la bibliothèque scientifique SciPy, l’implémentation de référence du test est encapsulée dans la fonction scipy.stats.jarque_bera. Cette fonction a été conçue pour combiner une simplicité d’appel algorithmique avec une robustesse mathématique stricte lors du traitement de collections numériques unidimensionnelles ou multidimensionnelles. La signature générique de la fonction se présente sous la structure d’appel classique acceptant comme paramètre d’entrée prioritaire un objet de type array_like, tel qu’une liste Python native, un tableau NumPy à une dimension (ndarray) ou une série Pandas (pd.Series).

Un enjeu technique récurrent dans le traitement de données observationnelles ou psychométriques réelles concerne la présence fréquente de données manquantes (valeurs NaN pour Not a Number). La fonction de SciPy intègre un paramètre dédié, nommé nan_policy, permettant à l’analyste de définir rigoureusement le comportement du moteur computationnel face aux valeurs non renseignées. Trois options formelles sont configurables :

• propagate (configuration par défaut) : la présence d’une seule valeur manquante au sein du vecteur entraîne la propagation du statut indéterminé et retourne une statistique et une p-valeur égales à nan.
• raise : l’interpréteur déclenche une exception formelle de type ValueError dès qu’une valeur non numérique est détectée, contraignant l’utilisateur à assainir préalablement son jeu de données.
• omit : la routine procède à l’exclusion silencieuse et automatisée des valeurs manquantes avant d’exécuter le calcul sur l’échantillon effectif restreint.

L’objet retourné par l’appel à scipy.stats.jarque_bera adopte la structure moderne d’un SignificanceResult (ou d’un tuple nommé dans les versions antérieures). Cet objet de données contient deux attributs scalaires explicitement typés : statistic, qui consigne la valeur numérique calculée de la statistique de Jarque-Bera $JB$, et pvalue, qui consigne la probabilité asymptotique associée calculée à partir de la fonction de survie de la distribution du Chi-deux à deux degrés de liberté. Cette standardisation de l’objet de sortie facilite l’extraction programmatique ciblée des résultats au sein de pipelines d’automatisation plus vastes.

4.2 Application pas à pas sur une distribution normale simulée

Afin d’illustrer la mécanique opératoire de la fonction dans un cadre où l’hypothèse nulle est rigoureusement exacte par construction, considérons la simulation d’un échantillon théorique de 5 000 observations synthétiques distribuées selon une loi normale standard de moyenne nulle ($\mu = 0$) et de variance unitaire ($\sigma^2 = 1$). Cette approche permet de vérifier l’adéquation pratique de la statistique calculée face aux prédictions mathématiques idéales.

La génération des données s’opère en sollicitant le générateur de nombres aléatoires de NumPy via la méthode normal() d’un objet default_rng préalablement initialisé. Le vecteur synthétique obtenu est ensuite immédiatement transmis en argument à la fonction scipy.stats.jarque_bera. L’exécution de la fonction réalise de manière entièrement transparente l’estimation de la moyenne empirique, le calcul centré des puissances d’ordre deux, trois et quatre des écarts, la standardisation des moments morphologiques, et enfin l’évaluation de l’équation quadratique de Jarque-Bera.

Lors de l’extraction des composantes du résultat, l’expérimentateur observe typiquement une valeur de statistique de test remarquablement faible, oscillant généralement entre 0,05 et 2,50 sous de telles conditions de pureté distributionnelle. La p-valeur correspondante se positionne largement au-dessus du seuil de significativité conventionnel de 0,05 (atteignant fréquemment des valeurs de l’ordre de 0,40 à 0,90). L’interprétation statistique formelle conclut sans ambiguïté au non-rejet de l’hypothèse nulle $H_0$ : les données observées ne manifestent aucun écart structurel mesurable par rapport aux caractéristiques morphologiques attendues d’une distribution gaussienne.

4.3 Automatisation du test sur des structures de données multivariées

Dans la pratique concrète de la recherche expérimentale et clinique, les protocoles ne se limitent que très rarement à l’examen d’une variable unique isolée. Un inventaire psychométrique classique — à l’exemple du questionnaire de personnalité NEO-PI-R ou de l’inventaire multidimensionnel de fatigue — compile couramment des dizaines de sous-échelles quantitatives distinctes organisées en colonnes au sein d’une matrice rectangulaire structurée en tableau Pandas (DataFrame). Répéter manuellement l’appel de la fonction sur chaque sous-échelle s’avère fastidieux, source d’erreurs typographiques et contraire aux principes d’ingénierie logicielle.

L’automatisation élégante de ce diagnostic s’articule autour de l’exploitation de la méthode apply() de Pandas ou de compréhensions de listes vectorisées. En appliquant une fonction lambda dédiée sur chaque série numérique constitutive de la base de données, l’analyste extrait de façon itérative la statistique de test, la p-valeur associée, mais également les indices individuels de symétrie (skewness) et d’aplatissement (kurtosis) calculés au moyen des fonctions complémentaires de SciPy. Cette stratégie permet de convertir un jeu de données brut complexe en un tableau synthétique d’adéquation distributionnelle.

Le tableau résultant consolide, pour chaque variable du protocole, les métriques fondamentales : taille effective d’échantillon valide ($N$), valeur de la statistique $JB$, probabilité $p$, et une décision binaire algorithmique (« Rejet de H0 » versus « Non-rejet de H0 ») calibrée sur un seuil alpha critique préalablement spécifié. Ce tableau diagnostique consolidé offre une vision synoptique immédiate de l’architecture des données, permettant d’isoler instantanément les sous-échelles nécessitant des remédiations statistiques préalablement à toute modélisation multivariée avancée.

5. Exécution alternative du test via Statsmodels

5.1 Utilisation du module statsmodels.stats.stattools

Bien que l’implémentation offerte par la bibliothèque SciPy constitue la référence généraliste la plus connue, la bibliothèque spécialisée Statsmodels propose une implémentation alternative dédiée, hébergée au sein de son sous-module d’outils statistiques statsmodels.stats.stattools.jarque_bera. Cette déclinaison a été spécifiquement façonnée pour répondre aux impératifs d’investigation diagnostique des modélisateurs en économétrie et en biostatistique avancée.

La distinction opérationnelle majeure entre la variante de SciPy et celle de Statsmodels réside dans la nature et l’exhaustivité des indicateurs mathématiques retournés lors de l’exécution de la fonction. Alors que SciPy restreint sa sortie canonique au binôme constitué par la statistique $JB$ et la p-valeur, la fonction jarque_bera de Statsmodels renvoie systématiquement un tuple ordonné exhaustif comprenant quatre grandeurs scalaires fondamentales :

• jb_value : la valeur numérique de la statistique de test calculée.
• p_value : la probabilité critique asymptotique issue de la loi du Chi-deux.
• skew : l’estimation empirique directe du coefficient d’asymétrie de l’échantillon.
• kurtosis : l’estimation empirique directe du coefficient d’aplatissement (dans sa définition brute de quatrième moment, sans soustraction préalable du chiffre 3).

Cette quadruple décomposition confère à la version de Statsmodels un avantage analytique substantiel pour le chercheur. Elle élimine la nécessité d’invoquer des sous-routines de calcul annexes pour inspecter individuellement l’asymétrie et l’aplatissement de la série observée. L’analyste peut ainsi déterminer immédiatement, sans étape intermédiaire de programmation, si un rejet éventuel de la normalité est préférentiellement attribuable à une distorsion asymétrique unilatérale des données ou à une concentration critique de valeurs aberrantes dans les queues de distribution.

