Comment réaliser un test d’adéquation du chi-deux dans R

L’analyse des données catégorielles constitue l’un des piliers méthodologiques fondamentaux de la recherche contemporaine en sciences du comportement, en psychologie, en épidémiologie et en sociologie quantitative. Lorsque les chercheurs s’intéressent à des variables nominales où les observations sont réparties au sein de modalités discrètes et mutuellement exclusives, les approches paramétriques linéaires classiques fondées sur la normalité des distributions deviennent inopérantes. Dans ce contexte, l’évaluation de la conformité entre des fréquences observées sur le terrain et des fréquences théoriques postulées a priori nécessite le recours à des épreuves statistiques non paramétriques robustes et éprouvées. Parmi celles-ci, le test d’adéquation du chi-deux s’impose historiquement et pratiquement comme l’outil d’inférence de référence.

Conçu à l’aube du vingtième siècle par le biométricien et statisticien britannique Karl Pearson, ce test permet d’éprouver la validité empirique d’un modèle probabiliste univarié face à des données réelles. Qu’il s’agisse de tester l’équiprobabilité de choix comportementaux dans une expérience en psychologie cognitive, d’évaluer la représentativité d’un échantillon clinique au regard des données de prévalence nationale, ou de vérifier les prédictions d’un modèle génétique mendélien, l’adéquation du chi-deux offre un cadre décisionnel rigoureux. Le développement moderne de l’environnement de calcul statistique R a considérablement simplifié la mise en œuvre technique de cette procédure, tout en dotant les analystes d’outils analytiques avancés pour en explorer les nuances distributionnelles, les résidus standardisés et la magnitude des effets observés.

Le présent guide a pour ambition d’offrir une monographie exhaustive, théorique et opérationnelle, dédiée à la réalisation, à l’interprétation critique et à la restitution académique du test d’adéquation du chi-deux à l’aide du langage R. À travers l’examen détaillé des fondements mathématiques, des postulats de validité méthodologique, de la programmation scriptée pas à pas, des méthodes de diagnostic des résidus, de l’estimation de la taille d’effet et des procédures palliatives face aux petits effectifs, ce document s’adresse tant aux chercheurs aguerris qu’aux praticiens et étudiants désireux d’asseoir leurs analyses quantitatives sur les normes de rigueur scientifique les plus élevées, notamment celles édictées par l’American Psychological Association.

1. Fondements théoriques du test d’adéquation du chi-deux

1.1 Définition et objectifs en psychométrie et sciences du comportement

Le test d’adéquation du chi-deux, fréquemment désigné dans la littérature internationale sous l’expression de chi-square goodness-of-fit test, relève de la famille des épreuves statistiques non paramétriques destinées à l’analyse d’une seule variable qualitative discrète découpée en un nombre fini de modalités distinctes. Contrairement aux tests paramétriques tels que le test t de Student ou l’analyse de variance, qui exigent des distributions continues sous-jacentes et l’estimation de paramètres d’échelle tels que la moyenne et la variance, le test d’adéquation ne formule aucune exigence quant à la forme de la distribution continue parente. Son objectif fondamental réside dans la quantification de la distance globale séparant une configuration de fréquences empiriques dénombrées au sein d’un échantillon et une distribution théorique d’effectifs attendus découlant d’une hypothèse formulée a priori.

Dans le champ de la psychométrie et des sciences comportementales, cette épreuve constitue un instrument de premier ordre pour valider des modèles théoriques prédictifs. Les chercheurs y recourent régulièrement pour déterminer si le comportement d’un groupe d’individus dévie significativement d’un pattern aléatoire, ce qui traduirait l’existence d’un biais cognitif, d’une préférence motrice ou d’une asymétrie attentionnelle. Par exemple, lorsqu’un protocole expérimental confronte des participants à quatre stimuli visuels spatialement différenciés, le test permet d’évaluer si la sélection d’un stimulus spécifique s’écarte de l’équiprobabilité théorique de vingt-cinq pour cent par modalité. De manière similaire, en psychologie différentielle et sociale, il est couramment mobilisé afin de certifier qu’un échantillon de convenance recruté en ligne ne présente pas de distorsion majeure quant à la répartition par tranches d’âge ou catégories socioprofessionnelles au regard des statistiques fournies par les instituts officiels de démographie.

L’utilité du test s’étend également à la modélisation probabiliste complexe, où il intervient comme critère de réfutation ou de corroboration empirique. Lorsqu’un modèle mathématique issu des neurosciences computationnelles prédit qu’une décision perceptuelle doit se distribuer selon des proportions théoriques asymétriques précises, le test d’adéquation offre la métrique formelle autorisant le chercheur à rejeter le modèle théorique ou à conclure que les données observées s’ajustent de manière satisfaisante aux prédictions formulées.

1.2 Dérivation mathématique de la statistique de test

La formalisation mathématique développée par Pearson repose sur la construction d’une statistique d’écart quadratique réduit. Considérons une variable catégorielle possédant un nombre $k$ de modalités exclusives et exhaustives. Supposons que l’on observe, au sein d’un échantillon de taille totale $N$, une série d’effectifs empiriques notés $O_i$ pour chaque catégorie $i$ allant de 1 à $k$. Sous la validité de l’hypothèse nulle, chaque modalité est associée à une probabilité théorique d’occurrence désignée par $p_i$, sous la contrainte stricte que la somme de ces probabilités soit égale à l’unité. L’effectif théorique ou attendu pour la cellule $i$, noté $E_i$, est donné par le produit de la taille de l’échantillon par la probabilité théorique correspondante, soit $E_i = N \times p_i$.

La statistique de test de Pearson, communément désignée par la notation $\chi^2$ (chi-deux), quantifie la somme pondérée des carrés des écarts entre les fréquences observées et les fréquences théoriques attendues :

$$\chi^2 = \sum_{i=1}^{k} \frac{(O_i – E_i)^2}{E_i}$$

L’élévation au carré du terme d’écart $(O_i – E_i)$ remplit une double fonction mathématique : elle neutralise le signe des différences, empêchant ainsi les compensations arithmétiques mutuelles entre cellules sous-représentées et cellules surreprésentées (dont la somme linéaire des écarts simples est rigoureusement nulle), et confère un poids exponentiellement plus lourd aux divergences volumétriques majeures. La division par l’effectif attendu $E_i$ standardise cette variance locale, permettant d’interpréter chaque écart à l’aune de l’importance relative de la cellule considérée dans la distribution d’ensemble.

Sur le plan distributionnel, la variable aléatoire $\chi^2$ ainsi calculée converge asymptotiquement vers la loi de probabilité continue du chi-deux lorsque la taille totale de l’échantillon $N$ tend vers l’infini. Le comportement de cette loi limite est conditionné par un unique paramètre de forme, à savoir les degrés de liberté, notés habituellement $\nu$ ou $dl$. Dans le cadre d’un test d’adéquation univarié standard où les probabilités théoriques sont spécifiées sans qu’aucun paramètre de la distribution cible n’ait été estimé à partir des données de l’échantillon, le nombre de degrés de liberté est défini par :

$$dl = k – 1$$

Cette perte d’un degré de liberté découle de la contrainte linéaire de fermeture imposée au système d’équations : la somme des effectifs observés $\sum O_i$ étant nécessairement contrainte à égaler la taille totale $N$, dès lors que les effectifs de $k – 1$ modalités sont fixés, l’effectif de la dernière catégorie se trouve mathématiquement déterminé de façon univoque. Si le modèle théorique requiert l’estimation préalable de $m$ paramètres inconnus à partir des données empiriques (par exemple, la moyenne dans le cas de l’ajustement à une loi de Poisson discrétisée), le nombre de degrés de liberté subit une réduction additionnelle et devient $dl = k – 1 – m$.

1.3 Distinction fondamentale entre test d’adéquation et test d’indépendance

Une confusion récurrente observée dans la pratique méthodologique consiste à amalgamer le test d’adéquation du chi-deux et le test d’indépendance ou d’homogénéité du chi-deux. Bien que ces deux procédures recourent à une mécanique algorithmique analogue reposant sur la somme des écarts quadratiques réduits et convergent vers la même famille de lois continues, elles divergent profondément quant à leur conception structurale, la nature de leurs hypothèses fondamentales et l’origine des distributions théoriques de référence.