5.2 Diagnostic de la normalité des résidus dans les modèles de régression OLS

L’un des cas d’usage les plus prédominants du test de Jarque-Bera réside dans l’inspection des hypothèses du modèle de régression linéaire par les moindres carrés ordinaires (OLS). Le théorème fondamental de Gauss-Markov démontre que les estimateurs OLS sont les meilleurs estimateurs linéaires sans biais (BLUE, Best Linear Unbiased Estimator) dès lors que les erreurs sont non corrélées et homoscédastiques, sans qu’il soit formellement nécessaire que les résidus suivent une loi normale pour établir leur non-biais. Cependant, la validité des tests d’hypothèses sur les coefficients individuels (tests de Student) et sur l’adéquation globale du modèle (tests de Fisher) repose strictement, à taille d’échantillon finie, sur le postulat d’une distribution normale des perturbations aléatoires :

ε_i ~ N(0, σ^2)

L’intégration du test de Jarque-Bera au sein de la classe de régression linéaire statsmodels.regression.linear_model.OLS est native et automatique. Lorsqu’un chercheur ajuste un modèle de régression linéaire reliant, par exemple, un indicateur de plasticité cognitive à une série de prédicteurs neurobiologiques et comportementaux, l’invocation de la méthode summary() génère un rapport statistique complet. Dans la section inférieure de cette table de synthèse normalisée figurent de plein droit les résultats de la statistique de Jarque-Bera, accompagnée de sa p-valeur (notée Prob(JB)), calculées directement sur les résidus ordinaires standardisés du modèle.

Si la lecture du tableau d’ajustement OLS révèle une p-valeur associée à Jarque-Bera substantiellement inférieure à 0,05, le postulat de normalité des résidus doit être formellement rejeté. Les conséquences d’un tel diagnostic sont critiques pour l’analyste : les erreurs types des estimateurs de pente peuvent être déformées, compromettant la fiabilité des tests d’inférence classiques. Ce diagnostic d’infirmation contraint le chercheur à renoncer aux interprétations naïves des tables de régression et oriente méthodologiquement l’investigation vers des procédures d’estimation d’erreurs types robustes à l’hétéroscédasticité et à la non-normalité, ou vers des modélisations linéaires généralisées.

6. Interprétation statistique et critères de décision

6.1 Règles de décision fondées sur le seuil de significativité alpha

L’arbitrage formel quant à l’adéquation d’une distribution empirique aux propriétés d’une loi normale s’articule conventionnellement autour de la confrontation de la p-valeur empirique obtenue face à un seuil d’erreur de première espèce nominal, traditionnellement fixé à $\alpha = 0{,}05$, ou plus conservateur à $\alpha = 0{,}01$ et $\alpha = 0{,}001$. Cette règle décisionnelle s’énonce selon un protocole binaire rigide : dès lors que la p-valeur calculée se révèle strictement inférieure au seuil alpha préétabli ($p < alpha$), l’analyste se trouve dans l’obligation statistique de rejeter l’hypothèse nulle$H_0$. Dans cette éventualité, l’échantillon analysé est réputé présenter une divergence significative par rapport à la morphologie gaussienne.

La signification opérationnelle d’un rejet de l’hypothèse nulle implique que les observations manifestent un degré d’asymétrie ou un excès de valeurs aberrantes qu’il est hautement improbable d’observer sous les seules fluctuations d’échantillonnage aléatoire d’une population parente normale. À l’opposé, lorsque la probabilité empirique excède le niveau critique spécifié ($p ge \alpha$), la décision méthodologique formelle se limite impérativement au « non-rejet » de l’hypothèse nulle. Il convient d’insister vigoureusement sur l’asymétrie épistémologique inhérente à ce résultat : ne pas rejeter $H_0$ ne valide nullement que la distribution observée est rigoureusement normale, mais atteste uniquement de l’incapacité du test à discerner un écart suffisant au vu de l’information empirique disponible.

Dans certains contextes cliniques ou neuropsychologiques à haute sensibilité diagnostique, l’ajustement flexible du seuil alpha peut s’avérer méthodologiquement défendable. Lorsqu’une infraction mineure aux postulats de distribution risque de compromettre substantiellement la validité d’une décision thérapeutique basée sur un modèle normatif, les méthodologistes recommandent d’élever le seuil d’alerte à $\alpha = 0{,}10$ afin d’accroître la sensibilité diagnostique du test face aux dérives débutantes de la structure des données.

6.2 Analyse conjointe de la magnitude de la statistique et de la taille de l’effet

Une démarche diagnostique mature et éclairée ne saurait se confiner à la consultation passive et isolée de la p-valeur. Conformément aux recommandations convergentes des sociétés savantes de statistique et de psychométrie, l’interprétation doit impérativement conjuguer l’examen de la significativité probabiliste avec l’analyse approfondie de la magnitude de la statistique observée ($JB$) et des tailles d’effet associées, incarnées par les valeurs brutes de l’asymétrie ($S$) et de l’excès d’aplatissement ($K_{exc}$).

La statistique $JB$ quantifie l’amplitude brute de la divergence globale par rapport au centre de gravité théorique du modèle normal. Néanmoins, en raison de la présence du facteur d’échelle proportionnel à la taille de l’échantillon ($n/6$) dans la formule de calcul, des variations morphologiques infinitésimales et dépourvues de toute conséquence pratique sur la stabilité des modèles peuvent générer des valeurs statistiques considérables sur de grandes cohortes d’étude. Il s’avère donc indispensable de dissocier la significativité statistique de la significativité pratique ou empirique de la non-normalité.

Dans cette perspective, les lignes directrices proposées par des méthodologistes de renom tels que David L. West, Stephen G. West ou Joseph F. Hair fournissent des repères opérationnels particulièrement pertinents. En règle générale :

• Un coefficient d’asymétrie absolue $|S| < 1{,}0$ et un excès d'aplatissement $|K - 3| < 1{,}0$ signalent une déviation ténue, couramment assimilable à une normalité approximative satisfaisante pour la plupart des modèles linéaires classiques.
• Une asymétrie comprise entre $1{,}0$ et $2{,}0$ accompagnée d’un excès d’aplatissement situé entre $1{,}0$ et $7{,}0$ traduit une violation modérée nécessitant une attention diagnostique accrue.
• Des coefficients excédant respectivement des seuils absolus de $|S| ge 2{,}0$ et d’aplatissement brut $K ge 7{,}0$ indiquent des pathologies distributionnelles sévères rendant l’emploi direct d’estimateurs gaussiens hautement périlleux pour la robustesse inférentielle.

6.3 Risques d’erreurs d’inférence de type I et de type II

L’utilisation pratique du test de Jarque-Bera expose l’expérimentateur à des risques asymétriques d’erreurs d’inférence statistique, dont la gravité relative est étroitement tributaire de la taille de l’échantillon analysé. L’erreur de type I (rejet erroné de l’hypothèse nulle alors qu’elle est parfaitement vraie dans la population) et l’erreur de type II (non-rejet erroné de l’hypothèse nulle alors que la distribution parente s’écarte notablement de la normalité) voient leurs probabilités respectives osciller de manière critique selon les conditions expérimentales.