Le test d’adéquation est fondamentalement univarié. Il s’applique à un vecteur unidimensionnel de données catégorielles issu d’une population unique. La distribution théorique des fréquences attendues y est générée par l’application d’un vecteur de probabilités extrinsèque, préalablement fixé par l’investigateur en dehors des données observées. Ce vecteur émane d’une déduction logique, d’un postulat théorique pur (comme l’équiprobabilité parfaite) ou de paramètres de cadrage épidémiologique et démographique issus d’études externes indépendantes. Les marges de liberté ne dépendent exclusivement que du nombre de niveaux de cette seule variable nominale ($k – 1$).

À l’inverse, le test d’indépendance du chi-deux est bivarié. Il prend pour point de départ un tableau de contingence croisant deux variables qualitatives distinctes, comportant $r$ lignes et $c$ colonnes, au sein duquel chaque unité statistique est classée selon sa double appartenance catégorielle. Les effectifs attendus sous l’hypothèse nulle d’indépendance stochastique ne proviennent d’aucune source théorique externe : ils sont calculés de manière purement endogène à partir des distributions marginales observées dans l’échantillon lui-même, selon la loi des probabilités composées :

$$E_{ij} = \frac{R_i \times C_j}{N}$$

où $R_i$ représente le total marginal de la ligne $i$ et $C_j$ le total marginal de la colonne $j$. Par voie de conséquence, les contraintes appliquées aux marges réduisent les degrés de liberté à l’expression $(r – 1)(c – 1)$. Tandis que le test d’adéquation évalue le degré de fidélité avec lequel un échantillon se conforme à une cible théorique préétablie, le test d’indépendance interroge l’absence de corrélation ou de contingence entre deux dimensions qualitatives simultanément mesurées sur les mêmes sujets.

2. Formulation formelle des hypothèses statistiques

2.1 Définition de l’hypothèse nulle (H0) et de l’hypothèse alternative (H1)

L’inférence statistique dans le cadre du test d’adéquation exige une transcription rigoureuse des questions de recherche en hypothèses mathématiques réfutables selon le paradigme de Neyman-Pearson. L’hypothèse nulle, formellement désignée par $H_0$, postule l’identité parfaite entre le vecteur des proportions réelles de la population étudiée et le vecteur des probabilités théoriques articulé par le modèle. Si l’on note $\mathbf{p} = [p_1, p_2, dots, p_k]’$ le vecteur des paramètres de proportions populationnelles inconnus et $boldsymbol{\pi} = [\pi_1, \pi_2, dots, \pi_k]’$ le vecteur des probabilités cibles théoriques spécifiées, l’hypothèse nulle s’énonce ainsi :

$$H_0 : \begin{\bmatrix} p_1 \ p_2 \ \vdots \ p_k \end{\bmatrix} = \begin{\bmatrix} \pi_1 \ \pi_2 \ \vdots \ \pi_k \end{\bmatrix}$$

ce qui équivaut à affirmer simultanément que pour tout indice $i in {1, dots, k}$, l’égalité $p_i = \pi_i$ est scrupuleusement vérifiée. L’hypothèse alternative, notée $H_1$, traduit la négation logique de l’hypothèse nulle. Elle est formulée comme suit :

$$H_1 : \exists , i in {1, dots, k} \quad \text{tel que} \quad p_i \neq \pi_i$$

Il importe de souligner la nature fondamentalement non directionnelle et omnidirectionnelle de l’hypothèse alternative du test d’adéquation du chi-deux. Le rejet de $H_0$ ne présuppose aucun sens particulier de déviation pour une catégorie spécifique. Il suffit qu’une seule modalité présente une proportion divergente (ce qui entraîne mécaniquement, par contrainte de somme égale à 1, la compensation par une ou plusieurs autres modalités) pour que l’hypothèse alternative soit retenue. Le test n’est donc pas unilatéral au sens où on l’entend pour un test t : bien que la région critique de rejet soit exclusivement logée dans la queue supérieure droite de la distribution de densité du $\chi^2$ (puisque les écarts sont élevés au carré et génèrent des valeurs strictement positives), l’hypothèse substantive sous-jacente est bilatérale et non ordonnée.

2.2 Choix des distributions théoriques de référence

L’élaboration du vecteur des probabilités cibles $boldsymbol{\pi}$ repose sur des considérations épistémologiques et théoriques dépendant étroitement du champ d’investigation. Trois grands scénarios méthodologiques se rencontrent de façon prépondérante dans la pratique empirique.

Le premier scénario correspond au modèle d’équiprobabilité ou d’uniformité stricte. Dans cette configuration, le chercheur postule que toutes les modalités présentent une chance rigoureusement identique de survenir. Pour un système comprenant $k$ catégories, la probabilité théorique associée à chaque cellule est définie par :

$$\pi_i = \frac{1}{k} \quad \forall , i in {1, dots, k}$$

Cette hypothèse est omniprésente lors de tests de neutralité comportementale (par exemple, vérifier qu’un animal de laboratoire n’affiche aucune latéralisation spatiale spontanée en sélectionnant de façon équiprobable le bras gauche, central ou droit d’un labyrinthe en étoile) ou pour contrôler l’absence de biais dans des dispositifs de tirage au sort et de randomisation expérimentale.

Le deuxième scénario concerne la comparaison avec des distributions de référence issues de registres épidémiologiques, recensements démographiques ou enquêtes normatives de grande ampleur. Dans cette situation, les valeurs $\pi_i$ ne sont pas uniformes mais dérivent de proportions fixes connues. Un psychologue de la santé évaluant la distribution des types de personnalité au sein d’une cohorte de patients souffrant d’hypertension artérielle utilisera comme vecteur $boldsymbol{\pi}$ les taux de prévalence standardisés établis sur l’ensemble de la population générale.

Le troisième scénario implique la dérivation probabiliste directe depuis des modèles conceptuels ou fonctionnels formalisés. Dans les sciences de la cognition, des théories mathématiques de la prise de décision, telles que la théorie des perspectives ou des modèles de diffusion stochastique discrétisés, peuvent prédire des ratios catégoriels complexes (par exemple 0.50, 0.30, 0.15, 0.05). L’adéquation du chi-deux sert alors de filtre probatoire pour statuer sur la capacité du modèle formel à reproduire fidèlement l’architecture des réponses humaines observées.

2.3 Fixation du seuil de décision et risque d’erreur

La validation ou le rejet de l’hypothèse nulle implique l’établissement d’une règle décisionnelle stricte gouvernée par le risque d’erreur consenti par l’expérimentateur. L’erreur de type I, dont la probabilité maximale est quantifiée par le seuil de signification $\alpha$, correspond au risque de rejeter indûment l’hypothèse nulle alors que celle-ci est fondamentalement vraie dans la population d’origine. Dans le domaine des sciences humaines et biomédicales, la convention consensuelle établit ce seuil critique à $\alpha = 0.05$, voire à $\alpha = 0.01$ dans les dispositifs expérimentaux requérant une haute garantie contre les faux positifs.

Sur le plan décisionnel, la statistique calculée $\chi^2_{\text{calc}}$ est comparée à une valeur seuil critique théorique, notée $\chi^2_{\alpha, , dl}$, issue de la fonction de répartition de la loi du chi-deux à $dl$ degrés de liberté :

• Si $\chi^2_{\text{calc}} ge \chi^2_{\alpha, , dl}$, la probabilité d’observer un tel écart sous $H_0$ (la $p$-valeur) est inférieure ou égale à $\alpha$. L’hypothèse nulle d’adéquation est formellement rejetée au profit de $H_1$.
• Si $chi^2_{text{calc}} < chi^2_{alpha, , dl}$, la divergence observée entre la théorie et l’empirie est considérée comme compatible a\vec les seules fluctuations d’échantillonnage aléatoire. L’hypothèse nulle$H_0$ est conservée (ou non rejetée).

Inversement, le chercheur doit se prémunir contre l’erreur de type II, quantifiée par le paramètre $\beta$, représentant la probabilité de ne pas rejeter $H_0$ alors que le modèle théorique est faux. La puissance statistique d’un test d’adéquation, définie par $1 – \beta$, représente la capacité du test à détecter une véritable discordance entre les distributions. Cette puissance dépend conjointement du risque $\alpha$, de la taille globale de l’échantillon $N$, des degrés de liberté du système et de l’ampleur de la non-adéquation réelle au sein de la population. L’utilisation d’échantillons trop restreints induit une chute drastique de la puissance statistique, exposant l’analyste au risque d’avaliser un modèle théorique inadéquat par simple manque de sensibilité empirique.

3. Conditions préalables et postulats d’application

3.1 Indépendance stricte des observations

La validité asymptotique et mathématique du test d’adéquation du chi-deux repose sur le respect impératif de plusieurs conditions fondamentales. Le premier postulat, indérogeable et structurel, concerne l’indépendance stochastique stricte de l’ensemble des observations individuelles qui composent le jeu de données. Chaque individu, unité statistique ou événement comptabilisé ne doit contribuer qu’à une seule et unique fréquence dans une seule cellule du vecteur de contingence. Le plan d’échantillonnage doit garantir qu’aucune mesure répétée dans le temps, aucun appariement expérimental et aucune relation de dépendance hiérarchique ou dyadique n’interfère entre les unités dénombrées.

Lorsque cette condition d’indépendance est violée — par exemple lorsqu’un même participant remplit plusieurs questionnaires dont les réponses sont agrégées dans le même tableau sans distinction, ou lorsque des sujets interagissent en groupes restreints avant de verbaliser un choix nominal —, les erreurs types associées aux dénombrements subissent une contraction artificielle. Cette autocorrélation non contrôlée provoque une inflation massive du taux d’erreur de type I, conduisant la statistique de test calculée à des valeurs artificiellement pléthoriques qui provoquent le rejet systématique et illusoire de l’hypothèse nulle. Dans le cas de mesures catégorielles répétées sur les mêmes sujets, des alternatives appropriées, telles que le test de McNemar ou les modèles linéaires généralisés mixtes à lien logistique multinomial, doivent être impérativement préférées.

Parallèlement, les modalités définies pour la variable nominale doivent respecter le principe logique d’exhaustivité et d’exclusion mutuelle : toute unité observée doit obligatoirement trouver sa place dans la classification, et elle ne peut en aucun cas être affectée simultanément à deux catégories concurrentes.

3.2 Règle de Cochran et effectifs théoriques minimaux

La statistique de Pearson étant une variable aléatoire discontinue issue d’un processus de comptage d’unités entières, son approximation par la loi continue du chi-deux n’est recevable que sous réserve d’une densité d’information suffisante dans chaque catégorie. La distribution asymptotique ne se déploie correctement que si les espérances mathématiques associées à chaque cellule sont suffisamment fournies.

Le statisticien William G. Cochran a formulé en 1954 des règles empiriques de robustesse qui font autorité dans la communauté biométrique internationale. Pour le test d’adéquation du chi-deux univarié :

• Aucune cellule théorique ne doit comporter un effectif attendu strictement nul ($E_i = 0$).
• L’intégralité des effectifs attendus $E_i$ doit théoriquement être supérieure ou égale à 5 ($E_i ge 5$).
• Dans les situations impliquant un nombre élevé de catégories ($k ge 5$), une tolérance est admise : au maximum vingt pour cent (20%) des catégories peuvent présenter un effectif attendu compris entre 1 et 5, à la condition expresse qu’aucune cellule ne possède un effectif attendu inférieur à 1.

L’infraction à cette règle heuristique engendre des distorsions graves au niveau des queues de distribution. Lorsque les $E_i$ sont excessivement étiques, le dénominateur de la formule de Pearson devient si ténu qu’une déviation minime sur l’effectif observé induit une explosion non représentative de la valeur de la statistique de test, faussant radicalement le calcul de la $p$-valeur par excès de rejet. Si cette condition fait défaut, l’analyste doit impérativement renoncer à l’approximation classique de Pearson pour s’orienter vers des méthodes de rééchantillonnage de Monte Carlo ou vers le calcul combinatoire de probabilités exactes multinomiales.

3.3 Nature et échelle de mesure des variables

Le test du chi-deux est strictement dédié aux variables qualitatives nominales ou catégorielles discrètes. L’application directe de cette méthode à des variables métriques continues (comme le temps de réaction en millisecondes ou le quotient intellectuel) sans traitement de discrétisation préalable constitue une aberration analytique. Les données brutes doivent impérativement être exprimées sous la forme de dénombrements absolus d’unités (fréquences simples entières) et en aucun cas sous la forme de pourcentages, de proportions relatives ou de moyennes.

Le tableau suivant met en lumière les contrastes structuraux caractérisant la conformité méthodologique des variables soumises à ce test :

Critère méthodologique	Configuration valide pour le test	Configuration invalide (Transgression)
Échelle de mesure	Nominale ou ordinale discrète (catégories)	Continue sur échelle d’intervalle ou de rapport brute
Format des données	Fréquences entières dénombrées ($O_i in \mathbb{N}$)	Pourcentages (%), fractions normalisées, moyennes d’échelles
Statut de l’échantillonnage	Sujets indépendants sans recoupement	Mesures répétées, plans longitudinaux ou appariés
Effectifs théoriques ($E_i$)	$ge 5$ dans au moins 80% des cellules, aucun $< 1$	Présence de zéros théoriques ou cellules $< 5$ majoritaires
Taille globale ($N$)	Généralement $N ge 30$ pour assurer la convergence	Micro-échantillons ($N < 15$) appliqués à l'approximation classique

Bien que des variables continues puissent être converties artificiellement en catégories ordonnées via des procédures de binning ou de discrétisation par quantiles afin d’évaluer leur ajustement à une loi théorique (comme la loi normale ou exponentielle), cette manœuvre induit inévitablement une déperdition d’information quantitative et doit être conduite avec un encadrement méthodologique strict, en ajustant précisément les degrés de liberté en cas d’estimation des paramètres de position.

4. Préparation de l’environnement et structuration des données sous R

4.1 Création du vecteur des fréquences observées

L’implémentation du test d’adéquation dans l’environnement R ne requiert pas initialement le chargement de bibliothèques tierces sophistiquées, car les fonctions canoniques d’inférence catégorielle sont nativement intégrées dans le paquet de base nommé stats. La première étape consiste à créer le vecteur numérique rassemblant les effectifs dénombrés pour chaque niveau de la variable factorielle investiguée.

On instancie ce vecteur sous R au moyen de l’opérateur de combinaison c(). Pour garantir une traçabilité sans faille du code et éviter toute inversion fortuite de cellules dans l’exécution de l’analyse séquentielle, il est hautement recommandé d’associer un label nominal explicite à chaque élément numérique à l’aide de la fonction names() :

frequences_observees <- c(Modalite_A = 45, Modalite_B = 30, Modalite_C = 65, Modalite_D = 60)

Avant d'engager toute modélisation, une phase de contrôle d'intégrité numérique s'impose. L'analyste doit s'assurer sous l'interpréteur que le vecteur ne recèle aucune valeur négative, aucune valeur décimale non entière (qui témoignerait de moyennes ou de pourcentages saisis par erreur) et aucune donnée manquante non déclarée de type NA. Les fonctions is.numeric(), any(frequences_observees < 0), et all(frequences_observees == round(frequences_observees)) constituent des instructions simples de validation automatisée du vecteur opérationnel.

4.2 Définition rigoureuse du vecteur de probabilités théoriques

La spécification des attentes probabilistes associées à l'hypothèse nulle s'opère par la déclaration d'un second vecteur numérique dont la longueur doit être rigoureusement identique au nombre de modalités de la variable empirique. Ce vecteur, que l'on passera ultérieurement comme argument du test, encapsule les probabilités postulées $\pi_i$.

Supposons que nous souhaitions confronter les quatre modalités précédentes à une distribution cible spécifique, postulée par une hypothèse génétique ou comportementale, dont les probabilités relatives sont de 20%, 20%, 30% et 30%. On formulera sous R :

probabilites_theoriques <- c(0.20, 0.20, 0.30, 0.30)

Une contrainte arithmétique fondamentale régit la licéité de ce vecteur : la condition de fermeture, signifiant que la somme des probabilités élémentaires doit être strictement égale à un ($\sum \pi_i = 1$). R applique un contrôle interne strict sur ce paramètre. Si la somme diverge de l'unité au-delà de la tolérance machine liée aux erreurs de troncature en virgule flottante, le moteur statistique interrompt l'opération par un message d'erreur d'exécution explicite : "probabilities must sum to 1".

Pour parer aux imprécisions infinitésimales générées par l'écriture binaire de certaines fractions rationnelles (telles que $1/3$), il est recommandé d'utiliser une normalisation systématique sous R lorsque les proportions sont saisies sous forme de ratios entiers :

ratios <- c(2, 2, 3, 3)
probabilites_theoriques <- ratios / sum(ratios)

Cette formulation algorithmique garantit que la somme du vecteur soit formellement contrainte à 1, prévenant tout échec d'instanciation de l'objet d'adéquation.