Sur les très grands échantillons (couramment rencontrés dans les banques de données comportementales en libre accès ou les registres épidémiologiques comprenant plusieurs milliers de participants), la puissance statistique du test de Jarque-Bera devient virtuellement infinie. Dans cette configuration, le test acquiert la capacité de détecter des perturbations microscopiques de l’asymétrie ou de l’aplatissement, entraînant un rejet catégorique de l’hypothèse nulle ($p < 0{,}001$) pour des distributions qui s'avèrent qualitativement indiscernables de la courbe de Gauss. Ce phénomène de « surpuissance » statistique conduit l'analyste non averti à commettre une erreur décisionnelle par excès de zèle, le poussant à récuser indûment des modèles paramétriques optimaux dont la robustesse intrinsèque tolère aisément d'aussi infimes fluctuations.

À l’autre extrémité du spectre, au sein de cohortes cliniques restreintes ($n < 30$), le test souffre d'un déficit marqué de puissance statistique, culminant dans un taux prohibitif d'erreurs de type II. Dans de telles conditions de faible densité empirique, le test s'avère fréquemment incapable de rejeter la normalité d'échantillons issus de populations parentes fortement asymétriques ou caractérisées par des queues extrêmement épaisses. Les variations d'échantillonnage masquent les anomalies réelles de la distribution, instillant un sentiment illusoire de sécurité quant à la validité des postulats gaussiens. Pour mitiger ces risques décisionnels, le chercheur doit obligatoirement subordonner ses conclusions à une triangulation rigoureuse combinant tests formels, analyses de robustesse et explorations visuelles exhaustives.

7. Études de cas pratiques sur des données psychologiques

7.1 Cas 1 : Analyse des temps de réaction cognitive (distribution asymétrique)

La chronométrie mentale constitue l’un des paradigmes expérimentaux les plus répandus en psychologie cognitive pour évaluer l’architecture du traitement de l’information. Dans le cadre d’une tâche d’attention sélective de type Stroop ou d’une épreuve de détection de cibles spatiales, les mesures de temps de réaction (exprimées en millisecondes) manifestent de manière universelle une distribution non gaussienne. La modélisation théorique de ces latences comportementales correspond typiquement à une distribution ex-gaussienne, résultant de la convolution mathématique entre une loi normale représentant le temps sensorimoteur d’exécution et une loi exponentielle traduisant la composante centrale de décision cognitive.

Considérons l’application programmatique du test de Jarque-Bera sur une série empirique simulant les performances de 450 participants soumis à une tâche attentionnelle soutenue. L’ingestion et l’inspection statistique du jeu de données sous Python révèlent une moyenne observée de 485 ms, une médiane de 452 ms, un coefficient d’asymétrie empirique atteignant une valeur élevée de $S = 1{,}84$, et un kurtosis s’élevant à $K = 7{,}12$ (soit un excès d’aplatissement de $4{,}12$).

L’exécution de la commande scipy.stats.jarque_bera sur cette série vectorielle génère une statistique de test spectaculairement élevée, atteignant $JB = 576{,}43$, assortie d’une p-valeur infinitésimale largement inférieure aux limites de précision machine conventionnelles ($p = 1{,}2 \times 10^{-125}$). Le verdict statistique impose le rejet catégorique et indiscutable de l’hypothèse nulle de normalité. Sur le plan méthodologique, ce diagnostic confirme formellement l’inadéquation radicale du calcul d’une simple moyenne arithmétique et d’un écart-type conventionnel pour synthétiser la performance attentionnelle des sujets. L’analyste se trouve guidé vers l’adoption d’indicateurs de tendance centrale robustes (tels que la médiane ou la moyenne tronquée) ou vers l’estimation paramétrique formelle des composantes $\mu$, $\sigma$ et $tau$ du modèle ex-gaussien.

7.2 Cas 2 : Évaluation d’un inventaire de symptômes anxieux (platykurtose)

Le deuxième cas d’usage clinique concerne l’analyse des scores composites issus de l’administration d’un questionnaire standardisé d’évaluation de la symptomatologie anxieuse, tel que l’inventaire d’anxiété généralisée GAD-7, auprès d’une cohorte non clinique issue de la population générale comprenant 600 individus. Les instruments psychométriques évaluant des dimensions psychopathologiques au sein d’échantillons tout-venant présentent la particularité structurelle de comporter une proportion prépondérante de scores nuls ou très faibles, la vaste majorité des participants ne manifestant aucun signe clinique de détresse psychologique.

L’inspection morphologique des données nettoyées met en évidence un phénomène marqué d’effet de plancher (floor effect). Le profil distributionnel résultant se caractérise par une asymétrie modérée vers la droite ($S = 0{,}82$), mais se distingue surtout par une déformation prononcée de son aplatissement. La distribution est platykurtique dans sa région supérieure tout en présentant une discontinuité à l’origine, avec un kurtosis brut calculé à $K = 2{,}15$, ce qui se traduit par un excès d’aplatissement négatif substantiel de $K_{exc} = -0{,}85$.

L’application du test de Jarque-Bera via statsmodels.stats.stattools.jarque_bera retourne une valeur de statistique empirique s’élevant à $JB = 78{,}91$, pour une p-valeur de $p = 7{,}34 \times 10^{-18}$. Le rejet de l’hypothèse nulle de normalité s’impose à nouveau avec une force probabiliste écrasante. L’analyse détaillée des composantes fournies par Statsmodels isole avec précision la contribution combinée de l’asymétrie tronquée et de l’aplatissement sub-normal dans la génération de cette statistique. Sur le plan des retombées pratiques, ce résultat atteste de l’illégitimité d’appliquer des régressions linéaires ordinaires pour prédire ces scores anxieux. Il prescrit l’abandon des hypothèses de distribution continue non bornée au profit de modélisations adaptées aux données tronquées ou gonflées en zéros, telles que la régression de Poisson modifiée, la régression binomiale négative ou des modèles issus de la théorie des réponses aux items (TRI).

7.3 Cas 3 : Scores standardisés de quotient intellectuel (loi normale respectée)

Le troisième scénario d’étude explore l’analyse d’une cohorte de validation psychométrique de 1 200 adolescents ayant complété une batterie d’évaluation cognitive globale standardisée, calibrée pour produire un indice de Quotient Intellectuel (QI) selon l’étalonnage historique de David Wechsler (moyenne théorique attendue fixée à 100, écart-type théorique calibré à 15). Contrairement aux épreuves comportementales chronométriques ou aux échelles cliniques symptomatiques, les batteries psychométriques de ce type font l’objet d’une ingénierie d’étalonnage psychométrique rigoureuse spécifiquement conçue pour harmoniser les scores sur une courbe normale parfaite au sein de la population générale.

L’assainissement préalable du jeu de données sous Python permet de certifier l’absence de valeurs aberrantes résultant de fautes de saisie instrumentale. Le calcul descriptif des moments révèle une moyenne empirique de $100{,}18$, un écart-type empirique de $14{,}92$, un coefficient d’asymétrie remarquablement proche de l’idéal théorique avec $S = 0{,}032$, et un coefficient d’aplatissement brut mesuré à $K = 3{,}048$ (soit un excès d’aplatissement négligeable de $K_{exc} = 0{,}048$).