4.3 Inspection et validation structurelle des données

Avant de solliciter directement la routine du test d'hypothèse, une démarche analytique soignée commande de matérialiser les valeurs théoriques attendues au sein de la session de travail afin d'en auditer la conformité avec la règle de Cochran. Cette procédure s'effectue en dérivant l'effectif total d'échantillonnage $N$ par la sommation vectorielle des occurrences observées via la commande sum(), puis en réalisant le produit terme à terme avec le vecteur de probabilités cibles :

N_total <- sum(frequences_observees)
effectifs_attendus <- N_total * probabilites_theoriques

Il devient dès lors aisé de procéder à une vérification programmatique directe des conditions de Cochran sous la console :

verification_cochran <- all(effectifs_attendus >= 5)
print(verification_cochran)
print(effectifs_attendus)

L'affichage simultané des effectifs observés et attendus par la confection d'un tableau synthétique intermédiaire au moyen de la fonction data.frame() permet au statisticien d'apprécier d'un coup d'œil l'architecture de son plan expérimental, le nombre absolu d'individus recrutés par case théorique, et d'anticiper la validité asymptotique de l'épreuve sans s'en remettre aveuglément aux messages d'avertissement internes du logiciel.

5. Exécution du test avec la fonction chisq.test()

5.1 Syntaxe de base et paramétrage standard

L'exécution computationnelle du test d'adéquation est dévolue à la fonction fondamentale chisq.test() de l'écosystème R. Dans le cadre précis d'un test d'adéquation univarié, la syntaxe requiert au minimum la transmission du vecteur numérique des effectifs observés au premier argument x. La configuration du second argument p détermine la nature exacte de l'hypothèse nulle testée :

resultat_test <- chisq.test(x = frequences_observees, p = probabilites_theoriques)

Il convient d'insister sur le comportement par défaut de la fonction lorsque l'argument p est délibérément omis par l'utilisateur. En l'absence de spécification du paramètre p, R initialise automatiquement un vecteur de probabilités uniformes :

p = rep(1 / length(x), length(x))

Par conséquent, l'instruction abrégée chisq.test(frequences_observees) exécute de facto un test d'adéquation à une loi d'équiprobabilité (uniformité parfaite entre les modalités). Cette flexibilité syntaxique est particulièrement précieuse pour les tests rapides de distribution équilibrée.

Un autre argument notable réside dans le paramètre booléen rescale.p. Si le chercheur saisit pour l'argument p un vecteur d'indices, de pondérations relatives ou de ratios qui ne somment pas à 1 (par exemple c(1, 2, 1) pour désigner des ratios de 25%, 50% et 25%), le paramètre rescale.p = TRUE ordonne à R de procéder à la rééchelonnation proportionnelle automatique des éléments sans interrompre la console par une erreur bloquante. La syntaxe prend alors la forme :

chisq.test(x = c(22, 53, 25), p = c(1, 2, 1), rescale.p = TRUE)

5.2 Interprétation des sorties textuelles de base

L'affichage console d'un objet issu de l'invocation de chisq.test() fournit une synthèse textuelle concise mais extrêmement codifiée de l'issue inférentielle. Cet affichage standard comprend généralement l'identification explicite de la procédure (Chi-squared test for given probabilities), suivie d'une ligne récapitulative contenant trois valeurs charnières :

• X-squared : La statistique numérique empirique calculée selon la formule de Pearson ($\chi^2_{\text{calc}}$). Une valeur proche de zéro signale une coïncidence presque parfaite entre effectifs observés et attendus, tandis qu'une valeur substantielle dénote une divergence marquée.
• df : Le nombre de degrés de liberté accordé à la statistique. Pour un test univarié à $k$ modalités sans paramètre estimé, cette valeur doit correspondre scrupuleusement à $k - 1$. Une discordance à ce niveau signale fréquemment une mauvaise structuration de l'objet d'entrée (par exemple l'analyse accidentelle d'une matrice plutôt que d'un vecteur).
• p-value : La probabilité critique associée. Il s'agit de l'intégrale de la surface sous la courbe de densité du chi-deux située au-delà de la valeur $\chi^2_{\text{calc}}$ observée, conditionnée par $df$. Si cette valeur s'avère inférieure au seuil conventionnel préalablement fixé (par exemple $p < 0.05$), le chercheur conclut au rejet de l'hypothèse nulle.

Ces sorties fournissent le verdict global de l'adéquation. Toutefois, limiter la lecture des résultats à ce triptyque sans explorer les entrailles statistiques de l'objet généré prive le praticien d'informations diagnostiques primordiales, comme l'identification spécifique des catégories responsables du désajustement.

5.3 Gestion des avertissements relatifs à l'approximation

Durant l'analyse, l'analyste peut voir apparaître sur la console de commande un avertissement explicite libellé de la manière suivante :

Warning message: In chisq.test(x, p = p) : Chi-squared approximation may be incorrect

Ce message signale que l'algorithme interne de R a identifié au moins une cellule pour laquelle l'effectif attendu sous l'hypothèse nulle est strictement inférieur au seuil empirique de 5 ($E_i < 5$). R attire ainsi l'attention de l'expérimentateur sur le fait que la continuité asymptotique de la distribution du chi-deux théorique n'est pas garantie et que la$p$-valeur affichée est susceptible d'être biaiseuse.

Face à cet avertissement, trois conduites méthodologiques peuvent être adoptées :

• Ignorer le message : Pratique risquée et non recommandable, à moins que la taille globale soit substantielle et qu'une seule catégorie sur un grand nombre déroge marginalement au critère (ex. $E_i = 4.8$).
• Fusionner des modalités adjacentes ou théoriquement apparentées afin d'augmenter mécaniquement les effectifs des cellules clairsemées (à condition que ce regroupement conserve une cohérence taxonomique indiscutable).
• Délaisser l'approximation asymptotique en activant les méthodes d'estimation stochastique par simulation de Monte Carlo offertes nativement par la fonction elle-même, ou recourir à des algorithmes de calculs combinatoires exacts.

6. Étude de cas appliquée : Modèle d'affluence en psychologie du consommateur

6.1 Mise en situation et présentation du jeu de données

Afin de concrétiser l'ensemble de ces préceptes, plongeons-nous dans une recherche contextualisée en psychologie du consommateur et ergonomie commerciale. Une équipe de chercheurs s'associe à la direction d'un grand magasin de détail spécialisé afin d'étudier les déterminants temporels des visites physiques en magasin. Durant une semaine dépourvue de jours fériés et de campagnes promotionnelles ponctuelles, un échantillon aléatoire de $N = 250$ clients franchissant les portiques d'accès est suivi du lundi au vendredi (les jours de fin de semaine étant exclus pour cibler spécifiquement les comportements sur jours ouvrés réguliers).

Sur le plan théorique, l'équipe souhaite réfuter l'hypothèse comportementale de l'affluence uniforme selon laquelle les consommateurs se répartiraient de façon homogène au cours de la semaine ouvrée par rationalisation des contraintes logistiques. L'hypothèse nulle d'équiprobabilité pose donc que la probabilité d'entrée en magasin est rigoureusement identique du lundi au vendredi, soit $\pi_{\text{Lun}} = \pi_{\text{Mar}} = \pi_{\text{Mer}} = \pi_{\text{Jeu}} = \pi_{\text{Ven}} = 1/5 = 0.20$.

Le dénombrement systématique des accès livre les données empiriques brutes suivantes réparties sur les cinq journées ouvrées :

• Lundi : 32 clients
• Mardi : 41 clients
• Mercredi : 54 clients
• Jeudi : 47 clients
• Vendredi : 76 clients

La somme de ces effectifs valide bien la taille d'échantillon totale : $32 + 41 + 54 + 47 + 76 = 250$.

6.2 Exécution scriptée de l'analyse d'adéquation

Procédons désormais à la formalisation scriptée intégrale de l'analyse statistique dans l'interpréteur R. Nous débuterons par la déclaration du vecteur des observations étiquetées, nous établirons le vecteur théorique d'équiprobabilité, puis nous exécuterons le test d'adéquation avant d'en extraire les valeurs critiques de décision :

# 1. Déclaration du vecteur des fréquences empiriques observées
affluence_observee <- c(Lundi = 32, Mardi = 41, Mercredi = 54, Jeudi = 47, Vendredi = 76)

# 2. Spécification des probabilités théoriques d'équiprobabilité (k = 5)
proportions_theoriques <- rep(1/5, times = 5)

# 3. Exécution de l'épreuve d'adéquation du chi-deux
test_affluence <- chisq.test(x = affluence_observee, p = proportions_theoriques)

# 4. Affichage des résultats bruts de la console
print(test_affluence)

À la console, la commande imprime la structure suivante :

Chi-squared test for given probabilities
data: affluence_observee
X-squared = 22.32, df = 4, p-value = 0.0001732

Afin de documenter la décision statistique de manière analytique, nous pouvons calculer la valeur critique de la distribution théorique du chi-deux au seuil $\alpha = 0.05$ pour 4 degrés de liberté grâce à la fonction de quantile inverse qchisq() :

alpha <- 0.05
degres_liberte <- length(affluence_observee) - 1
valeur_critique <- qchisq(p = 1 - alpha, df = degres_liberte)
print(valeur_critique) # Renvoie approximativement 9.4877

6.3 Prise de décision statistique contextualisée

La valeur de la statistique empirique calculée par R s'élève à $\chi^2_{\text{calc}} = 22.32$. Cette statistique outrepasse largement la valeur seuil critique fixée à $\chi^2_{0.05, , 4} = 9.49$. Parallèlement, la $p$-valeur associée de $p = 0.0001732$ s'avère nettement inférieure au seuil décisionnel alpha classique de $0.05$, et demeure également significative au seuil plus draconien de $0.001$.

Conformément aux postulats décisionnels, l'hypothèse nulle $H_0$ d'équiprobabilité de la fréquentation journalière doit être rejetée sans ambiguïté. Les écarts enregistrés entre les présences réelles et les espérances théoriques ne peuvent en aucun cas être raisonnablement attribués aux aléas de l'échantillonnage stochastique.

Sur le plan de la psychologie du consommateur, ce constat met en échec l'hypothèse d'une rationalisation temporelle uniforme des approvisionnements sur jours ouvrés. Il valide l'existence de dynamiques motivationnelles ou organisationnelles différenciées selon l'avancée de la semaine. Cependant, le test global du chi-deux demeure fondamentalement incomplet à ce stade de l'analyse : il certifie l'existence d'une hétérogénéité significative, mais il est strictement incapable d'indiquer de manière univoque quelles journées spécifiques s'écartent statistiquement du flux moyen de fréquentation.

7. Exploration approfondie de l'objet résultat htest

7.1 Structure interne et extraction des attributs

L'exécution de la fonction chisq.test() ne se limite pas à produire le paragraphe textuel synthétique visualisé à la console. Elle instancie en réalité dans la mémoire de R un objet complexe appartenant à la classe générique htest. Cet objet est une liste arborescente nommée qui recèle l'ensemble des métriques primaires, intermédiaires et diagnostiques de l'épreuve statistique.

Pour scruter la structure intime de cette entité, le chercheur peut solliciter les commandes exploratoires names() ou str() :

names(test_affluence)

La console révèle les attributs intégrés au sein de la liste :

• $statistic : La valeur numérique exacte du $\chi^2$.
• $parameter : Les degrés de liberté associés ($df$).
• $p.value : La probabilité asymptotique de dépassement.
• $method : La chaîne de caractères identifiant le type d'épreuve appliquée.
• $data.name : Le nom des variables transmises en entrée.
• $observed : Le vecteur des effectifs empiriques d'origine.
• $expected : Le vecteur des effectifs théoriques déduits de $H_0$.
• $residuals : Le vecteur des résidus simples de Pearson par catégorie.
• $stdres : Le vecteur des résidus standardisés et ajustés.

L'accès direct aux effectifs théoriques attendus se révèle capital pour auditer a posteriori la conformité aux conditions d'application :

test_affluence$expected
# Renvoie : Lundi: 50, Mardi: 50, Mercredi: 50, Jeudi: 50, Vendredi: 50

Chaque journée se voit attribuer une attente théorique de $E_i = 250 \times 0.20 = 50$ clients, validant de manière éclatante la conformité avec la règle de Cochran ($E_i ge 5$).

7.2 Analyse des résidus bruts de Pearson

Pour déterminer quelles catégories contribuent le plus à l'inflation globale de la statistique de test, il importe d'extraire et de décomposer les résidus bruts de Pearson logés sous l'attribut $residuals. Sur le plan formel, le résidu de Pearson pour la cellule $i$, noté $r_i$, s'exprime par la racine carrée de la contribution locale au chi-deux, conservant le signe algébrique de l'écart :

$$r_i = \frac{O_i - E_i}{\sqrt{E_i}}$$

Cette métrique possède une propriété géométrique remarquable : la somme de ses carrés restitue exactement la valeur de la statistique globale du chi-deux de Pearson :

$$\sum_{i=1}^{k} r_i^2 = \chi^2_{\text{calc}}$$

Inspectons ces grandeurs à l'aide de R :

residus_pearson <- test_affluence$residuals
print(round(residus_pearson, 3))

Les résultats révèlent :

• Lundi : $(32 - 50) / \sqrt{50} = -18 / 7.071 = -2.546$
• Mardi : $(41 - 50) / \sqrt{50} = -9 / 7.071 = -1.273$
• Mercredi : $(54 - 50) / \sqrt{50} = +4 / 7.071 = +0.566$
• Jeudi : $(47 - 50) / \sqrt{50} = -3 / 7.071 = -0.424$
• Vendredi : $(76 - 50) / \sqrt{50} = +26 / 7.071 = +3.677$

L'observation immédiate des résidus de Pearson renseigne sur l'orientation de la déviation : le lundi est marqué par une nette sous-représentation négative, tandis que le vendredi présente un excédent volumétrique positif considérable. Toutefois, bien que très informatifs, les résidus de Pearson ne suivent pas exactement une loi normale centrée réduite car leur variance théorique n'est pas strictement égale à 1.

7.3 Exploitation des résidus standardisés ajustés

Pour pallier l'imperfection d'échelle des résidus simples de Pearson et autoriser une véritable inférence cellule par cellule, il est nécessaire de recourir aux résidus standardisés ajustés, hébergés dans la composante $stdres. Proposée initialement par Alan Agresti, cette formulation divise l'écart simple par l'erreur type estimée de la différence sous la contrainte multinomiale univariée :

$$z_i = \frac{O_i - E_i}{\sqrt{E_i (1 - p_i)}}$$

où $p_i$ représente la probabilité théorique postulée pour la modalité sous $H_0$. Dans cette formulation, les résidus standardisés ajustés $z_i$ suivent asymptotiquement une loi normale standard $\mathcal{N}(0, 1)$. Par conséquent, le chercheur dispose d'une règle d'interprétation immédiate fondée sur les scores $z$ et les quantiles de la loi normale centrée réduite :

• Tout résidu ajusté dont la valeur absolue excède le seuil de $|z_i| > 1.96$ traduit une déviation statistiquement significative de la catégorie au seuil local non corrigé de $\alpha = 0.05$.
• Tout résidu ajusté franchissant $|z_i| > 2.58$ traduit une déviation significative au seuil $\alpha = 0.01$.
• Tout résidu franchissant $|z_i| > 3.29$ correspond à un seuil d'extrême sévérité de $\alpha = 0.001$.

Extrayons les résidus standardisés de notre objet d'étude :

residus_ajustes <- test_affluence$stdres
print(round(residus_ajustes, 3))

La console retourne les valeurs suivantes :

• Lundi : $-18 / \sqrt{50 \times (1 - 0.20)} = -18 / \sqrt{40} = -2.846$
• Mardi : $-9 / \sqrt{40} = -1.423$
• Mercredi : $+4 / \sqrt{40} = +0.632$
• Jeudi : $-3 / \sqrt{40} = -0.474$
• Vendredi : $+26 / \sqrt{40} = +4.111$

Ce diagnostic approfondi éclaire l'hétérogénéité d'ensemble : l'infirmation de l'hypothèse nulle n'est pas le fruit d'un déséquilibre diffus sur l'ensemble de la semaine. Elle est spécifiquement tirée par deux singularités comportementales majeures : une désertion marquée des points de vente le lundi ($z = -2.85, , p < 0.01$), et un engouement massif le vendredi ($z = +4.11, , p < 0.001$), les journées du mardi, mercredi et jeudi ne manifestant aucun écart statistique démontrable à l'égard de la norme attendue.

8. Calcul et interprétation des tailles d'effet

8.1 Nécessité de mesurer la magnitude de l'effet en complément du test d'hypothèse

La dépendance mathématique de la $p$-valeur envers l'effectif total d'échantillonnage $N$ est une constante de l'inférence fréquentiste. Dans un échantillon de très grande taille (par exemple $N = 100,000$), des déviations infimes, triviales et dénuées de toute signification théorique ou clinique conduiront immanquablement à un rejet fracassant de l'hypothèse nulle avec une valeur $p < 0.0000001$. À l'opposé, face à un échantillon restreint, un écart massif peut échouer à atteindre le seuil de significativité nominal, induisant à tort l'analyste en erreur.