La soumission du vecteur d’observations à la fonction scipy.stats.jarque_bera engendre une statistique empirique extrêmement ténue, calculée à $JB = 0{,}312$, associée à une p-valeur de $p = 0{,}855$. La p-valeur surpassant très largement l’ensemble des seuils critiques conventionnels de significativité ($\alpha = 0{,}05$ ou $0{,}01$), l’analyste conclut en toute rigueur au non-rejet de l’hypothèse nulle de normalité. Les moments de forme d’ordre trois et quatre de l’échantillon manifestent une concordance quasi parfaite avec ceux attendus sous le modèle de distribution gaussien. Cette validation statistique formelle autorise l’usage sans réserve de méthodes inférentielles paramétriques exigeantes, telles que le calcul des matrices de corrélation linéaire de Pearson, l’exécution d’analyses factorielles confirmatoires et l’établissement de tables de scores de déviation standard fiables pour l’évaluation neuropsychologique.

8. Diagnostic visuel complémentaire et exploration graphique

8.1 Tracé de diagrammes quantile-quantile (Q-Q Plots) en Python

Quelle que soit l’exactitude computationnelle des tests inférentiels paramétriques, la saine pratique méthodologique impose de ne jamais dissocier l’évaluation numérique d’un test formel de l’inspection visuelle détaillée de la topologie des données. Parmi la panoplie des représentations graphiques diagnostiques, le diagramme quantile-quantile, universellement désigné sous l’appellation de Q-Q Plot, s’érige comme l’outil d’exploration morphologique le plus puissant et le plus informatif pour corroborer les résultats du test de Jarque-Bera.

Le diagramme Q-Q projette graphiquement, sur un repère orthogonal à deux dimensions, les quantiles de la distribution empirique observée (en ordonnée) face aux quantiles correspondants d’une distribution théorique de référence — en l’occurrence la loi normale standard — calculés pour un même niveau cumulé de probabilité (en abscisse). Si les données dérivent rigoureusement d’une population normale, les points d’intersection se positionnent de manière rectiligne le long d’une ligne de référence diagonale théorique d’équation $y = ax + b$. L’environnement Python permet d’engendrer ces visualisations haute fidélité au moyen de la fonction spécialisée scipy.stats.probplot couplée aux interfaces de rendu graphique de la bibliothèque Matplotlib.

L’intérêt diagnostique fondamental du diagramme Q-Q réside dans sa capacité à expliciter immédiatement la cause structurelle d’un rejet éventuel de la statistique de Jarque-Bera. Si la courbe observée adopte un profil convexe ou concave décollant systématiquement de la ligne médiane, elle signale une asymétrie directionnelle unilatérale. Si la trajectoire des points décrit une morphologie en forme de lettre « S » étirée, coupant la diagonale au centre pour s’écarter vers le haut à droite et vers le bas à gauche, elle dénonce la présence caractéristique d’une distribution leptokurtique à queues de probabilité particulièrement lourdes. L’analyste identifie ainsi d’un coup d’œil si le gonflement de la statistique $JB$ provient d’une dérive asymétrique globale du corps des données ou d’une poignée d’observations excentrées situées dans les extrêmes.

8.2 Histogrammes superposés avec courbes de densité de probabilité

L’appréciation intuitive de la masse de probabilité et de la régularité du profil modal s’effectue traditionnellement par le tracé d’un histogramme de fréquences, enrichi de couches analytiques avancées. En exploitant les capacités esthétiques et computationnelles de la bibliothèque graphique Seaborn, l’analyste peut générer des diagrammes morphologiques d’une précision exemplaire via la fonction unifiée seaborn.histplot.

Pour construire une représentation comparative rigoureuse conforme aux critères d’édition scientifique internationale, la stratégie optimale consiste à normaliser l’histogramme des effectifs en densités de probabilité continues (en spécifiant le paramètre stat=’density’). Sur cette base empirique discrétisée, il convient de superposer simultanément deux courbes de densité continues distinctes :

• Une courbe d’estimation par noyau non paramétrique (KDE, Kernel Density Estimation), qui épouse fidèlement les singularités morphologiques locales de l’échantillon sans présupposer de modèle formel a priori.
• Une courbe de densité normale théorique continue paramétrée mathématiquement par la moyenne empirique et l’écart-type empirique observés sur les données analysées, tracée à l’aide de la fonction de densité gaussienne scipy.stats.norm.pdf.

La confrontation visuelle de la courbe d’estimation par noyau et de la courbe gaussienne théorique idéale met immédiatement en lumière les zones géométriques d’excès ou de déficit de masse probabiliste. L’expérimentateur peut localiser avec exactitude le décentrage du pic modal (reflet du coefficient de skewness) ainsi que l’épaississement anormal des franges latérales ou, à l’inverse, l’affaissement du dôme central (reflets du coefficient de kurtosis). Cette représentation graphique conjointe constitue une pièce justificative majeure pour documenter visuellement la cohérence substantielle des rejets ou des acceptations formulés par le test de Jarque-Bera dans les rapports méthodologiques.

8.3 Diagrammes en boîte (boxplots) et détection des observations aberrantes

L’amplification excessive de la statistique de Jarque-Bera est fréquemment induite par la présence d’un contingent restreint d’observations atypiques ou aberrantes (outliers), qui exercent une influence disproportionnée sur l’évaluation des puissances d’ordre trois et quatre de l’écart à la moyenne. Dans cette perspective diagnostique, le diagramme en boîte de John Tukey (boxplot), traçable via seaborn.boxplot, s’affirme comme le complément exploratoire indispensable de l’analyse distributionnelle.

Le diagramme en boîte structure les données autour d’indicateurs non paramétriques robustes : la médiane centrale ($Q_2$), le premier quartile ($Q_1$) et le troisième quartile ($Q_3$). L’intervalle interquartile ($IQR = Q_3 – Q_1$), matérialisé par la longueur de la boîte rectangulaire, englobe les 50 % centraux de la cohorte. Les moustaches extérieures s’étendent conventionnellement jusqu’aux valeurs limites maximales n’excédant pas $1{,}5 \times IQR$ au-delà des charnières quartiles. Tout point de donnée excédant ces limites est explicitement individualisé sous forme de point isolé, signalant une valeur divergente potentielle.

L’inspection du diagramme en boîte permet d’opérer un diagnostic visuel rapide de la symétrie à travers la position relative du segment médian à l’intérieur du rectangle et l’égalité de longueur des deux moustaches. Surtout, il permet de contextualiser immédiatement les causes d’un test de Jarque-Bera statistiquement significatif. Face à des observations extrêmes isolées sur le diagramme, le chercheur doit mener une investigation forensique approfondie avant d’envisager toute décision d’exclusion : s’agit-il d’anomalies de mesure ou de codage informatique (qui doivent être promptement rectifiées ou supprimées), ou de manifestations authentiques d’une variabilité comportementale interindividuelle rare mais biologiquement valide (qui doivent impérativement être conservées sous peine de falsifier la variabilité naturelle du phénomène étudié) ?