En accord avec le mouvement contemporain pour l'Open Science et les recommandations méthodologiques de la task force sur l'inférence statistique de l'APA, le rapport d'une $p$-valeur doit être systématiquement complété par la quantification standardisée de la magnitude de l'effet observé. Cette grandeur, indépendante de la taille de l'échantillon, permet de mesurer l'amplitude concrète de la divergence entre le modèle et la réalité, et rend possible la comparaison trans-études par voie de méta-analyse.

8.2 Le coefficient W de Cohen

La métrique canonique dédiée à l'estimation de la taille d'effet dans le cadre du test d'adéquation du chi-deux univarié est le coefficient $w$ formalisé par Jacob Cohen en 1988. Ce coefficient évalue la distance euclidienne entre les vecteurs de proportions empiriques et théoriques. Sa formulation analytique est donnée par :

$$w = \sqrt{\sum_{i=1}^{k} \frac{(p_{\text{obs}, , i} - \pi_i)^2}{\pi_i}}$$

où $p_{\text{obs}, , i} = O_i / N$ représente la proportion observée au sein de la catégorie $i$, et $\pi_i$ la probabilité théorique sous-jacente. Il existe une relation de dérivation immédiate reliant le coefficient $w$ de Cohen à la statistique $\chi^2$ de Pearson et à la taille totale de l'échantillon $N$ :

$$w = \sqrt{\frac{\chi^2_{\text{calc}}}{N}}$$

Cette élégante passerelle arithmétique permet d'implémenter son calcul sous R par une simple ligne de code :

w_cohen <- sqrt(test_affluence$statistic / \sum(test_affluence$observed))
names(w_cohen) <- "Cohen_w"
print(round(w_cohen, 3)) # Renvoie 0.299

Dans ses travaux séminaux, Cohen a suggéré des balises heuristiques d'interprétation pour calibrer la portée qualitative de l'effet dans le domaine des sciences humaines et sociales :

• $w \approx 0.10$ : Effet de petite magnitude (faible déviation par rapport au modèle théorique).
• $w \approx 0.30$ : Effet de magnitude moyenne (déviation sensible perceptuelle ou comportementale).
• $w ge 0.50$ : Effet de grande magnitude (divergence radicale entre l'empirie et la prédiction théorique).

Dans le cadre de notre étude d'affluence, la valeur obtenue $w = 0.299$ s'établit à la frontière de l'effet moyen ($w \approx 0.30$). Cette magnitude indique que la rupture d'équiprobabilité temporelle observée en magasin physique ne relève pas d'une simple anomalie anecdotique détectée par la puissance de l'échantillon, mais caractérise une variation substantielle des flux comportementaux à l'échelle commerciale.

8.3 Utilisation de packages R dédiés à la taille d'effet

Bien que le calcul direct soit aisé, l'exploitation de packages d'analyse avancée comme effectsize ou rstatix enrichit l'analyse en fournissant de manière automatisée l'estimation par rééchantillonnage bootstrap des intervalles de confiance associés à la métrique.

En mobilisant la bibliothèque effectsize, l'utilisateur exécute l'analyse d'adéquation avec une standardisation professionnelle :

library(effectsize)
taille_effet <- cohens_w(test_affluence, alternative = "two.sided", ci = 0.95)
print(taille_effet)

La commande retourne non seulement l'estimation ponctuelle du coefficient $w$, mais également son intervalle de confiance à 95% (par exemple $IC_{95%} = [0.18, , 0.42]$). La publication de cet intervalle de confiance renforce considérablement la portée scientifique de l'étude en précisant la marge d'incertitude entourant l'intensité de la déviation empirique.

9. Visualisation graphique professionnelle avec ggplot2

9.1 Mise en forme d'un tableau récapitulatif pour la visualisation

Une communication scientifique efficace nécessite la transposition des sorties numériques d'un test sous forme d'illustrations graphiques rigoureuses et immédiatement déchiffrables. Pour concevoir de telles visualisations au moyen de la bibliothèque graphique de référence ggplot2, la première étape implique le formatage des données brutes en une structure tabulaire rectangulaire de type tidy data.

Nous rassemblons les fréquences observées, les espérances théoriques déduites et les étiquettes catégorielles au sein d'un tableau récapitulatif, puis nous opérons une restructuration du format large au format long à l'aide de la commande pivot_longer() issue du package tidyr :

library(dplyr)
library(tidyr)
library(ggplot2)

df_affluence <- data.frame(
Jour = factor(names(affluence_observee), levels = names(affluence_observee)),
Observe = as.numeric(test_affluence$observed),
Attendu = as.numeric(test_affluence$expected),
Residu_Ajuste = as.numeric(test_affluence$stdres)
)

df_long <- df_affluence %>%
pivot_longer(cols = c(Observe, Attendu), names_to = "Statut", values_to = "Effectif")

Ce formatage garantit une liaison directe entre les attributs visuels de la grammaire des graphiques et les dimensions expérimentales étudiées.

9.2 Création d'un diagramme en barres comparatif bivarié

Le premier graphique recommandé pour documenter l'adéquation consiste en un diagramme en barres juxtaposées comparant frontalement les effectifs observés sur le terrain et les effectifs attendus sous l'hypothèse nulle. Cette disposition permet une appréciation visuelle directe de la direction et de la magnitude brute des écarts :

graphique_comparatif <- ggplot(df_long, aes(x = Jour, y = Effectif, fill = Statut)) +
geom_col(position = position_dodge(width = 0.8), width = 0.7, color = "black", size = 0.3) +
geom_text(aes(label = Effectif), position = position_dodge(width = 0.8), vjust = -0.5, size = 3.5) +
scale_fill_manual(values = c("Observe" = "#2b5c8f", "Attendu" = "#b0c4de"),
labels = c("Attendu (H0)", "Observé")) +
scale_y_continuous(limits = c(0, 90), breaks = seq(0, 80, by = 20)) +
labs(
title = "Comparaison de l'affluence hebdomadaire observée et théorique",
subtitle = expression(paste("Test d'adéquation du ", chi^2, " : rejet de l'équiprobabilité (", alpha, " = 0.05)")),
x = "Jour ouvré de la semaine",
y = "Fréquence absolue (nombre de clients)",
fill = "Distribution"
) +
theme_classic() +
theme(
plot.title = element_text(face = "bold", size = 13),
axis.title = element_text(face = "bold", size = 11),
legend.position = "top"
)

L'application du thème classique épuré (theme_classic()), l'usage de polices adaptées et la distinction chromatique claire entre barres pleines et barres pastel confèrent à la figure une esthétique conforme aux normes de publication académique.

9.3 Graphique des résidus standardisés pour publication

Si la confrontation des volumes bruts est utile, la représentation la plus aboutie sur le plan diagnostique consiste à matérialiser les résidus standardisés ajustés au moyen d'un graphique à barres divergentes intégrant les bornes de significativité critique à $\pm 1.96$ :

graphique_residus <- ggplot(df_affluence, aes(x = Jour, y = Residu_Ajuste, fill = Residu_Ajuste > 0)) +
geom_col(width = 0.5, color = "black", size = 0.3) +
geom_hline(yintercept = 0, color = "black", size = 0.5) +
geom_hline(yintercept = c(-1.96, 1.96), linetype = "dashed", color = "red", size = 0.7) +
geom_hline(yintercept = c(-2.58, 2.58), linetype = "dotted", color = "darkred", size = 0.7) +
scale_fill_manual(values = c("TRUE" = "#388e3c", "FALSE" = "#d32f2f"), guide = "none") +
scale_y_continuous(limits = c(-4.5, 4.5), breaks = seq(-4, 4, by = 1)) +
annotate("text", x = 3.5, y = 2.15, label = "Seuil critique alpha = 0.05 (|z| = 1.96)", color = "red", size = 3, fontface = "italic") +
labs(
title = "Diagnostic des résidus standardisés ajustés par modalité",
subtitle = "Mise en évidence des déviations locales statistiquement significatives",
x = "Jour ouvré",
y = "Résidu standardisé ajusté (Score z)"
) +
theme_minimal() +
theme(
plot.title = element_text(face = "bold", size = 13),
axis.title = element_text(face = "bold", size = 11),
panel.grid.minor = element_blank()
)

Grâce aux lignes horizontales de démarcation rouge, le lecteur identifie immédiatement que les écarts du mardi, mercredi et jeudi demeurent enfermés dans le corridor de fluctuation aléatoire (entre -1.96 et +1.96), tandis que le lundi et le vendredi s'en extraient nettement, matérialisant avec clarté la localisation anatomique du rejet statistique.

10. Procédures en cas de violation des conditions de validité

10.1 Le test d'adéquation de Monte Carlo dans R

Lorsque la taille globale de l'échantillon s'avère modeste ou que certaines modalités cibles héritent de probabilités théoriques si faibles qu'elles transgressent les exigences de Cochran ($E_i < 5$), l'approximation analytique par la loi continue du chi-deux s'effondre. Le logiciel R offre une parade élégante et robuste par l'intermédiaire de méthodes stochastiques de Monte Carlo.

En assignant l'argument logique simulate.p.value = TRUE au sein de l'instruction chisq.test(), R renonce à intégrer la densité théorique continue standard pour calculer la $p$-valeur. À la place, l'interpréteur simule un grand nombre $B$ de tirages aléatoires multinomiales conditionnés scrupuleusement par la taille globale $N$ et le vecteur de probabilités $boldsymbol{\pi}$ spécifié sous $H_0$. Pour chaque table synthétique simulée, la statistique de Pearson est réévaluée, ce qui permet de forger une distribution d'échantillonnage empirique personnalisée de la statistique :

# Définition d'une graine aléatoire pour la reproductibilité
set.seed(12345)

# Exécution du test de Monte Carlo avec 10 000 réplications
test_monte_carlo <- chisq.test(
x = affluence_observee,
p = proportions_theoriques,
simulate.p.value = TRUE,
B = 10000
)

print(test_monte_carlo)

La sortie console mentionne explicitement la substitution méthodologique (Chi-squared test for given probabilities with simulated p-value (based on 10000 replicates)). La $p$-valeur obtenue par comptage de la proportion d'itérations ayant excédé la statistique empirique fournit une décision parfaitement valide, exempte des biais de l'approximation continue.

10.2 Test multinomial exact pour petits échantillons

Dans les contextes d'échantillonnage extrême où $N$ est très réduit (par exemple dans le cas d'études cliniques sur des pathologies orphelines ou de protocoles primatologiques comprenant une dizaine d'individus au total), même la simulation stochastique peut être supplantée par le calcul de la probabilité exacte dérivée de la loi multinomiale discrète. Cette approche calcule exhaustivement la probabilité exacte combinatoire de toutes les configurations d'échantillonnage possibles dont la vraisemblance est inférieure ou égale à celle de la table empiriquement observée.

Bien que non intégré au socle de base de R, ce calcul est accessible via des bibliothèques spécialisées comme XNomial ou EMT (Exact Multinomial Test) :

# Chargement du package dédié aux tests multinomiaux exacts
library(EMT)

# Définition d'un vecteur de dénombrement sur petit échantillon
petit_echantillon <- c(A = 8, B = 2, C = 1)
proportions_h0 <- c(1/3, 1/3, 1/3)

# Calcul de la probabilité multinomiale exacte
resultat_exact <- multinomial.test(observed = petit_echantillon, prob = proportions_h0)
print(resultat_exact)

La commande retourne une $p$-valeur exacte combinatoire non paramétrique. Cette méthode constitue l'équivalent formel pour les vecteurs univariés multinomials de ce que représente le test exact de Fisher pour les tableaux de contingence bivariés $2 \times 2$.

10.3 Regroupement raisonné de catégories

Une alternative classique de nature méthodologique plutôt que mathématique consiste à procéder à la fusion (ou collapsing) de certaines modalités de la variable catégorielle qui manifestent une proximité conceptuelle, afin d'agréger leurs effectifs et de satisfaire aux critères minimaux de Cochran. Cette manipulation ne doit jamais être conduite de manière opportuniste pour forcer la significativité statistique, mais doit être guidée par des considérations théoriques défendables.

Dans l'écosystème R, la bibliothèque forcats (composante du méta-paquet tidyverse) met à disposition la commande fct_collapse() pour réordonner des facteurs. Sur des données vectorielles brutes récapitulées, le regroupement s'opère par sommation numérique des effectifs et sommation conjointe des probabilités théoriques dévolues aux catégories agrégées :

# Exemple de fusion de deux modalités clairsemées (Mercredi et Jeudi)
affluence_fusionnee <- c(
Lundi = affluence_observee["Lundi"],
Mardi = affluence_observee["Mardi"],
Milieu_Semaine = affluence_observee["Mercredi"] + affluence_observee["Jeudi"],
Vendredi = affluence_observee["Vendredi"]
)

proportions_fusionnees <- c(0.20, 0.20, 0.40, 0.20)

# Réexécution sur le système réduit (k = 4, df = 3)
test_fusionne <- chisq.test(x = affluence_fusionnee, p = proportions_fusionnees)

Il importe de noter que cette simplification taxonomique entraîne la perte d'un degré de liberté ($k$ passant de 5 à 4, $dl$ passant de 4 à 3) et efface la possibilité de distinguer des singularités comportementales au sein du bloc fusionné.

11. Comparaisons multiples post-hoc et ajustement du risque global

11.1 Nécessité de tests a posteriori après un test global significatif

L'infirmation globale de l'hypothèse nulle d'adéquation pose un défi interprétatif analogue à celui rencontré lors d'une analyse de variance (ANOVA) factorielle lorsque la statistique $F$ globale s'avère significative : l'épreuve affirme l'existence d'une dissonance générale au sein du système, mais elle s'avère incapable d'identifier quelles paires de catégories ou quelles modalités isolées génèrent ce déséquilibre.

Si l'analyste décide d'engager une série de tests de comparaison unitaire par catégorie (par exemple en confrontant chaque fréquence observée à sa fréquence théorique via une batterie de tests binomiaux univariés), il déclenche inéluctablement le phénomène d'inflation du taux d'erreur de type I pour la famille de tests (family-wise error rate). Si l'on conduit $m$ comparaisons indépendantes au seuil unitaire de $\alpha = 0.05$, la probabilité globale d'enregistrer au moins un faux positif s'élève à :

$$\alpha_{\text{global}} = 1 - (1 - \alpha)^m$$

Pour un système comportant 5 modalités soumises à 5 comparaisons séquentielles, ce risque culmine à $1 - (0.95)^5 \approx 0.226$, soit près de 23% de chances d'affirmer à tort une divergence catégorielle. Dès lors, le recours à des procédures formelles d'ajustement post-hoc devient incontournable.

11.2 Tests d'adéquation cellule par cellule (Goodness of Fit séquentiel)

La stratégie de décomposition post-hoc standard consiste à isoler chaque cellule $i$ et à la confronter à l'agrégat de toutes les autres cellules regroupées, convertissant le problème multinomial en $k$ épreuves binomiales successives à 1 degré de liberté. Pour chaque modalité, on compare l'observation de la cellule $O_i$ face aux observations cumulées restantes ($N - O_i$), au regard des probabilités théoriques correspondantes $\pi_i$ et $(1 - \pi_i)$.

Cette approche peut être automatisée de façon élégante sous R par une itération vectorielle exploitant la fonction sapply() ou une boucle fonctionnelle :

# Automatisation de tests du chi-deux 1-dl pour chaque jour
p_valeurs_brutes <- sapply(1:length(affluence_observee), function(i) {
obs_cellule <- c(affluence_observee[i], sum(affluence_observee[-i]))
prob_cellule <- c(proportions_theoriques[i], 1 - proportions_theoriques[i])
test_unitaire <- chisq.test(x = obs_cellule, p = prob_cellule)
return(test_unitaire$p.value)
})

names(p_valeurs_brutes) <- names(affluence_observee)
print(round(p_valeurs_brutes, 5))

Cette opération génère un vecteur de $p$-valeurs non corrigées reflétant la significativité brute de l'écart isolé pour chaque case de la distribution.

11.3 Ajustement de la significativité avec p.adjust()

Pour neutraliser l'inflation de l'erreur de type I, le vecteur des probabilités brutes doit être corrigé à l'aide de la commande p.adjust() intégrée au socle de base de R. Deux approches algorithmiques prévalent couramment :

• La méthode de Bonferroni : Approche conservatrice classique consistant à multiplier chaque $p$-valeur brute par le nombre total de comparaisons ($p_{\text{adj}} = \min(1, , m \times p)$).
• La méthode séquentielle de Holm : Approche plus puissante (recommandée par la littérature contemporaine) qui classe les $p$-valeurs par ordre croissant et applique un multiplicateur décroissant pas à pas, contrôlant rigoureusement l'erreur de type I tout en limitant les erreurs de type II.