9. Sensibilité à la taille d’échantillon et contraintes asymptotiques

9.1 Comportement du test sur des échantillons de grande taille

L’un des défis méthodologiques majeurs inhérents à l’usage de tests d’hypothèses fondés sur la théorie asymptotique réside dans la modulation de leur comportement opératoire par le volume d’observations collectées. Le test de Jarque-Bera incorpore explicitement dans son équation fondamentale la taille de l’échantillon $n$ sous forme de multiplicateur linéaire direct de la somme quadratique des moments :

JB = (n / 6) * [ S^2 + ((K – 3)^2 / 4) ]

Cette dépendance algébrique directe engendre une sensibilité exacerbée dès lors que la volumétrie expérimentale devient massive, typiquement lorsque $n$ franchit le seuil des 2 000 ou 5 000 observations. Dans ces cohortes de grande envergure — de plus en plus courantes avec l’avènement des bases de données de neuro-imagerie partagées, du pistage numérique mobile et des enquêtes en ligne internationales —, la puissance statistique de la procédure tend vers sa limite asymptotique unitaire. Par conséquent, des déviations infinitésimales de l’asymétrie ou de l’aplatissement (par exemple $S = 0{,}08$ et $K = 3{,}12$), dénuées de toute incidence pratique sur la distribution des erreurs ou la robustesse des estimateurs des moindres carrés, produisent systématiquement des valeurs de statistique $JB$ suffisamment élevées pour rejeter l’hypothèse nulle à des seuils ultra-conservateurs ($p < 0{,}001$).

Face à de grands échantillons, l’analyste quantitatif rigoureux doit faire preuve d’un recul épistémologique impératif. S’enfermer dans une application aveugle de la règle de rejet décisionnelle sur la base unique de la p-valeur conduit inéluctablement à déclarer invalides des modèles statistiques parfaitement légitimes. Lorsque la taille de l’échantillon excède plusieurs milliers de lignes, le test de Jarque-Bera doit être rétrogradé au rang d’indicateur informatif secondaire, la priorité méthodologique absolue devant être accordée à l’évaluation intrinsèque de la taille de l’effet morphologique matérialisée par l’inspection directe des coefficients $S$ et $K_{exc}$, ainsi qu’à la robustesse asymptotique garantie par le théorème central limite.

9.2 Vulnérabilités et limites du test sur des échantillons restreints

Si la surpuissance statistique constitue l’écueil des cohortes massives, l’extrême faiblesse de la convergence asymptotique représente le piège symétrique et redoutable du test de Jarque-Bera lorsque la taille de l’échantillon s’avère restreinte. La distribution de la statistique $JB$ ne suit rigoureusement une loi théorique du Chi-deux à deux degrés de liberté que dans la limite théorique d’un effectif tendant vers l’infini ($n to \infty$). Dans le cadre de cohortes expérimentales réduites — telles qu’on en rencontre couramment en neuropsychologie clinique de résection lésionnelle, en imagerie par résonance magnétique fonctionnelle (IRMf) ou lors d’études pilotes de faisabilité thérapeutique où $n$ est souvent inférieur à 50, voire à 30 —, cette approximation asymptotique s’effondre.

De nombreuses investigations par simulation numérique de Monte-Carlo ont formellement démontré que pour des échantillons de taille modeste, la distribution d’échantillonnage réelle de la statistique $JB$ sous l’hypothèse nulle dérive substantiellement de la distribution théorique du Chi-deux. En particulier, les queues de distribution de la statistique empirique sont notablement plus légères que celles de la loi du $\chi^2(2)$, ce qui entraîne une distorsion critique du taux d’erreur de type I réel, qui se révèle fréquemment très inférieur ou supérieur au niveau nominal attendu de 5 %, selon la position relative des quantiles.

De surcroît, le test souffre d’un déficit dramatique de puissance statistique pour détecter des formes sévères de leptokurtose ou des queues lourdes sur des cohortes réduites. Dans ces conditions de faible densité, la variance d’échantillonnage des moments centrés d’ordre supérieur (particulièrement le quatrième moment) explose, diluant le signal de non-normalité dans le bruit aléatoire d’estimation. Conclure à la normalité d’une distribution clinique sur la seule foi d’une p-valeur non significative issue d’un test de Jarque-Bera conduit sur 25 participants constitue une faute méthodologique caractérisée. Dans ces scénarios contraints, la littérature méthodologique prescrit d’écarter le test de Jarque-Bera au profit de tests structurellement conçus pour les petits effectifs, tels que le test de Shapiro-Wilk.

9.3 Variantes et ajustements pour petits échantillons

Face aux défaillances asymptotiques du test de Jarque-Bera sur des effectifs limités, la littérature statistique a vu éclore plusieurs tentatives méthodologiques visant à corriger le biais structurel d’estimation des moments finis et à restaurer la validité du niveau nominal du test. Les contributions majeures apportées notamment par Carlos M. Jarque et Anil K. Bera eux-mêmes, ainsi que les raffinements formalisés ultérieurement par des chercheurs tels que Carlos Urzúa (1996) ou Rajat Deb et James Sefton (1996), ont abouti à la spécification de variantes dites ajustées ou modifiées pour petits échantillons.

L’approche de correction classique consiste à substituer aux estimateurs naïfs des moments d’asymétrie et d’aplatissement leurs versions strictement non biaisées à taille finie, et à incorporer la variance exacte finie de ces estimateurs sous l’hypothèse nulle au dénominateur de la statistique, en lieu et place des constantes asymptotiques $6/n$ et $24/n$. La variante d’Urzúa (souvent désignée sous le sigle ALM pour Adjusted Lagrange Multiplier) reformule la statistique selon une combinaison pondérée exploitant les espérances et variances mathématiques exactes des moments échantillonnaux d’une population gaussienne de taille finie $n$ :

JB_ajusté = [ (S^2) / Var(S_n) ] + [ ((K – E[K_n])^2) / Var(K_n) ]

Une méthode alternative particulièrement féconde offerte par l’environnement Python réside dans la détermination de la distribution empirique exacte de la statistique de test par simulations intensives de Monte-Carlo. Plutôt que de confronter la statistique observée $jb_{obs}$ à la fonction de survie analytique de la loi du Chi-deux, l’expérimentateur peut programmer une routine synthétisant un million d’échantillons gaussiens de taille rigoureusement identique à l’échantillon d’étude ($n$), calculer sur chacun d’eux la statistique $JB$, et positionner la valeur observée empiriquement au sein de cette distribution d’échantillonnage empirique exacte. Cette approche algorithmique contourne intégralement les approximations asymptotiques et rétablit une intégrité probabiliste absolue à l’inférence statistique, quelle que soit la taille de la cohorte analysée.

10. Comparaison critique avec les autres tests de normalité en Python

10.1 Le test de Shapiro-Wilk (scipy.stats.shapiro)

Au sein de la boîte à outils inférentielle disponible sous Python, le test de Shapiro-Wilk, implémenté dans la routine scipy.stats.shapiro, s’impose comme l’étalon de comparaison incontournable face au test de Jarque-Bera. Conçu originellement en 1965 par Samuel Sanford Shapiro et Martin Wilk, ce test repose sur un fondement mathématique radicalement distinct de l’évaluation des moments morphologiques. Il opère une régression des statistiques d’ordre observées au sein de l’échantillon (les données triées par ordre croissant) sur les espérances mathématiques théoriques des statistiques d’ordre d’une distribution normale standard.