Exécutons ces corrections sous notre session d'analyse :

p_valeurs_bonferroni <- p.adjust(p_valeurs_brutes, method = "bonferroni")
p_valeurs_holm <- p.adjust(p_valeurs_brutes, method = "holm")

synthese_posthoc <- data.frame(
Jour = names(affluence_observee),
p_Brute = round(p_valeurs_brutes, 5),
p_Holm = round(p_valeurs_holm, 5),
p_Bonferroni = round(p_valeurs_bonferroni, 5)
)

print(synthese_posthoc)

L'examen des probabilités ajustées selon l'algorithme de Holm révèle que seuls le Lundi ($p_{\text{adj}} = 0.017$) et le Vendredi ($p_{text{adj}} < 0.001$) demeurent sous le seuil critique de$alpha = 0.05$. Le Mardi ($p_{text{adj}} = 0.46$), le Mercredi ($p_{text{adj}} = 1.00$) et le Jeudi ($p_{text{adj}} = 1.00$) confirment leur parfaite conformité avec la distribution théorique. L'application de la correction confirme avec une rigueur statistique absolue les conclusions initialement tirées de l'examen des résidus standardisés ajustés.

12. Rédaction et communication des résultats selon les normes de l'APA (7e édition)

12.1 Structure typographique et symbolisme statistique APA

La diffusion publique et académique des résultats inférentiels est encadrée par des conventions éditoriales strictes, au premier rang desquelles figurent les normes de l'American Psychological Association (APA, 7e édition). La formalisation textuelle d'un test d'adéquation du chi-deux obéit à un gabarit de présentation invariant :

$$\chi^2(dl, , N = \text{effectif_total}) = \text{statistique}, , p = p\text{-valeur}, , w = \text{taille_effet}$$

Ce protocole typographique requiert une attention minutieuse aux détails d'édition :

• Le symbole grec du chi-deux ($\chi^2$) ainsi que les lettres latines servant d'opérateurs statistiques ou d'indices ($N$, $p$, $w$, $z$) doivent être impérativement composés en caractères italiques. En revanche, les chiffres et les parenthèses demeurent en typographie droite.
• Le premier paramètre entre parenthèses représente les degrés de liberté ($dl$), suivi d'une virgule et de la taille totale d'échantillon ($N = dots$).
• Toutes les grandeurs statistiques descriptives ou inférentielles ($\chi^2$, résidus, tailles d'effet) sont systématiquement arrondies à deux décimales après la virgule.
• La $p$-valeur est rapportée avec trois décimales. Conformément aux règles de l'APA, dans la mesure où une probabilité ne peut par définition mathématique jamais excéder la valeur 1, le zéro initial précédant le séparateur décimal doit être omis dans les publications anglophones (ex. p = .002). Dans les écrits académiques rédigés en langue française, l'usage oscille entre l'alignement typographique international (p = ,002) et la conservation du zéro (p = 0,002). Si la $p$-valeur affichée par la console est inférieure à 0.001 (comme dans notre exemple où $p = 0.00017$), il est rigoureusement prohibé d'écrire p = 0.000 ; on consignera expressément : p < ,001.

12.2 Exemples concrets de paragraphes de résultats pour publications

Afin d'illustrer la matérialisation de ces normes, voici deux modèles formels de restitution textuelle rédigés selon les exigences académiques les plus strictes.

Modèle de compte-rendu pour un résultat statistiquement significatif (cas de notre étude) :

« Un test d'adéquation du chi-deux de Pearson a été conduit afin d'éprouver l'hypothèse d'une répartition uniforme de la fréquentation client au cours des cinq jours ouvrés de la semaine (lundi au vendredi). Les analyses révèlent une déviation statistiquement significative par rapport au modèle d'équiprobabilité théorique, χ²(4, N = 250) = 22,32, p < ,001, avec une taille d'effet modérée, w = 0,30, IC95% [0,18, 0,42]. L'analyse post-hoc des résidus standardisés ajustés (avec correction séquentielle de Holm pour les comparaisons multiples) démontre que cette divergence globale est principalement imputable à une sous-fréquentation marquée le lundi (fo = 32, fe = 50, z = -2,85, p_adj = ,017) ainsi qu'à une sur-fréquentation substantielle le vendredi (fo = 76, fe = 50, z = 4,11, p_adj < ,001). Les effectifs relevés pour le mardi (fo = 41), le mercredi (fo = 54) et le jeudi (fo = 47) ne s'écartent pas significativement des valeurs attendues sous l'hypothèse d'uniformité. »

Modèle de compte-rendu pour un résultat non significatif (scénario de confirmation du modèle) :

« Une analyse d'adéquation du chi-deux de Pearson a été réalisée afin de vérifier la conformité de la répartition des types d'attachement au sein de notre échantillon clinique au regard des normes épidémiologiques établies (55% sécurisant, 25% évitant, 20% anxieux-ambivalent). Les fréquences empiriques observées (respectivement 52, 28 et 20 participants) ne diffèrent pas significativement de la distribution théorique postulée a priori, χ²(2, N = 100) = 0,42, p = ,811, w = 0,06. Ces résultats confirment l'adéquation satisfaisante de notre cohorte avec le modèle de référence en population générale. »

12.3 Présentation tabulaire normalisée

Lorsque le système comporte un nombre élevé de catégories ou que l'on désire consigner l'intégralité des indices numériques issus de la décomposition des cellules, la présentation tabulaire s'impose. Conformément aux directives graphiques de l'APA (7e édition), un tableau statistique ne doit comporter aucune ligne verticale de séparation, et son organisation horizontale doit se limiter à trois filets maîtres : un filet supérieur bordant l'en-tête, un filet inférieur délimitant l'en-tête, et un filet terminal clôturant le corps des données.

Le tableau suivant illustre la mise en conformité de notre jeu de données sur l'affluence en magasin :

Tableau 1. Répartition observée, attendue et résidus d'affluence journalière (N = 250)

Jour ouvré	Fréquence observée (fo)	Fréquence attendue (fe)	Proportion observée (%)	Résidu standardisé ajusté (z)	p-valeur ajustée (Holm)
Lundi	32	50,0	12,8%	-2,85	,017*
Mardi	41	50,0	16,4%	-1,42	,465
Mercredi	54	50,0	21,6%	0,63	1,000
Jeudi	47	50,0	18,8%	-0,47	1,000
Vendredi	76	50,0	30,4%	4,11	< ,001***
Note. Statistique globale du chi-deux : χ²(4, N = 250) = 22,32, p < ,001, w = 0,30. Les fréquences attendues reposent sur l'hypothèse d'équiprobabilité journalière (20% par modalité). Les p-valeurs ajustées sont corrigées par la méthode séquentielle de Holm. * p < ,05. *** p < ,001.

En combinant une conduite informatique rigoureuse dans R, un diagnostic approfondi par les résidus et la taille d'effet, et une restitution typographique respectueuse des standards scientifiques internationaux, le chercheur confère à ses analyses catégorielles une clarté méthodologique et une force probante exemplaires.

Références

• Agresti, A. (2013). Categorical data analysis (3e éd.). John Wiley & Sons. https://www.wiley.com/en-us/Categorical+Data+Analysis%2C+3rd+Edition-p-9780470463635
• American Psychological Association. (2020). Publication manual of the American Psychological Association (7e éd.). American Psychological Association. https://apastyle.apa.org/products/publication-manual-7th-edition
• Ben-Shachar, M. S., Lüdecke, D., & Makowski, D. (2020). effectsize: Estimation of effect size indices and standardized parameters. Journal of Open Source Software, 5(56), 2815. https://doi.org/10.21105/joss.02815
• Cochran, W. G. (1954). Some methods for strengthening the common χ² tests. Biometrics, 10(4), 417–451. https://doi.org/10.2307/3001666
• Cohen, J. (1988). Statistical power analysis for the behavioral sciences (2e éd.). Lawrence Erlbaum Associates. https://www.sciencedirect.com/book/9780121790608/statistical-power-analysis-for-the-behavioral-sciences
• Holm, S. (1979). A simple sequentially rejective multiple test procedure. Scandinavian Journal of Statistics, 6(2), 65–70. https://www.jstor.org/stable/4615733
• Pearson, K. (1900). On the criterion that a given system of deviations from the probable in the case of a correlated system of variables is such that it can be reasonably supposed to have arisen from random sampling. The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science, 50(302), 157–175. https://doi.org/10.1080/14786440009463897
• R Core Team. (2023). R: A language and environment for statistical computing. R Foundation for Statistical Computing. https://www.R-project.org/
• Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer-Verlag. https://ggplot2.tidyverse.org/