Sur le plan de l’efficacité statistique comparative, un consensus unanime et massif émerge des études de simulation méthodologiques : le test de Shapiro-Wilk démontre une supériorité statistique écrasante en matière de puissance face à la quasi-totalité de ses concurrents — y compris le test de Jarque-Bera — pour des échantillons de taille faible à modérée ($n$ compris entre 10 et 500 observations). Sa sensibilité pour repérer des perturbations morphologiques subtiles, des asymétries diffuses ou des contaminations locales de la distribution s’avère inégalée dans ces configurations de faible puissance.

Néanmoins, le test de Shapiro-Wilk manifeste des contraintes techniques dont s’affranchit le test de Jarque-Bera. Sur le plan algorithmique, son exécution requiert l’inversion et la manipulation d’une matrice de covariance des statistiques d’ordre, ce qui induit une charge computationnelle non négligeable sur les jeux de données volumineux. Bien que les implémentations modernes de SciPy autorisent son exécution sur des cohortes substantielles, la routine désactivait historiquement son calcul au-delà de 5 000 observations en raison d’instabilités numériques. Dès lors, le recours à Shapiro-Wilk s’impose prioritairement dans l’analyse de cohortes expérimentales réduites et modérées, tandis que Jarque-Bera conserve sa suprématie dans le diagnostic rapide de volumétries élevées et l’évaluation résiduelle de modèles économétriques.

10.2 Le test d’omnibus de D’Agostino-Pearson (scipy.stats.normaltest)

Le test omnibus formulé conjointement par Ralph D’Agostino et Egon Pearson, disponible sous Python via l’instruction scipy.stats.normaltest, partage une proximité conceptuelle intime avec la philosophie du test de Jarque-Bera. Tout comme ce dernier, la procédure de D’Agostino-Pearson fonde son diagnostic d’adéquation sur l’examen conjoint du coefficient d’asymétrie et du coefficient d’aplatissement de la série observée.

Cependant, le test omnibus de D’Agostino-Pearson introduit une sophistication méthodologique majeure qui corrige précisément les vulnérabilités structurelles de Jarque-Bera sur les échantillons de taille intermédiaire. Au lieu d’agréger directement les carrés des moments standardisés bruts — dont la convergence asymptotique vers la normalité est notoirement lente —, la routine de D’Agostino applique des transformations mathématiques non linéaires complexes aux coefficients d’asymétrie et de kurtosis empiriques. L’asymétrie est normalisée par la transformation de transformation logarithmique de Johnson, tandis que le kurtosis est approché de la loi normale au moyen d’une transformation d’Anscombe et Glynn. La statistique globale $K^2$ agrège ensuite les carrés de ces deux déviations transformées pour converger vers une loi du Chi-deux à deux degrés de liberté :

K^2 = Z_S(S)^2 + Z_K(K)^2 ~ χ^2(2)

Grâce à cette normalisation préalable des moments d’ordre supérieur, le test scipy.stats.normaltest conserve un contrôle rigoureux de son erreur de type I nominale dès que la taille de l’échantillon franchit le seuil modeste de $n ge 20$ observations. Il surclasse très largement le test de Jarque-Bera en matière de stabilité et de robustesse dès que l’analyste traite des cohortes comprises entre 50 et 1 000 sujets. De fait, au sein de la communauté des data scientists et des méthodologistes sous Python, l’utilisation de scipy.stats.normaltest est préférentiellement recommandée comme outil de première intention pour l’évaluation de la normalité générale, réservant le test de Jarque-Bera au cadre canonique de l’analyse des résidus de régressions OLS et aux séries temporelles.

10.3 Le test de Kolmogorov-Smirnov et la correction de Lilliefors

Le test d’adéquation historique de Kolmogorov-Smirnov, déployé via scipy.stats.kstest, appartient à la famille des métriques basées sur l’écart spatial maximal entre distributions cumulées. Il quantifie la distance suprémum ($D$) séparant la fonction de répartition empirique par paliers $F_n(x)$ de la fonction de répartition continue théorique postulée $F_0(x)$ :

D = sup_x | F_n(x) – F_0(x) |

Une confusion méthodologique majeure entache fréquemment l’utilisation de ce test dans la recherche empirique. La formulation canonique implémentée dans scipy.stats.kstest postule impérativement que les paramètres de la loi théorique de référence ($\mu$ et $\sigma$) sont connus a priori et fixés de manière entièrement indépendante de l’échantillon. Or, dans l’immense majorité des applications pratiques, le chercheur ignore les paramètres de la population et se trouve contraint d’estimer la moyenne et la variance directement à partir des données de son échantillon. Appliquer le test de Kolmogorov-Smirnov standard sur une loi normale dont les paramètres ont été estimés empiriquement constitue une erreur théorique sévère, qui conduit à une sous-estimation drastique de la statistique $D$ et à une inflation massive d’erreurs de type II (incapacité à rejeter la non-normalité).

Pour restaurer la validité de cette approche lorsque les paramètres sont estimés empiriquement, il est indispensable de recourir à la variante ajustée de Lilliefors, accessible dans l’écosystème Python via le module statsmodels.stats.diagnostic.lilliefors. Néanmoins, même dans sa version corrigée, le test de Lilliefors s’avère nettement moins puissant que les tests de Jarque-Bera ou de Shapiro-Wilk pour identifier les anomalies logées spécifiquement dans les queues de distribution. En concentrant son attention sur l’écart vertical maximal, le test de Lilliefors privilégie mécaniquement les déformations survenant au centre de la distribution (où la densité cumulative est la plus forte) et demeure fréquemment aveugle aux phénomènes d’épaississement symétrique des queues de probabilité.

Test Statistique	Fonction Python	Fondement Mathématique	Taille Idéale (n)	Sensibilité Principale
Jarque-Bera	scipy.stats.jarque_bera	Moments (Asymétrie & Kurtosis)	$n > 500$	Queues épaisses et déséquilibre latéral
Shapiro-Wilk	scipy.stats.shapiro	Régression sur statistiques d’ordre	$n < 2000$	Puissance omnidirectionnelle générale
D’Agostino-Pearson	scipy.stats.normaltest	Moments transformés orthogonalisés	$n ge 20$	Déviations omnibus robustes
Lilliefors (KS)	statsmodels.stats.diagnostic.lilliefors	Distance maximale cumulative (EDF)	$n > 100$	Déformations centrales de la médiane

11. Stratégies méthodologiques face à l’infirmation de la normalité

11.1 Transformations de variables psychométriques

Lorsque le couperet du test de Jarque-Bera conclut au rejet formel de l’hypothèse de normalité et que l’amplitude de l’asymétrie ou de l’aplatissement menace la validité des modélisations linéaires projetées, l’analyste dispose d’un premier niveau de remédiation méthodologique articulé autour des transformations mathématiques univariées. L’objectif d’une transformation consiste à appliquer une fonction monotone non linéaire sur l’échelle de mesure brute afin de comprimer l’intervalle des valeurs extrêmes et de réaligner la distribution sur une morphologie gaussienne symétrique.

Face à une asymétrie positive prononcée — caractéristique canonique des latences motrices ou des échelles de détresse psychologique —, la boîte à outils NumPy permet d’exécuter des transformations standardisées : la transformation racine carrée (numpy.sqrt) pour les déviations modérées, la transformation logarithmique népérienne ou décimale (numpy.log ou numpy.log10, souvent ajustée sous la forme $log(X + 1)$ pour neutraliser les valeurs nulles) pour les asymétries sévères, ou encore la transformation inverse ($1/X$).

Pour dépasser l’arbitraire du choix empirique d’une fonction élémentaire, la bibliothèque SciPy met à disposition l’algorithme d’optimisation paramétrique de Box-Cox via la fonction scipy.stats.boxcox. Cette procédure identifie, par estimation du maximum de vraisemblance, le paramètre optimal $lambda$ au sein d’une famille d’applications paramétrées :

y^(λ) = (x^λ – 1) / λ si λ ≠ 0, et y^(λ) = ln(x) si λ = 0

La transformation de Box-Cox impose une contrainte stricte : toutes les valeurs observées de la série doivent être strictement positives ($x > 0$). Dans les scénarios psychométriques où la série comporte des valeurs nulles ou négatives, l’analyste privilégiera l’implémentation de la méthode de Yeo-Johnson, encapsulée dans scipy.stats.yeojohnson, qui étend le principe de Box-Cox à l’ensemble du domaine des nombres réels. Après application de la transformation optimale, le chercheur doit réexécuter le test de Jarque-Bera sur la nouvelle métrique transformée afin de valider formellement la restauration d’une normalité suffisante.

11.2 Recours aux alternatives statistiques non paramétriques

Si les transformations mathématiques échouent à normaliser la structure des données ou si elles rendent l’interprétation substantielle des unités de mesure cliniques excessivement complexe pour les praticiens, la substitution paradigmatique par des méthodes statistiques non paramétriques (ou statistiques de distribution libre) constitue la démarche la plus rigoureuse.

Ces méthodes contournent intégralement le postulat de normalité gaussienne en substituant aux grandeurs métriques continues brutes leur classement ordinal relatif (conversion en rangs statistiques). Dès lors, les tests paramétriques classiques trouvent leurs équivalents non paramétriques directs au sein du sous-module scipy.stats :

• Le test t de Student pour échantillons indépendants est avantageusement remplacé par le test de la somme des rangs de Wilcoxon ou test U de Mann-Whitney (scipy.stats.mannwhitneyu).
• Le test t pour mesures répétées est substitué par le test des rangs signés de Wilcoxon (scipy.stats.wilcoxon).
• L’analyse de variance à un facteur (ANOVA) cède la place au test de Kruskal-Wallis (scipy.stats.kruskal), tandis que les designs factoriels intra-sujets s’orientent vers le test de Friedman (scipy.stats.friedmanchisquare).
• Le coefficient de corrélation linéaire de Pearson est délaissé au profit des corrélations de rangs de Spearman (scipy.stats.spearmanr) ou du Tau de Kendall (scipy.stats.kendalltau).

Cette transition méthodologique garantit une imperméabilité totale face aux violations des postulats de forme et immunise l’analyste contre l’influence distorsive des observations atypiques. Néanmoins, ce basculement s’accompagne d’un coût méthodologique que le chercheur doit assumer : une légère dégradation de la puissance statistique face à des distributions réputées quasi normales, ainsi qu’une restriction des questions scientifiques adressables, l’inférence par les rangs peinant à modéliser les interactions complexes au sein de devis expérimentaux factoriels élaborés.

11.3 Méthodes de rééchantillonnage et modèles statistiques robustes

L’informatique computationnelle moderne permet aujourd’hui d’adopter une troisième voie particulièrement élégante, située à mi-chemin entre la rigidité paramétrique et l’appauvrissement métrique des méthodes de rangs : les approches par rééchantillonnage de type bootstrap et les modélisations linéaires robustes.

Le bootstrap non paramétrique ne présuppose aucun modèle distributionnel analytique pour les erreurs ou les données observées. Il exploite la distribution empirique de l’échantillon comme la meilleure approximation accessible de la population parente inconnue. En générant, par tirage avec remise, des milliers de pseudo-échantillons synthétiques de taille $n$, l’analyste reconstruit directement la distribution d’échantillonnage empirique du paramètre d’intérêt (différence de moyennes, coefficient de régression, variance). La fonction scipy.stats.bootstrap permet d’estimer avec une extrême précision des intervalles de confiance à 95 % robustes (méthode du percentile ou BCa corrigée du biais et accélérée), affranchissant l’inférence de toute hypothèse quant à la forme de la distribution sous-jacente.

Parallèlement, la bibliothèque Statsmodels offre un catalogue complet de modèles d’estimation robustes. Dans le cadre de la régression, l’utilisation de la classe statsmodels.formula.api.rlm (Robust Linear Models) substitue à la fonction de coût quadratique des moindres carrés des fonctions d’estimation de Huber ou de Tukey (M-estimateurs), qui pondèrent automatiquement à la baisse l’influence des résidus extrêmes générés par des distributions leptokurtiques. Enfin, l’adoption des Modèles Linéaires Généralisés (GLM via statsmodels.api.GLM) autorise la spécification explicite de familles de distribution d’erreurs non normales (loi Gamma, loi binomiale inverse, loi de Poisson), réconciliant élégamment la rigueur mathématique du modèle avec la réalité distributionnelle révélée par le test de Jarque-Bera.

12. Bonnes pratiques de reporting et reproductibilité académique

12.1 Normes de rédaction APA pour la présentation du test de Jarque-Bera

La publication de résultats statistiques dans les revues académiques internationales de psychologie, d’ergonomie et de neurosciences cognitives est assujettie aux règles éditoriales strictes édictées par l’American Psychological Association (APA), consignées dans sa septième édition. L’intégrité de la communication scientifique impose de ne jamais reléguer le diagnostic de normalité à une mention évasive du type « les conditions de normalité ont été préalablement vérifiées », mais d’en consigner formellement les métriques quantitatives complètes.

Selon les canons typographiques de l’APA, la statistique de test de Jarque-Bera s’abrège par le symbole JB, composé en caractères italiques majeurs. Les degrés de liberté asymptotiques associés à la distribution du Chi-deux sous-jacente — conventionnellement fixés à deux pour la formulation univariée standard — doivent être obligatoirement mentionnés entre parenthèses immédiatement après le symbole du test. La valeur numérique de la statistique doit être rapportée avec une précision de deux décimales, suivie de la valeur exacte de la probabilité empirique (p en italique), documentée avec une précision de trois décimales (sauf lorsqu’elle est inférieure à 0,001, auquel cas la notation conventionnelle p < .001 s’impose).

De surcroît, un compte rendu académique exemplaire doit impérativement enrichir la mention du test formel par la divulgation explicite des estimations d’asymétrie ($S$) et d’aplatissement brut ($K$) ou d’excès d’aplatissement ($K_{exc}$). Voici deux illustrations représentatives de formulations textuelles rigoureuses conformes aux exigences éditoriales les plus élevées :

• Scénario d’infirmation de la normalité (données asymétriques) : « L’examen des propriétés morphologiques de la distribution des temps de réaction indique une dérive asymétrique substantielle vers la droite (S = 1,84) accompagnée d’une forte leptokurtose (K = 7,12). Le test d’adéquation de Jarque-Bera confirme une violation statistiquement significative du postulat de normalité, JB(2) = 576,43, p < .001. Par conséquent, des procédures de rééchantillonnage bootstrap avec correction de biais ont été mobilisées pour l’estimation des intervalles de confiance paramétriques. »
• Scénario de conformité de la normalité : « Les scores standardisés d’efficience cognitive globale manifestent une symétrie satisfaisante (S = 0,03) et un aplatissement concordant avec le modèle théorique gaussien (K = 3,05). Le test d’adéquation de Jarque-Bera ne révèle aucune déviation morphologique significative par rapport à la loi normale, JB(2) = 0,31, p = .855. L’hypothèse de normalité univariée a ainsi été jugée recevable, autorisant l’application d’une modélisation linéaire classique. »

12.2 Conception d’un pipeline Python modulaire et automatisé

Dans un contexte de laboratoire de recherche ou de plateforme d’analyse clinique, la conduite systématique de diagnostics distributionnels gagne à être formalisée sous la forme d’un pipeline informatique modulaire, réutilisable et encapsulé. L’écriture d’une fonction unifiée d’audit morphologique garantit une standardisation rigoureuse des analyses tout au long des cycles itératifs de collecte de données.

Une fonction de diagnostic robuste doit être conçue pour accepter en entrée une série temporelle ou vectorielle (de type pandas.Series ou numpy.ndarray), le nom contextuel de la variable étudiée, ainsi que le seuil de risque alpha retenu. Sur le plan algorithmique, cette routine procède successivement au filtrage documenté des valeurs non renseignées, à l’extraction unifiée des moments de distribution d’ordre un à quatre (moyenne, écart-type, skewness, kurtosis), à l’exécution de la statistique de Jarque-Bera via SciPy ou Statsmodels, et à l’arbitrage binaire automatisé quant au rejet de l’assomption gaussienne.

Au-delà de la production de résultats scalaires, une fonction industrielle bien conçue génère automatiquement un tableau récapitulatif formaté, exportable sous forme de table Markdown ou de rapport HTML, tout en intégrant des messages de traçabilité via le module natif logging de Python. Les avertissements critiques (tels que la détection d’une cohorte $n < 30$ inadéquate pour l'approximation asymptotique ou, à l'inverse, d'un effectif massif $n > 5000$ induisant un risque d’hyper-sensibilité décisionnelle) sont ainsi consignés dans les journaux d’exécution du projet. Enfin, l’ensemble du script doit scrupuleusement adhérer aux standards de documentation PEP 257 (docstrings détaillées explicitant types d’entrées et de retours), assurant une maintenabilité pérenne du socle analytique du laboratoire.

12.3 Transparence des données et partage selon les principes de la science ouverte

L’analyse distributionnelle, loin de constituer un exercice computationnel isolé, s’inscrit au cœur du mouvement international en faveur de la science ouverte (Open Science Framework) et de la reproductibilité des résultats de recherche. La crise de la réplicabilité qui a traversé les sciences psychologiques au cours de la dernière décennie a mis en exergue les dérives induites par la sélection a posteriori de méthodes statistiques alternatives face à des violations occultées de postulats mathématiques.

Pour garantir une transparence méthodologique totale et irréprochable face aux comités de lecture académiques et aux pairs scientifiques, les chercheurs doivent consigner l’intégralité de leurs routines d’évaluation distributionnelle au sein de dépôts ouverts publics pérennes, à l’exemple d’OSF (Open Science Framework), de Zenodo ou de GitHub. L’archive d’analyse ne doit pas se limiter au seul code source Python brut, mais doit comporter l’environnement technique complet matérialisé par un fichier de dépendances formel de type requirements.txt ou un fichier de configuration d’environnement conda de type environment.yml. Ce document consigne avec exactitude les numéros de version logicielle précis de l’interpréteur Python, de NumPy, de SciPy, de Pandas et de Statsmodels mobilisés lors de l’investigation empirique.

Dans la même démarche de transparence déontologique, le pré-enregistrement des protocoles analytiques (preregistration) s’impose progressivement comme une norme d’excellence scientifique. En déclarant préalablement à la collecte empirique des données les seuils critiques de rejet retenus pour le test de Jarque-Bera, la conduite tenue face aux observations atypiques, ainsi que la trajectoire décisionnelle planifiée en cas d’infirmation de la normalité (règles formelles de basculement vers une modélisation non paramétrique ou vers des transformations spécifiques), le chercheur immunise sa démarche contre le biais de confirmation et les pratiques de flexibilité analytique douteuses (p-hacking). Cette rigueur épistémologique et algorithmique constitue le fondement même de la confiance collective accordée aux découvertes quantitatives contemporaines.

Références

Bera, A. K., & Jarque, C. M. (1981). An efficient large-sample test for normality of observations and regression residuals. Australian National University Working Papers in Econometrics, 40, 1-26.

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

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

D’Agostino, R. B., & Pearson, E. S. (1973). Tests for departure from normality. Empirical results for the distributions of b2 and √b1. Biometrika, 60(3), 613-622. https://doi.org/10.1093/biomet/60.3.613

Deb, R., & Sefton, J. (1996). The distribution of a Lagrange multiplier test of normality. Economics Letters, 51(2), 123-130. https://doi.org/10.1016/0165-1765(96)00803-0

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate data analysis (8th ed.). Cengage Learning.

Jarque, C. M., & Bera, A. K. (1980). Efficient tests for normality, homoscedasticity and serial independence of regression residuals. Economics Letters, 6(3), 255-259. https://doi.org/10.1016/0165-1765(80)90024-5

Jarque, C. M., & Bera, A. K. (1987). A test for normality of observations and regression residuals. International Statistical Review, 55(2), 163-172. https://doi.org/10.2307/1403192

Kline, R. B. (2023). Principles and practice of structural equation modeling (5th ed.). Guilford Press.

Lilliefors, H. W. (1967). On the Kolmogorov-Smirnov test for normality with mean and variance unknown. Journal of the American Statistical Association, 62(318), 399-402. https://doi.org/10.1080/01621459.1967.10482916

Micceri, T. (1989). The unicorn, the normal curve, and other improbable creatures. Psychological Bulletin, 105(1), 156-166. https://doi.org/10.1037/0033-2909.105.1.156

Seabold, S., & Perktold, J. (2010). Statsmodels: Econometric and statistical modeling with Python. Proceedings of the 9th Python in Science Conference, 57, 61. https://doi.org/10.25080/Majora-92bf1922-011

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

Tabachnick, B. G., & Fidell, L. S. (2019). Using multivariate statistics (7th ed.). Pearson.

Urzúa, C. M. (1996). On the correct use of omnibus tests for normality. Economics Letters, 53(3), 247-251. https://doi.org/10.1016/S0165-1765(96)00923-8

Virtanen, P., Gommers, R., Oliphant, T. E., Haberland, M., Reddy, T., Cournapeau, D., Burovski, E., Peterson, P., Weckesser, W., Bright, J., van der Walt, S. J., Brett, M., Wilson, J., Millman, K. J., Mayorov, N., Nelson, A. R. J., Jones, E., Kern, R., Larson, E., … SciPy 1.0 Contributors. (2020). SciPy 1.0: Fundamental algorithms for scientific computing in Python. Nature Methods, 17(3), 261-272. https://doi.org/10.1038/s41592-019-0686-2

West, S. G., Finch, J. F., & Curran, P. J. (1995). Structural equation models with nonnormal variables: Problems and remedies. In R. H. Hoyle (Ed.), Structural equation modeling: Concepts, issues, and applications (pp. 56-75). Sage Publications.

Yeo, I. K., & Johnson, R. A. (2000). A new family of power transformations to improve normality or symmetry. Biometrika, 87(4), 954-959. https://doi.org/10.1093/biomet/87.4.954